文摘
为了提高旅游需求预测的影响,旅游业的商业开发,和实际经验的用户,本文运用自适应神经网络技术进行旅游需求预测分析。此外,本文改进了自适应神经网络算法,以便它可以处理多个旅游需求预测的数据。改进算法后,本文采用实际的旅游需求预测的过程构建旅游需求预测模型基于自适应神经网络技术。之后,本文结合旅游时间和空间数据分析,以确定系统的功能结构和网络拓扑结构。通过实验研究,可以看出,旅游需求预测模型基于自适应神经网络技术提出了执行在旅游需求预测和满足现代旅游业的实际需求预测。
1。介绍
21世纪以来,世界的旅游业发展迅速。目前,许多城市把旅游业作为经济发展的支柱产业,希望利用旅游业的发展推动整个社会经济的发展。一个明显区别旅游业和工业、农业、和其他生产行业是旅游业的波动,这是一个巨大的挑战,为企业和政府计划部门在旅游市场。因此,为了使一个成功的决定,我们需要作出准确的预测未来的旅游市场的需求。现代旅游研究人员试图利用许多数学方法和模型来解决这个问题。目前常用的主要模型时间序列预测模型;回归模型,包括线性和非线性回归模型;自适应模型;人工神经网络;等。
作为“绿色”驱动力,旅游不仅是与资源和环境的平衡和协调能力,但也最重要的方法之一实现可持续经济发展(1]。自改革开放以来,中国的旅游业的发展经历了一个历史飞跃从“短缺”到“大国类型。”然而,随着旅游业的快速发展,旅游投诉的数量正在增加经验,和负面信息公开的媒体和游客通过互联网严重影响区域旅游的形象(2]。在互联网时代,这些负面信息的传播跨越传统的地理距离和时间的限制3),吸引了越来越多的关注。其中,媒体和游客的投诉在线关注负面信息,如旅游已经成为一个重要的因素影响游客的决策和区域旅游的发展。与此同时,大量的网络信息使得旅游路线更为多样化,以及旅游需求为导向之间的空间关联区域旅游产业变得越来越密切和复杂。因此,空间溢出效应的负面信息网络关注区域旅游发展不容忽视。
一些学者将影响因素划分为三种类型:推力、拉力和阻力。其中,推动指的是鼓励人们旅游的因素,包括人口规模、收入趋势,收入分配和教育水平。反弹的因素是指吸引人们的主观愿望去一个特定的区域,包括气候、商业、文化、营销策略,亲戚和朋友。阻力是指因素阻碍人们去一个特定的区域,包括价格、竞争对手,和供应能力。当国外使用定量模型来分析影响因素,他们经常以经济因素为主要研究对象。在研究的过程中,一些学者发现,影响旅游需求的最关键因素和相关决策是经济。国内学者也进行了研究旅游需求的来源国家,香港旅游产品展示,该地区的经济水平,旅游成本是最重要的因素。特殊事件包括经济和非经济因素,如社会冲突,体育赛事,和金融危机。在这三个类别,人们普遍认为,非经济因素的影响相对较小,经济因素更有利于建立旅游需求预测模型;深入研究是在此基础上进行的。 However, in terms of the actual situation in my country, my country's tourism demand is also greatly affected by family consumption habits, political and social factors, consumption concepts, and other factors. Therefore, the tourism demand forecasting method that only considers economic factors is not in line with my country’s reality.
本文运用自适应神经网络技术进行旅游需求预测和分析,构建一个商业智能模型提高预测随后的旅游需求的影响。
2。相关工作
许多学者尝试使用不同的模型来提高需求预测的准确性和及时性,这通常可以分为三个类别:因果关系模型、时间序列模型和人工智能模型。文献[4)使用搜索关键字建立多元线性回归函数来预测每日游客的数量和使用一个单变量自回归移动平均(ARMA)模型来预测旅游需求的9个国家在亚太地区。Sigalat发现et al。5)建造了一个组合预测模型的自回归移动平均模型和BP神经网络。文献[6)支持向量回归(SVR)模型适用于旅游需求预测并结合自回归移动平均(ARIMA)模型集成。文献[7)使用一种人工神经网络模型来预测旅游需求在巴利阿里群岛。文献[8)使用神经网络模糊时间序列模型作为预测模型来预测SARS期间旅游需求。文献[9)提出了旅游流预测SSVR-PSO(季节性的粒子群优化支持向量回归)模型,该模型结合了季节性的支持向量回归模型和粒子群优化算法。与两种类型的模型相比,人工智能模型显示伟大的优势而言,非线性拟合和自适应学习,但是传统的人工神经网络有问题,如复杂的训练过程和长期消费。因此,寻找高效、准确的新的神经网络方法已成为一个热门的研究方向。文献[9]提出ESN(回声状态网络)。与传统的算法相比,回声状态网络的训练过程既简单又有效。它可以近似动态系统无限在一般条件下,广泛用于各种预测问题。文献[10使用预测移动通信流量,文献[11)用它来处理时间序列的预测问题某些黑子的特征值。然而,ESN也有自己的缺点和局限性。例如,ESN参数和连接权值是随机集,只有输出层权值调整在培训过程中,这是容易落入局部最优解。目前使用的常见的方法是构建ESN网络模型时选择最优输出多次,或选择参数根据经验来构造模型。在这方面,许多学者ESN的结构进行了优化。文献[12)开发几个新的存储池拓扑切入并预测办公建筑的能源消耗。文献[13)提出了一个与分岔结构回声状态网络的预测模型,提高预测准确性的切入。一些学者也用启发式算法来优化参数的切入和获得良好的实验结果。文献[14)使用遗传算法优化初始权值和阈值的反馈神经网络,但是有这样的研究相对较少。果蝇优化算法(失落)提出的文学15)低复杂度的优点,计算速度快,解决方案能力强。它已经被应用于许多组合优化和持续优化领域。文献[16失落]使用优化结构参数的人工神经网络(ANN)模型,和文学(14失落]使用优化SVR的惩罚参数和转换系数,取得了良好的实验结果。失落本身缺点如收敛精度低和容易陷入局部极值。文献[17)提出了一种自适应变异果蝇优化算法,根据人口健身方差和当前最优值;根据概率P,变异算子干扰复制继续优化。文献[18]增加了惯性改变非线性递减特点和个人和团体之间的关系,和一种改进的果蝇优化算法(IFOA)构造。
3所示。旅游需求预测算法基于自适应神经网络
为了实现控制目标,动态误差系统定义如下:
采用减少线性滤波器的设计方法,介绍了和筛选变量,以减少系统的订单。线性滤波器的定义如下。过滤器的性能指数收敛,渐近收敛,和有界转移。
我们定义 还有下面的关系和 :
为了获得闭环动态方程的三个频道,得到以下方程的一阶时间导数 :
通过分解公式(4), ,获得以下表达式:
由上述方程两边乘以 ,我们得到了
通过增加和减少 同时正确的一半(6),我们可以得到
矩阵D是一个对角矩阵,矩阵中的每一项的值是+ 1或−1。矩阵形式是
矩阵U是一个上三角矩阵,每个函数主对角线的上方是一个未知函数项。矩阵形式是
为了方便后续的控制设计,设计了一种新的辅助函数变量,辅助函数被定义为
高超音速飞行器动力学控制信号被定义为 。根据闭环动力学方程(10),为了方便后续稳定性分析过程,控制信号设计如下:
在这里,分解为
定义如下:
用矩阵U矩阵D,得到的方程(14),闭环误差动态方程得到:
通过扩大(15),我们可以得到
辅助函数 被定义为以下形式:
通过使用神经网络近似, 可以写成
其中, ,和是未知常数。
设计如下:
用(14),(19)和(20.)(18),闭环误差动力学方程可以得到:
拟议的李亚普诺夫候选函数定义如下:
通过推导李雅普诺夫函数,可以得到以下方程:
用(21)(23),根据三角不等式定理,(23)可以转化为以下形式:
接下来,自适应更新率 神经网络的权重设计
用自适应更新率到原始的不平等(25),扩张后,我们可以得到的
合并相似的物品后,进一步转化为以下形式:
不平等(27)简化为以下形式:
同时,执行不等式缩放的残余项神经网络逼近神经网络权重的近似值,和李雅普诺夫函数不等式可以获得如下:
考虑 ,我们设置 ,它可以源自原始的不平等:
我们假设的最大特征值 小于一个常数 ,和常数大于零。矩阵 本身就是一个正定对称矩阵与统一的积极的明确性。因此,
其中, 。
根据法律的比较,我们有
通过求解微分不等式,我们可以得到的
其中, 。
因此,
因此,它表明,跟踪误差 和体重估计误差指数 收敛到零。
4所示。旅游需求预测基于自适应神经网络技术
为了应对当地旅游业的空间增加需求状态,目光短浅的单向流动的路径依赖的观点和静态目的地市场的概念应该被消除。此外,有必要重建一个新的旅游目的地空间系统源与目的地和旅游功能从更微观的角度来看(见图1)。探讨了旅游目的地的空间重组的不断深化下小型和中等规模的旅游空间行为。系统应该是一个特定的有机整体由几个相互作用和相互依赖的旅游元素在一定的地理空间。它使用现有的边界地区的本地和远程区域之间的分界线。这不仅包括形成的空间系统的一部分来自域外的游客的流入原始空间系统参与到旅游胜地,也是区域旅游空间系统的一部分,如城市、城镇和农村地区。同时,需要旅游目的地的旅游源和目标的功能为主体,形成空间系统与特定的顺序和互补的内部和外部空间等因素区域旅游环境、旅游通道、旅游信息、旅游流。需要指出,重建新的旅游目的地空间系统并不是一个完整的否认原始旅游目的地的空间系统,而是一种补充和改进系统。
在设计系统时,主要的方向是在景区的周边信息。例如,我们需要添加功能允许用户搜索,漫游,浏览,收集、分享和支付景点方便用户屏幕景区和提供旅游质量的可读性和方便的交通工具。搜索和漫游过程中在景区,游客们可以找到相关信息,比如景区的门票限制旅行和运输成本。此外,需要注意的是,这个平台必须考虑用户的情感需求和消费需求。一方面,用户使用后提供的旅行工具平台和浏览目标景点,他们需要在互联网上与别人交流。另一方面,用户也需要存储和分类相关信息后,使用平台。因此,我们还需要提供一个存储和分类功能,这样用户可以使用平台时节省时间和第二次快速找到以前存储的景点信息。分析用户需求图所示2。
分析平台的功能需求如图3。
在计划一个旅行之前,用户需要寻找有效的资源。有必要资源平台的景点进行分类,并通过历史功能,用户可以很容易地打电话给浏览历史。其次,用户筛选目标后,用户需要了解环境。同时,有必要提示外围信息,如厕所、虚拟漫游过程中自动取款机,和酒店。当平台结构框架,它需要介绍有关的数据信息。在用户搜索周围的目的地信息,用户需要支付的服务可以在互联网上提供。因此,平台需要添加网上支付的功能。旅行经验后,必须有后续的情感表达,所以平台需要有一个评论功能。平台功能需求分析的鱼骨图如图4。
本文所涉及的终端包括移动设备和桌面设备。移动端口包括平板电脑和手机、电脑和桌面设备主机。网络拓扑结构如图5。
空间、属性和时间的三个基本特征是地理现象和地理分析的三个基本要素。时间信息有助于探索个人活动的运动规律和预测未来的发展趋势。然而,由于大量的时空数据的缺乏有效的分析方法和其他原因,以往的研究通常忽略时间信息。然而,时间地理学引入了“时间”和使用“时间和空间”的概念,同时分析了三种类型的信息的时间、空间、和属性相同的框架内,桥梁的传统地理时间的忽视。应该注意的是,时间地理不是时间的地理,但方法为研究人类行为之间的关系和客观时空环境。时间地理学是地理学的研究个人行为在不同的时间和空间特性约束。它认为个体活动的时空范围受到多种因素本身和周边环境,可以概括为三个方面:能力限制,限制,和权威的限制。同时,时间地理借“时空棱镜”的概念来描述时空领域个人可以在各种约束下开展活动。时空棱镜形象代表个人活动的各种可能性。棱镜的上下顶点确定时间点,和棱镜的边界是由运输的条件。
随着时间的定量发展地理、概率时间地理开始出现,吸引了注意力。虽然古典时间地理借时空棱镜来表达个人运动的不确定性在时空区域,它假定个体对象范围内的均匀分布。然而,根据第一个地理定理,它可以知道个人移动对象在不同的位置的可能性并不总是统一的。概率时间地理学是基于这个想法。相信移动对象的可能性分布在每一个可访问的位置并不总是相等的,但分布在可及范围内一定的概率值。此外,这种概率值继续随时间变化。概率时间地理提倡使用概率方法来描述nonequal移动对象的访问地点的可能性,这是经典的扩展时间地理基于概率。基于方差的概率特性和其他概率时间地理的不同概率模型所示,一次地理方向运动的概率模型构建基于布朗桥概率和总概率公式,分别。概率时间地理学仍不成熟,需要进一步改进。然而,认为个人移动对象的分析需要考虑实际的概率分布为本文提供了理论来源使用概率方法来预测游客在景区的时间和空间分布。 The schematic diagram of the space-time prism with the starting point and the end point in the same spatial position is shown in Figure6的原理图,时空棱镜的起点和终点在不同空间位置如图7。
本文主要研究旅游需求预测基于自适应神经网络,实现旅游景点的热量预测融合舒适指数和具体的自适应神经网络预测算法。此外,本文将研究成果应用到具体的工程实践和建立一个旅游景点预测系统基于热舒适指数。系统的建立可以帮助游客更好的了解景区的安慰和热信息,帮助游客选择旅游景点合理,也有利于企业的决策在旅游项目,以及游客的建议和管理。系统应该有三个主要功能:数据收集、数据计算和分析,数据管理和显示。详细的功能模块数据收集模块、舒适指标体系模块,旅游流行预测模块,后台管理模块和结果显示模块。系统的五大功能模块,如图所示8。
数据采集模块主要实现数据采集和数据预处理。数据收集模块执行相关的根据不同的数据需求收集工作。集合后,数据保存和备份服务器相关的数据库,并提供数据接口,使其他模块使用旅游数据。数据收集模块应该能够自动获取旅游数据,气象数据,环境污染数据,景区周围的路况等根据配置。数据采集模块必须有一定的数据预处理功能,通过编程实现数据清理和数据集成工作。数据采集模块必须具有一定的抗干扰能力和响应速度和提供多线程的数据采集和处理功能。配置管理员可以查看所有的景区信息,系统可以收集和风景区目前收集数据和信息可以添加和删除景点收集的数据采集模块。当添加旅游景点的集模块、配置管理器可以设置时间范围和时间间隔对旅游数据收集。当配置管理员删除或增加了数据采集模块的旅游景点,延迟直到第二天生效。添加数据收集模块的景点之后,系统将查询当前景区的所有url,默认情况下收集数据。 The configuration administrator needs to confirm whether all the scenic spots URLs are valid. If they are invalid, they need to be added manually. At the same time, the data collection module requires a built-in web page analysis program. The previous analysis needs are only for China Weather Network, Green Breathing Network, Beijing Meteorological Bureau Network, Beijing Tourism Network, and Nanjing Tourism Network. When confirming the URL of the scenic spot, we need to ensure that the system can parse the configured URL. At the same time, the configuration administrator needs to configure the collection of API interface information around the scenic spot to ensure accurate acquisition of the road situation around the scenic spot.
本文整合地理和概率时间地理学理论、系统分析理论、刺刀和旅游流时空理论,提出了一个研究框架基于证人仿真系统来预测旅游流时空的刺刀。其中,地理和概率时间地理位置提供了理论依据景区系统建立仿真模型,基于概率。根据系统分析理论,景区系统从两个方面分析了景区环境和旅游行为规则,和景区环境抽象和简化为三个类别:出入口,路径,并停止点。旅游行为规则分为旅游到达规则,手机保持规则,和旅游规则。根据系统分析的结果,景区的面积数据、位置布局、路径长度、旅游到达概率分布,路线转移概率,保持时间的概率分布,收集和旅游景点的时间。这些数据提供初始参数概率仿真系统模型,模型是证人仿真软件平台上实现。最后,根据旅游流时空刺刀理论,提出使用旅游流的时间和空间密度指数作为一个索引来确定旅游流的时空刺刀。提出的研究框架可以提供参考和指导建立相同的仿真模型对其他类型的景区预测旅游流的时空的刺刀,如图9。
后构建一个基于自适应神经网络技术的旅游需求预测模型,验证了该模型的性能。实际数据的基础上,本文运用本文提出的仿真平台来处理时空旅行数据,分析数据处理的效果,并获得结果见表1和图10。
从上面的分析,可以看出,旅游需求预测模型基于自适应神经网络技术提出了时空旅游数据处理效果很好。之后,旅游需求预测模型基于自适应神经网络技术评估旅游需求预测的影响,结果见表2和图11得到了。
从上面的研究,可以看出,旅游需求预测模型基于自适应神经网络技术提出了执行在旅游需求预测和满足现代旅游业的实际需求预测。
5。结论
旅游需求影响因素的研究是旅游需求预测的主要内容。目前,国内外在这方面的研究已经形成了一个更系统的理论。定量分析方法是目前广泛应用于国外研究影响旅游需求的因素。经济因素可以分为收入、价格、闲暇时间、销售。收入包括个人可支配收入和国内生产总值的来源区域;价格包括运输费用,产品的价格和阅读材料在旅游目的地,目的地竞争,价格水平和汇率。非经济因素包括消费者的个人偏好、消费习惯、地方政治因素,旅行限制,和其他社会和文化因素。本文使用自适应神经网络技术预测和分析旅游需求,构建一个商业智能模型,提高后续旅游需求的预测效果。实验研究结果表明,旅游需求预测模型基于自适应神经网络技术提出了执行在旅游需求预测和满足现代旅游业的实际需求预测。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由信阳农业和林业大学。