基于Elman神经网络的中国入境游客动态预测_神经网络模型论文

基于Elman神经网络的我国入境游客量动态预测，本文主要内容关键词为：神经网络论文,游客论文,我国论文,动态论文,Elman论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      doi：10.3969/j.issn.1005-8141.2015.05.026

      旅游业关联性强、带动作用大，自从改革开放以来我国旅游业发展非常迅速，已成为我国国民经济的支柱产业之一[1]。游客量预测在旅游业发展中具有重要的作用，是旅游开发、管理与规划的基础和前提，可为旅游资源和市场开发、旅游发展战略制定和宏观决策提供科学依据[2-4]。客源的精确预测能大大提高旅游业经济量化水平，有利于及时解决旅游中的问题，有利于旅游业健康发展[5]，因此有必要采取科学有效的方法对旅游需求(游客量)进行准确预测。

      自20上世纪60年代以来，国内外许多学者对游客量预测进行了大量研究，其中大多数模型是建立在历史时间序列基础之上[6-8]。目前对游客量预测最常用的模型主要有ARIMA模型、BP神经网络、灰色理论以及其组合预测模型[4，9-11]。其中，ARIMA模型和灰色预测模型为线性算法，虽然在一定条件下能取得较好的预测效果，但很难反映旅游需求的非线性部分，如疾病、自然灾害、政治突发事件等经常对旅游需求产生结构性影响，导致旅游需求时间序列出现较大波动，对突发事件预测的误差往往较大。神经网络具有很强的非线性逼近能力，能不断调整神经元之间连接的权重，使预测误差最小，并能很好的对旅游需求进行非线性拟合。但BP神经网络及其组合预测模型既容易陷入局部极值问题，模型本身又是利用静态前馈网络(BP神经网络)对动态系统进行辨识、建模和预测，将动态建模问题变为静态建模问题，这必然会引起许多问题。为了克服上述问题，更好地反映我国入境游客量动态特性，本文引入能反映系统动态特性的Elman神经网络，建立了我国入境游客量预测的Elman神经网络动态预测模型，利用该模型进行实际预测，取得了较好的效果。

      1 入境游客量Elman神经网络预测模型

      1.1 Elman神经网络的理论基础

      在神经网络的分类中，按照网络信息流向分为反馈式和前馈式两种类型。前馈神经网络的输出结果与先前输出的结果无关，仅由当前输入及其权矩阵决定；而反馈神经网络的输入包括先前输入数据输出的反馈或有延迟输入，因此反馈神经网络是一种反馈动力学系统。常见的反馈式神经网络主要有Elman神经网络和Boltzmann神经网络等。Elman神经网络是1990年由Elman首次提出的，为了达到网络记忆的目的，他在前馈网络的中间层添加了一个作为延时算子的承接层，使该网络能直接反映动态过程，具有适应时变的能力[12，13]。

      Elman神经网络一般情况下分为输入层、中间层(隐含层)、承接层和输出层四层，见图l。除了承接层以外，其他三层的网络连接与前馈网络类似，信号传输由输入层完成，隐含层可用线性或非线性函数对信号进行传输，线性加权由输出层完成，承接层用来记忆隐含层前一时刻的输出值，并反馈给网络的输入[14，15]。

      

      图1 Elman网络结构

      Elman网络的特点是具有承接层，利用承接层实现对隐含层的输出进行储存与延迟，达到与自联到隐含层输入的目的。这是由于这种自联方式使Elman网络对历史状态数据非常敏感，提高了网络本身处理动态信息的能力，从而达到动态建模的目的。Elman神经网络非线性逼近能力非常强，且建模时可忽略外部噪声形式的影响，具有非常强的适用性。以图1中所标出的变量对其进行了说明，非线性状态空间Elman网络的表达式为：

      

      1.2 入境游客量Elman预测模型

      主要为：①获取我国入境游客量样本数据；②样本数据预处理；③初始化网络权值，输入入境游客量样本数据；④计算输入层、隐含层、输出层和承接层数值；⑤计算误差函数，更新权值；⑥返回步骤④直到满足设定的精度或训练次数为止；⑦利用训练好的模型进行实际预测，预测流程见图2。

      

      图2 预测流程

      2 入境游客量Elman动态预测模型建立与应用

      2.1 样本数据获取

      以国家旅游局官方网站(http://www.cnta.gov.cn/)公布的最近30个月(2011年11月到2014年4月)月度入境游客量为研究对象，其中前27组数据用于建立训练Elman网络，后3组数据用于模型检验，见表1。

      

      2.2 模型建立

      表1中以前9行(2011年11月到2014年1月)的数据作为训练样本，每3行的数据作为输入向量，第四行的入境游客量数据为目标向量，这样一共可得到6组训练样本。以第二组数据为例进行说明，模型输入为第二一四行，输出为第五行，具体为：

      

      以第十行(2014年2月到2014年4月)入境游客量数据作为测试样本，用于模型检验。按照图2建模步骤，在Matlab 2013a环境下编写入境游客量预测的Elman神经网络程序，由于中间层神经元数目对模型精度有一定影响，在编写程序时设置了不同的隐藏层神经元个数(7、11、14、18)分别进行建模预测，从中找出我国入境游客量预测最优Elman网络模型。运行程序结果见图3、表2。由图3、表2可知，本文所建立的我国入境游客量Elman网络预测模型有效，不同数目的隐藏层虽然对预测结果精度有一定的影响，但总体的网络预测误差均较小。网络预测精度呈现出随着隐藏层数目先增高后变低的趋势，当隐藏层神经元为14时，模型预测误差最小，即为本文所建立的我国入境游客量Elman网络预测的最佳模型，模型最大误差为2.928%，最小误差为1.492%，平均误差为2.19%，模型预测效果与实际非常接近。

      

      图3 不同隐藏层预测误差

      

      2.3 模型预测结果比较

      本文作者对同样的数据分别利用ARIMA模型、BP神经网络模型进行预测，相关结果见表3。由表3可知，BP神经网络最大误差为7.94%，最小误差为4.68%，平均误差为6.31%；ARIMA模型最大误差为10.50%，最小误差为6.26%，平均误差为8.24%；本文最大误差为2.928%，最小误差为1.492%，平均误差为2.19%。本文提出的Elman网络预测模型预测效果远好于ARIMA、BP神经网络等模型。

      

      3 结论

      主要是：①Elman神经网络是在BP神经网络结构的基础上，通过引入承接层存储内部状态，使系统具有适应时变特征的能力。与目前常用的模型相比，更适用于我国入境游客量预测。②针对目前我国入境游客量预测存在的问题，以国家统计局公布的最近30个月我国入境旅游游客量月度数据为研究对象，前27个月数据用于建立训练网络，后3个月数据用于检验模型，模型预测最大误差为2.928%，最小误差为1.492%，平均误差为2.19%，模型预测效果与实际非常接近。结果表明：本文提出的模型能更好地反映我国入境游客量系统的非线性、动态性、时变性等特征，为我国入境旅游游客量预测提供了一种较可靠的途径。③本文为入境游客量时间序列数据预测提供了一种依据和方法，但对入境游客量预测系统来说只考虑历史时序数据是不够的，入境游客量受国际安全形势、各种突发事件、经济形势等多种因素影响，加上时间序列预测有近大远小效应，很难对其进行绝对的长期精确预测，因此要对入境游客量进行长期准确预测，应考虑更多因素。④由于样本数量较少，进行网络训练和实际预测时可能出现个别点误差相对较大的情况，可通过增加样本容量，剔除错误数据等办法来避免上述情况。

标签：神经网络模型论文;  预测模型论文;  网络模型论文;  动态模型论文;  elman神经网络论文;  bp神经网络算法论文;