基于BP神经网络的旅游人流量预测方法研究开题报告

1、山西大学本科毕业论文（设计）开题报告姓 名学 号所在专业论文（设计）题目基于BP神经网络的旅游人流量预测方法研究选题的目的和意义： 在旅游管理中，科学的旅游市场趋势预测，对旅游规划与经营决策具有重要的意义。兴起于20世纪40年代的人工神经网络，是人工智能的一个分支，它能学习、储存以往的历史经验知识和数据，并能外推未来，这也是神经网络用于预测领域的理论依据。对于非线性时间序列的趋势预测，神经网络与其他数学模型相比，具有高效、高精度的突出特点，是预测领域的一个重要的新兴研究方向，因此，神经网络法在旅游市场预测领域具有较好的应用价值和前景。近年来，涌现出了许多预测效果较好的方法和模型，目前旅游市场趋

2、势预测的主要方法有回归预测法、时间数列预测法、引力预测法等，然而，这些定量研究的数学工具基本上是经典算法，并未涉及处理复杂问题所常用的启发式算法，不适于处理当代旅游市场错综复杂的数据。近年来效果最突出的神经网络法，已逐渐被研究者引入了旅游预测研究，但其研究范围和预测效果还需要进行深入探索，以期突破旅游基础理论，进一步丰富和完善预测的理论和方法。文献综述（国内外研究现状、研究方向、进展情况、存在问题等，并列出所查阅的主要国内外参考文献，要求3000字以上）： 1、国内外研究现状:人工神经网络建模方法（以下均简称“神经网络法”）是一种有效的预测分析方法，它可以较好地揭示非线性时间序列在时延状态空间

3、中的相关性，从而达到预测的目的。神经网络法进入旅游研究后的第一篇用来预测旅游市场的文献是罗伯·洛和欧( Rob Law and Au,1999)的“一个预测日本人去中国香港旅游需求的神经网络模型(A neural network model to forecast Japanese demand for travel to Hong Kong)"，文中将神经网络应用于来中国香港旅游的日本游客旅游需求规模的预测中，实证表明使用神经网络法预测日本游客到香港旅游的人数比多元回归模型、天真模型、移动平均模型与指数平滑模型更好。自此之后，有部分学者陆续将人工神经网络为代表的智能方法引

4、入了旅游市场趋势预测研究领域。 相关的国外代表成果有：洛·罗伯( Low Rob,2000)的研究沿用了神经网络法来预测旅游市场规模，实证结果表明使用向后繁衍神经网络比回归模型，时间序列模型以及向前推进神经网络模型预测准确性更好。博格等( Bur ger et al.,2001）用一系列的时间序列预测模型来预测南非德班的旅游市场趋势，运用了：天真模型、移动平均法、季节调整法、单一指数平滑法、自回归移动平均结合法、多元回归模型、遗传回归模型与神经网络法，结果表明神经网络法的预测效果最好。曹·文森特( Cho Vincent，2003)用三种不同的时间序列方法来预测旅游市场趋势

5、的准确性，这三种方法分别是指数平滑法、单变量自回归移动平均结合法以及神经网络法，并且用均方误根( RMSE)与平均绝对误差百分比( MAPE)进行了检验，最后的结论是在这三种方法中，神经网络法的预测结果是最准确的。敖·斯·艾(Ao S I，2003)利用模糊理论来预测具有不确定性的旅游业。模型混合了计量自回归模型与模糊模型，在传统计量自回归模型的基础上，试图采用非参数的模糊模型来预测旅游市场趋势，因为它们之间的关系是高度非线性的并且是动态的。笔者认为混合回归模糊模型作为一个整体来研究旅游市场，其预测结果是比较准确的。吴·凯里和洛·罗伯( Goh Care

6、y and Law Rob,2003)认为粗集理论可以从原始的混乱的山西大学本科毕业论文（设计）开题报告数据中找到有用的信息并从决定规则的数据中发现知识。他们用中国香港的十大客源国19852000年的数据来检验。结论是粗集理论在用来预测旅游市场规模时的准确率可以达到87.2%。相关的国内代表成果有：王娟、曾昊(2001)探究了神经网络作为一种新型的预测系统在旅游市场研究中的重要性。吴江华等( 2002)尝试用人工神经网络模型的三层BP模型来仿真模拟国际入境旅游需求，并以日本对中国香港的国际旅游市场趋势为例进行模型验证。腾丽等( 2004)利用人工神经网络的科霍宁( Kohonen)网络对中国3

7、9个城市居民的旅游市场分类，并在考虑收入、旅游消费占收入的比例、区域旅游供给强度和交通条件四个因素的基础上对各个类型的城市居民旅游市场特征信息进行了进一步的分析。王朝宏(2004)使用模糊时间序列与混合灰色理论来预测旅游市场规模，实证结果表明模糊时间序列方法最适合预测中国香港到中国台湾的市场趋势，灰色理论比较适合中国香港与美国到中国台湾的旅游市场趋势，而马克沃改进模型最适合德国到中国台湾的旅游市场趋势。也有部分学者将神经网络法与回归分析法、时间序列法、指数预测法等传统预测方法进行了应用对比，如朱晓华和杨秀春(2004)以中国19782001年入境客源为例，定量分析线性回归模型、移动平均预测模型

8、、指数平滑模型以及灰色预测模型的应用及其差异问题。王萍(2004)引人人工神经网络对青岛市的旅游市场发展趋势进行了实证研究和预测。陈俊(2006)使用人工神经网络模型设计了旅游市场趋势预测系统，对云南省旅游的市场发展趋势进行了实证预测分析。陆相林( 2007)利用改进的BP神经网络对我国旅游发展总量（旅游收入和旅游人次数）进行了预测，得出了BP神经网络能够有效预测旅游市场趋势的结论。总的来说，目前已有一些应用神经网络法对旅游市场趋势进行预测分析的研究成果，其中绝大多数成果应用的是BP神经网络技术对旅游人次数、旅游收入两项指标进行了旅游市场趋势预测，取得了比较突出的预测效果。通过众多的实践成果发

9、现，BP神经网络对于那些规律不明显、用统计方法难解决的预测问题（非线性问题）具有独特的优势，效果优于回归模型。 2、研究方向： 本研究涉及到人工神经网络中的BP算法，同时还包含有文献综述，案例研究，定性分析，定量分析等： （1）人工神经网络BP算法人工神经网络( Artificial Neural Network，ANN)。正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系

10、实现的系统。人工神经网络技术可用于预测与管理、控制与优化等众多领域，对于旅游市场趋势预测同样具有较高的实用性。在人工神经网络研究中提出了很多模型，它们之间的差异主要表现在研究途径、网络结构、运行方式、学习算法及其应用上。目前应用于预测研究最多，应用最广的多层前馈网络的反向传播学习算法，简称BP算法。 BP算法的主要设计思想是，将输入信号通过隐层和输出层节点的处理计算得到的网络实际输出进一步与期望输出相比较，并计算实际输出与期望输出的误差，将误差作为修改权值的依据反向传播至输入层，再修正各层的权系数，并且反复这一过程，直到实际输出与期望输出的误差达到预先设定的误差收敛标准，从而获得最终的网络权值

11、。（2）文献综述通过收集和分析现存的各类相关文献资料，总结和分析了各种旅游市场趋势预测方法，为后面的研究收集了各类统计数据。（3）案例研究山西大学本科毕业论文（设计）开题报告 将山西省国内旅游市场需求作为研究案例，运用神经网络对山西省国内旅游人次数、国内旅游收入等指标进行了分析预测，对神经网络应用于旅游市场趋势预测研究进行了检验和发展。（4）定性分析在研究中，主要包括对相关概念“界定”，各种旅游市场趋势预测方法的“属性认定”、“类比归并”和“价值判断”等基本方面，找到事物中比较稳定的联系。定性分析的结果一般可以作为旅游管理决策的参考信息，但不能作为决策的依据。（5）定量分析本研究侧重从数量方面

12、去研究旅游市场趋势的预测方法。一般来讲，定量研究能够通过对旅游市场历史统计数据所获得更具代表性的大样本的访问和分析，得到具有统计意义的预测结论。3、进展情况：国内外对旅游市场趋势预测方法的研究无论是对基础理论的探讨，还是对具体案例的分析与应用，都已经日趋成熟。大量的研究使用了定量分析法，预测模型的研究和使用都越来越广泛。从研究方法来看：目前常用的传统预测模型方法有很多种，主要有时间序列法、回归分析法、指数预测法等。国外在对旅游市场趋势的分析过程中偏重于定量研究方法的使用和探索，同时注重定量与定性方法相结合，所运用的预测方法正由单一化逐渐向综合化方向发展；国内前期偏重旅游市场趋势的定性研究，近年

13、来也已开始注重定量分析，主观的、经验性的研究正逐渐减少。近年来，应用人工神经网络等人工智能方法与技术于旅游市场趋势研究的成果越来越多，预测的效果和精确性也在逐步提高，同时，在相关预测领域也呈现出了将传统的预测方法与神经网络法相结合的研究趋势。从研究结果来看：国内主要是通过运用传统预测方法或现代神经网络方法中的一种或几种方法，对某一具体的旅游客源市场或旅游目的地市场的趋势预测作相关的实证分析，以给旅游目的地政策制定者、旅游投资企业提供一些参考价值，研究结论大多不具备普遍指导意义，并且目前国内对旅游市场趋势的预测仅限于旅游管理部门和旅游规划部门，由于应用的局限性和定量研究的难度，因此相关研究文章不

14、多，并未引起学术界和旅游界人士的更多关注。而国外对旅游市场趋势预测的研究则更为深入和广泛，注重结合运用先进的、智能的现代预测方法和技术以提高研究结果的科学性，增强研究结果的应用价值。从研究结果的准确性来看：一般说来，要根据研究的具体情况和需要要来决定使用哪种预测模型。如果自变量的值是已知的或是能够准确估汁的，那么神经网络法的预测结果最准确；当自变量受政策影响需要估计时，回归模型法会更有用；如果自变量不能够得到，时间序列模型法预测效果最好。虽然这些方法在各种场合得到了广泛的应用，但也存在一些不足：模型法大多只能应用于线性预测，对于非线性预测则有一定局限性；难以应用于多因素影响下的预测研究；模型的

15、建立依赖于预测人员对具体问题的了解程度和预测经验积累程度。而对于旅游市场趋势预测方法的最优模型目前尚无统一定论。 总的来说，为使研究结果更为精确，旅游市场趋势研究所运用的预测方法正由单一化逐渐向综合化方向发展，由传统方法向以现代人工智能方法的方向发展。本书正是基于人工神经网络方法的基础上，探索更精准、更适用于旅游市场趋势预测现实状况的预测方法。4、 存在问题： 虽然BP神经网络得到了广泛的使用，但它也存在自身的限制与不足，主要表现在它的训练过程的不确定上。具体说明如下： (1)需要较长的训练时间：对于一些复杂的问题，BP算法可能要进行几小时甚至更长时间的训练。山西大学本科毕业论文（设计）开题报

16、告 这主要是由于学习速率太小所造成的。可采用变化的学习速率或自适应的学习速率来加以改进。 (2)完全不能训练：这主要表现在网络出现的麻痹现象上。在网络的训练过程中，如其权值调得过大，可能使得所有的或大部分神经元的加权总和n偏大，这使得激活函数的输入工作在S型转移函数的饱和区，从而导致其导数f'(n)非常小，使得对网络权值的调节过程几乎停顿下来。通常为避免这种现象的发生，一是选取较小的初始权值，二是采用较小的学习速率，但这又增加了训练时间。 (3)局部极小值：BP算法可以使网络权值收敛到一个解，但它并不能保证所求结果为误差超平面的全局最小解，很可能是一个局部极小解。这是因为BP算法采用的

17、是梯度下降法，训练是从某一起始点沿误差函数的斜面逐渐达到误差的最小值。对于复杂的网络，其误差函数为多维空间的曲面，就像一个碗，其碗底是最小值点。但是这个碗的表面是凸凹不平的，因而在其训练过程中，可能陷入某一小谷区，而这一小谷区产生的是一个局部极小值，由此点向各方向变化均使误差增加，以致使训练无法跳出这一局部极小值。 如果对训练结果不满意的话，通常可采用多层网络和较多的神经元，有可能得到更好的结果。然而，增加神经元和层数，也同时增加了网络的复杂性以及训练的时间，在一定的情况下可能是不明智的。可代替的办法是选用几组不同的初始条件对网络进行训练以从中挑选它们的最好结果。 5、主要国内外参考文献： (

18、1) Rob Law. A neural network model to forecast Japanese demand for travel to Hong Kong J. Tourism Management, 1999, 20: 89 -97. (2) Low Rob. Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting J. Tourism Management, 2000, 21 : 331 -340. (3) Burger C

19、JSC, Dohnal M, Kathrada M, Law R.A practitioners guide to time-series methods for tourism demand forecasting:a case study of Durban, South Africa J.Tourism Management, 2001, 22: 403 -409. (4) Cho Vincent.A comparison of three different approaches to tou1sm arrival forecastingJ.Tourism Management, 20

20、03,24, 323 -330. (5) Ao S I. Using Fuzzy Rules for Prediction in Tourist Industry with UncertaintyJ.Computer Society, 2003. (6) Goh Carey, Law Rob.Incorporating the rough sets theory into travel demand analysisJ. Tourism Management, 2003,24:511517. (7) 王娟，曾昊，人工神经网络：一种新的旅游市场需求预测系统J旅游科学，2001，(4)：24-27

21、. (8) 吴江华，葛兆帅，杨达源，基于人工神经网络的国际入境旅游需求的定量分析与预测以日本对香港的国际旅游需求分析为例J旅游学刊，2002, 17 (3)：55 -59. (9) 滕丽，王铮，蔡砥中国城市居民旅游需求差异分析J旅游学刊，20 04，19 (4)：9-13. (10) Wang Chao Hung.Predicting tourism demand using fuzzy time series and hybrid grey theoryJ. Tourism Management, 2004,25:367 - 374. (11) 朱晓华，杨秀春，旅游客源预测模型及其对比J地理与地理信息科学，2004,20(5)：84-86 (12)王萍基于人工神经网络的旅游趋势预测理论与实证研究以青岛市为例D兰州：西北师范大学，2004 (13) 陈俊基于人工神经网络的旅游趋势预测D昆明：昆明理工大学'2006 (14) 陆相林BP神经网络在中国旅游发展总量预测中的应用J北京教育学院学报（自然科学版），2007，2(1)：8-11山西大学本科毕业论文（设计）开题报告主要研究内容： 主要基于人工