文摘

旅游安全是旅游产业的重点。不仅是相关的安全相关游客的生命和财产安全,而且社会稳定和可持续发展的旅游业。然而,许多旅游景点集中的安全预警响应措施和补救计划发生安全事故后,和许多旅游景点的工作人员安全意识和信息分析能力有限,容易在信息发布滞后,不注意潜在的信息安全问题。因此,本文研究了旅游安全预警信息系统的优化算法基于LSTM模型并使用和LSTM改进递归神经网络的时间序列数据的处理和预测能力。实验结果表明,三个隐藏层的数量在旅游安全预警信息系统基于LSTM模型可以减少模型的训练时间,提高性能。与旅游安全预警信息系统基于BP神经网络,它具有更好的精度和稳定性,具有更好的处理和时间序列数据的预测能力,并能实时监控和分析数据科学和动态分析数据。

1。介绍

旅游已逐渐成为重要的产业之一。当人们不再满足生活的基本需求,越来越多的人开始追求高品质的生活。旅游已逐渐成为重要的产业之一。越来越多的人开始追求旅游的生活(1]。此外,旅游资源的不断开发和利用,和旅游环境和内容是不断变化的。近年来,除了特色文化城市旅游,也有自然和文化旅游、自然旅游地区的马拉松比赛,等等。这些新兴旅游项目不仅吸引更多的游客,也提高旅游产业的经济增长(2,3]。然而,有许多不幸事件,游客在旅游的过程中,遇到突然的天气变化等自然风景区在马拉松比赛中,踩踏事件造成的上海外滩游客太多,海啸,绑架的游客,在旅游领域和常数盗窃,对旅游业造成严重不良影响和制约了旅游业的可持续发展4,5]。因此,旅游安全已成为一个高度重视和关心的问题在不同的国家和地区,和旅游安全预警已成为旅游业发展的必然趋势。智能信息技术的发展和应用,许多景区将收集和发布景区的安全信息和预警信息通过智能耐磨产品和相应的基于大数据应用,如信息危险地区的景点和景区游客的数量。尽管危险,一些景点的游客会遇到可以避免在某种程度上,有一些问题在许多旅游景点,如过早释放安全预警信息,员工安全意识低,相应信息的错误判断。同时,许多的重点旅游安全措施、实施计划,和方法在景区旅游安全事件的发生后,相应的信息发布渠道狭窄,缺乏相关知识储备和成熟稳定的反应计划提前警告(6]。这表明旅游安全预警的发展旅游业不能满足旅游业的发展的需要。因此,旅游安全预警信息系统,旅游行业需要建立可以进行准确和科学的信息收集分析相关景区的安全信息在实时和有效,并输出信息分析结果在时间和提高效率在景区的安全预警信息。

本文研究了旅游安全预警信息系统的优化算法基于LSTM模型。与传统的旅游安全预警方法相比,人工神经网络具有较好的容错性和更强的鲁棒性。它可以快速处理数据并找到相应的最优解,及其非线性思维可以处理许多因素之间的关系。LSTM模型与BP神经网络相比,可以更好地处理时间信息实时处理的目的,实现旅游安全预警信息。本文主要分为以下三个部分。第一部分介绍了开发和旅游安全预警信息系统的相关概念和LSMT复发性神经网络的发展和应用。第二部分构造一个旅游预警信息系统基于BP神经网络和介绍了递归神经网络和LSTM优化算法的旅游预警信息系统。此外,相应的旅游安全预警信息指标的构造通过整合旅游安全的各种因素。在第三部分,旅游安全预警信息系统的优化算法基于LSTM模型的训练和测试,和仿真结果进行了分析。

旅游安全预警信息系统包含许多影响因素的复杂系统,它可以评估和分析旅游目的地的各种安全指标的变化趋势,并确定系统组成的旅游目的地的整体环境,以早期警告和消除可能发生的安全事故的安全系统(7,8]。旅游安全预警信息系统可以促进旅游目的地的可持续发展,提高游客的满意度的经验和人身安全,具有重要的指导意义在旅游业的长远发展和社会经济、自然环境、和社会稳定9]。因此,旅游安全预警信息系统的研究一直是关注的焦点。旅游安全因素是多元化的,其外部表现大致可以分为自然灾害、疾病、犯罪、交通安全等。他们中的许多人是无法控制的,但景点还可以分析一些潜在风险因素的分析相关的信息。一些学者提出了一个智能旅游预警系统的踩踏在景区,也就是说,通过智能分析和指导监控数据服务和处理功能10]。这种方法更适用于城市景点,及其预警重点旅游安全问题由人为因素引起的。根据自然景区的特点,一些学者提出建立风险识别和评价模型的自然景区通过GIS的结合和贝叶斯网络模型(11]。该方法有很强的针对性,可以阐明风险的范围和改善旅游安全预警的准确性,但它需要长期有效的数据作为决策的基础,这大大增加了时间成本。一些学者提出了构建一个基于BP神经网络安全预警系统。其建模相对简单和可以获取信息分析结果在一个相对短的时间内(12]。然而,软弱的BP神经网络时间序列信息的分析,及其输出预警结果倾向于静态分析。和增加的类型的风险因素,其准确性也在一定程度上的影响。此外,一些旅游安全预警研究主要侧重于人工神经网络的应用机制旅游安全突发事件,它提供了理论支持和旅游安全研究奠定了坚实的理论基础(13]。此外,根据旅游环境的现状,研究人员提出了探索生态恶化和突然的环境安全问题造成的旅游活动从生态的角度来看,旅游目的地的生态环境状况进行预测,并制定有针对性的预防措施和救援计划(14]。然而,从旅游的角度安全危机预警与管理,旅游安全预警系统基于BP神经网络处理时间序列数据仍有很多不足,需要进一步优化。

旅游安全预警系统的主要对象是游客或当地居民15,16]。因此,它所提供的信息更详细,在出境旅游的安全性有很好的效果。然而,一些旅行者忽视预警信息或不注意相关预警信息随着时间的推移,他们不注意早期预警信息和建议17]。应该注意的是,旅游安全预警信息系统并不专门建立一个长期的旅游安全预警信息系统,但有关气象部门发布的,和安全监督局等部门进行分类为自然灾害预警和社会安全事件,和信息主题并不局限于游客18,19]。类似的旅游安全预警信息系统已经建立,并警告语言是相对温和的。简要介绍了旅游目的地国家,但它不清楚分类预警的内容(20.]。同时,公民不连接旅游服务,所以很少有人注意旅游安全预警信息发布(21,22]。研究人员一直在不断尝试和研究,希望能建立一个更加科学的旅游安全预警信息系统(23]。

2.1。旅游安全预警信息系统的建设和优化基于LSTM

旅游安全预警信息系统是用来预测和警告景区未来的变化从多个维度根据合理的指标体系和科学的方法。因此,旅游安全预警信息的影响因素是多元化和非线性。摘要LSTM模型用于构建旅游安全预警信息系统,使系统的处理能力时间信息,从而实现实时动态信息管理和分析的目的。图1的流程图显示了旅游安全预警信息系统基于LSTM模型。


图1
流程图的旅游安全预警信息系统基于LSTM模型。
2.2。建设旅游安全预警神经网络信息系统

的人工神经网络模拟人脑神经元之间的联系可以处理相关的信号,获取数据信号预测模型,解决非线性数据预测和其他相关问题。因此,本文选择BP神经网络为基础的旅游安全预警信息系统的静态数据和提取隐含的关系需要进行分析和预测24]。BP神经网络的神经元可以连接多个输入,但只有一个输出节点,如图2。


图2
BP神经网络简单的模型。

输入层的多层感知器表示为 和 ,隐藏层 和 ,和输出层 和 。数据传输的过程从输入层到输出层向前传播,如图所示

数据传输的权重矩阵表示为 ;数据传输的重量隐藏层和输出层之间的连接是表示为 ,和输出层的偏见表示为 。激活函数 所示

在BP神经网络的学习过程,修改权值和阈值的梯度法。后的迭代公式所示

尽管BP神经网络可以解决非线性问题,数据处理的BP神经网络在时间线没有相关性;也就是说,它不能处理时间序列特征数据相关的最后一刻或更早的数据。一个LSTM设计基于BP神经网络的结构。的结构网络内存的函数,也就是说,它可以有效地记住在训练数据时间维度的数据特点,及其结构如图3。


图3
网络记忆功能的结构。

LSTM之间的差异和BP神经网络的节点隐藏层之间是相互联系的,所以当时隐层的输入包含两个部分,也就是说,此时输出通过输入层和隐层的输出在最后一刻,这隐藏层包含内存的信息在这个时候,在最后一刻或更早25]。所示的转移过程

和 表示输出层偏移量。当时间是 ,输入是 ,隐层输出 ,和输出 ;当时间是 ,隐层输出 。激活函数公式所示

损失的总和是总损失函数。让损失函数被贴上负对数似然函数,如图所示

然后,序列的总损失函数所示

LSTM的发展可以转化为相应的BP神经网络,训练由BPTT算法(26,27]。如果有必要训练 时间数据,LSTM扩展为BP神经网络 隐藏层。从图可以看出2后在同一位置参数的扩张LSTM相互共享,而BP神经网络不是共享的,所以LSTM大大减少了学习和训练参数。根据相关理论,可以认为序列数据的长度,可以处理LSTM是无限的,和隐藏层的处理信息也是无限的。因此,在实际的信息传输过程中,隐层神经元中的信息将逐渐削弱,失去由于时间的延长,即梯度消失的现象。这导致了预测性能的降低。此外,延迟窗口的长度需要确定LSTM时提前训练,使自动获得最优参数的难度在实际应用。

2.3。优化基于LSTM旅游安全预警信息系统

LSTM为了解决上述问题,使其长期记忆,图4图显示了LSTM结构发展。


图4
LSTM结构扩张。

从图可以看出,LSTM神经网络引入了可控,以避免LSTM梯度消失的问题。LSTM细胞有四层,包括忘记门,输入层、输出层,和更新层,在一种特殊的方式相互作用。我们提供相应的连续写作,阅读,和复位功能。也就是说,LSTM神经网络增加了一个C状态长期信息记忆递归神经网络的基础上,这是LSTM的单元结构。如果在这个时间 ,当忘记门层控制传输的信息量与前面的单元状态 当前 状态,

输入门的主要目的是过滤信息,避免无用的信息输入电流 状态。输入的乙状结肠层和双曲正切层门可以更新的状态。所示的公式 在哪里 是乙状结肠函数和数值范围是[0,1]。在那之后,最后一刻的状态 和 是增加更新状态。过滤掉无用的信息,和一个新值 是补充道。相应的调整是根据个体更新状态。公式所示

门的输出用于控制电流输出受到长期存储的信息。主要决定了细胞通过乙状结肠输出层,然后设置细胞(−1,1)范围的双曲正切,并增加相应的输出。最后,确定输出部分输出,如图所示

从上面的公式可以看出,乙状结肠功能激活函数的输入,输出,和忘记盖茨[0,1]的值。其他的激活函数,双曲正切,见公式(6),也常用于输入和输出LSTM盖茨,和它的单调性更符合神经元在神经网络的特点。图5给出了两种激活函数图。


图5
两个激活函数图。
2.4。指数旅游安全预警信息系统的建设

旅游安全包括许多影响因素。根据相关分析和归纳,本文旅游指数预警信息系统三个层次,即第一级是旅游安全预警、和第二级别有四个指标,即稳定的旅游自然灾害,旅游出行的安全设施、安全的旅游目的地,旅游环境污染的安全。此外,每个一级指标还包含三个层面的影响因素。

旅游安全预警模式分为优秀水平,水平好,合格水平,临界水平。其中,优秀的水平表明,旅游目的地的整体环境有很高的安全性,没有隐藏的危险,不需要担心突发事件的发生。好水平意味着旅游目的地的整体环境具有较高的安全性。尽管会有潜在的安全隐患和小规模的可能性安全突发事件,发生的概率是非常小的,有声音和成熟的治疗方案和补救措施。从现实的角度概率,潜在的旅游可能发生安全事故。然而,这类事故的影响可以有效的控制在相应的范围内,有一个很好的反应计划,要求游客有一定程度的认知和知识的潜在安全隐患。不鼓励游客没有这个条件进入旅游目的地。旅游目的地的临界水平意味着严重的旅游安全事故的概率高,因为没有相应的治疗计划和措施,一旦发生安全事故,将产生严重的甚至是灾难性后果游客和旅游目的地。应该禁止进入旅游目的地的游客在这个水平。为了显示四个旅游安全预警模式更直观,四个级别警报与相应的预警信号,也就是说,安全级别预警信号是绿色的,好的级别预警信号是蓝色,橙色预警信号是合格的水平,和临界水平信号灯是红色的。 Figure6显示了预警值和歧视的旅游安全预警模式。


图6
旅游安全预警值和判别模型。
2.5。测试结果基于LSTM旅游安全预警信息系统
2.5.1。优化测试结果根据LSTM旅游安全预警信息系统

在LSTM算法,时间步代表指数序列的长度,可以使用,这对模型有一定的影响。因此,算法保持不变的条件下,算法的性能与步长,45岁和90测试,如图7。


图7
LSTM递归神经网络算法不同步长性能测试。

从结果可以看出图中LSTM算法将不断提高相应的预测性能随着时间的增加一步。时间步长增加到一定长度时,LSTM算法的准确性下降。此外,该时间步可以反映的相关长度时间序列中的数据。如果时间步长太短,数据之间的关联信息不足,这将减少算法的预测效果。当步长太长,它将减少之间的关系的数据,因为太多的冗余数据,从而减少算法的预测精度,所以选择步长算法是非常重要的。

根据LSTM复发性算法,层数的增加会提高学习性能,但层也将导致改进算法的复杂性系统,影响其收敛速度,在样本训练,消耗更多的时间,增加培训的难度。因此,本文LSTM算法的性能测试,如图8。


图8
LSTM递归神经网络算法用于测试相关的性能水平。

LSTM图收敛效果的改善随着层次的增加,但相应的培训和测试时间也越来越长。当四LSTM层数的增加,其性能的提高并不明显,但它需要很长时间。因此,考虑到各个方面的需求,三层LSTM算法是最合适的。如图9,LSTM算法的隐层含有不同数量的节点损失函数值。


图9
LSTM递归神经网络的隐层节点算法包含不同数量的损失函数值。

从图可以看出,当隐层节点的数量达到520,LSTM算法的损失函数值达到最小值。损失函数相比,130年和260年的隐层节点,可以看出与节点的数量的增加,相应的损失函数值显著降低。这表明当隐层节点的数量足够大,LSTM算法的拟合性能可以充分发挥。

2.6。仿真试验的结果基于LSTM旅游安全预警信息系统

如图10的误差对比图,它是BP神经网络算法和LSTM算法对旅游安全指数预测的结果。在图的结果,LSTM算法的预测结果更接近真实值。该算法有一个个人价值的预测结果误差大,主要是因为BP神经网络容易局部最优解的问题。因此,在精度和稳定性方面,LSTM时间序列数据的预测精度更高、稳定性更好。


图10
BP神经网络的误差对比图算法和LSTM递归神经网络算法对旅游安全指数的预测结果。

如图11,它是一个基于LSTM预警分析模型信息系统。旅游目的地安全是一个复杂的动态变化,因此,旅游安全预警信息系统的输入值不仅可以还连续变量离散变量,和输出值属于布尔离散向量。


图11
早期预警分析模型的旅游安全预警信息系统基于LSTM递归神经网络。

旅游目的地的安全状态分为不同级别,和输出值信息系统基于LSTM设置为一个向量在0和1之间。当米th索引元素代表了其他索引元素代表1和0,安全的旅游目的地在一定水平。仿真测试结果旅游安全预警信息系统如表所示1。

表1
基于LSTM递归神经网络旅游安全预警信息系统仿真测试结果。

3所示。结论

随着经济的不断发展,人们开始看到世界的差异通过旅游满足基本生活的基础上。然而,并不是与蓬勃发展的旅游业是旅游安全预警信息系统。旅游安全是一个综合的问题由很多因素,这不仅与游客的生命和财产安全,也关系社会稳定,旅游资源的开发和保护。旅游是相对落后,目前集中在安全事故发生后的补救措施和治疗,不能发挥预警的作用,减少灾害损失。因此,本文研究了优化算法的基于LSTM旅游安全预警信息系统。旅游安全的基础上,基于BP神经网络,它使用递归神经网络和LSTM系统优化算法,以提高预警信息系统的能力来处理和预测时间序列数据。实验结果表明,LSTM模型的学习能力和收敛效果将改善与隐藏层的数量的增加,但增加到一定数量,提高学习能力和收敛效果不明显。因此,有必要设置一个适当数量的隐藏层LSTM模型来改善其性能。旅游安全预警信息系统基于LSTM模型具有更好的准确性和稳定比旅游安全预警信息系统基于BP神经网络算法,具有更好的处理和时间序列数据的预测能力,而且更符合需求的旅游安全预警信息系统。此外,与其他方法相比,旅游安全预警信息系统基于LSTM模型可以应用到更广泛的范围,是否它是一个旅游城市景点或自然风景区旅游,也可以结合智能可穿戴设备进行数据收集和分析。 However, the experimental data in this paper are mainly for the analysis of the indicators of the scenic spot, so the index system needs to be further improved. In the future development, the tourism safety early warning information system between scenic spots should be connected with each other to strengthen the information circulation. At the same time, set up a tourism safety early warning information subsystem for economically underdeveloped scenic spots to reduce the cost of tourism safety early warning information system on the basis of ensuring the safety of scenic spots and tourists.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

这项工作由科技部支持中华人民共和国的中国,项目编号:2018 yfb0804300。