旅游需求的調研報告

　　一問題的提出與分析

　　近年來，對澳門地區的旅游業來說，中國內地旅客是旅游收入的主要來源。目前旅游業已成為澳門地區經濟發展特別是第二產業發展的支柱。建立科學的可操作的旅游預測模型是實現澳門地區旅游業持續健康穩定發展的理論基石和前提。由于影響某地旅游人數的因素各異，還不存在普遍適用的神經網絡模型。

　　基于此，本文擬用3層bp神經網絡模型來仿真模擬分析和預測澳門地區旅游需求,以此為旅游需求預測提供一種新的方法。

　　二模型的假設與符號說明

　　1．基本假設

　　1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數據），把交通這個影響忽略。

　　2）假設澳門的接待能力都滿足需求。

　　3）在本例旅游需求預測模型中，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立，本例旅游需求即為上述四因子的函數，即y=f(gdi,pop,gde,m-gp)。就用這四個因素作為人工神經網絡模型輸入層的神經元。

　　2．符號說明

　　t澳門內地游客量

　　gdi中國內地國民總收入

　　pop中國內地人口總數

　　gde中國內地國民消費水平

　　m-gp澳門生產總值

　　三．模型的建立與求解

　　1．人工神經網絡模型理論原理

　　人工神經網絡（artificialneuralnetwork）是由大量的、簡單元件（神經元）廣泛相互聯結而成的非線性的、動態的復雜網絡信息處理系統，它是在現代神經學研究成果基礎上提出的，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構，可以通過“自學習”或“訓練”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習知識，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論之間的高度非線性映射，采用自適應模式識別方法來完成預測工作[2]。人工神經網絡模型尤其是對處理內部規律不甚了解、不能用一組規則或方程進行描述的復雜的、開放的非線性系統顯得較為優越。

　　人工神經網絡模型一般由處理單元、激活狀態、單元輸出、連接模式、激活規則、學習規則等6個部分組成。一個多層神經網絡中包含有很多個信息處理單元,分布于不同的層次中。根據每項輸入和相應的權重獲取一個綜合信號，當信號超過閾值則激活神經元而產生輸出。各類影響因素和最終輸出結果之間可以假定存在一種映射,即輸出結果＝f（影響因素）。為了尋求最佳的映射關系f，將訓練樣本集合和輸入、輸出轉化為一種非線性關系，通過對簡單非線性函數的復合，從而建立一個高度的非線性映射關系f,最終實現輸出值的最優逼近［3］。在人工神經網絡的實際應用中，80%~90%的人工神經網絡是采用前饋反向傳播網絡（back-propagation-network,簡稱bp網絡）或它的變化形式。bp神經網絡（如圖一）是一種單項傳播的多層前向神經網絡，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。它是前向網絡的核心部分，體現了人工神經網絡最精華的部分[4]。標準的bp網絡是根據w-h學習規則，采用梯度下降算法，對非線性可微函數進行權值訓練的多層網絡。

　　bp神經網絡的每一層的權值通過學習來調節，其基本處理單元為非線性輸入－輸出關系，選用s型作用函數：

　　其中：xj為該神經元第i個輸入；wij為前一層第i個神經元至該神經元j的連接權值，i＝0時的權值為閾值。其計算步驟如下：

　　（1）給定一組隨機的權值和閾值初始值及步長系數η與勢態因子α；

　�。�2）取學習樣本數據，根據學習樣本、權值及閥值計算輸出，并與學習期望輸出比較，當誤差滿足要求時結束訓練，否則將誤差向后逐層傳播，并修正各層連接權值，

　　5）澳門內地旅客人數神經網絡模型的建立

　　(一)bp網絡設計

　　網絡設計是一個綜合性問題，它應滿足多種不同要求，例如，希望所涉及的網絡有較好的推理能力，易于硬件實現，訓練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復雜程度、網絡結構以及樣本量大小。在一般情況下，旅游需求預測研究中樣本的數量是一定的，因此可歸結為在樣本量一定的情況下，如何選擇網絡規模的問題。

　　在進行bp網絡預測模型設計中，我們主要考慮以下因素：網絡的層數、每層中的神經元個數、初始值的選擇、學習速率和期望誤差。

　　i)網絡的層數已證明：具有偏差和至少一個s型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數。所以，本文選擇一個3層的bp網絡。

　　ii)每層中神經元的個數輸入層和輸出層神經元的個數根據解決具體問題的復雜程度而定。為了提高網絡訓練的精度，可以通過采用一個隱含層，再加上1到2個神經元以加快誤差的下降速度即可。因此，本文輸入層神經元個數選擇為4個，隱含層神經元個數分別選擇了9、12、15個，輸出層神經元個數選擇為1個。

　　iii)初始值的選擇由于人工神經網絡是一個非線性系統，初始值的選擇對于網絡學習是否達到局部最小、是否能夠收斂以及訓練時間的長短都有較大影響。在初始值的選擇上一般是使經過初始值加權后的每個神經元的輸出值都接近零，這樣可以保證每一個神經元的連接權值都能夠在它們的s型激活函數變化最大處進行調解。所以，初始值一般選擇在（-1,1）之間的隨機數。本文的初始值為默認值。

　　iv)學習速率

　　對于任何一個網絡都對應一個合適的學習速率。學習速率決定每一次循環訓練中所產生的權值的變化量。大的學習速率可以導致網絡的不穩定，但是小的學習速率又會導致訓練時間延長，收斂速度較慢，不能保證網絡的誤差能最終趨于最小。綜合上述考慮，在學習速率的選擇上傾向于選擇較小的學習速率以保證網絡的穩定性，本文選擇的學習速率為0.01。

　　v)期望誤差值

　　期望誤差值的確定也是通過網絡對不同誤差值分別進行訓練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節點數來確定的，一個較小的誤差值的獲得需要增加隱含層的節點以及訓練時間。本文經過不斷測試，選擇0.0001為期望誤差值。

　　（二）1．網絡訓練模式的選擇

　　訓練網絡有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網絡后，權重和偏置量被更新一次。在批變模式中，所有的輸入被應用于網絡后，權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重和偏置量設定訓練函數，而只需為整個網絡制定一個訓練函數，使用起來相對方便，因此，本文在進行網絡訓練時采用批變模式。

　　2．數據和模型的建立

　　神經網絡模型要求數據具有：a、易獲得性b、可靠性c、可測度性。本項研究采用很可靠的官方發表的數據作為分析的數據源（見表1），主要來自于中國統計局網。

　　用3層bp網絡模型對本例旅游需求進行模擬，根據bp網絡的映射原理，對于樣本集合x和輸出y，可以假設存在一映射f。為了尋求f的最佳映射值，bp網絡模型將樣本集合的輸入、輸出轉化為非線性優化，通過對簡單的非線性函數的復合，建立一個高度的非線性映射關系，實現f值的最優逼近。對于本例旅游需求模型的模擬：其輸入層結點數（4個神經元）：中國內地國民總收入（gdi）、中國內地人口總數（pop）、中國內地國民消費水平（gde）、澳門生產總值（m-gp）。把澳門內地游客量（t）作為輸出結點。從而得出3層前饋反向傳播神經網絡模型。

　　四．模型結果及分析

　　1網絡訓練性能的檢查。

　　不同個數的隱層單元組成的bp網絡訓練曲線如圖1，2，3所示。通過比較發現，中間層神經元個數為9和12時，網絡的收斂速度比較快。

　　2網絡預測性能的考查。

　　在數據列表中選取1996年到201x年的數據作為網絡的測試數據。201x、201x年的游客量檢驗誤差曲線如圖4。

　　其仿真結果令人滿意，達到預期的效果。

　　五．模型的應用與評價（優缺點與改進）

　　從上面的分析可以看出，3層bp神經網絡模型的仿真模擬效果是鄰人滿意的。可以看出，人工神經網絡的擬合精度比較高，主要是基于人工神經網絡抗干擾能力強，穩定性好，能自動準確地找出各種輸入和輸出之間的線性或非線性關系，具有較強的模擬適應能力等特點。在本例對于澳門的內地游客量的旅游預測中bp神經網絡模型是一種有效的預測方法。

　　這一研究方法為旅游學的定量預測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導方法。

　　雖然bp網絡得到了廣泛應用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。

　　首先，由于學習速率是固定的，因此，網絡的收斂速度慢，需要較強的訓練時間。

　　再次，網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據應驗或者通過反復試驗確定的。因此，網絡往往存在很大的冗余性，在一定上也增加了網絡學習的負擔。

　　原題附帶問題簡析

　　通過對本例旅游需求模型的分析，我們認為在利用數學建模的方法對旅游需求進行預測預報時，對于數據的采集和整理工作需要認真做好。對于數據的分析有助于我們尋求變量間的關系，以形成初步的想法。如何獲得數據以及如何獲得準確的數據對于我們研究實際問題具有相當重大的意義。收集數據并非多多益善，而是要弄清究竟需要哪些數據，剔除不必要的數據，從而減少冗余的工作。同時，需要什么形式的數據也是我們應該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關。

【旅游需求的調研報告】相關文章：

需求調研報告04-11

it需求調研報告10-07

需求調研報告11-14

2017年需求調研報告03-10

培訓需求調研報告模板02-18

消費者需求調研報告01-13

老年人需求調研報告01-11

培訓需求調研報告模板通用05-15

需求調研報告（通用20篇）01-10

課后服務需求調研報告范文06-21