李崇實(shí)，樊金拴

（西北農(nóng)林科技大學(xué)，陜西 楊凌712100）

生態(tài)旅游是二戰(zhàn)以后旅游業(yè)中增長最快的部分，已成為當(dāng)今世界旅游業(yè)發(fā)展最快的熱點(diǎn)，世界各地區(qū)和國家都在積極發(fā)展生態(tài)旅游，中國生態(tài)旅游發(fā)展時間較短，但近幾年取得了巨大的發(fā)展。然而，隨著生態(tài)旅游業(yè)的蓬勃發(fā)展，與之形成反差的是旅游管理質(zhì)量和水平的落后，其中一個關(guān)鍵性衡量指標(biāo)就是旅游預(yù)測與發(fā)達(dá)國家相比還處于學(xué)習(xí)階段。所以生態(tài)旅游的需求預(yù)測應(yīng)該是且必須是今后研究的一個重要課題。如何建立科學(xué)的可操作性的生態(tài)旅游預(yù)測模型，準(zhǔn)確地把握生態(tài)旅游需求的發(fā)展趨勢，以制定適合生態(tài)旅游調(diào)控政策，對生態(tài)旅游的持續(xù)健康發(fā)展具有重要意義。

由于旅游具有很強(qiáng)的易波動性，故而很難從宏觀上把握其發(fā)展趨勢。因此在研究旅游需求趨勢時必不可少地需要使用數(shù)學(xué)方法與運(yùn)用模型。國外專家學(xué)者對旅游需求的預(yù)測主要以定量分析為主，分析方法包括回歸模型法、時間序列法、計量經(jīng)濟(jì)學(xué)模型、德爾菲法等等，這些傳統(tǒng)的技術(shù)分析方法取得了較大的成就。但是當(dāng)系統(tǒng)具有較強(qiáng)的非線性時，這些方法的適應(yīng)性卻是有限的，在實(shí)際的預(yù)測環(huán)境中常常失去效用，因此用這些傳統(tǒng)的預(yù)測方法解決這類問題十分困難。為此，本文采用BP神經(jīng)網(wǎng)絡(luò)模型，通過改進(jìn)算法，提出收斂性較快、網(wǎng)絡(luò)泛化能力強(qiáng)的神經(jīng)網(wǎng)絡(luò)模型，并對太白山保護(hù)區(qū)未來10年來的旅游數(shù)據(jù)進(jìn)行了預(yù)測分析，這對于全面深刻了解太白山保護(hù)區(qū)生態(tài)旅游需求，充分挖掘潛在客源市場，深化生態(tài)旅游消費(fèi)市場的開拓有所裨益，同時也可以為太白山生態(tài)旅游的發(fā)展提供依據(jù)。

1 神經(jīng)網(wǎng)絡(luò)的概念及原理

人工神經(jīng)網(wǎng)絡(luò)［1，2］（Artificial Neural Network）常常簡稱為神經(jīng)網(wǎng)絡(luò)（ANN），是以計算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能計算系統(tǒng)，是對人腦或自然神經(jīng)網(wǎng)絡(luò)的若干基本特性的抽象和模擬，是智能控制領(lǐng)域的一個新的分支，為解決復(fù)雜的非線性、不確定性、不確知系統(tǒng)的控制問題開辟了一條新的途徑。它因?yàn)榫哂泻瘮?shù)近似、數(shù)據(jù)聚集、模式分類、優(yōu)化計算、概率密度函數(shù)估計等功能，在工程領(lǐng)域得到較多的應(yīng)有。而目前，人工神經(jīng)網(wǎng)絡(luò)可以用來解決模式信息處理和模式識別、控制優(yōu)化、信息的智能優(yōu)化處理、復(fù)雜控制、信息控制、故障診斷這幾類問題。

反向傳播網(wǎng)絡(luò)［3］（Back－Propagation Network，簡稱BP網(wǎng)絡(luò)）是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，將W－H學(xué)習(xí)規(guī)則一般化，對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入－輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）（圖1）。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

如圖1所示，一個BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和至少一個隱層組成，各層包含一個或者多個神經(jīng)元，相鄰兩層神經(jīng)元之間通過可調(diào)權(quán)值相連接，且各神經(jīng)元之間沒有反饋。BP算法由信號的前向計算（正向傳播）和誤差信號的反向傳播2個過程構(gòu)成。正向傳播時，傳播方向?yàn)檩斎雽印[層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號的反向傳播流程。誤差的反傳是將輸出誤差以某種形式通過隱層向輸入層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號并將其作為修正各單元權(quán)值的依據(jù)。通過這2個過程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過程。

2 太白山生態(tài)旅游模型的建立

2.1 旅游指標(biāo)

2.1.1 旅游者人數(shù) 旅游者人數(shù)是指旅游目的地國家或地區(qū)在一定時期內(nèi)所接待的旅游者總?cè)藬?shù)，主要用來衡量旅游者對旅游產(chǎn)品的需求總量狀況。

2.1.2 旅游者停留天數(shù)指標(biāo) 旅游者停留天數(shù)分為旅游者停留總天數(shù)和旅游者人均停留天數(shù)。旅游者停留總天數(shù)是指一定時期內(nèi)旅游者人次與人均過夜數(shù)的乘積；旅游者人均停留天數(shù)是指一定時期內(nèi)旅游者停留天數(shù)與旅游者人次的除數(shù)。

2.1.3 旅游者消費(fèi)指標(biāo) 旅游者消費(fèi)指標(biāo)分為旅游者消費(fèi)總額和旅游者人均消費(fèi)額。旅游者消費(fèi)總額是指一定時期內(nèi)旅游者在旅游目的地國家或地區(qū)的全部貨幣支出，如旅游者在旅游過程中支出的餐飲費(fèi)、住宿費(fèi)、交通費(fèi)等；旅游者人均消費(fèi)額是指一定時期內(nèi)旅游者消費(fèi)總額與旅游者人次之比。

衡量一個地區(qū)旅游需求狀況，可以從該地區(qū)的旅游需求總量和旅游消費(fèi)總額2個指標(biāo)考慮。因此，本文選擇反映旅游需求的基本指標(biāo)是以上山游客人數(shù)作為預(yù)測對象，其余預(yù)測方法同理。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

2.2.1 傳遞函數(shù)的選擇 BP網(wǎng)絡(luò)通常有一個或多個隱含層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元則采用線性傳遞函數(shù)，整個網(wǎng)絡(luò)的輸出可以取任意值。通過訓(xùn)練BP網(wǎng)絡(luò)時發(fā)現(xiàn)，傳遞函數(shù)使用tansig函數(shù)時要比logsig函數(shù)的誤差小。于是在以后的訓(xùn)練中隱層傳遞函數(shù)改用tansig函數(shù)，輸出層傳遞函數(shù)仍選用purelin函數(shù)。

2.2.2 結(jié)構(gòu)模型

（1）網(wǎng)絡(luò)的層數(shù)。已經(jīng)證明：三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)多維單位立方體Rm到Rn的映射，即能夠逼近任何有理函數(shù)。這實(shí)際上給了一個設(shè)計BP網(wǎng)絡(luò)的基本原則。增加層數(shù)可以更進(jìn)一步降低誤差，提高精度，但同時也使網(wǎng)絡(luò)復(fù)雜化，從而增加網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間。所以一般情況下，應(yīng)優(yōu)先考慮增加隱含層的神經(jīng)元個數(shù)。本研究采用一個隱含層的3層BP模型。

（2）各層的神經(jīng)元數(shù)。神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的節(jié)點(diǎn)數(shù)是由求解問題本身以及數(shù)據(jù)的表示方式綜合確定的。根據(jù)旅游需求的已有數(shù)據(jù)，確定輸入層的神經(jīng)元個數(shù)為2，輸出層的神經(jīng)元個數(shù)為1。

網(wǎng)絡(luò)訓(xùn)練精度的提高，可以通過采用一個隱含層而增加神經(jīng)元數(shù)的方法來獲得，這在結(jié)構(gòu)的實(shí)現(xiàn)上要比增加更多的隱含層簡單得多。但是隱層節(jié)點(diǎn)數(shù)對網(wǎng)絡(luò)的泛化能力有很大的影響。節(jié)點(diǎn)數(shù)太多，傾向于記住所有的訓(xùn)練數(shù)據(jù)，包括噪聲的影響，反而降低了泛化能力；節(jié)點(diǎn)數(shù)太少，不能擬和樣本數(shù)據(jù)，沒有較好的泛化能力。所以我們要選擇合適的節(jié)點(diǎn)數(shù)。通過多次試驗(yàn)，確定隱含層結(jié)點(diǎn)個數(shù)為8。

（3）數(shù)據(jù)的獲取。本文數(shù)據(jù)來自《太白山自然保護(hù)區(qū)生物多樣性研究與管理》《太白山自然保護(hù)區(qū)（2011—2020）十年總體規(guī)劃》及太白山保護(hù)區(qū)各保護(hù)站生態(tài)旅游數(shù)據(jù)，見表1。

表1 太白山自然保護(hù)區(qū)1998—2010年生態(tài)旅游人數(shù)

為了提高訓(xùn)練速度和靈敏度以及有效地避開激活函數(shù)的飽和區(qū)域，一般要求輸入數(shù)值在0—1之間。如不對數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)測結(jié)果誤差較大，訓(xùn)練時間過長。本課題將對數(shù)據(jù)乘以10－4做歸一化處理，所得結(jié)果如下：

p＝［0.138 0 0.167 0 0.366 0 0.506 0 0.570 0 0.523 0 0.552 0 0.600 0 0.650 0 0.573 0；0.167 0 0.366 0 0.506 0 0.570 0 0.523 0 0.552 0 0.600 0 0.650 0 0.573 0 0.490 0］

（4）網(wǎng)絡(luò)設(shè)計。在進(jìn)行建模時，根據(jù)采樣方法，將數(shù)據(jù)分為11組，構(gòu)成訓(xùn)練和測試樣本集，其中前10組為網(wǎng)絡(luò)訓(xùn)練樣本集，后一組為網(wǎng)絡(luò)測試樣本集。用1998—1999年、1999—2000年、2000—2001年……2007—2008年的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，用2000年、2001年、2002年……2009年的數(shù)據(jù)作為理想輸出，組成樣本集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)設(shè)置的誤差預(yù)期為止，然后保存網(wǎng)絡(luò)并用網(wǎng)絡(luò)預(yù)測隨后幾年的旅游人數(shù)。

圖2 訓(xùn)練誤差曲線

即輸入層節(jié)點(diǎn)2個，輸出層節(jié)點(diǎn)為1個。根據(jù)實(shí)驗(yàn)，確定隱含層節(jié)點(diǎn)為8個，因此，BP網(wǎng)絡(luò)結(jié)構(gòu)為：2－8－1。用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)TRAINGDM進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練到570次的時候，誤差達(dá)到要求，如圖2所示。

3 預(yù)測結(jié)果分析

3.1 網(wǎng)絡(luò)仿真

為了檢驗(yàn)網(wǎng)絡(luò)對未知樣本的預(yù)測效果，也就是網(wǎng)絡(luò)的泛化能力，把2008—2009年的數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)中得到預(yù)測值，見表2。

表2 2010年太白山自然保護(hù)區(qū)生態(tài)旅游人數(shù)實(shí)際值與預(yù)測值的比較

由對照表中的實(shí)際值和預(yù)測值可以看出，神經(jīng)網(wǎng)絡(luò)給出的預(yù)測結(jié)果很接近實(shí)際值，絕對誤差4.45%，誤差較小，驗(yàn)證了該模型的可行性。

3.2 網(wǎng)絡(luò)預(yù)測

利用已建立好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測未來幾年太白山保護(hù)區(qū)生態(tài)旅游發(fā)展趨勢，并將結(jié)果反歸一化，如表3。

表3 太白山自然保護(hù)區(qū)未來10年旅游發(fā)展趨勢

4 結(jié)論

4.1 以太白山自然保護(hù)區(qū)生態(tài)旅游建立預(yù)測模型得出未來10年生態(tài)旅游的發(fā)展趨勢，為日后的管理決策提供了依據(jù)。

4.2 采用BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型，要對輸入的原始數(shù)據(jù)做預(yù)處理，這樣能夠加快收斂速度，縮小誤差范圍，從而得到更好的預(yù)測效果。

［1］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制［M］.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2003

［2］朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望［J］.江南大學(xué)學(xué)報：自然科學(xué)版，2004（1）：103－110

［3］周政.BP神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述［J］.山西電子技術(shù)，2008（2）：50－54