- 相關(guān)推薦
旅游需求的調(diào)研報(bào)告
一問(wèn)題的提出與分析
近年來(lái)，對(duì)澳門地區(qū)的旅游業(yè)來(lái)說(shuō)，中國(guó)內(nèi)地旅客是旅游收入的主要來(lái)源。目前旅游業(yè)已成為澳門地區(qū)經(jīng)濟(jì)發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學(xué)的可操作的旅游預(yù)測(cè)模型是實(shí)現(xiàn)澳門地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型。
基于此，本文擬用3層bp神經(jīng)網(wǎng)絡(luò)模型來(lái)仿真模擬分析和預(yù)測(cè)澳門地區(qū)旅游需求,以此為旅游需求預(yù)測(cè)提供一種新的方法。
二模型的假設(shè)與符號(hào)說(shuō)明
1．基本假設(shè)
1）交通在旅游中通常不是重要的，為了研究的方便（主要是無(wú)法獲得交通數(shù)據(jù)），把交通這個(gè)影響忽略。
2）假設(shè)澳門的接待能力都滿足需求。
3）在本例旅游需求預(yù)測(cè)模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費(fèi)水平，旅游目的地的生活水平。
4）為了研究的方便，假定以上四因子之間相互獨(dú)立，本例旅游需求即為上述四因子的函數(shù)，即y=f(gdi,pop,gde,m-gp)。就用這四個(gè)因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。
2．符號(hào)說(shuō)明
t澳門內(nèi)地游客量
gdi中國(guó)內(nèi)地國(guó)民總收入
pop中國(guó)內(nèi)地人口總數(shù)
gde中國(guó)內(nèi)地國(guó)民消費(fèi)水平
m-gp澳門生產(chǎn)總值
三．模型的建立與求解
1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理
人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork）是由大量的、簡(jiǎn)單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動(dòng)態(tài)的復(fù)雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學(xué)研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過(guò)“自學(xué)習(xí)”或“訓(xùn)練”的方式完成某一特定的工作。它可以從積累的工作案例中學(xué)習(xí)知識(shí)，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識(shí)別方法來(lái)完成預(yù)測(cè)工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對(duì)處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進(jìn)行描述的復(fù)雜的、開(kāi)放的非線性系統(tǒng)顯得較為優(yōu)越。
人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學(xué)習(xí)規(guī)則等6個(gè)部分組成。一個(gè)多層神經(jīng)網(wǎng)絡(luò)中包含有很多個(gè)信息處理單元,分布于不同的層次中。根據(jù)每項(xiàng)輸入和相應(yīng)的權(quán)重獲取一個(gè)綜合信號(hào)，當(dāng)信號(hào)超過(guò)閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝f（影響因素）。為了尋求最佳的映射關(guān)系f，將訓(xùn)練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過(guò)對(duì)簡(jiǎn)單非線性函數(shù)的復(fù)合，從而建立一個(gè)高度的非線性映射關(guān)系f,最終實(shí)現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%~90%的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡(jiǎn)稱bp網(wǎng)絡(luò)）或它的變化形式。bp神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項(xiàng)傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標(biāo)準(zhǔn)的bp網(wǎng)絡(luò)是根據(jù)w-h學(xué)習(xí)規(guī)則，采用梯度下降算法，對(duì)非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。
bp神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過(guò)學(xué)習(xí)來(lái)調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用s型作用函數(shù)：
其中：xj為該神經(jīng)元第i個(gè)輸入；wij為前一層第i個(gè)神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時(shí)的權(quán)值為閾值。其計(jì)算步驟如下：
（1）給定一組隨機(jī)的權(quán)值和閾值初始值及步長(zhǎng)系數(shù)η與勢(shì)態(tài)因子α；
（2）取學(xué)習(xí)樣本數(shù)據(jù)，根據(jù)學(xué)習(xí)樣本、權(quán)值及閥值計(jì)算輸出，并與學(xué)習(xí)期望輸出比較，當(dāng)誤差滿足要求時(shí)結(jié)束訓(xùn)練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，
5）澳門內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立
(一)bp網(wǎng)絡(luò)設(shè)計(jì)
網(wǎng)絡(luò)設(shè)計(jì)是一個(gè)綜合性問(wèn)題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實(shí)現(xiàn)，訓(xùn)練速度快等，其中有較好的推理能力是最主要的。一般來(lái)說(shuō)，推廣能力決定于3個(gè)主要因素，即問(wèn)題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測(cè)研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問(wèn)題。
在進(jìn)行bp網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)、初始值的選擇、學(xué)習(xí)速率和期望誤差。
i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個(gè)s型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個(gè)3層的bp網(wǎng)絡(luò)。
ii)每層中神經(jīng)元的個(gè)數(shù)輸入層和輸出層神經(jīng)元的個(gè)數(shù)根據(jù)解決具體問(wèn)題的復(fù)雜程度而定。為了提高網(wǎng)絡(luò)訓(xùn)練的精度，可以通過(guò)采用一個(gè)隱含層，再加上1到2個(gè)神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個(gè)數(shù)選擇為4個(gè)，隱含層神經(jīng)元個(gè)數(shù)分別選擇了9、12、15個(gè)，輸出層神經(jīng)元個(gè)數(shù)選擇為1個(gè)。
iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性系統(tǒng)，初始值的選擇對(duì)于網(wǎng)絡(luò)學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時(shí)間的長(zhǎng)短都有較大影響。在初始值的選擇上一般是使經(jīng)過(guò)初始值加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近零，這樣可以保證每一個(gè)神經(jīng)元的連接權(quán)值都能夠在它們的s型激活函數(shù)變化最大處進(jìn)行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機(jī)數(shù)。本文的初始值為默認(rèn)值。
iv)學(xué)習(xí)速率
對(duì)于任何一個(gè)網(wǎng)絡(luò)都對(duì)應(yīng)一個(gè)合適的學(xué)習(xí)速率。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值的變化量。大的學(xué)習(xí)速率可以導(dǎo)致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學(xué)習(xí)速率又會(huì)導(dǎo)致訓(xùn)練時(shí)間延長(zhǎng)，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學(xué)習(xí)速率的選擇上傾向于選擇較小的學(xué)習(xí)速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學(xué)習(xí)速率為0.01。
v)期望誤差值
期望誤差值的確定也是通過(guò)網(wǎng)絡(luò)對(duì)不同誤差值分別進(jìn)行訓(xùn)練比較后確定的最適合值。所謂的最適合值是相對(duì)于所需要的隱含層的節(jié)點(diǎn)數(shù)來(lái)確定的，一個(gè)較小的誤差值的獲得需要增加隱含層的節(jié)點(diǎn)以及訓(xùn)練時(shí)間。本文經(jīng)過(guò)不斷測(cè)試，選擇0.0001為期望誤差值。
（二）1．網(wǎng)絡(luò)訓(xùn)練模式的選擇
訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個(gè)輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓(xùn)練函數(shù)，而只需為整個(gè)網(wǎng)絡(luò)制定一個(gè)訓(xùn)練函數(shù)，使用起來(lái)相對(duì)方便，因此，本文在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)采用批變模式。
2．?dāng)?shù)據(jù)和模型的建立
神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：a、易獲得性b、可靠性c、可測(cè)度性。本項(xiàng)研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見(jiàn)表1），主要來(lái)自于中國(guó)統(tǒng)計(jì)局網(wǎng)。
用3層bp網(wǎng)絡(luò)模型對(duì)本例旅游需求進(jìn)行模擬，根據(jù)bp網(wǎng)絡(luò)的映射原理，對(duì)于樣本集合x和輸出y，可以假設(shè)存在一映射f。為了尋求f的最佳映射值，bp網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)的復(fù)合，建立一個(gè)高度的非線性映射關(guān)系，實(shí)現(xiàn)f值的最優(yōu)逼近。對(duì)于本例旅游需求模型的模擬：其輸入層結(jié)點(diǎn)數(shù)（4個(gè)神經(jīng)元）：中國(guó)內(nèi)地國(guó)民總收入（gdi）、中國(guó)內(nèi)地人口總數(shù)（pop）、中國(guó)內(nèi)地國(guó)民消費(fèi)水平（gde）、澳門生產(chǎn)總值（m-gp）。把澳門內(nèi)地游客量（t）作為輸出結(jié)點(diǎn)。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。
四．模型結(jié)果及分析
1網(wǎng)絡(luò)訓(xùn)練性能的檢查。
不同個(gè)數(shù)的隱層單元組成的bp網(wǎng)絡(luò)訓(xùn)練曲線如圖1，2，3所示。通過(guò)比較發(fā)現(xiàn)，中間層神經(jīng)元個(gè)數(shù)為9和12時(shí)，網(wǎng)絡(luò)的收斂速度比較快。
2網(wǎng)絡(luò)預(yù)測(cè)性能的考查。
在數(shù)據(jù)列表中選取1996年到201x年的數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)。201x、201x年的游客量檢驗(yàn)誤差曲線如圖4。
其仿真結(jié)果令人滿意，達(dá)到預(yù)期的效果。
五．模型的應(yīng)用與評(píng)價(jià)（優(yōu)缺點(diǎn)與改進(jìn)）
從上面的分析可以看出，3層bp神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的。可以看出，人工神經(jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強(qiáng)，穩(wěn)定性好，能自動(dòng)準(zhǔn)確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強(qiáng)的模擬適應(yīng)能力等特點(diǎn)。在本例對(duì)于澳門的內(nèi)地游客量的旅游預(yù)測(cè)中bp神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測(cè)方法。
這一研究方法為旅游學(xué)的定量預(yù)測(cè)研究提供了一種新的思路，也為工程實(shí)踐問(wèn)題中的一些研究工作提供了一種非常好的指導(dǎo)方法。
雖然bp網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個(gè)方面的問(wèn)題。
首先，由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強(qiáng)的訓(xùn)練時(shí)間。
再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無(wú)理論上的指導(dǎo)，一般是根據(jù)應(yīng)驗(yàn)或者通過(guò)反復(fù)試驗(yàn)確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。
原題附帶問(wèn)題簡(jiǎn)析
通過(guò)對(duì)本例旅游需求模型的分析，我們認(rèn)為在利用數(shù)學(xué)建模的方法對(duì)旅游需求進(jìn)行預(yù)測(cè)預(yù)報(bào)時(shí)，對(duì)于數(shù)據(jù)的采集和整理工作需要認(rèn)真做好。對(duì)于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準(zhǔn)確的數(shù)據(jù)對(duì)于我們研究實(shí)際問(wèn)題具有相當(dāng)重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時(shí)，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個(gè)問(wèn)題，這與建立模型的目的和所選擇的模型的特點(diǎn)有關(guān)。
【旅游需求的調(diào)研報(bào)告】相關(guān)文章：
需求調(diào)研報(bào)告04-11
it需求調(diào)研報(bào)告10-07
需求調(diào)研報(bào)告11-14
培訓(xùn)需求調(diào)研報(bào)告模板02-18
消費(fèi)者需求調(diào)研報(bào)告01-13
老年人需求調(diào)研報(bào)告01-11