对于旅游景区管理流量预测探讨

1、对于旅游景区管理流量预测讨论对于旅游景区管理流量预测讨论 对于旅游景区管理流量预测讨论对于旅游景区管理流量预测讨论1引言自20世纪50年代以来,世界旅游业开展迅速。蓬勃开展的旅游业给目的地带来经济效益与社会效益的同时,也给旅游风景区的自然生态环境造成了威胁。怎样协调好经济效益、社会效益和生态环境三者的关系,是我们亟待解决的问题。许多旅游景点的游客量呈现持续增长的趋势,但这种增长并不是一条直线,往往表现为在旺季人满为患,在淡季却门庭冷落。游客数量在时间上的不平衡波动给景区管理带来很大挑战。要实现风景区科学规划与永续利用,需要把握游客的时空变化规律,准确预测游客数量。其中短期游客量的预测是景区进展

2、资源科学管理与合理调度的根本根据,对此进展深化研究有重要的现实意义。2问题提出与解决框架 2.2问题提出国内外学者对旅游景区容量及游客量预测问题的研究始于20世纪60年代,几十年的开展获得了丰富的成果,如Law(1999)利用神经网络模型预测游客需求,Mello(2001)使用向量自回归方法预测英国旅游者的长期旅游需求及目的地份额,Stucka(2002)使用了计量经济学中普通最小二乘法(OLS)与相似非相关模型(SUR)来预测克罗地亚的旅游需求。国内学者的研究成果也比较丰富,如楚方林研究发现非季节性自回归挪动平均结合模型能获得较优的预测结果(ChuFonglin,1998),王朝宏使用模糊时

3、间序列与混合灰色理论预测到台湾的美国和香港游客的旅游需求(WangChao-Hung,2004),曾忠禄、郑勇(2009)使用计量经济学模型预测了内地赴澳门的游客量,雷可为、陈瑛(2007)应用了BP神经网络和ARIMA组合模型预测中国入境游客量,颜磊等(2009)提出了小波分析法并用此方法分析了九寨沟景区游客旅游时间流的特征,胡小猛等(2006)通过研究得出三个主要阻碍上海居民去崇明岛旅游的障碍因素,得出了游客量与潜在游客规模及各类阻碍相关的预测模型。这些方法大多以预测某地游客量的开展趋势以及分析影响这些地区游客量的因素为主。虽然国内外学者对年际游客量的预测形成了丰富的成果,但是对日游客量的

4、预测问题鲜有研究。随着游客的旅游方式的变化,影响一个地区游客量的因素已经不仅仅是由旅游的季节性因子和景区根底条件所决定,各种社会因素、自然突发状况也会对一个景区的游客量产生重要影响(吴耀宇,黄震方,2010)。本文研究日游客量的预测问题正是基于对上述变化的考虑。考虑季节与季节之间的2.3解决框架本研究通过实地调查和数据采集获得研究数据。采用逐步回归法对日游客量预测建立回归模型,再利用BP神经网络对回归模型计算出的预测结果进展误差的修正,最后将修正出来的结果作为最终预测的日游客量。图1为本文的研究途径。3实证研究 3.2BP神经网络修正理论已证明,三层BP网络可以以任意精度逼近任何连续函数(张兴

5、会,等,2004)。以多元回归模型的预测误差作为输入的学习样本,在神经网络中经过不断修正可以得到更好的预测结果。BP神经网络可以从大量的离散实验数据中,经过学习训练,提取其领域知识,并将知识表示为网络连接权值的大小与分布,建立起反映实际过程内在规律的系统模型。BP网络可以包含不同的隐层,理论上已经证明,在不限制隐层节点数的情况下,只有一个隐层的BP网络可以实现任意非线性映射。在形式样本相对较多的情况下,较多的隐层节点,可以实现形式样本空间的超平面划分,因此本文使用具有单隐层的BP网络来实现对多元线性回归模型的修正(陈如云,2007)。图2为BP神经网络原理示意图,其中Wij是输入层到隐层的权重

6、,Wjl是隐单元层到输出层的权重。3.2.1训练样本归一化原始样本中数据为预测游客量的误差均大于1,而BP神经网络所处理的是数值在-1,1区间的数据,因此这些样本数据在研究中都需要将它们转化为区间之间的数据。本文对样本数据采用的归一化公式如下:式中I为原始误差输入数据,I为归一化后的输入数据,g为原始样本期望目的数据即实际游客量,g为归一化后的期望目的数据。 3.3模型验证 3.3.2BP神经网络部分要预测某天的游客数量误差,应该将回归模型预测的前五日实际误差作为神经网络输入,经过神经网络的运算之后得到输出为当日游客量预测误差,将此输出的预测误差与回归模型的当日游客量值进展相加或相减,得到最终

7、游客量预测值。图4是经过BP神经网络修正前后的两个日游客量预测值的比照图,其中,y为多元回归预测值,Y为BP神经网络修正值,横坐标为日期的序列值,纵坐标为游客数。由图4可以看到经过BP神经网络修正前后的游客数变化趋势是根本一致的,只是在游客数的多少上存在差异。以下图5为经多元回归模型预测,BP神经网络修正后的最终预测到达人数(Y)与九寨沟实际到达人数(g)比照图,横坐标为日期的序列值,纵坐标为游客数。从多元回归模型的预测到BP神经网络的修正,预测值与实际值的变化趋势是根本一致的,从图2与图5的比照可以看出:九寨沟游客每年实际到达人数呈现出多峰性;实际到达人数与预测到达人数所呈现出的峰值是根本一

8、致的;二者的比照图显示二者在数量上的预测也根本准确。而且经BP神经网络修正后,游客到达预测值与游客实际到达值之间更为接近,通过计算,可以得到神经网络模型对预测值修正后误差显着变小,经计算得修正预测值与实际值的平均误差率为2.05%。其中误差在1%以内的占总预测量的33.5%。误差在2%以内的占65.9%,误差在10%以上的占0.6%。分析有如下几个可能产生误差的原因:(1)由于回归模型选择的影响因子而造成的预测误差。影响一个地区游客量的因素众多,并不能全部被挑选出来,因此影响因子的选择是造成误差的一个最主要原因。(2)自然突发状况。由于自然突发状况存在突发性和偶然性,事先很难准确预测,也是一个

9、误差来源。(3)除法定假日以外的周末。由于周末多是九寨沟周边城镇的游客去旅游,而去九寨沟所花的时间可能较多,因此周末可能不是一周当中游客最多的时候,但是周末会对游客量有一定影响。(4)单位组织旅游。如今许多单位都会选择一个相对于自身适宜的时间组织员工集体旅游。(5)地震的残留影响。4结论与展望国内外学者对游客量预测问题的研究始于20世纪中叶,经过半个多世纪的开展,形成了诸如ARIMA模型、神经网络模型等重要预测模型,但是这些模型主要预测后几年的游客规模趋势,涉及的是年际间的游客量。本文是以日为单位来预测九寨沟景区的游客量。一个景区游客量的大小固然会受到季节的重要影响,但是随着社会的开展,社会因素对游客量的影响越来越大,因此本文以此为根据