宮園園　艾宏志

摘? ?要：針對傳統(tǒng)的境外旅游人數(shù)預測模型預測誤差大的情況，設計了基于RBF神經網絡的境外旅游人數(shù)預測模型。首先對旅游樣本數(shù)據(jù)進行歸一化處理，對境外旅游人數(shù)變動統(tǒng)計。然后通過預測種群構建、評估適應值、懲罰項設置、預測序列平穩(wěn)性檢驗、模型預測五個過程完成了基于RBF神經網絡的境外旅游人數(shù)預測模型的設計。最后，實驗證明，RBF神經網絡的境外旅游人數(shù)預測模型比傳統(tǒng)的境外旅游人數(shù)預測模型誤差小，能夠準確對境外旅游人數(shù)預測。

關鍵詞：RBF神經網絡;旅游;人數(shù);預測;節(jié)點;誤差

中圖分類號：TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A

Study on Prediction Model of Overseas Tourists

Based on RBF Neural Network

GONG Yuan-yuan ，AI Hong-zhi

（Yulin University，Yulin，Shaanxi 719000，China）

Abstract：in view of the large prediction error of the traditional prediction model of the number of overseas tourists，a RBF neural network prediction model of the number of overseas tourists is designed. Firstly，the tourism sample data is normalized，and the number of overseas tourists is counted. Then，the prediction model of overseas tourists based on RBF neural network is designed through five processes：prediction population construction，evaluation of fitness value，penalty item setting，prediction sequence stability test and model prediction. Finally，experiments show that the RBF neural network model designed in this paper has less error than the traditional model，and can accurately predict the number of overseas tourists.

Key words：RBF neural network;tourism;population;prediction;node;error

改革開放以來，旅游業(yè)作為第三產業(yè)迅速發(fā)展，近年來，由于游客擁擠、超載等問題造成的安全問題事故頻發(fā)，給旅游景區(qū)造成很大的負面影響，因此科學準確的對境外旅游人數(shù)預測是目前亟需解決的問題[1-2]。

旅游預測對國家制定旅游發(fā)展政策和戰(zhàn)略規(guī)劃、優(yōu)化旅游市場資源配置、旅游企業(yè)制定戰(zhàn)略計劃和決策等方面具有重要作用[3]。境外旅游人數(shù)的分析和預測是旅游規(guī)劃與管理的關鍵性、基礎性工作，但是境外旅游人數(shù)預測會受到自然氣候、休假制度、突發(fā)事件等多種外部因素影響，游客流量表現(xiàn)出非線性、季節(jié)性、隨機性等復雜特點，導致傳統(tǒng)的預測方法預測誤差較大。RBF（Radial Basis Function）神經網絡是神經網絡的一種，RBF為徑向基函數(shù)，即某種沿徑向對稱的標量函數(shù)，能夠優(yōu)化神經網絡的非線性擬合能力，使神經網絡可映射任意復雜的非線性關系，并且便于計算機實現(xiàn)，適用于解決分類問題[4]。

為了提高境外旅游人數(shù)預測精度，設計了RBF神經網絡的境外旅游人數(shù)預測模型，該模型以歷史數(shù)據(jù)作為研究基礎，對境外人數(shù)進行預測，觀察其變化規(guī)律。首先對境外旅游人數(shù)變動統(tǒng)計分析，然后構造基于RBF神經網絡的結構形式，通過預測種群構建、評估適應值、懲罰項設置、預測序列平穩(wěn)性檢驗、模型預測實現(xiàn)了境外旅游人數(shù)預測。實驗結果表明，境外旅游人數(shù)預測模型比傳統(tǒng)預測模型誤差小，能夠準確對境外旅游人數(shù)預測，為旅游管理者提前決策提供直接信息。

1? ?RBF神經網絡的境外旅游人數(shù)預測模型

1.1? ?境外旅游人數(shù)變動統(tǒng)計

境外旅游人數(shù)預測會受到多種因素影響，為減少境外旅游人數(shù)預測[5]的誤差，對境外旅游人數(shù)變動情況進行統(tǒng)計分析。由于對境外旅游人數(shù)預測，需要對歷史的境外旅游人數(shù)分析，因此，對歷史的旅游樣本數(shù)據(jù)進行歸一化處理[6]，處理流程如圖1所示。

由于RBF神經網絡輸入的數(shù)據(jù)范圍一般在[0，1]，歸一化處理公式為：

A = ■? ? （1）

式中，Amax取最大值，保證預測年的數(shù)據(jù)小于該數(shù)值，Amin取小于樣本數(shù)據(jù)序列中的最小值，保證歸一化處理后的樣本數(shù)據(jù)不接近于0。

由于境外人口數(shù)量波動[7]較大，規(guī)律不明顯，因此采用延時坐標法進行相空間重構[8]，假設一維時間序列為Y = （y1，y2，…，yn），截取其前i個數(shù)據(jù)構成i維相空間的一個向量，然后依次向后移χ個向量，構成 維空間的第n個向量：

y = （y1+（r-1），y2+（r-1），…，yn+（r-1））? ? （2）

通過上述序列得到i向量的點集，根據(jù)該點集，對境外旅游人數(shù)變動統(tǒng)計分析。根據(jù)境外旅游者人數(shù)在一定時期所增長的絕對數(shù)量，統(tǒng)計旅游者人數(shù)增長量[9]，增長量可以為正數(shù)，也可以為負數(shù)。境外旅游人數(shù)的旅游人數(shù)增長量用公式表達為：

DT = a1 - a2 - a3 - … am? ? ? （3）

式中，a1、a2、a3和am分別代表各個時期的旅游者人數(shù)，其中a1為初始者人數(shù)，am為最末期的旅游者人數(shù)，其余為中間各個旅游時期的旅游人數(shù)。

在此基礎上，對逐期增長量計算，其為各報告期旅游者人數(shù)與當前旅游者人數(shù)之差[10]，用公式表達為

Rgb（a） = a1 - a0，a2 - a1，… an - an-1? ? ?（4）

式中，a1 - a0、a2 - a1、an - an-1分別代表同一時期的增長量。

通過上述步驟，完成對境外旅游人數(shù)變動的統(tǒng)計分析，為境外旅游人數(shù)預測提供一定基礎。

1.2? ?境外旅游人數(shù)預測模型構建

依據(jù)上述對境外旅游人數(shù)變動的統(tǒng)計分析，以RBF神經網絡為基礎，構建境外旅游人數(shù)預測模型，構建模型的過程如下：

步驟一：根據(jù)相關專家學者的研究成果，選擇適用于構建RBF神經網絡的結構。全部的非線性函數(shù)關系的任一精度均可以被僅含有一個隱含層的神經網絡逼近，也可稱為三層前饋神經網絡。故此次構建的境外旅游人數(shù)預測模型選用三層前饋型神經網絡，并以此次構建模型所選擇的6個指標數(shù)量作為神經元個數(shù)。根據(jù)前人研究資料可知，目前較難判斷隱含神經元數(shù)量，且判斷方法并不確定，但隱含層節(jié)點數(shù)需滿足2n > t（t為輸入層節(jié)點個數(shù)）。根據(jù)滿足條件，此次構建模型中隱含層含有3個神經元，輸入層含有2個神經元，輸出層含有1個神經元，其中輸出層的神經元即城鄉(xiāng)居民消費能力的綜合值。

步驟二：將RBF神經網絡的參數(shù)進行初始化設置。將較小隨機數(shù)給予網絡隱含層、輸入層與輸出層，其連接權值為ω、ω′，閾值為θ、θ′。

步驟三：根據(jù)RBF神經網絡的輸入量數(shù)值，獲取最佳評估指標。

步驟四：計算隱含層神經元的輸入x′、輸出y′與輸出層神經元的輸入x″、輸出y″。

步驟五：神經元誤差u表達式為：

u = ω（t - y″）′ω′（x″）? ? ? ?（5）

步驟六：RBF神經網絡機構計算公式為：

Fx = ■{uω′}■t（x″） = W1 + W2 + … + Wn? ?（6）

步驟七：權值及閾值的矯正過程為：

ω（u + 1） = ω（u） + Δω（u）? ? ?（7）

ω′（u + 1） = ω′（u） + Δω′（u）? ? ? （8）

θ（u + 1） = θ（u） + Δθ（u）? ? ? （9）

θ′（u + 1） = θ′（u） + Δθ′（u）? ? ? （10）

步驟八：為達到理想精度，減小總誤差，選擇下一列模式作為輸入信號，并將全部訓練模式運行一周。

把未滿足理想精度的訓練模式返回并重新訓練，獲取最佳的城鄉(xiāng)居民消費能力評估結果。

RBF神經網絡結構圖如下所示：

在此基礎上，運用RBF神經網絡進行預測，預測流程如圖3所示。

1.2.1? ?構造基于RBF神經網絡的結構形式，將該模型中的輸入節(jié)點數(shù)值設置大于該序列嵌入維數(shù)[11-12]。經過反復實驗將網絡層節(jié)點數(shù)最終確定為4個，輸出層節(jié)點數(shù)為1，隱含層節(jié)點數(shù)量為6個;

1.2.2? ?預測種群構建，利用染色體表示問題的潛在解，形成初始種群，并根據(jù)目標函數(shù)確定適應度函數(shù)，根據(jù)適應度函數(shù)值[13]的大小，對選擇的個體進行交叉和變異等遺傳操作，保留適應值好的個體，以此反復循環(huán)，構建種群預測。

1.2.3? ?評估適應值，訓練初始化后的境外旅游人數(shù)參數(shù)，為避免訓練集的適應值陷入過度擬合狀態(tài)[14]，選用CB方法，計算公式為：

DV = ■? ? ?（11）

式中，y和■分別為境外旅游人數(shù)的預測值和實際值，■a代表訓練樣本數(shù)目，■代表徑向基適應值函數(shù)。

1.2.4? ?懲罰項設置[15]，在通過多次訓練比較后，為適應外界輸入，加入懲罰項，以提高預測模型的綜合性能，計算公式如下：

D = ■？圯Wa? ? ? ? ?（12）

式中，D為非線性懲罰項參數(shù)，■代表旅游人數(shù)預測參數(shù)，Wa代表旅游人數(shù)預測影響參數(shù)。

通過上述公式，對懲罰項設置，減少境外旅游人數(shù)預測誤差。

1.2.5? ?預測序列平穩(wěn)性檢驗，通過時間序列的散點圖對旅游人數(shù)序列進行初步的平穩(wěn)性判斷，計算公式如下：

gh = ■q*ik? ? ? ? ? （13）

式中，gh代表旅游數(shù)據(jù)序列，■q代表時間序列，ik代表歷史旅游人數(shù)。

根據(jù)上述公式，檢測預測序列，目的是檢驗預測模型對原時間序列的擬合效果，檢驗整個模型中信息提取是否充分。

根據(jù)模型參數(shù)檢驗結果，確定最終的境外旅游人數(shù)預測模型。根據(jù)上述定義，完成基于RBF神經網絡的境外旅游人數(shù)模型的建立，并為驗證此次模型設計的有效性，將在下一步進行實驗。

2? ?仿真實驗

2.1? ?實驗準備

為驗證基于RBF神經網絡的境外旅游人數(shù)預測模型的有效性，進行實驗驗證。并為了使實驗結果更具說明性，將傳統(tǒng)的預測模型與本預測模型作對比，主要對比兩種模型的預測誤差。此次實驗樣本來自于我國某地的旅游風景區(qū)，選取該景區(qū)的2009年國慶節(jié)時7天數(shù)據(jù)，分別使用兩種模型對這7天的境外旅游人數(shù)進行預測。為使實驗結果更加直觀，建立誤差評價指標，分別計算傳統(tǒng)預測模型和本預測模型的誤差值，誤差值最佳理想值為0，其值越低，代表實際值和預測值越接近，則代表誤差小。誤差評價指標的計算公式如下：

MAPE = ■■vd？圯b? ? ? ? ? （14）

式中，為實際境外旅游人數(shù)，代表境外旅游人數(shù)預測值，反應實際值與預測值之間的偏差，為實際值與預測值的相關程度，為測試樣本數(shù)量。

2.2? ?實驗結果分析

實驗天數(shù)選取國慶的7天假期，該景區(qū)的實際每天境外旅游人數(shù)為已知，為使實驗結果更加直觀，只對比兩種預測模型的誤差值，實驗對比結果如下所示：

分析上述實驗結果可知，在第1天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高4.7;在第2天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本模型的預測誤差值高5.4;在第3天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高7.4;在第4天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高8;在第5天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高9.76;在第6天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高4.12;在第7天的旅游人數(shù)預測上，傳統(tǒng)預測模型的預測誤差值比本預測模型的預測誤差值高7.02。

分析總體實驗結果可知，本預測模型的整體預測誤差都比傳統(tǒng)預測模型的預測誤差低，與最佳理想值接近。因此基于RBF神經網絡的境外旅游人數(shù)預測模型，能夠有效對歷史數(shù)據(jù)統(tǒng)計與分類，從而具有較高的預測準確性，因此證明了本預測模型的有效性。

3? ?結? ?論

針對傳統(tǒng)的境外旅游人數(shù)預測模型預測誤差大的情況，設計了一種基于RBF神經網絡的境外旅游人數(shù)預測模型。首先對境外旅游人數(shù)變動統(tǒng)計，然后構造基于RBF神經網絡的結構形式，最后通過預測種群構建、評估適應值、懲罰項設置、預測序列平穩(wěn)性檢驗、模型預測五個過程實現(xiàn)了對境外旅游人數(shù)的預測。實驗對比結果表明，RBF神經網絡的境外旅游人數(shù)預測模型比傳統(tǒng)的境外旅游人數(shù)預測模型預測誤差小，能夠為旅游決策提供重要支持。

參考文獻

[1]? ? 陳美璘，何清龍. 基于熵權法混合模型的貴州省旅游人數(shù)預測研究[J].? 數(shù)學的實踐與認識，2018，48（21）：307-313.

[2]? ? 李瑤，曹菡，馬晶. 基于改進的灰色模型的旅游需求預測研究[J].? 計算機科學，2018，45（1）：122-127.

[3]? ? 胡曉琴. 基于支持向量機的旅游需求量預測模型[J].? 現(xiàn)代電子技術，2017，40（15）：105-107.

[4]? ? 段莉瓊，宮輝力，劉少俊，等. 基于客源地的聚類-ARIMA模型的短期旅游需求預測——以天津歡樂谷主題公園為例[J].? 地域研究與開發(fā)，2017，36（3）：108-112.

[5]? ? 黨婷，彭乃馳. 基于GM-ES-GASVR組合模型的麗江國內旅游需求預測[J].? 數(shù)學的實踐與認識，2017，47（8）：279-287.

[6]? ? 陳榮，梁昌勇，陸文星，等. 面向旅游突發(fā)事件的客流量混合預測方法研究[J].? 中國管理科學，2017，25（5）：167-174.

[7]? ? 王曉宇，蘇放. 基于BA-SVR的鄉(xiāng)村游短期客流預測模型[J].? 計算機工程與設計，2018，39（12）：219-223.

[8]? ? 劉靜，劉耀龍，段錦. 基于5A景區(qū)最大承載量和游客接待量的旅游供需關系模型研究[J].? 科技通報，2017，33（7）：264-268.

[9]? ? 張斌儒，鄭宗劍，張瑞，等. 基于RVM模型的國內游客流量預測研究——以海南為例[J].? 數(shù)學的實踐與認識，2017，47（24）：30-36.

[10]? 魏鵬，侯楊方. 旅游者空間分布模型及其預測應用——以甘肅省縣（區(qū)）為例[J].? 旅游學刊，2017，32（5）：106-115.

[11]? 汪威. 最優(yōu)組合預測線性模型在旅游需求預測中的應用——以中國大陸赴澳門游客量預測為例[J].? 數(shù)學的實踐與認識，2018，48（12）：49-58.

[12]? 王瑋琳，張海龍. 旅游景區(qū)安全事故灰色預測及關聯(lián)度分析[J].? 安全與環(huán)境學報，2018，18（6）：2115-2119.

[13]? 郭旭東，劉永平，王遠回. 以旅游功能為主的城市軌道交通線路客流預測方法[J].? 城市軌道交通研究，2018，21（1）：49-52.

[14]? 張圓剛，余向洋，程靜靜，等. 基于TPB和TSR模型構建的鄉(xiāng)村旅游者行為意向研究[J].? 地理研究，2017，36（9）：1725-1741.

[15]? 程麗萍，李仁杰，傅學慶，等. 旅游景觀感知度計算模型設計與實現(xiàn)[J].? 地理與地理信息科學，2017，33（3）：59-65.