文摘

信息技术日益重要的旅游产业经济的迅速扩张。新的信息技术已成为旅游业的一个重要的推动力量和因素的经济发展。新信息技术的应用促进现代旅游情报已成为一个重要的研究领域。智能旅游信息化的协助下,可以经常提供更具吸引力的旅游企业的经济效益。旅游业是被定位为一个新的经济增长点和核心业务在越来越多的城市。已经采取了各种措施在城市的主体,提高城市的旅游竞争力,从而在激烈的市场竞争在一个有利的位置。在此背景下,对城市旅游竞争力的研究已成为现代旅游的发展智能的一个研究热点。本研究使用了一个算法和神经网络相结合的评估城市旅游的竞争力。首先,本文提供了一种方法,利用一种改进的IPSO。动态改变惯性权重和非线性基于粒子的健身价值。 Simultaneously, the particle swarm technique is enhanced by combining the particle iterative cycle to boost position disturbance. Second, in order to build an IPSO-BP network, this work optimizes the initial weights and thresholds of the BP network based on IPSO. This work uses this network to evaluate the competitiveness of urban tourism, which can overcome the defects of traditional BP network. Third, this work conducts systematic experiments on the IPSO-BP method, and the experimental results confirm the superiority of this method in the evaluation of urban tourism competitiveness.

1。介绍

与现代信息技术的飞速发展及其广泛应用,信息技术的发展发挥了颠覆和革命的作用,管理和市场营销的旅游业。新的信息技术提供了有力的支持和新的创新动力,建设和开发大量的设施。的顺利实施和推广新的信息技术和智能系统一定会有一个颠覆和革命对人们的旅游模式和习惯的影响。此外,智能旅游项目的启动将不可避免地促进传统旅游产业的升级和转型到现代旅游业和转换从传统服务业向现代服务业。智能旅游由现代信息技术将成为新产品开发的深度集成信息技术和传统产业的发展。这是一个新的方向为我国旅游业的发展。与传统的旅游方式相比,智能旅游更重视游客的需求。这加强了旅游服务提供更亲密和方便,这是支持新一代信息技术等无线互联网技术、云计算技术、大数据技术、物联网、与现代多媒体技术。它关注实现游客之间的相互连接和感知,各种旅游产品和服务元素在景区最后完成智能旅游服务的全面推广和应用在经历感知(1- - - - - -5]。

文化部和旅游业高度重视提高服务质量和旅游目的地的接待能力。因为它的建设和发展是至关重要的国内旅游行业的转型升级,优化旅游产品结构,和领导全国休闲度假旅游业的发展。国家级旅游胜地在大城市最近成为新的行业指标,按照国家5 a级景区网站。文化部和旅游业也建立了一个动态评估旅游胜地的管理框架,以确保旅游胜地正在向高质量增长。政府高度重视智能的信息化发展旅游业,和各级地方政府已经先后发布了指导方针,加快旅游产业的绿色发展。这种明确要求各级地方政府应该培养旅游业战略性新兴产业和主导产业,支持经济结构的转型和可持续发展。当地政府也应该发展旅游业成为一个现代和新的服务行业,满足人们。政府还强调,发展旅游业,必须打破传统的旧的发展模式和思路和重点发展智能旅游项目。智能旅游尤其是大力发展信息化的主要手段。无论是旅游产品或旅游服务,提高其质量和品牌的建设离不开信息化和智慧。 The main leaders of the national tourism authorities have repeatedly emphasized on many occasions that all localities should accelerate the construction of demonstration projects of tourism informatization and promote the vigorous development of smart tourism [6- - - - - -10]。

城市中心多个消费以及分配点对不同流的人来说,物流,和资本。城市是现代智能旅游的基础,其完美的功能可以满足游客的需求。城市旅游是现代旅游的核心和主要的身体,和城市的城市竞争力可以帮助该地区城市旅游业的发展。结果,在分析城市旅游的竞争力时,一个重要的主题在智能旅游应加强城市旅游竞争力的研究。旅游业的生存和发展在一个国家或地区在一定程度上影响了该地区的城市旅游竞争力。它能科学、客观地评价城市旅游的发展现状和潜力。这可以避免不必要的重复建设,造成严重的资源浪费。在今天的智能旅游的蓬勃发展,我们应注意对城市旅游竞争力的过程中所扮演的角色发展城市旅游。城市旅游竞争力的培养和提升需要理论的指导。因此,城市旅游竞争力的研究已成为国内外研究热点旅游学术界(11- - - - - -15]。

论文的组织段落如下:相关工作提出了部分2。部分3分析的方法提出了工作。部分4讨论了实验和结果。最后,在节5研究工作总结。

2。相关工作

文献[16)提出了关键问题的现代旅游业的发展;,旅游产业的发展必须专注于将更方便、低成本、高效服务游客。信息技术可以帮助旅游企业实现这一目标,指出了明确方向的数字技术的有机结合和旅游业。文献[17)提出,旅游电子商务的发展从数字技术的支持是分不开的。特别是对移动营销平台,稳定和可靠的无线互联网技术需要保护。文献[18)提出,顺利发展的关键和实现旅游信息化的方向选择,政策支持,专业人才引进和培训,网络安全保护和技术创新。文献[19)做了一个广泛而全面研究智能旅游系统的推广和使用,以及信息技术的集成和旅游业从信息技术的角度来看。文献[20.]纵深考察传统旅游产业链管理范式的约束的背景下旅游信息产业化推广。使用大型旅行社的促销“智能旅游管理模式为例,它展现了巨大的旅游信息化的影响和管理传统的情报和劳动部门在旅游产业链的合作。的作者(21)取一个智能城市旅游系统的建设为例,重点研究城市旅游咨询、服务系统、在线票务,旅游预订服务。的作者(22]研究新的信息技术对旅游业的影响。它提出,有关部门应重视智能旅游的发展,采取措施,建立网络基础设施。的作者(23)讨论旅游企业如何参与智能旅游项目。它提出,企业应增加投资,增加的部门和人员,建立一个免费的智能旅游服务平台。企业也应该无缝地与相关政府部门的平台。政府的帮助和指导,使用智能旅游工具来加强和改善服务质量。的作者(24)提出了数字旅游服务的概念基于新的通信技术。提出利用虚拟现实技术来满足游客的欲望。同时,积极促进风景如画的地方的品牌宣传和市场营销。文献[25]研究智能旅游的影响,发现智能旅游可以提升游客满意度在一定水平。然而,会有某些误解的过程中在不同地区建立智能旅游由于智能旅游的概念的不同理解。的作者(26]分析它从智能城市的角度由许多城市。它定义了智能旅游通过阐述智能城市、智能旅游之间的关系。这已经成为一个标准的研究智能旅游的主题。

文献[27)认为,城市旅游竞争力的强度主要受需要的游客和旅游企业的行为。因此,一个城市,并有很强的城市旅游竞争力必须与旅游目的地的吸引力,和旅游企业可以开发产品,满足游客的需求。文献[28)认为,信息网络已经成为一个重要的方式来连接旅游供应商和旅游需求者。在未来,游客将寻找他们想要的娱乐场所去在互联网上。旅游竞争站点可以反映竞争力通过信息结构、信息的可访问性,信息质量,和传播速度。根据文献[29日),旅游目的地的竞争力应该基于长期发展的能力而不是他们的发展现状。根据文献[30.旅游目的地竞争力的决定因素,包括四个因素。它还发展概念范式评估旅游地点的竞争力。文献[31日)使用城市旅游的地方相对较高的竞争力为研究对象。它认为每个目的地的环节会影响竞争力和竞争力只能获得通过全面质量管理的应用。文献[32)调查了旅游业竞争力的差异由于旅游目的地营销的差异。它认为,旅游目的地的竞争力的提高需要注意营销因素。它应该努力实现之间的平衡和可持续的旅游发展战略营销目标。的作者(33的帮助下),旅游环境竞争力理论,讨论旅游目的地的环境也是一个旅游目的地的竞争力的重要组成部分。因此,在开发旅游的过程中,应该进行适当的环境管理措施和方法。这也是一个重要手段来提高旅游目的地的竞争力。

3所示。方法

首先,这项工作提出了一个利用一种改进的IPSO算法。它使用粒子适应度值动态和非线性改变惯性权重。同时,提高粒子群算法结合粒子迭代周期增加位置扰动。第二,这项工作优化BP网络的初始权值和阈值基于IPSO构造一个IPSO-BP网络。本工作使用这个网络评价城市旅游的竞争力,从而克服传统BP网络的缺陷。

3.1。BP网络

反向传播神经网络也称为BP网络。它的建设包括隐藏层和输入和输出层。输入层主要接收传入的特性数据。然后传送到隐层完成的处理隐层传递到输出层,完成最终的处理。如果出现错误,修改了重量,更新和网络的输入从后面到前面。BP网络运营的原则向前传播和反向误差传播的信号。初始特征输入路由通过输入层到BP网络。在隐藏层神经元处理的结果最终通过输出层。这被称为向前传播。在这个阶段,连接网络的重量没有改变,和它的重量与相邻的神经元的连接。 Then, if there is only forward propagation, its network accuracy and convergence cannot meet the requirements of target setting. Therefore, the error still needs to be propagated back. If there is an error between the output layer output and the known target, it is passed through the output layer to the next time of the network. The transmission process of the error is the adjustment process of the network to the neuron connection weights and thresholds, and its goal is to make the results more accurate. The structure of BP is demonstrated in Figure1。

在输入阶段,信号是通过神经元。最初的信息进入整个网络结构通过输入层和进入隐藏层转移矩阵。其综合处理后,它被传递到输出层。输出层完成的最终处理信号通过激活函数和输出结果。

网络错误是通过比较输出与测量值在训练阶段。如果错误是可以接受的,培训完成。产量没有达到预设阈值时,反向传播执行修正神经网络的各种参数。

BP算法可以近似目标函数非线性的前提下。从理论上讲,它可以实现任何小错误精度值和操作方便,具有良好的泛化能力和强大的容错。尽管BP神经网络有许多优点,它有一些问题。首先是最初体重随机阈值训练网络。设定的初始值都是算法使用随机函数。即使预定义的网络训练误差号码是用于验证输出结果,仍有可能陷入局部最优,算法运行。这导致隐层的传输结果之间的明显差异和输出结果,导致相当大的差距算法的最终输出结果和预测结果。其次,算法收敛缓慢。当BP网络的目标函数比较复杂,增加了培训网络的学习速率不能改变这一事实错误的梯度变化很小。因此,BP网络训练的迭代的数量太多,和整体培训时间变得更长,可能需要成百上千的训练达到收敛的效果。 If the learning rate is small, more iterations are required for training, which will cause the training process and convergence time to become longer. If the learning rate is too large, it will cause the training network to diverge, so that the BP network algorithm cannot achieve convergence. Third, the network structure is difficult to build. The number of training network layers and nodes of the BP algorithm directly affects the convergence performance and running time of the algorithm. When the algorithm faces different data, how to build the network structure is particularly important. More and less neurons will produce two different effects. The effect of overfitting can occur if there are too many algorithms. If it is too small, it will directly affect the approximation effect of the algorithm in the training process. In addition, the setting of the network structure is also limited by the hardware device, and the overly complex network structure has very high requirements for the hardware device.

3.2。PSO算法

PSO优化算法,它使用赫普纳的生物模型分析,模型,模拟鸟类的羊群行为。它的模型类似于大多数模型的群体行为的研究。它假定所有的鸟从一开始就处于一个混乱的飞行状态,没有目标,没有计划的课程。当一只鸟回到它的栖息地,如果一组栖息的阈值高于继续陪羊群的时候,所有的鸟儿都飞到栖息地独立形成另一组。鸟类使用简单的法律来决定他们飞,它们飞行的速度有多快。当一个苍蝇远离人口并返回其栖息地,其他人也飞到栖息地。一旦发现栖息地,它不会离开,整个人口将留在这里。首先找到栖息地的鸟类,留下来,会使周围的人飞向他们的位置。这极大地增加了整个人口的概率将发现的栖息地。这样的问题类似于寻找一个特定问题的最优解,所以赫普纳模型修改,以便它可以飞到太空,找到最优的解决方案。 The basic flow of the PSO algorithm is demonstrated in Figure2。

标准PSO算法是一种全局优化算法,集蜂群和优化原则和优化通过粒子的健身价值。PSO算法保留了基于全局搜索策略,把每个人当作一个没有重量和体积的微粒n维搜索空间。苍蝇也以一定的速度在搜索空间。飞行速度动态调整个人飞行经验和群体的飞行经验。在每个迭代中,每个粒子调整飞行速度和位置根据以下:

传统PSO方法推迟了收敛性,特别是随着迭代次数的增长。其次,它很容易陷入局部最优。最后,一个更大的学习步骤将跳过目标解决方案和失去趋同的目标。

3.3。IPSO-BP算法

自原BP网络初始权重采用随机分配的方法,它将导致算法收敛慢,容易陷入局部极值。为了克服这一缺陷,本文首先提高惯性PSO的重量和位置更新机制。改进的PSO算法得到的最优解作为初始重量的BP网络来构建IPSO-BP。然后,IPSO-BP作为预测模型用于评价城市旅游竞争力。

首先,提出一种自适应惯性权重(AIW)。PSO算法的性能参数参数直接相关。惯性权重和两个加速常数是主要参数。惯性权重是至关重要的在平衡算法的全局搜索能力和局部开发能力。许多研究人员动态改变使用的方法一个符合非线性粒子运动的原则。因为大多数这些增强的数量成正比,会有缺陷。首先,粒子的惯性权重只是非线性降低重复数量的增加。在迭代的开始,粒子惯性权重是最大的,在迭代结束时,粒子惯性权重是最小的。这样一个简单的改变只允许颗粒逐渐减少在每个迭代中,不能反映粒子在迭代过程的反复变化。第二,所有粒子的惯性权重变化在一个迭代周期指的迭代的数量。然后,所有粒子在同一迭代周期只会有相同的惯性权重。这将减少粒子的多样性,不利于颗粒寻求最优解。针对上述缺陷,并结合最小化问题,粒子适应度值越小,粒子的位置越好。根据粒子的健身价值,本文提出了一种自适应惯性权重策略。

在此改进方法,惯性权重是一个非线性动态变化取决于粒子的适应度值之间的差距和最佳的健身价值。这首先克服缺点,惯性权重可以只执行减少运动依靠迭代的数量。可以动态改变惯性权重的基础上,区别自己的健身价值和最佳的健身价值。因为粒子改变基于自己的健身价值,每个粒子都有自己的健身价值。因为自己的健身价值,粒子在同一迭代周期会有不同的惯性权重。这有很多的影响,包括增加粒子种群的多样性和尽快寻求最好的答案。同时,更好的方法避免了粒子的惯性权重的缺陷是最早期的迭代和在以后的迭代中最低。这使得一些粒子更大的健身价值而不是最优范围在以后的迭代中以提高其全局搜索能力通过较大的惯性权重,突破自己的局限,并再次找到最优位置。

第二,这个工作使用位置扰动因素(LPF)。标准PSO算法往往容易陷入局部最优,很难有效地解决这个问题,仅仅依靠自适应动态惯性权重。本文提出了扰动因子添加到位置更新公式,所以粒子能有效突破局部最优的缺陷在更新迭代和快速找到全局最优范围。

在典型的位置更新公式,速度乘以一个干扰项。这允许产生的粒子有一个更广泛的传播和搜索全球空间更加彻底。人口更新,只是基于自适应惯性权重显得单调。健身价值和迭代的数量结合本文更新粒子。这可以结合两者之间的交互的优势,并通过迭代粒子可以更新自己和每一个变化的健身价值。这使得粒子全面搜索最优解的空间和提高人口的多样性的粒子。这更有效地防止粒子陷入局部最佳状态,提高了粒子群的性能。

IPSO优化BP网络的主要思想是基于位置扰动的对数函数和自适应惯性权重是使用IPSO获得的最优解作为初始重量和BP网络的阈值。IPSO-BP是显示在图3。

4所示。实验

4.1。数据信息

这项工作收集相应的数据智能旅游城市的旅游竞争力,训练集和测试集各占一半。每个数据样本的数据信息是显示在表中1,及其相应的标签是城市旅游竞争力。

4.2。IPSO-BP培训

首先,这火车IPSO-BP网络工作,这是一个必不可少的步骤。这项工作分析IPSO-BP的网络训练过程。主要分析数据的准确性和培训F1分,显示在图4。

增加训练时间,训练精度和F1 IPSO-BP网络的得分显著增加。在这一点上,IPSO-BP已经达到收敛条件。

4.3。方法比较

验证IPSO-BP的优越性,这工作比较它与其他机器学习算法。实验结果显示在图5。

摘要IPSO-BP优于其他机器学习算法性能的评价。与其他方法相比,IPSO-BP可以获得相应的性能改进。

4.4。AIW评价

IPSO-BP使用AIW策略。来验证这个策略的优越性,这种比较的准确性和工作F1分没有AIW和AIW使用时,显示在图6。

与性能没有AIW相比,使用AIW策略后,IPSO-BP提高准确率可以达到1.6%,提高1.70%F1分。

4.5。将评估

IPSO-BP使用LPF的策略。来验证这个策略的优越性,这种比较的准确性和工作F1分没有滤波器和滤波器使用时,显示在图7。

与性能没有滤波器相比,使用具有战略后,IPSO-BP提高准确率可以达到1.4%,提高1.3%F1分。

4.6。IPSO的评估

这项工作首先改进了算法,然后使用改进的IPSO优化BP网络。来验证这种方法的优越性,这项工作比较性能的BP, PSO-BP,和IPSO-BP网络,分别如表所示2。

显然,与经典的BP网络相关联的性能是最弱的。的准确性和F1的分数可以增强到一定程度,当运用PSO优化它。如果提高PSO和IPSO用于BP网络的优化,可以获得最高的性能。

5。结论

信息技术的不断深入发展的旅游业促使智能旅游的概念的诞生。在一个智能旅游城市中,游客与网络相连。这使得更深入地理解当前旅游经济和相关的活动,这样可以安排旅游计划和实时、准确地调整。通过感知尽可能多的旅游信息,这增加了方便和旅行的经验。在经济蓬勃发展的背景下,城市旅游的发展面临许多比赛和障碍。建立一个严格的城市旅游竞争力评价体系来提高城市旅游竞争力理论和实践。本工作使用一个联合算法和神经网络评价城市旅游竞争力。首先,这项工作提出了一个利用一种改进的IPSO算法。它使用粒子适应度值动态和非线性改变惯性权重。同时,增强了粒子群的技术结合粒子迭代周期来提高位置扰动。 Second, in order to build an IPSO-BP network, this work optimizes the initial weights and thresholds of the BP network based on IPSO. This paper uses this network to assess the competitiveness of urban tourism, which can compensate for the shortcomings of the standard BP network. Third, this work conducts systematic experiments on the IPSO-BP method, and the experimental results confirm the superiority of this method in the evaluation of urban tourism competitiveness.

数据可用性

在当前的研究中使用的数据集是可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。