BP神经网络在我国入境旅游人数预测中的应用，本文主要内容关键词为：神经网络论文,在我国论文,人数论文,旅游论文,BP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。
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
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[0 1]。因此对1986-2005年样本数据进行归一化处理。其公式为：
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
；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MATLAB6.5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Epoch25/120，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网络拟合误差曲线图。可以看出，BP神经网络能以较高的精度对原来的数据进行拟合。
根据训练好的网络，可输入P=[p(2002) p(2003)；p(2003) p(2004)；p(2004) p(2005)；p(2005) p (2006)]，即P=[0.599295 0.551247；0.551247 0.684923；0.684923 0.769231；0.769231 0.810377]，便可得到2006年和2007年入境旅游人数预测值为0.810377和0.874423，经还原，2006年、2007年入境旅游人数分别为12942.70万人和14156.80万人。
2.几种模型模拟结果的比较
借助SPSS软件，对1990-2005年我国入境旅游人数[5] [6] [7] 分别采用Logistic、指数平滑和自回归模型进行模拟和预测[8] [9] [10](见表2)。从相对平均误差(AARE)、泰尔(THEIL)不等系数(μ)、误差平方和(SSE)3个角度来比较几种模型的精确度(见表3)。它们分别可以用下列公式求得。
表2 几种模型模拟结果比较
年份 实际值logistic
指数平滑 自回归模型
BP网络
19902746.183002.513026.292240.162746.18
19913334.983298.673312.873107.913334.98
19923811.493624.043984.693702.783811.49
19934152.693981.514541.944238.604152.69
19944368.454374.244895.624703.244325.00
19954638.654805.715063.645101.924721.20
19965112.755279.745280.405529.225128.80
19975758.795800.525753.106063.775657.80
19986347.846372.676459.386688.756405.10
19997279.567001.267111.147283.757270.40
20008344.397691.858156.388058.988342.80
20018901.298450.569388.838904.229284.60
20029790.839284.119998.699482.329872.80
20039166.21
10199.88
10920.20
10235.36
10350.00
2004 1090411205.97
10096.49
10192.04
11068.20
2005 1200012311.31
11866.27
11391.22
11879.00
2006 ——13324.71
13168.42
12556.47
12942.70
2007 ——14274.38
14466.72
13663.81
14156.80
表3 几种模型模拟的精确度比较
模型 AAREμ SSE
Logistic 0.041310.0014382409392.97
指数平滑 0.056850.0028344850607.77
自回归模型0.060340.0019393233450.43
BP网络 0.008400.0009511619131.17
其中y[，t]为1990-2005年我国入境旅游实际人数，
为其模拟值。AARE、μ和SSE的值越小，意味着模拟的精确度越高。
由表3可以看出，BP神经网络的相对平均误差为0.00840，泰尔不等系数为0.000951，误差平方和为1619131.17，比上述几种模型模拟的结果都要小得多，这表明，采用BP神经网络算法进行预测的精确度较其他方法高，能为实际工作提供更准确的信息。
四、结论
1.BP神经网络模型是由输入层、隐含层和输出层组成。一旦网络建立后，只需输入相应的神经元，便可得到输出神经元(即入境旅游人数网络输出值)。所以，BP神经网络的最大优点是操作简单，应用广泛，便于监测。
2.基于MATLAB平台，采用BP神经网络方法对20世纪90年代以来我国入境旅游人数进行了模拟和预测。经比较，证明BP神经网络预测方法具有比Logistic、指数平滑和自回归模型等传统人口预测方法更好的效果。这一方法的运用为旅游学的模拟预测研究提供了一种新的思路，为今后旅游业的可持续发展(包括旅游基础设施的建设和旅游产品的开拓)提供了一种更为科学的预测方法，同时，也对旅游管理部门、政府部门有一定的参考与借鉴作用。
3.尽管BP神经网络在入境旅游人数的预测中效果最好，但也不排除偶然因素对其预测趋势的较大影响。如2003年，受SARS的影响，我国入境旅游人口为9166.21万人，但通过网络模拟的结果却达到了10350.0万人，误差达0.129％。