| 标题 | 灰色神经网络在云南省旅游收入中的预测研究 |
| 范文 | 夏杰 摘要： 随着生活水平的不断提高，旅游业迎来了蓬勃的发展，其中国内旅游收入是衡量旅游业发展的重要依据。为了正确预测旅游收入，本文以灰色神经网络模型预测值与真实值的误差平方和最小为原则确定GM（1，1）灰色模型与BP神经网络的组合权重建立灰色神经网络模型，以讨论云南省旅游收入预测问题。选取1997-2011年云南省旅游收入实际数据为建模数据，以2012-2016年的实际数据为检验数据，对比分析GM（1，1）、BP神经网络和灰色神经网络的预测精度。其结果表明：灰色神经网络的预测精度最高，其预测误差均方差为0.24，小于GM（1，1）和BP神经网络预测误差的均方差。因此，基于灰色神经网络的组合预测模型具有较高的预测精度。 Abstract： With the continuous improvement of living standards， tourism ushers in the opportunity to flourish where domestic tourism income is an important measure of tourism development. In order to forecast the domestic tourism revenue correctly， a gray neural network model for Yunnan province is established employing the combination weights of GM （1，1） modle and BP Neural network which are determined by the minimal the square sum of the error of prediction. Selecting the actual data of tourism income of Yunnan Province in 1997-2011 year as the built samples， and the data 2012-2016 as testing samples， we study the prediction accuracy of GM （1，1）， BP neural Network and grey neural network. The results show that the grey Neural network has the highest prediction accuracy with the mean square error is 0.72， which is less than the GM （1，1） and BP neural networks prediction error variance. Therefore， the grey neural network has a high prediction precision which can be used for forecasting the tourism income. 關键词： GM（1，1）灰色模型；BP神经网络；灰色神经网络；组合权重；旅游收入 Key words： GM （1，1） grey modle；BP neural network；grey neural network；combination weights；tourism income 中图分类号：F592.7 文献标识码：A 文章编号：1006-4311（2018）21-0104-05 0 引言 云南省位于我国东南边境，是我国“边缘文化”的典型省份，以其自身的地理、文化条件成为旅游文化大省，旅游产业在云南省经济发展中占据着有力地位，不断带动经济发展[1，2]。国际旅游收入已成为云南省外汇收入的一个重要来源，对旅游产业的发展起到了推波助澜的作用。然而，如何正确地对旅游收入进行预测成为经济发展中棘手的问题。因此，准确而有效的对旅游收入进行预测，对云南省旅游规划的制定，旅游市场的开拓，旅游产品的开发具有十分重要的理论依据。 优化预测模型对区域经济的发展具有深远的意义，受到各位学者的广泛关注，同时也取得了一定的成果。旅游收入预测常用的方法主要包括多元线性回归[3]、灰色系统预测模型[4]、BP神经网络模型[5]、时间序列预测模型[6]等。其中，文献[7]引入网络搜索数据对海南省旅游收入进行预测；文献[8]基于灰色系统理论，构建了旅游客源预测的灰色模型，并与常用的线性模型的预测精度进行了比较；文献[9]基于BP神经网络建立了云南旅游需求的BP神经网络模型，并对云南旅游外汇收入和入境游客数进行预测和分析。文献[10]根据一定的统计数据对四川省旅游的国际客源市场及其外汇收入进行分析和预测。上述探索和模型在旅游外汇收入都取得了一定的预测效果，但预测精度需进一步提高。 本文采用灰色系统与BP神经网络相结合的方法对云南省旅游收入进行预测。通过GM（1，1）预测模型和BP神经网络模型得出旅游收入的预测初值，以模型预测误差平方和最小确定组合权重，从而建立灰色神经网络模型。最后，计算3个模型的预测误差均方值，比较3种模型的预测精度。 1 研究方法 1.1 GM（1，1）预测模型 1982年，邓聚龙教授首次提出了灰色理论（Grey system）[11]，该理论对原始数作累加生成后进行建模。灰色系统理论不需要很多的数据，一般只需要4个数据就能解决历史数据少、序列的完整性和可靠性低的问题，为此该理论被广泛应用于各个领域。旅游（外汇）收入既有已知的信息，也有未确定的信息，可看做一个灰色系统，建立灰色理论模型对旅游收入进行预测是可行的。灰色GM（1，1）模型[12]如下： 1.2 BP神经网络模型 1985年，美国加州大学的鲁梅尔哈特和麦克莱兰等人提出BP神经网络[13]，神经网络已广泛应用于各个领域。人工神经网络是一种人工智能算法，由大量的神经元连接成网络结构。从结构上看，该模型具有输入层，隐含层和输出层。该网络广泛应用于图像处理、模式识别、语言处理、预测分析等领域。 1.2.1 神经元模型 一个基本的BP神经元，具有R个输入，每个输入都通过一个对应的权值w和下一层相连，网络输出可表示为： 1.3 组合灰色神经网络模型 由于灰色预测模型只适用于中短期的预测，并且只适合于指数增长的预测。人工神经网络需要训练样本大，且学习时间过长，甚至达不到学习的目的。组合预测模型[14]综合考虑各项单项预测模型的预测结果，用恰当的组合权重对其进行加权平均得到组合预测模型。组合预测模型的关键环节是合理的确定组合权系数。目前，研究学者主要以绝对误差或相对误差作为导出组合权系数的优化准则[15]。本文采用的灰色神经网络模型，将灰色模型和人工神经网络通过以加权的方式优化组合，从而使2种预测方法优势互补，提高预测的精确度，其结构图如图1。 2 云南省国际旅游收入预测分析 2.1 云南省旅游经济现状 旅游经济发展的生存和发展的前提条件主要来源于旅游客源市场，大量的旅游客源市场保证了旅游业长期发展。云南省以其总量大、类型全、品味高和垄断性强的旅游资源，吸引着国内外大量的游客[16]。自2017年11月以来，全省共实现旅游外汇收入合计31.4亿美元，同比增长22.0%；实现国内旅游收入5647.4亿元，同比增长38.1%；全省共实现旅游业总收入5856.7亿元，同比增长37.4%。因此，旅游业收入影响旅游经济的快速发展。 为了对云南省国际旅游收入进行分析，本文从2016年《云南统计年鉴》[17]和中国统计局（http：//data.stats.gov.cn/）收集了云南省1997-2016年的国际旅游（外汇）收入，并以旅游收入的基础数据资料（见表1）为研究样本。 2.2 GM（1，1）预测模型 2.3 BP神经网络预测模型 本文以1997-2011年共15年的数据为训练样本，并以其为输入数据，根据人工神经网络的算法原理，在MATLAB中实现2012-2016年的云南省国际旅游外汇收入预测。神经网络采用三层网络结构，经多次训练后发现，18层隐含层节点的网络拟合效果最好，因此网络的拓扑结构为1×18×1。在训练过程中，输入层与输出层之间的传递函数选取tansig（双曲正切S型函数），选取trainlm为训练函数。网络训练的最大次数设为10000，训练误差为0.001，学习效率设为0.01。此外，通过对比2012-2016年人工神经网络与真实值，两者吻合度较高，其拟合系数见图2。 2.4 灰色神经网络模型 2.5 模型精度比较 为了清晰地展示各个模型预测结果与真实值的误差，分别对3个模型求均方差，并对不同模型的预测效果进行绘图，如图3、图4所示。由表2可得，灰色GM（1，1）预测模型、BP神经网络模型、灰色神经网络模型的预测结果与实际值的误差都在10%以内，其误差的方差分别为0.72，0.33，0.25。然而，其误差的均方差灰色预测模型>BP神经网络模型>灰色神经网络模型，其中灰色神经网络的模型均方差最小，其值为0.24。 3 结论 本文结合GM（1，1）预测模型和BP神经网络模型，建立了灰色神經网络模型，并以云南省为例进行了旅游（外汇）收入预测分析。其结果表明： 1）鉴于旅游收入具有不确定性和非线性性的特点，建立了灰色GM（1，1）预测模型和BP神经网络模型，并以前15年的基础数据作为训练样本，后5年的为检验样本，经计算预测值与真实值的误差均在20%以内，表明建立的模型是有效可行的。 2）利用灰色GM（1，1）预测模型和BP神经网络，根据预测值与真实值的误差平方和最小原理求取组合权重从而建立灰色神经网络模型，通过MATLAB编程求得该模型的预测值，分析表明，其预测值与真实际值基本吻合。 3）以云南省为例分别利用GM（1，1）、BP神经网络和灰色神经网络对旅游（外汇）收入进行预测，其预测误差的均方差分别为：0.72，0.33和0.24，可以看出灰色神经网络对旅游收入预测的精度最高。灰色神经网络模型具有更好的预测效果，能够弥补单一模型的不足，适合对旅游收入预测。 参考文献： [1]曹尚上.云南省旅游经济促进区域经济发展的分析[J].中国商贸，2011，15（05）：144-145. [2]赵家锡.浅谈昆明市西山区开发苗木基地和生态旅游[J].内蒙古林业调查设计，2014，37（3）：130-132. [3]钟丽燕.基于多元线性回归分析的国内旅游收入预测[J].现代商业，2017，5（15）：44-45. [4]韩彦林.基于灰色理论的国内旅游收入预测——以江苏省为例[J].科技信息，2012，20（24）：229 [5]章杰宽，朱普选.动态粒子群算法优化灰色神经网络的旅游需求预测模型研究[J].管理评论，2013，25（3）：60-66. [6]张华初.中国国际旅游收入的时间序列模型[J].经济评论，2007，2（2）：140-145. [7]张斌儒，黄先开，刘树林.基于网络搜索数据的旅游收入预测——以海南省为例[J].经济问题探索，2015，8（8）：154-160. [8]朱晓华，杨秀春，蔡运龙.基于灰色系统理论的旅游客源预测模型——以中国入境旅游客源为例[J].经济地理，2005，25（2）：232-235. [9]陈俊，陈兆雄，幸林，等.基于BP神经网络的云南国际旅游需求预测[J].昆明学院学报， 2005，27（4）：89-91. [10]许虹.四川省旅游经济分析与预测[J].经济地理，2000，20（6）：121-124. [11]邓聚龙.灰色系统基本方法[M].湖北武汉：华中工学院出版社，1987：96-108. [12]王道林.灰色理论在黄金周旅游人数及旅游收入预测中的应用[J].泰山学院学报，2004，26（6）：6-9. [13]李柏年，吴礼斌.MATLAB数据分析方法[M].北京：机械工业出版社，2012：170-172. [14]唐小我.组合预测计算方法研究[J].预测，1991，10（4）：35-39. [15]周素霞，王明智，夏训峰，等.最优组合预测模型在城市生活垃圾清运量中的应用[J].环境科学与技术，2010，33（9）：197-200. [16]毛祥松.云南省旅游经济发展研究[D].吉林大学，2013. [17]云南省统计局.云南统计年鉴（2016）[M].北京：中国统计出版社，2016. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。