ＢＰ神经网络在我国入境旅游人数预测中的应用.docVIP

ＢＰ神经网络在我国入境旅游人数预测中的应用 　　摘要：入境旅游人数的预测结果对于旅游管理部门和政府部门有着重要的参考意义，寻求科学合理的预测模型是保障预测结果准确可靠的关键。针对这一问题，作者利用人工神经网络理论建立了BP（Back-Propagation）网络预测模型，并与logistic模型、指数平滑模型、自回归模型的预测结果进行比较，结果表明应用BP神经网络对入境旅游人数进行预测精度更高、效果更好。 　　关键词：BP神经网络；入境旅游；预测 　　收稿日期：2006-06-07 　　基金项目：国家自然科学基金项目。 　　作者简介：邓祖涛(1972-)，男，湖北经济学院旅游学院讲师，博士。研究方向：区域发展与旅游规划。陆玉麒（1963-），男，南京师范大学地理科学学院教授，博导。研究方向：空间结构与区域规划研究。 　　中图分类号F59文献标识码A文章编号1006-575(2006)-04-0049-05 　　 　　一、BP神经网络原理及预测模型 　　 　　1.BP神经网络原理 　　BP（Back-Propagation）神经网络，是人工神经网络中最具代表性和应用广泛的一种，通常由具有多个节点的输入层（input layer）、隐含层（hidden layer）和多个或一个输出节点的输出层（output layer）组成，其学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。外部输入的信号经输入层、隐含层的神经元逐层处理，向前传播到输出层，给出结果。如果在输出层得不到期望输出，则转入逆向传播过程，将实际值与网络输出之间的误差沿原连接通路返回，通过修改各层神经元的连接权重，减少误差，然后再转入正向传播过程，反复迭代，自到误差小于给定的值为止[１][２]。BP神经网络以3层最为常用，也最为成熟。理论上已证明，一个3层的BP网络能够实现任意的连续映射[３]，可以以任意精度逼近任何给定的连续函数。其拓扑结构如下图所示（见图1）。 　　 　　2.入境旅游人数神经网络模型的建立 　　根据我国入境旅游人数的实际情况，建立由一个输入层、一个隐含层、一个输出层构成的三层BP网络模型（见图2）。 　　（1）网络层节点数的确定 　　Tourism Science旅游科学BP神经网络在我国入境旅游人数预测中的应用时间序列数据输入层节点数是人为确定的，输入层节点数过多，造成网络学习次数较大；输入层节点数过少，不能反映后续值与前驱值的相关关系。经反复试验最终确定为4个，且输出层节点数为1[４]。隐含层节点数的选择在所有BP网络中目前还没有理论上公认的推导方法。考虑到单隐含层网络的非线性映射能力较弱，为了达到预定的映射关系，隐含层节点宜适量增加，以增加网络的可调参数，最终确定隐含层节点数为6个。 　　（2）网络函数的确定 　　传递函数的第一层选用TANSIG函数，第二层则选用PURELIN函数；训练函数采用trainlm函数，仿真网络函数采用simuff函数。目标误差Err定为0.00001，学习率lr定为0.01。 　　 　　二、样本数据的归一化处理和网络训练 　　 　　1.样本数据的归一化处理 　　由于BP神经网络要求输入的数据范围一般在[01]。因此对1986-2005年样本数据进行归取一个比较大的值，保证预测年的数据小于该数值，取一个小于样本数据序列中最小值的值，保证归一化后的数据不太接近于0。 　　 　　2.训练样本和检验样本的确定 　　由于历年入境旅游人数是一维时间序列，但BP神经网络要求用多维输入来训练网络，为此，根据上述已确立的网络层节点数以及BP神经网络一般所遵循的原则（即输入层和输出层节点数分别和输入和输出神经元数相等），确定我国入境旅游人数网络模型的输入神经元为4个，输出神经元为1个。具体操作如下：输入神经元P=[p(t-4)，p(t-3)，p(t-2)，p(t-1)]；输出神经元T=[p(t)]，其中t=1990年，1991年，…2005年，p(t)表示t年归一化的入境旅游人数（见表1）。为了检验该网络的精确性和有效性，选择第1组―第11组的数据作为学习样本集，第12组―第16组的数据作为检验样本集，且利用完成训练的神经网络进行模拟。 　　 　　三、BP模型的实现及几种模型的对比分析 　　 　　1.网络模拟预测结果分析 　　采用MATLAB 6.5人工神经网络工具箱，将第1组―第11组学习样本输入网络进行训练学习，训练结果为Epoch 25/120，SSE 1.05994e-005，表明网络能较快的收敛，然后再将第12组－第16组样本代入训练好的网络进行检验，模拟结果表明BP网络可信度高。图3为网络输出值与实际值的比较，图4为BP网络拟合误差曲