建设一个非线性模型的基于无线传感器网络的旅游经济预测从数字经济的角度

文摘

新皇冠流行病的爆发,世界经济已经严峻的考验,使预测更加困难。无线传感器成本低的优点,方便使用,高可靠性和高安全性,已广泛应用于旅游经济。为了了解无线传感器的能力来预测区域经济,本文使用一个例子来构造一个非线性模型的无线传感器来预测区域经济。的不断发展循环经济的概念,循环经济已逐渐被中国学者和实践者。在国内学者继续研究循环经济的理论,实践循环经济的概念、走可持续发展的道路已成为一个重要的工业理论的发展方向。文献分析和其他方法被用来进行研究等数据库CNKI,文风数据库,和人文社会。文献收集和GIS空间分析技术被用来分析不同区域,最后得到一个预测模型。现象是非线性(如饱和非线性磁路),和一些是由非线性系统变量之间的关系(如线性电阻和电流和功率之间的平方非线性)和一些人为地引入非线性链接(如继电器的磁滞非线性)。实验已经证明有一定的预测模型和实际结果之间的误差;误差值约为9%,小于其他预测模型的价值。 This shows that the output results of the nonlinear model of wireless sensor regional economic prediction should be processed reasonably. This result has a certain reference value, and its output should be combined with the actual situation. Related research found that under the nonlinear model, the more accurate and comprehensive the input value is, the closer the output result is to the actual value.

1。介绍

区域旅游空间结构的主要研究在该地区的旅游经济活动的空间分布,揭示了空间集聚程度和集聚形式形成的交互系统和旅游活动的空间,并反映了区域旅游系统的空间属性和相互关系和旅游活动。与当地旅游业的不断发展和加速区域经济一体化的过程中,区域旅游空间结构的研究受到越来越多的关注。在上个世纪结束时,计算机技术的应用和推广,尤其是数据库技术,使人们有可能获得大量的数据(1]。然后,如何有效地处理数据信息,找到规律,利用这些法律来预测未来的数据或不可见的数据变得尤为重要。互联网技术的迅速发展使网络呈现各种数据信息资源然而,迅速增长的数据未能开发相应的数据处理和分析方法同时,以及它们之间的矛盾越来越突出。人们希望进行科学研究、商业决策管理,对现有数据或业务决策。商业管理,传统的数据分析方法不再能满足逐步数据生成和更新的要求,数据挖掘技术已经出现。今天的互联网技术的快速发展,数据挖掘技术不仅促进科技和经济的发展,也给人民生活带来极大的便利。随着数据挖掘技术的发展,越来越多的行业也将使用这种技术来处理大规模数据集(2,3]。近年来,无线传感器网络已经成为越来越多的广泛使用,已经完全融入我们的生活,成为“互联网+的一个重要组成部分。“无线传感器网络和移动ad hoc网络(MANET)都是物联网,在物联网的感知层三层框架,负责收集和传输信号。

无线传感器网络的网络拓扑动态变化与不稳定的环境因素,以及网络传播只能以广播的形式。这两个特征使无线传感器网络的安全挑战。在无线传感器网络的许多安全问题,最严重的威胁是网络和传输部分,容易受到中间人攻击,洪水的袭击,并选择转发攻击。它可能导致严重的国家财产损失和人民安全威胁,如电力传输网络泄漏,森林火灾警报的失败,和隐私泄漏的智能家居。与互联网的发展和普及的事情(物联网),作为物联网的重要支持技术,网络得到了越来越多的研究者的注意。网络的产品是无线通信的不断发展和成熟,传感器技术、微电子技术。外表直接促进物联网的发展,所以他们有巨大的发展潜力和应用前景。在数据爆炸的时代,无线传感器网络的发展数字经济的角度也促进了学习基于无线传感器网络的发展在大数据分类。在典型的无线传感器网络中,所有样本集训练在最初的训练过程来获得一个分类模型,然后,新的样本添加到初始样本集训练来获得一个新的分类模型。这种方法通常会导致较长的训练时间。 If the relevant useful information of the SVM classification model obtained after the initial training can be effectively used in the learning process [4),可以减少所需的时间重新学习在某种程度上,并没有必要改变初始值,再培训,了解无线传感器网络的样本。今天,随着信息技术和互联网技术的快速发展,不断产生新的数据信息更新,和基本的数据处理方法不再能与数据更新(同步5]。因此,为了有效地解决这个问题,无线传感器网络不能满足分类要求在生成新数据时,增量学习无线传感器网络的应用已成为无线传感器网络的一个重要区域方法研究[6]。

无线传感器网络在预测中的作用,国内外学者进行了大量的研究。Xingjie等人研究了无线传感器网络的研究分类算法;提出了无线传感器网络的应用在广义学习,人脸识别,和自动编码器;并通过实验验证了无线传感器网络的作用[7];应和Naiqiu讨论了无线传感器网络的基础上,对无线传感器网络的优点进行了理论研究,并分类基于无线传感器网络的应用程序(8];远航等人使用无线传感器网络建立训练模型和输入有关数据,得到实验结果和错误,并验证的预测功能的无线传感器网络(9];Hongshuang陆和介绍了基于无线传感器网络的特点,线性非线性无线传感器网络之间的区别,和大规模的非线性算法研究无线传感器网络(10]。为了提高图像分割的质量,吴等人采用核函数算法的无线传感器网络,利用无线传感器网络输入相关功能,为预测和得到最好的分割;经过测试和验证,预测误差非常小(11];张等人综合无线传感器网络和机器学习理论介绍了机器学习理论对无线传感器网络的影响。它是通过实验证明了该算法在机器学习理论融合是更加平衡12];王等人使用无线传感器网络的预报函数建立一个经济发展水平模型和使用推广能力强和整体优化无线传感器网络的特点。相关的模型验证(13]。一般来说,国内外专家进行了深入、全面的研究无线传感器网络的应用和分类,但很少有相关研究无线传感器网络的非线性模型构建提供了基础(14]。

本文介绍了无线传感器网络的一些基本概念和原则和统计学习理论,提供了必要的背景支持基于无线传感器网络的非线性建模,然后具体介绍了基本思路,具体理论,理论的无线传感器网络系统架构。算法,直接无线传感器网络区域经济预测建立了非线性模型,用于分析和案例分析北京的经济条件,杭州、武汉、西安、广州、预测经济发展趋势和其他地方,这是理论研究的作用。

2。基于无线传感器网络的非线性建模方法

2.1。无线传感器网络

2.1.1。无线传感器网络系统架构

收集方法意味着检测节点可以单独或一个独立收集节点部署传感器节点本身,甚至在一些跳网络,收集节点可以基站本身。加工位置分为分布式和集中式的类型。分布类型需要相对较小的带宽和更高的硬件要求检测单位;集中类型消耗更多的带宽,需要将信息发送到基站或簇头节点,已影响更大的能耗大,可能对应用程序的性能有很大的影响。

如图1部署后,大量的传感器节点通过自组织形成一个网络。在传感器节点收集的传感信息监测区域(15,16),节点的信号处理过程传感信号和模拟信号转换成数字信号。信号传输到汇聚节点或基站跳模式,和基站发送这些数据通过通信卫星任务管理中心,无线网络或互联网。经理向基站发送监控任务通过通信卫星或互联网。在无线传感器网络中,节点通常分为两种类型:传感器节点和聚合节点。传感器节点的功能物理信息采集、处理、无线通信,它携带的能量很小。聚合节点网关和数据转发功能,负责传感器网络和互联网之间的信息交互,可以转换不同的通信协议,具有复杂的功能,不是由能量有限,通常有一个小的数据量。

造成的叛教一个节点被捕获是一个内部攻击。内幕攻击安全检测面临的主要问题。如何防止变节节点,即攻击者、网络造成更大的破坏,如何更快地检测攻击,如何检测攻击较低成本和低功耗的无线传感器网络的主要困难。无线传感器网络安全检测分为两个主要研究领域。一个是系统框架的安全检测,包括如何收集数据,分析数据,数据收集的频率和周期。第二个是安全检测方法。的主要研究内容是收集数据,如何分析数据,用什么模型,以及如何处理错误。

无线传感器网络中的节点有一定的信息采集、处理、存储和无线通信功能。节点的工作环境要求的节点体积小,能耗低的特点。如图2,节点根据其功能结构分为四个部分:传感器、数据处理部分,无线通信部分和电源17]。发射机是由各种物理传感设备,感觉各种物理信号,生成模拟信号,并把模拟信号转换成数字信号通过数模转换设备。处理器部分简单的数据预处理和存储功能。通信部分可以通过无线通信收发器发送和接收数据。电源的主要功能是提供能量的节点,以确保正常运行节点。

无线传感器网络技术刚刚开始,无线传感器网络协议尚未形成一个统一的标准。制造商之间的协议是不同的。目前还没有稳定的无线传感器网络的安全协议,也没有成熟的攻击类型分析。研究人员只能构造攻击者根据自己的理解,以及他们的检测功能无法测试和保证。因此,一个更全面和可靠的安全检测机制是必要的,这也是建立无线传感器网络安全的目标检测平台。无线传感器网络体系结构是基于TCP / IP网络协议,这是每一层的分布和描述网络及其功能。虽然无线传感器网络的体系结构类似于现有的计算机网络体系结构,它是不同的。如图3从上到下,无线传感器网络层协议包括物理层、数据链路层、网络层(18,19),传输层和应用程序层。这些协议和电源管理、安全管理、任务管理,已经意识到网络时间同步的功能,节点位置、传输控制、路由、信道访问和拓扑的一代。

2.2。基于无线传感器网络的旅游趋势预测方法

在现实中,问题的一部分是一个非线性问题。需要建立相应的规则将训练数据;低维空间中,非线性问题转化为高维线性问题求解。非线性是一种常见的现象在实际控制系统。一些是由于系统的固有特性(如饱和非线性磁路),和一些是由非线性系统变量之间的关系(如线性电阻和电流和功率之间的平方非线性),和一些是由人为地引入非线性引起的链接(如磁滞非线性继电器)20.]。因此,非线性系统通用系统。近几十年来,非线性系统的理论和应用也得到了极大的发展。然而,非线性系统的研究与开发仍缺乏一个完整的、系统的制度和有效的分析工具。这部分简要介绍了一些特定类型的控制问题,以及一些重要的、有代表性的理论和方法。

非线性系统可能比线性系统更加丰富和复杂的特点,及其理论研究模型和方法也有自己的适用范围。部分和整体不再是统一的,他们也不满足线性系统的叠加原理(21]。即使它是一个已知的非线性动态系统,很难模型和控制它。当被控对象的结构是完全未知的,系统的研究将变得更加复杂。这也使得非线性系统的模型识别和控制电流控制领域的一个研究热点。近年来,人工智能技术已广泛应用于黑盒的识别系统。其中,区域经济吸引了大量关注。其独特的非线性逼近能力带来活力非线性系统的建模,但网络结构和参数的选择优化、模型验证和泛化能力参与建模过程(22]。非线性系统的动态行为不像一个线性系统可以表示为一个通用模型结构,使网络结构的选择直接影响建模的正确性和有效性23]。

2.2.1。标准差椭圆的计算方法

本文首先介绍了区域旅游空间结构的研究现状和空间经济学。分析指出,旅游经济空间经济研究对象的主要特征。首先,旅游市场竞争属于垄断竞争的类型,因此,垄断竞争是普遍采用的理论空间经济学;均衡分析方法也适用于旅游市场。标准差椭圆是一个工具,可以反映出中心,分布和方向的空间元素,通过计算和方向,一个椭圆的标准距离定义轴,其中包含的所有元素的分布(24]。标准是建立基于空间对象在不同椭圆的计算;标准差椭圆的基本元素(中心点、半长轴、半短轴,传播范围,和方位角)分析可以确定空间对象的空间分异特征。中心点代表的相对位置空间对象的空间分布,中心点之间的差异和空间对象的中心空间对象的反映数据变异的程度;半长轴反映了孔隙空间对象的分散度的主要趋势方向(25]。短半轴反映了空间物体的分散度在二级方向。短semiaxes之间的差异的体现空间对象的向心力;传播范围取决于所采取的标准偏差标准差椭圆;值从1到3,表明标准差椭圆包含68%,95%,和99%的质心空间的对象;方位角是主要趋势方向的性能和用于分析空间对象的空间分布的方向。标准差椭圆表的格式如下:

的公式,和元素的坐标吗 , , 代表元素的平均中心,元素的数量。

标准差椭圆方位角的计算过程如下:

空间经济学是基于规模经济和规模收益递增,规模经济的和相关的理论也适用于旅游业。空间经济模型假设消费者有不同的偏好和消费产品,通过分析消费效用的最大化。在区域旅游市场,游客也以效用最大化为行为准则,有不同的偏好和特点。因此,理论的空间经济模型适用于对旅游空间结构的研究。的公式,和平均中心和之间的区别吗坐标。

2.2.2。非线性回归方法

同时利用空间经济学的理论研究区域旅游的空间结构,它也必须充分考虑旅游业本身的特点。旅游资源的构成的空间经济学领域分析了区域内的贸易往来在不同地区之间的运输的产品,和旅游产品不能运输。非线性方法研究变量之间的非线性相互作用关系(26),对未知的非线性回归是回归函数;回归系数的非线性回归的结构。回归模型的解释变量时多个解释变量的函数公式,回归法将显示为一条曲线的波动图上的(27]。非线性回归算法通常使用数学方法将非线性回归转化为一个线性回归问题,然后解决问题根据线性回归方法;时不能解决非线性回归回归转化为线性回归、决策树等方法和安经常用来解决非线性问题。决策树和其他政党与方法;执行速度快的特点,强大的可解释性。与此同时,它可以建立多个决策树综合学习。它有一个很大的优势,因此本文采用决策树作为一个非线性预测方法(28]。

回归决策树依赖于分类和回归树(CART)来解决回归问题输出连续变量。购物车(29日]使用二进制递归分割技术构造一个二叉树,选择该功能根据基尼指数估计最小距离的函数,并确定最优二进制切的功能,使决策树高度可判断的,当数据复杂性较高的变量的数量增加时,回归基于CART决策树通常可以获得比其他方法更准确的结果。

随着人工智能技术的发展,研究人员逐渐倾向于使用人工智能技术来解决非线性问题。

极端的梯度增加(XGBoost)是一种机器学习算法梯度增加框架下实现的。XGBoost使用购物车中的回归树作为基分类器,但采用集成学习的概念结合多个学习模型来获得更好的结果。XGBoost的具体实现过程如下:通过构建多个相互关联的决策树,前面的输出结果之间的误差决策树和真实值输入到下一个决策树,最后,所有的输出结果的决策树是积累和总和。累计金额作为结果输出。XGBoost的预测模型可以表示为

的公式,代表样本的预测结果 , 决策树的树,代表了树。

为了使决策树的预测值更接近真实值,XGBoost解决和评估模型通过最小化损失函数。损失函数的表达式

的公式, 代表的真值之间的误差th样本和预测价值;决策树表示的复杂性和复杂性是成反比的预测模型的泛化能力。表达式是

的公式,是叶子的数量,是叶节点的数量,和的分数值是叶节点。

2.3。时间序列研究

如果一个特定的变量 ,时间点: ,有一个系列的数据 在一定的顺序,然后这一列的数据称为离散时间序列;日常参观九寨沟的样本序列是一个离散的时间序列分析。在实际应用程序中,使用最广泛的时间序列模型ARMA模型。主要有三种基本的ARMA模型、自回归模型、滑动平均模型、自回归移动平均模型,结合自回归模型和移动平均模型。

2.3.1。自回归模型

如果随机的生成过程满足

的随机过程被称为 - - - - - -阶自回归过程,缩写为 。

2.3.2。移动平均模型

如果随机的生成过程满足

的随机过程被称为 - - - - - -顺序移动平均过程,缩写为 。

2.3.3。自回归移动平均模型

的随机过程 ,生成满足

它被称为“随机过程” ,这是自回归移动平均过程,缩写为 。

序列自相关是指所有观察结果之间的相关性 的时间序列 ,自相关函数是衡量观测之间的自相关关系。自相关函数定义为

是衡量随机变量之间的相关性的程度和 ,但它可能是随机变量的影响 。为了消除随机变量的影响,计算相关系数的偏相关函数,记录 - - - - - -偏自相关,指的是时间序列 ,一个固定的情况下 。条件之间的相关性和 ,偏自相关系数,是一个指数来衡量的程度偏自相关定义。偏自相关函数

2.4。内核函数和泛化能力

2.4.1。核函数

内核函数的一个关键因素,确定支持向量机的性能。内核表示方法是将数据映射到一个高维空间改变分离状态。空间维数增加时,只有内积算法改变了。它不会成为复杂的随着维数的增加,也不影响在高维空间中提升能力。基于核函数的学习方法。的重要构件提供了支持向量机的核函数。支持向量机使用不同的核函数来构造学习机器不同类型的非线性决定输入空间的表面。

为了解决两分的分类,提出了支持向量机分类方法。然而,这个系统是一个multiclassification的区域经济问题,所以下一个困难在于如何将两分的分类方法应用于多类问题。支持向量机方法不能直接应用到multicategory分类问题。为了解决multicategory识别问题,两分的分类问题的支持向量机可以组合来实现。一般来说,处理策略是分裂。“一对一”和“一对一”,每个分类器需要每次选择一两个,所以训练数据的类型需要分成两个。最后,构造支持向量机的总数,然后,采用“投票”的方法,在分类识别 。这是“一对一”方法的计算过程。每个类别分类器需要单独从所有其他类别。在处理分类问题,有必要构建一个支持向量机。是每个向量机的任务区分这种类型的数据和其他数据。最远距离的支持向量机的界面起着决定性的作用在最后的分类结果。这是“one-to-the-rest”方法的识别过程。自区域经济系统是一个multicategory模式识别问题,我们选择采用“一对一”的方法。

支持向量机的核函数是最重要的部分。支持向量机的核函数直接影响分类效率。支持向量机的非线性分类处理方法是将每个样本的输入向量映射到一个高维特征空间的非线性函数,然后线性回归获得非线性回归原始空间的影响。

2.4.2。泛化能力

泛化能力是支持向量机的一个非常重要的问题。学习模型的泛化能力是其泛化能力。在预测回归问题,这意味着不是在训练样本的数据也可以产生更合理的预测结果。在过去的学习和训练,训练误差最小化。在培训期间,有时过度拟合训练数据可以最小化训练误差,但有时训练学习模型用于在未来某个时候。在进行预测时,过度学习必然会发生的现象,从而减少学习模型的泛化能力。因此,只有依靠预测误差的最小化不能达到令人满意的结果。

在有限样本的情况下,训练误差和模型的泛化能力是相互限制。一般来说,训练误差越小,泛化能力较弱。当所有的样本数据训练,训练误差为零,或者当形势太小,过度学习的现象发生。因此,在实际应用过程中,确保足够的训练样本的情况下,合理选择预测模型和算法在一定程度上可以避免学习的一代。可以获得,在有限数量的样本,经验风险最小化不一定满足所需的风险最小化。

理论和实验研究表明,区域经济的泛化性能很大程度上取决于个人的准确性和差异的区域经济一体化。为了获得高度差异化的个人网络,研究人员使用不同的训练集,不同的网络结构,不同的网络类型,不同的初始条件,不同的训练算法提高网络之间的差异。通常从以下方面:

改变初始随机权重集。每一次网络训练,使用相同的训练数据,但使用不同的随机初始权重。该方法可以生成一组不同的网络。

改变拓扑结构。在每次培训之前,通过改变网络的拓扑结构,然后使用相同的数据集训练改变了网络,可以生成一组不同的网络。

改变网络类型。改变网络类型可以使用不同的网络类型来生成集成成员。例如,您可以使用多层感知器(30.概率)、径向基函数区域经济和区域经济产生一组不同的区域经济。

改变所使用的算法。预测区域经济时,使用相同的数据集,但使用不同的学习算法进行训练,和一组网络可以通过这种方法获得的。

改变了训练数据。改变训练数据通常是一个方法用于区域经济,包括数据采样、分离的训练集的使用,和自适应重采样,不同的数据源,预处理方法。一群不同的区域经济可以通过这些方法获得的。

3所示。支持向量机的实验

3.1。实验分析对象

本文使用的调查方法来统计北京、杭州、武汉、西安、广州。通过相关文献、统计五个地方经济发展和变化用于研究相关变量对经济变化的影响,构造一个区域经济发展模式。

3.2。建立一个模型评价指标体系

评价指标是一个具体的评价项目决定根据一些评价目标,它可以反映评价对象的一些基本特征。具体和可衡量的指标,并观察目标。可以得出明确的结论通过实际观察的对象。一般来说,评价指标的评价指标体系包括三个层次:他们之间的关系逐步分解和细化。其中,一级评价指标和二级评价指标相对抽象,不能用作直接评价的依据。第三级评价指标应该是具体的,可衡量的,behavior-oriented和可以用作直接教学评价的依据。

3.3。确定评估的重量

体重指数是一个数值指数显示的重要性和功能指数。评价指标体系的计划,每一个指标的权重是不同的。即使指标水平是一样的,重量是不同的。指标权重也被称为重量和通常是由 。是一个数大于零但小于1,和所有一级指标的权重之和必须等于1,即满足条件 和 。

3.4。综合评价模型

目前,主要有两种评价模型:一个是强调模型的主要因素,另一种是加权平均模型。如果重量的一个因素是重要和有主导因素的评价因素,您可以选择突出主要因素模型;如果评估的重量因素相对平均,你可以选择加权平均模型。这两个模型都有自己的特点。在具体实现过程中,这两种方法分别可以实现。最后,两个模型的结果进行了比较。

4所示。非线性区域经济预测模型分析

4.1。经济发展统计五个地方在过去的五年里

本文使用中国经济发展白皮书和当地经济发展报告收集统计信息在北京的经济发展,杭州、武汉、西安、广州从2015年到2019年,如表所示1。

根据表1,北京的经济形势是最好的,平均年增长率约为12%。其他城市的平均年增长率从9%到11%不等。2019年的增长速度是最快的。增长率约为18%,其余的增长率约为13%。

根据调查的各个地区的经济在过去的五年里,我们已经获得了五个地区近年来的变化,和输入变量为一个非线性模型,如图4。

如图4在过去的五年里,经济变化在不同的地区一直在稳步增加。其中,北京最快的变化,其次是广州。在五个地区,西安最慢的变化。这主要是由于不同的经济基础,不同的地方政策,发展水平,和对人才的吸引力造成的差异在当前发展不平衡,和科技的力量必须充分的利用。

科学技术是第一生产力,实现循环经济理论和可持续发展的道路提供动力支持科学和技术。在实践循环经济的生产过程,一方面,我们必须依靠公司自己的长期科学研究经验,同时积极借鉴和学习其他研究单位的先进研究成果建立我们自己的单位的技术基础实践循环经济的理论。在吸收知识的过程中,政府应该发行一系列支持政策technology-controlled科研部门和企业之间建立沟通的桥梁,需要技术。

4.2。描述性统计的游客数量和互联网搜索数据在城市

以下将对每日客流量数据进行描述性统计和百度搜索的数据景区在相应的时间段,分析结果数据所示5和6。

最重要的是反映每个关键字的搜索异常现象。可以发现,每个关键字的搜索的变化是不一样的,并且将会有一个现象,在某些特别高的搜索量是多少年,假期,和趋势的变化游客的数量每年风景区。他们都存在类似的情况,这是不同于八个关键词的变化趋势。因此,它是有意义学习的影响的八个关键词搜索数据每日访客的数量景区。

八个关键词,百度搜索统计的人搜索互联网最“风景区。“六年平均搜索价值是11755 5,最高价值是86347,最小值为2542,总是保持高水平。搜索量和平均搜索的价值”风景区”也非常接近的日均客流量风景区。其次,搜索率最高的是“景区天气”、“景区旅游指南”和“风景区旅游。“这三个关键字的搜索量已经超过1000,他们有一定程度的关注,和这三个关键字相关地方旅游、行为特征的人在互联网上搜索之前。最后的四个关键词的搜索量”风景区的照片”,“城市景区”、“景区地图,”和“风景区景点”相对较低,这是相关关键词细化和重叠。

4.2.1。准备分析旅游流网络搜索数据的影响

九个变量的相关分析显示在图7。据分析,可以发现,《每日访客的数量风景区是显著相关的关键字”景区旅游指南”、“景区地图,”和“风景区。“有一个更大的人群将访问的机会景点。在互联网搜索数据的八个关键字,关键字”景区”、“城市景区”、“景区地图,”和“旅游景点天气”都是相关关键字”景区旅游指南。“这表明,在做旅游指南景区,大多数人会选择询问的情况景点的天气景区。此外,关键字“风景区的照片“最相关的关键字”风景区,“关键字”风景区旅游”最相关的关键字”景区地图,“关键字”风景区景点“最相关的关键字”景区”,这是最相关的。一个有趣的现象是,关键字“风景区旅行”有特别弱相关的所有关键词除了“景区地图”,与《每日客流量的关系吧景点也是最弱的关键词。是的,相关“风景区图片”甚至只有0.06。但相反,关键字“景区旅游指南”有很强的相关性最关键字和每日访客的数量景点,可能有一定关系重叠的两个关键词。

4.2.2。格兰杰因果分析

由于本文的研究重点之一是网络搜索数据是否可以用来预测景区的经济发展,进行格兰杰因果关系检验是游客的数量景区和八个关键词。格兰杰因果关系检验是基于自回归模型的假设检验方法。时间序列的前提是必须是静止的。因此,对时间序列的平稳性测试执行景点和时间序列的八百度搜索关键词。在Eviews8.0, ADF单位根检验9日执行序列。通过测试,发现五个序列景区每日客流量和关键词旅游景点,旅游景点的图片,景区旅游指南,景区、景点0-order。单积分平稳序列满足协整分析的先决条件。ADF检验结果如表所示2。接下来,格兰杰因果检验。如果一个随机变量有助于预测另一个随机变量,那么该变量是变量的格兰杰原因。

4.2.3。研究网络搜索数据的及时性

如表所示3,百度指数可以反映“用户关注”和“媒体关注”不同的关键词在过去的一段时间。因此,百度指数有一定的时效性。主要为旅游消费者,主要在两个时间段进行网络搜索。一是探索旅游目的地之前准备旅行,主要从服装、食品、住房、交通、和玩。另寻找旅行的目的是在旅行期间,在本地搜索,如周围的景点,交通,等。因此,可能会有时差在旅游流的预测从互联网搜索数据,所以样品处理了。保持每日客流量景点不变,前进八个关键词的百度搜索数据,研究在线搜索的发展。

本文将研究百度搜索数据的影响从提前一天到7天提前预测景区和使用梯度提高回归(GBRT)预测效果最好的部分5拟合。回归评价指标如表所示4。使用RMSE为主要评价指标,可以发现,百度搜索数据提前两天,提前三天,提前四天可以有效地提高模型的准确性。其中,提前两天百度搜索数据的准确性是最好的。GBRT回归模型,使用百度搜索数据提前两天可以RMSE减少6.36%。RMSE变化如图所示8。变化的RMSE从侧面反映游客的决策过程。大多数人将进行相应的在线搜索目的地在旅游之前,主要是在前两到三天旅游,有更多的搜索进行了提前两天。

为了研究游客的数量景区基于网络搜索数据,SVR算法模型和GBRT算法模型是用来配合和预测游客的数量景区,加上网络搜索数据。在SVR的研究中,线性核函数,多项式核函数,高斯核函数选择适合和预测样本。它可以发现支持向量回归的性能与核函数的选择。其中,高斯核函数达到74%,RMSE是0。506183年,拟合优度是最好的,预测的效果是最好的三个内核函数。总体预测趋势是接近真实的价值,但即使是最适合的高斯核函数的三个内核函数,在拟合。它不如AR模型。在GBRT研究中,梯度提高回归算法被用来预测样本的拟合,拟合优度达到95%,均方根误差为0.211645,总体趋势是类似于真实价值,它有更好的性能在每个波动转折点,在两座山峰和准确的预测。比较三种预测方法,GBRT模型添加到网络搜索数据最好的拟合优度和最好的预测性能。

4.3。无线传感器网络的数据比较偏差和预测

本文比较明显。2019年的实际数据和输出数据的非线性支持向量机进行比较选择。结果如图所示9。

从图可以看出9有一个错误的预测结果之间的无线传感器网络的非线性模型和实际的结果。误差值大约是8% - -9%。这是因为有太多的因素影响经济,甚至是非线性的。这个模型的无线传感器网络中数据不需要太多的计算,也会导致某些错误。然而,从结果,误差值是在一个可接受的范围内。可以看出,该模型的预测结果可以作为一个相关的参考。

本文利用无线传感器网络的非线性模型预测经济变化在东亚在接下来的四年。具体结果见图10。

从图可以看出10通过非线性模型的预测,东亚的整体经济将在2020年缩小由于疫情和其他原因,但将在2021年开始表现出稳定增长的趋势,这表明,总体预测模型对未来的发展情况。乐观,尽管预测模型仍有缺点和错误,预测结果仍有一定的参考价值。

5。结论

维度的指标样本数据可能不一致。如果数据不是标准化的,较小的数据值对结果的影响会影响较大的数据值,所以计算结果可能是现实的;有一定偏差的情况。数据的归一化是一种基本的数据挖掘工作。原始数据通过数据标准化处理后,指标在同一水平上,这样比较评价的结果更符合客观现实。

作为一个重要的组成部分和技术支持物联网,无线传感器网络已经吸引了越来越多的关注安全问题。无线传感器网络不同于有线网络;因为它的协议多样性和网络动力学,网络安全是极大的威胁。现有的无线传感器网络安全检测系统的协议的形式化分析和深入研究攻击类型。这使得检测到的攻击类型不够全面,可靠性的检测效果很差。创新的非线性研究方法的评估结果,未来的研究可以考虑使用其他计算方法和模型分析指标数据,这将有助于更深入地了解区域经济发展的水平和准确,帮助分析一个特定的单一指标的影响和贡献的总体结果,使评价结果更有效和准确,提高研究和应用的价值。

基于无线传感器网络的非线性模型用于预测整体经济,结果有一定价值,但相关数据仍然需要严格筛选,确保数据质量,这样的结果就可以恢复实际情况。在不久的将来,无线传感器网络将会越来越多的在经济预测中的应用,并将发挥更大的作用。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突与任何金融机构有关材料报告在这个手稿。

引用

1. l . f . Lu华、l . Yanzhong和l . Lingyan“基于支持向量机的故障诊断方法的研究,“新型工业化,3卷,不。4,34-39,2015页。视图:谷歌学术搜索
2. w . Ning,十分钟,d . et al .,古时的“中期和长期冷却负荷预测基于支持向量机回归模型相结合,“电力系统保护和控制,44卷,不。3、92 - 97年,2016页。视图:谷歌学术搜索
3. x呗,n .彭m .帮派,w, t·李,“基于多层次聚类分析的空间负荷预测方法和支持向量机,”电力系统自动化,39卷,不。12日,56 - 61,2015页。视图:谷歌学术搜索
4. l·肖王x, y郑,“短期风电负荷预测基于改进的最小二乘支持向量机和预测误差修正,“电力系统保护和控制,21卷,不。11日,第75 - 69页,2015年。视图:谷歌学术搜索
5. m·谢j .邓x霁,m .刘“支持向量机基于信息熵的冷却负荷预测方法和可变精度粗糙集优化,“电力系统技术第41卷。。1,第214 - 210页,2017。视图:谷歌学术搜索
6. f·肖,”多传感器数据融合基于信仰分歧的证据和熵的信念,”信息融合,46卷,23-32,2019页。视图:出版商的网站|谷歌学术搜索
7. f . Xingjie z在野,金川,“文本情感分析基于卷积神经网络和注意力模型,”计算机应用研究,35卷,不。5,1434 - 1436年,2018页。视图:谷歌学术搜索
8. l .应和美国Naiqiu变压器故障诊断基于模糊聚类和完全二叉树支持向量机,”中国电工技术学会的事务没有,卷。31日。4、64 - 70年,2016页。视图:谷歌学术搜索
9. d .远航,c . Lei z weil, m .勇和l .文峰,“电力系统暂态稳定评估基于多点向量机合成、”中国电机工程学报,36卷,不。5,1173 - 1180年,2016页。视图:谷歌学术搜索
10. l . Hongshuang和陆z”,支持向量机结构可靠性分析,响应面方法”铁路技术监督,26卷,不。2、199 - 203年,2016页。视图:谷歌学术搜索
11. 杨y, z l .云林,“高光谱遥感图像小目标检测基于自适应参数支持向量机,”视神经节学报,21卷,不。9日,第339 - 330页,2015年。视图:谷歌学术搜索
12. 徐y, z, z, j .白”应用程序参数优化支持向量机的变压器故障诊断基于光声光谱,”光谱和光谱分析,35卷,不。1,10号至13号,2015页。视图:谷歌学术搜索
13. g·k . Wang Shaoqing l·王,“风力发电联合预测模型基于模糊造粒和最小二乘支持向量机的信息,“电力系统保护和控制,3卷,不。2、26 - 32,2015页。视图:谷歌学术搜索
14. m .周y, z, y丽安,y, b .王,“校准数据简化节能位置传感物联网,”IEEE物联网。》第六卷,没有。4、6125 - 6133年,2019页。视图:出版商的网站|谷歌学术搜索
15. s . Jiajun z . Wang和Bu y, z . Yu”概述基于支持向量机的遥感影像分类研究,“计算机科学,43卷,不。9日,页。17岁,2016,31日。视图:谷歌学术搜索
16. z回宫,l .永利和y壮族,“高压断路器故障诊断,基于最小二乘支持向量机,”高电压设备,13卷,不。12日,第83 - 79页,2015年。视图:谷歌学术搜索
17. d .杨和c,其中“风电场短期风速预测基于离散经验模态分解和最小二乘支持向量机,”东北电力大学杂志》上,21卷,不。3,44-49,2015页。视图:谷歌学术搜索
18. l .琼和c·李”,一种改进的支持向量机的文本分类方法,”计算机技术与发展,36卷,不。5,78 - 82年,2015页。视图:谷歌学术搜索
19. 朱y y, y熊维平,et al .,“多目标的300 MW机组锅炉燃烧优化基于支持向量机和遗传算法理论,“热发电,21卷,不。10日,91 - 96年,2015页。视图:谷歌学术搜索
20. d . Wang s庐山逍夏,y Jiaoying”比较研究不同核函数的支持向量机对空调负荷预测,“中国电工技术学会的事务,32卷,不。5,531 - 535年,2015页。视图:谷歌学术搜索
21. a . t . n, n . Cheng Gamage, k, j·w·马克,x沈,“云协助HetNets向5 g的无线网络,”在IEEE通信杂志,53卷,不。6日,59 - 65年,2015页。视图:出版商的网站|谷歌学术搜索
22. c . Wang和l .给“使用支持向量机模型结合高度和单眼图像特征识别杂草,”中国农业工程学会的事务卷,47号15日,第174 - 165页,2016年。视图:谷歌学术搜索
23. m . w . Li锣,j . Li y . Wang和美国,“2016 - 2017年中国宏观经济预测和分析,“厦门大学学报,卷235,不。3、第5 - 13页,2016年。视图:谷歌学术搜索
24. 智和z气”,概述社会经济预测基于互联网大数据”信息杂志,卷2,不。7日,21页,2015页。视图:谷歌学术搜索
25. 杨y l .勺园,“全球经济预测控制切换非线性系统的优化运行,”《自动化学报》,43卷,不。6,1017 - 1027年,2017页。视图:谷歌学术搜索
26. j .董”分析的基础上的经济预测和财务统计中国人民银行在“大数据”时代,“数字用户,25卷,不。14日,60 - 62、2019页。视图:谷歌学术搜索
27. Namasudra和p·罗伊,“Ppbac:普及云计算访问控制模型为基础,“组织和终端用户计算杂志》上,30卷,不。4,14-31,2018页。视图:谷歌学术搜索
28. h .赵,j .沈,y,”鲁棒稳定性研究多目标经济不确定的非线性系统预测控制算法,“3卷,没有。6,101 - 103年,2017页。视图:谷歌学术搜索
29. p .吴邦国委员长和h·胡”,建设中国金融风险指数星期五和经济预测的考验,”统计与决策,13卷,不。2、120 - 123年,2016页。视图:谷歌学术搜索
30. w·王,“模糊统计理论及其在经济预测和决策中的应用,”全球市场,13卷,不。14日,24-24,2015页。视图:谷歌学术搜索

版权

版权©2021刘骏和Faxian贾。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。