基于DE-BP神经网络模型的旅游客源预测.docVIP

基于DE-BP神经网络模型的旅游客源预测 　　摘要：客源预测在旅游业发展中具有重要的作用,准确的预测有利于旅游地发展规划和政策的制定。针对BP人工神经网络所存在的缺陷，结合差异演化算法，提出了基于DE-BP神经网络的旅游客源预测模型。利用中国入境旅游人次数的变化趋势进行了综合分析与预测，取得了令人满意的结果。 　　Abstract: Tourist quantity prediction has an important role in development of tourist industry, so it is benefit to make development planning and policy of tourist site. Aiming at the defects of BP artificial neural network, combined with Differential Evolution Algorithm, the paper proposes a tourist quantity prediction model based on DE-BP neural network. We analyse and forecast the data change trend of Chinas inbound tourists, and get satisfactory results. 　　关键词：差异演化算法；神经网络；入境游客；预测 　　Key words: Differential Evolution（DE）；neural network；inbound tourist；prediction 　　中图分类号：F59 文献标识码：A文章编号：1006-4311（2010）34-0155-01 　　 　　0引言 　　在现代旅游管理的研究中，随着旅游经济量化水平的不断提高，使得众多学者开始利用数学模型对旅游行业的发展趋势进行预测，客源预测就是其中一个重要的方面。本文在BP神经网络预测模型[1]中引入差异演化算法[2,3]，构造出基于DE-BP神经网络的旅游客源预测模型，为旅游客源预测提供一种新的求解途径。 　　1BP神经网络模型和DE算法 　　BP算法，也称为反向传播算法。它是一种具有三层或者三层以上的阶层型前向神经网络（输入层、中间层、输出层），其主要思想是从后向前（反向）逐层传播输出层的误差，以间接算出隐层误差。算法分为两个阶段：第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输出值；第二阶段（反向传播过程）输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值，本文采用三层结构网络。 　　DE算法是基于实数编码的演化算法，它的整体结构类似于遗传算法（GA），与遗传算法的主要区别在于变异操作上，DE的变异操作是基于染色体的差异向量讲行的，其余操作和遗传算法类似，也包括生成初始种群、变异操作、交叉操作和选择操作。运用DE对神经网络权值讲行优化，较GA能有效地跳出局部最优值，克服GA的早熟现象。 　　2DE-BP神经网络模型及其应用 　　将DE和BP神经网络相结合，主要思想是运用DE操作保证搜索是在整个解空间进行的，同时寻优讨程不依赖于种群初始值的选择，将权值和阈值精确到一个很小的范围，然后用BP操作保证得到精确的网络权值。 　　针对我国入境游人数进行预测，采用1995年-2004年的数据[4]作为BP神经网络的训练样本。首先对样本数据进行学习，预测2005年的入境游人数，然后将训练样本向前推进一个，用1996年-2005年的数据进行学习，对2006年的数据进行预测；依次直至预测到2012年为止。 　　DE-BP神经网络参数取值为：神经网络输入结点数8；中间层结点数6；输出层结点1；种群大小50；交叉概率0.7；变异概率0.02；最大进化代数100。 　　采用DE-BP神经网络的预测结果与BP神经网络、一元多项式回归法预测结果对比，如表1所示。 　　同时，我们采用平均绝对误差（MAE）、平方差（SSE）、均方差（MSE）和预测精度（PA）等四个指标对不同方法得到的预测数据进行评价，如表2所示。 　　3结论 　　在BP人工神经网络和差异演化算法的基础上，构造了DE-BP神经网络预测模型，并采用该算法对旅游客源讲行预测，并将预测结果与BP神经网络以及一元多项式回归模型预测结果讲行对比，表明该算法在预测精度上较其他两种算法有明显的提高。本文所提出的DE-BP神经网络预测模型不仅可以预测旅游客源，还可以对旅游业中其它指标进行预测，同时对于其它行业类似问题也有一定的借鉴意义。 　　参考文献： 　　[1]孙燕平，张琳，吕仁义.旅游客源预测的神经网