胡曉琴

摘 要： 為了提高旅游需求量的預(yù)測精度，提出基于支持向量機(jī)的旅游需求量預(yù)測模型。首先分析了旅游需求量當(dāng)前的研究現(xiàn)狀，找出當(dāng)前旅游需求量預(yù)測模型的缺陷，然后針對旅游需求量的時變性、周期性以及小樣本的特點，建立支持向量機(jī)的旅游需求量預(yù)測模型，最后與神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行旅游需求量預(yù)測對比實驗。結(jié)果表明，相對于神經(jīng)網(wǎng)絡(luò)等模型，支持向量機(jī)獲得了更高精度的旅游需求量預(yù)測結(jié)果，可以為旅游區(qū)的管理和合理規(guī)劃提供有益的指導(dǎo)意見。

關(guān)鍵詞： 旅游需求量； 預(yù)測模型； 支持向量機(jī)； 灰色模型； 參數(shù)優(yōu)化

中圖分類號： TN911.1?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）15?0105?03

Abstract： In order to improve the prediction accuracy of tourism demand， a tourism demand prediction model based on support vector machine is proposed. The current research status of tourism demand is analyzed to find out the defects of the current tourism demand forecasting model. According to the characteristics of time variation， periodicity and small sample of tourism demand， the tourism demand prediction model based on support vector machine was established. The contrast experiment of tourism demand forecasting model and neural network model was carried out. The results show that， in comparison with the neural network model， the tourism demand prediction model based on support vector machine has more accurate prediction result， which can provide the helpful guidance for the tourist area management and reasonable planning.

Keywords： tourism demand； forecasting model； support vector machine； grey model； parameter optimization

0 引 言

隨著經(jīng)濟(jì)的迅速發(fā)展，人們的生活水平不斷提升，旅游成為人們生活重要的組成部分。同時旅游可以促進(jìn)一個地區(qū)以及一個國家的經(jīng)濟(jì)發(fā)展，它們兩者之間相互關(guān)聯(lián)[1?2]。對旅游需求量進(jìn)行準(zhǔn)確預(yù)測，根據(jù)預(yù)測結(jié)果制定合理的管理和開放方案具有重要的實際意義[3?4]。

針對旅游需求量預(yù)測問題，采用統(tǒng)計學(xué)方法進(jìn)行建模，取得了不錯的成果[5]。最初人們采用線性回歸對旅游需求量進(jìn)行建模，通過分析對旅游需求量歷史數(shù)據(jù)之間的關(guān)系，對模型的參數(shù)進(jìn)行估計，從而構(gòu)建旅游需求量的預(yù)測模型，但由于該模型認(rèn)為旅游需求量只是一種線性增加趨勢，沒有考慮對旅游需求量的周期性變化特點，使得對旅游需求量的預(yù)測誤差大[5]。為了解決線性回歸模型的缺陷，有學(xué)者提出基于滑動平均法、指數(shù)平滑法等[6]，它們屬于時間序列分析法，本質(zhì)上也是一種線性建模方法，因此局限性也比較明顯。近幾年，隨著神經(jīng)網(wǎng)絡(luò)的研究深入，有學(xué)者提出基于神經(jīng)網(wǎng)絡(luò)的旅游需求量預(yù)測模型[7?9]，其屬于一種非線性建模方法，不僅可以對旅游需求量的周期性變化特點進(jìn)行描述，同時可以跟蹤旅游需求量的時變性，獲得不錯的旅游需求量預(yù)測結(jié)果。神經(jīng)網(wǎng)絡(luò)要求旅游需求量的樣本數(shù)量多，而旅游需求量是一種小樣本預(yù)測問題，使得神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中易出現(xiàn)過擬合現(xiàn)象，即雖然擬合精度相當(dāng)高，但是旅游需求量的預(yù)測精度相當(dāng)?shù)蚚10]。支持向量機(jī)（Support Vector Machine，SVM）是一種小樣本預(yù)測問題的建模工具，不存在神經(jīng)網(wǎng)絡(luò)的過擬合缺陷，為旅游需求量的預(yù)測提供了一種新的研究方法[11]。

為了提高旅游需求量的預(yù)測精度，提出基于支持向量機(jī)的旅游需求量預(yù)測模型，并與神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行了旅游需求量預(yù)測對比實驗。結(jié)果表明，支持向量機(jī)獲得了更高精度的旅游需求量預(yù)測結(jié)果，具有比較明顯的優(yōu)越性。

1 支持向量機(jī)

支持向量機(jī)是一種機(jī)器學(xué)習(xí)算法，對于旅游需求量問題，首先收集其歷史數(shù)據(jù)，構(gòu)成的樣本集合為：其中表示樣本的數(shù)量，由于旅游需求量具有非線性變化特點，因此需將原始數(shù)據(jù)通過函數(shù)映射到線性空間中，從而簡化回歸問題，得到：

要建立旅游需求量的預(yù)測模型，必須找到合適的變量和的值，而直接對和進(jìn)行求解比較困難，因此對式（1）進(jìn)行如下轉(zhuǎn)換：

式中：為旅游需求量的回歸誤差；表示旅游需求量預(yù)測誤差的懲罰程度。

為了更好地對旅游需求量預(yù)測問題進(jìn)行求解，引入拉格朗日函數(shù)對式（2）進(jìn)行轉(zhuǎn)換，得到：

2 基于支持向量機(jī)的旅游需求量預(yù)測模型

2.1 旅游需求量數(shù)據(jù)的重構(gòu)

在實際應(yīng)用中，旅游需求量由于多種因素的作用，其有一定的混沌性，為此對原始旅游需求量進(jìn)行重構(gòu)，變?yōu)闆]有混沌性的旅游需求量數(shù)據(jù)。設(shè)原始的旅游需求量為，變換重構(gòu)后的多維旅游需求量為：

式中和均為混沌處理參數(shù)。

2.2 蟻群優(yōu)化算法

蟻群算法將信息素作為搜索方向，通過反饋機(jī)制找到問題的最優(yōu)解。設(shè)節(jié)點間的信息素濃度和可見度分別為和那么在時刻，第只螞蟻從轉(zhuǎn)向的概率計算公式為：

式中：為第只螞蟻未經(jīng)過的節(jié)點集合；為信息累積量和啟發(fā)式因子。

的計算公式為：

式中為和間的距離。

螞蟻完成一次搜索后，更新信息素量為：

式中為信息殘留量。

2.3 支持向量機(jī)的旅游需求量預(yù)測建模步驟

（1） 針對某一個旅游景點，收集該旅游景點近些年的旅游需求量歷史數(shù)據(jù)，并做如下處理：

最后旅游需求量預(yù)測值要通過式（18）進(jìn)行變換：

式中：為旅游需求量的原始值；和為最大和最小的旅游需求量。

（2） 采用參數(shù)和根據(jù)式（12）得到重構(gòu)后的旅游需求量，即支持向量機(jī)的建模樣本。

（3） 采用支持向量機(jī)對旅游需求量數(shù)據(jù)進(jìn)行學(xué)習(xí)，并采用蟻群優(yōu)化搜索最優(yōu)參數(shù)和的值，和的目標(biāo)函數(shù)為：

（4） 根據(jù)最優(yōu)參數(shù)和的值，建立旅游需求量預(yù)測模型。具體工作流程如圖1所示。

3 旅游需求量預(yù)測應(yīng)用實例

3.1 旅游需求量數(shù)據(jù)

為了測試基于SVM的旅游需求量建模與預(yù)測效果，選擇某個旅游景點的旅游需求量歷史數(shù)據(jù)作為研究對象，如圖2所示。

3.2 基于SVM的旅游需求量預(yù)測結(jié)果

確定最優(yōu)和得到多維旅游需求量數(shù)據(jù)，選擇最后100個旅游需求量數(shù)據(jù)作為測試樣本，其他數(shù)據(jù)對SVM進(jìn)行學(xué)習(xí)，建立旅游需求量的預(yù)測模型，并采用蟻群優(yōu)化算法確定參數(shù)的值為：1.758，最后對旅游需求量測試樣本進(jìn)行預(yù)測，測試結(jié)果如圖3所示。從圖3可知，基于SVM的旅游需求量預(yù)測精度高，可以對旅游需求量的變化態(tài)勢進(jìn)行準(zhǔn)確跟蹤，是一種有效的旅游需求量建模與預(yù)測工具。

3.3 與其他旅游需求量預(yù)測模型的精度比較

選擇當(dāng)前常用的旅游需求量預(yù)測模型進(jìn)行比較，它們的旅游需求量平均預(yù)測精度如表1所示，對表1的旅游需求量預(yù)測精度進(jìn)行對比分析，可以發(fā)現(xiàn)：

（1） 在所有模型中，線性回歸分析的旅游需求量預(yù)測精度最低，這是因為線性回歸分析模型只能描述旅游需求量的線性變化特點，無法全面刻畫旅游需求量的變化趨勢，導(dǎo)致旅游需求量的預(yù)測誤差大。

（2） 神經(jīng)網(wǎng)絡(luò)的旅游需求量預(yù)測精度要優(yōu)于線性回歸模型，獲得比較好的旅游需求量預(yù)測結(jié)果，這是因為神經(jīng)網(wǎng)絡(luò)是一種非線性建模方法，可以對旅游需求量變化特點進(jìn)行較好的描述，但有時會出現(xiàn)一些過擬合預(yù)測結(jié)果，導(dǎo)致預(yù)測結(jié)果不穩(wěn)定。

（3） 在所有模型中，SVM的旅游需求量預(yù)測精度最高，使得旅游需求量預(yù)測誤差得到有效控制，主要由于SVM具有神經(jīng)網(wǎng)絡(luò)的良好預(yù)測性能，同時能克服過擬合的不足，對旅游需求量的周期性、時變性特點都可以準(zhǔn)確預(yù)測，再加上采用蟻群算法確定模型參數(shù)，使得模型的預(yù)測性能得到進(jìn)一步提高，獲得十分理想的旅游需求量預(yù)測結(jié)果，具有十分顯著的優(yōu)越性。

4 結(jié) 語

為了更好地跟蹤旅游需求量的變化趨勢，提出基于SVM的旅游需求量模型。首先收集某地區(qū)旅游需求量的歷史數(shù)據(jù)，然后采用SVM對旅游需求量數(shù)據(jù)進(jìn)行學(xué)習(xí)，構(gòu)造相應(yīng)的旅游需求量預(yù)測模型，采用具體旅游需求量數(shù)據(jù)對模型的有效性進(jìn)行測試，測試結(jié)果表明，SVM的旅游需求量預(yù)測精度得到了一定的提升，是一種有效的旅游需求量建模工具，具有較高的實際應(yīng)用價值。

參考文獻(xiàn)

[1] 謝彥君.基礎(chǔ)旅游學(xué)[M].北京：中國旅游出版社，1999：225?227.

[2] 郭靖，郝索.云旅游視角下的現(xiàn)代鄉(xiāng)村旅游發(fā)展策略研究[J].西安郵電學(xué)院學(xué)報，2012，17（5）：108?111.

[3] 劉俊梅，田曉霞，閆敏，等.基于“智慧旅游”的新疆旅游產(chǎn)業(yè)轉(zhuǎn)型升級策略研究[J].市場論壇，2012（11）：92?95.

[4] 張紅賢，馬耀峰.中國入境旅游市場的多元回歸預(yù)測[J].資源開發(fā)與市場，2005，21（2）：105?106.

[5] 何彪，朱連心.基于灰色系統(tǒng)GM（1，1）模型的海南旅游業(yè)收入預(yù)測[J].旅游論壇，2011，4（6）：65?67.

[6] 楊盼，顏七笙.馬爾科夫方法修正的灰色模型在我國農(nóng)村居民人均旅游消費(fèi)預(yù)測中的應(yīng)用[J].江西科學(xué)，2011，29（1）：6?10.

[7] 張舒，王浩華，李肯.基于神經(jīng)網(wǎng)絡(luò)算法的海南旅游需求測估模型[J].數(shù)學(xué)的實踐與認(rèn)識，2015，45（19）：12?22.

[8] 吳江華，葛兆帥，楊達(dá)源.基于人工神經(jīng)網(wǎng)絡(luò)的國際入境旅游需求的定量分析與預(yù)測：以日本對香港的國際旅游需求分析為例[J].旅游學(xué)刊，2002，17（3）：55?59.

[9] 李志龍，陳志鋼，覃智勇.基于支持向量機(jī)旅游需求預(yù)測[J].經(jīng)濟(jì)地理，2010，30（12）：2122?2126.

[10] 翁鋼民，李凌雁.旅游客流量預(yù)測：基于季節(jié)調(diào)整的PSO?SVR模型研究[J].計算機(jī)應(yīng)用研究，2014，31（3）：692?695.

[11] CHEN K Y， WANG C H. Support vector regression with genetic algorithms in forecasting tourism demand [J]. Tourism management， 2007， 28： 215?226.

[12] 樓鋼.基于BP人工神經(jīng)網(wǎng)絡(luò)的杭州入境旅游需求預(yù)測分析[J].現(xiàn)代商業(yè)，2010（14）：64?65.