BP神经网络在福州国家森林公园旅游人数预测中的应用研究

合集下载

BP神经网络预警在旅游安全预警信息系统中的应用

摘要：Ｂ神经网络预警技术应用于旅游安全预警信息系统的开发实践，究建立了一个基于Ｂ神经网络的旅游安全预警将Ｐ研Ｐ
模型该模型有４个子系统构成，即预警知识提取子系统、预警信息库、报警系统和人机互动设备，分析总结了包含旅游地灾害频度、出游设施安全度和旅游地区域安全度三大类１个子因子为内容的旅游安全预警影响因素。在旅游安全预警的影响因素和安Ｏ
ｗａｉｇｉｆｅｃａｔｒａｄｔｅｓｆａｌａｎｎｄａａｙｅｈｎｕｎｅｆｃｒｄｄｆｒｎｉｔｄｌｂｕａｅｅｕｉａｌａｎｎ．ｒｎｎｕｎｅｆｃｏｈａｅｅｒｗｒｉｇａｌｚｄｔｅｉｆｅｃａｔｓａｉｅｔｅｍｏｅｏｔｔｖｌｓｃｒｙｅｒｗｒｉｇｎｌｎｙｎｎｌｏｎｅａａｒｔｙＢｓｄＯｌｔｔｓｉｓａｅａｒｄｏｘｅｉｎａｄｓｎｅｌｙｄｉａｅｓｃｒｙｐｗｍｉｇｍｏｅ．ｔｒｓｌｒｖａｅｓｍｏｅａｅｉｉｈｅｒｈｃｒｅｎａｅｐｒ，ｉ￣ｉｎｍｅｔｅｉｍｐｏｅｔｖｌｅｕｉｒａｎｄ１Ｉｅｕｔｅｅｌｄｔｄｌ印ｐｉａｉ＇ｌｇｎｒｔｅｓｉｈｌｔｎｅ－ｅｏｌｆｃｅｇｏｅｔＯｂｏｄ．ｔ
全预警的报警判别模式的基础上，了旅游安全预警应用的实验设计。实验结果显示，进行该模型应用效果良好。
关键词：神经网络；预警；旅游安全预警信息系统；应用中图分类号：９４４Ｆ９、Ｘ２．；５ｏ１文献标志码：Ａ文章编号：０５１１２０）２—００ —０１０ —８４（０７０１８４

基于BP神经网络的旅游需求预测研究

ｏｎｔｈｅｂａｓｉＳｏｆａｓｉｍｐｌｅａｎａｌｙｓｉｓｔｏａｄｏｍｅｓｔｉｃｒｅｇｉｏｎｉｎ２００３— ２０１２，１０ｙｅａｒｓｉｎｔｈｅａｒｅａｏｆｔｏｕｒｉｓｍｄｅｍａｎｄｄａｔａ，ｕｓｉｎｇＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｙｔｏｔｈｅｒｅｇｉｏｎｉｎ２０１３ａｎｄ２０１４ｔｏｆｏｒｅｃａｓｔｄｅｍａｎｄｆｏｒｔｒａｖｅ１．Ｋｅｙｗｏｒｄｓ：ｔｏｕｒｉｓｍ；ｄｅｍａｎｄｆｏｒｅｃａｓｔｉｎｇ：ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ
而且当人均可支配收入越高，那么行旅游需求预测。但是，由于受到不可预知因素的影响，这种传统是影响旅游需求的主要因素，的数学模型需求预测误差较大，难以获得有效的预测结果。神经对旅游产品的需求量也会越多。网络是一种具有容错、自组织、自学习、并行处理等能力的信息处理系统，因此在旅游需求预测方面具有较好的效果。
ｑｕａｌｉｔｙｏｆｔｏｕｒｉｓｍｓｅｒｖｉｃｅｓｍｏｓｔｍａｊｏｒｔｏｕｒｉｓｍｄｅｍａｎｄｆａｃｔｏｒｓ．Ｂａｓｅｄｏｎｔｈｅｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｏｕｒｉｓｍｄｅｍａｎｄ

基于 BP 神经网络的福州市人口预测模型

杭州师范大学学报(自然科学版)第8 卷第1 期Vol . 8 No . 1 2009 年1 月J o u rnal of Hangzho u No r mal Univer s ity (Natural Science Edition)J a n. 2009文章编号:1674 - 232 X(2009) 01 - 0066 - 04基于BP 神经网络的福州市人口预测模型胡喜生1 ,2 ,洪伟2 ,吴承祯2( 1.福建农林大学交通学院,福建福州350002 ;2 .福建农林大学城乡规划研究中心,福建福州350002)摘要: 根据福州市区1981 - 2004 年的人口统计数据,应用B P2M SM 算法,建立福州市区B P 神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic 人口预测模型的预测结果进行比较,结果表明B P神经网络对人口数量的预测精度更高,效果更好.关键词: 福州市;神经网络;人口预测模型;B P2M S M 算法中图分类号: TU981 文献标志码: A城市规模是土地利用总体规划与城市总体规划协调与衔接的重点. 城市规模主要包括人口规模和用地规模,而人口规模又是两者中起决定作用的,相应地,人口规模预测协调就是重中之重[ 1 ] . 人口预测可为城市的经济预测、产业发展定位、各项生态专项规划和制定决策提供重要的参考依据[ 2 ] . 其方法很多,有人口自然增长法、劳动平衡法、职工带眷系数法、GM ( 1 ,1) 灰色模型法、移动平均数法、指数平滑法、一元线性回归法、马尔萨斯人口模型、宋健人口预测模型、Lo gi stic 模型[ 324 ] 和B P 神经网络模型[ 5 ] 等. 在实际应用中根据收集到的时间序列数据进行模型拟合,方法简单、便于操作,但由于影响人口增长的因素众多,相互作用复杂,因此它是十分复杂的非线性系统. 神经网络为寻找这种规律提供了有效的方法,它具有高度的自学习能力,能以任意精度逼近任意非线性函数,因此比较适合于一些复杂问题的建模[ 5 ] . 在此运用B P 神经网络模型对福州市区人口增长进行预测,从而为该区域城市规划和土地规划提供科学依据.1 数据来源与方法1 .1 数据来源1949 - 2004 年度福州市区历年年末总人口(户籍) (表1) ,来源于福州统计局[ 6 ] .表1 福州市区人口统计数据T a b le 1 Found ation d ata of population in Fuzhou city (人)年份1981 1982 1983 1984 1985 1986 1987 1988 实际人口 1 098 073 1 121 918 1 141 969 1 164 695 1 189 531 1 205 040 1 236 560 1 251 288 理论人口 1 117 594 1 121 116 1 136 086 1 152 992 1 171 308 1 192 617 1 218 153 1 247 387误差率/ % 1 . 778 - 0 . 071 - 0 . 515 - 1 . 005 - 1 . 532 - 1 . 031 - 1 . 489 - 0 . 312 年份1989 1990 1991 1992 1993 1994 1995 1996 实际人口 1 269 077 1 292 353 1 307 911 1 321 372 1 338 007 1 354 793 1 375 207 1 396 598 理论人口 1 278 206 1 307 793 1 332 977 1 351 468 1 362 211 1 366 261 1 367 494 1 371 721误差率/ % 0 . 719 1 . 195 1 . 916 2 . 278 1 . 809 0 . 847 - 0 . 561 - 1 . 781收稿日期:2008206209基金项目:福建省科技项目计划( 2008J 0239) ;福建农林大学青年教师基金( 06B13) .作者简介:胡喜生( 1979 —) ,男,福建莆田人,讲师,硕士,主要从事城市生态与环境保护教学研究.( n+1) 第 1 期胡喜生 ,等 :基于 B P 神经网络的福州市人口预测模型 67年份 1997 1998 1999 2000 2001 2002 2003 2004 实际人口 1 416 842 1 436 878 1 453 997 1 484 931 1 537 685 1 576 479 1 662 411 1 708 505 理论人口 1 385 457 1 412 754 1 454 140 1 505 741 1 560 158 1 611 054 1 653 849 1 686 958 误差率/ % - 2 . 215 - 1 . 679 0 . 010 1 . 401 1 . 462 2 . 193 - 0 . 515 - 1 . 261 注 :实际人口为福州市区历年年末户籍总人口 ,理论人口为应用 B P 预测模型预测的人口 .1 .2 B P 神经网络人工神经网络 ( A N N ) 是 20 世纪 80 年代中期迅速兴起的一门非线性科学 ,具有记忆、联想、自适应、自组织、容错性等一系列优点 . 神经网络理论中的 Kol m o gro v 定理[ 7 ] 表明 :具有 n 个输入神经元、2 n + 1 个隐含层神经元和 m 个输出神经元的三层 B P 神经网络可以任意精度逼近任何紧致子集上的连续函数 F : I n →R m. 这就从数学上保证了 A N N 用于福建省耕地预测等领域建模中的可行性 . 在实际应用中最广泛的人工神经网络模型是用前馈反向传播模型 . 反向传播算法 (B P 算法) 是一种误差反向传播的自动学习过程. B P 网络常包含输入层、隐含层和输出层 ,节点的激活函数为逻辑函数 (简称 S 函数) . B P 算法的学习方法是 :首先设定网络的初始状态 ,对样本输入作前向计算 ,然后对网络实际输出值与理论值间误差进行判别 ,如果该误差小于给定值 ,学习结束 ;否则 ,将误差反向传播 ,调整连接权值和阈值 ,直到这种迭代过程收敛 . 尽管应用背景不一 ,收敛效果不一 ,但必将存在一个收敛点 . 反向调整连接权值 W ij 和阈值θj 修正量的第 n + 1 次迭代算式为 :ij = ηδj X i +αΔW ij , Δθj = ηδj +αΔθj . ( n ) ( n+1) ( n )当 j 为输出层节点时 ,δj = O j ( 1 - O j ) ( Y j - O j ) ; 当 j 为隐含层节点时 ,δj = X j ( 1 - X j ) ∑δm W ij . 其中 O j 和 Y j 分别为节点 j 的实际输出和理论输出 ; m 取 j 节点所在之上一层的所有节点 ; X j 是节点 j 的输入 ;η为学习率 , 0 <η< 1 ;α为冲量因子 , 0 <α< 1 .1 . 3 用于优化 B P 网络参数改进单纯形法本研究应用改进单纯形法 ( M SM ,Mo difie d Si mp le Met ho d ) 训练优化 B P 网络参数 ,称为 B P 2M SM 混合算法[ 8 ] .2 实例分析 ———福州市区人口预测模型2 . 1 福州市区人口 B P 预测模型的建立2 . 1 . 1 样本数据预处理就福州市区 1981 - 2004 年的人口数据进行实证分析和检验 ,其中 1981 - 2000 年人口数作为预测数据 ,2001 - 2004 年人口数为检验数据. 以时间 1981 年为 1 ,1982 年为 2 ,以此类推 ,作为 x ,以福州市区历年人口为 y ,利用 B P 人工神经网络建立福州市区人口预测模型 . 由于历年人口数据是一维时间序列 ,但 B P 神经网络要求用多组样本输入来训练网络 ,而且输入数据范围一般在 [ 0 ,1 ] ,因此将对网络输入、输出变量做如下归一化处理 :S i - ( S m in - δ) E i = ( S max +δ) - S , min其中 S ma x 、S min 为样本序列中最大值和最小值 ,δ为一小量 ,以保证变换后的 E i 序列最大值略小于 1 和最小值略大于 0 .2 . 1 . 2 B P 网络结构的确定神经网络理论 K olmogorov 定理已经证明 ,经充分学习的三层 B P 网络可以逼近任何函数 ,因此该文选择三层网络. 根据 B P 网络算法的映射原理 ,对样本集合输入量 x 和输出量 y ,可以假定其存在一映射 F :y i = F ( X ) = F i ( x ) , i = 1 , 2 , ⋯, 20 .为了寻求 F 的最佳映射,B P 网络模型将样本集合的输入、输出转化为非线性优化,通过对简单非线性函数的复合,建立一个高度的非线性映射关系,实现 F 值的最优逼近. 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,会造成网络学习次数较大. 经过反复试验,最终确定为1 个输入节点,且输出层68 杭州师范大学学报(自然科学版) 2009 年节点数为1 .对于福州市区人口预测模型模拟,时间为输入层,包含1 个节点,记为( x) ;福州市区历年户籍人口( y) 为输出层,含1 个节点,记为y ;隐含层为1 层,节点数设置为5 ,构建三层前馈反向传播神经网络模型.2 . 1 .3 B P 网络学习算法的确定如前所述,基本的B P 算法存在一定局限,故文章在B P 算法训练网络中出现收敛速度缓慢时启用改进单纯形法( M SM ,Mo dified Si mp le Met ho d) 来优化此时的网络参数,实现全局优化以改善B P 算法的局部最小问题.2 . 1 . 4 B P 预测模型模拟实现应用QB A SIC 自编的B P2M SM 程序,以福州市区1981 - 2000 年户籍人口为学习样本,在学习过程中,经不断调试,学习速率η取0 .65 、动量因子β取0 . 45 ,网络中权值和阈值的初值取[- 0 . 3 ,0 . 3 ] 之间的32随机数时,收敛速度快、时间短.以H = ∑( y i- ^y i ) 2 考核网络学习情况,并不断使H 趋于最小.学习7 195i = 1次后,全局误差H 趋于收敛,训练结束. 用B P2M SM 算法训练后的B P 网络模型( 表2) ,按照人工神经网络方法计算网络模型的预测理论值,结果表明B P 网络吻合程度较理想,离差平方和为0 . 016 2 ,相关系数达到0 . 993 ,理论值与实际值误差率保持在3 %以内(表1) ,说明该文应用的B P2M SM 算法研究福州市区人口预测模型,结果是理想的.2 . 1 . 5 B P 预测模型检验为了检验B P 所建立的福州市区人口B P 预测模型的实用性,采用2001 - 2004 年数据作为独立检验样本,对该模型的预测精度进行检验. 结果表明预测数据和实际值基本符合,误差率保持在2 . 5 %以下( 表1) ,可以认为预测满足精度要求. 说明B P 神经网络预测模型在理论上是可行的,实践上也具有可操作性.表2 福州市区人口B P 预测模型T able 2 BP prediction model of population in Fuzhou city权值或阈值输入层与隐含层权值27 . 556 3 . 805 1 . 127- 0 . 320 5 . 038隐含层阈值- 1 . 575- 6 . 4190 . 515- 8 . 758 5 . 272隐含层与输出层权值- 2 . 92024 . 207- 1 . 302 2 . 903 2 . 217输出层阈值 3 . 3272 .2 B P 预测模型与其它模型的比较进一步采用一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Lo gi stic 人口预测模型对福州市区人口数量进行模拟( 表3) . 模拟结果表明几种模型模拟的效果都较理想. 一元线性回归模型模拟结果表明以上数据总体上处于增长趋势. 马尔萨斯法和人口自然增长法预测本例结果相近,由表3 可见,两者的年增长率r 值和精度一样,预测结果都比较理想,因为马尔萨斯和人口自然增长法是根据人口增长直接拟合的,它们预测原理相近. 与其它6 个常用模型相比,B P 神经网络人口预测模型模拟精度明显优于其它6 个模型,且相关系数最大,达到0 . 993 . 这说明B P 神经网络通过权值反向调整表现出很强的自适应能力,对于人口这个复杂非线性系统波动性具有较强的再现和泛化功能,而且结合相空间重构技术从而减少了建模过程中的主观性[ 9 ] ,因此,B P 神经网络人口预测模型可以推广应用.表3 福州市区人口增长预测模型T a b le 3 Prediction model of population gro w th in Fuzhou city模型方程相关系数r 一元线性回归模型Y = 24 129 . 31 t + 1 050 4480 . 975人口自然增长模型Y = 1 098 073 (1 + 0 . 016 7) t0 . 980指数函数模型Y = 1 000 000e0. 017 5 t0 . 987幂函数模型Y = 977 039 . 00 t0. 1400 . 896马尔萨斯人口增长模型Y = 1 098 073e0. 016 7 t0 . 980Lo g i s tic 人口预测模型Y = 5 999 842/ (1 + 4 . 634e - 0. 023 2 t )0 . 981 B P神经网络模型0 . 993第1 期胡喜生,等:基于B P 神经网络的福州市人口预测模型693 结语B P 算法简单、直观、易于编制程序在计算机上实现,但它的缺点是学习速度慢,存在局部最小问题. 而该文提出的应用基于改进单纯形和神经网络的人口预测方法,则充分利用了改进单纯形算法收敛性好、回归精度高、运算速度快的特点和神经网络具有的较强的非线性映射能力,从而克服了B P 算法易陷入局部极小的缺陷. 同时改进单纯形法不需要提供对象的梯度信息,因此,B P2M SM 算法具有全局搜索,易于找到优化位置及收敛速度快等特点,提高了预测的速度和精度.文章以福州市区1981 - 2004 年的人口数据为基础资料,其中1981 - 2000 年人口数作为预测数据, 2001 - 2004 年人口数为检验数据,应用B P2M SM 算法,建立了福州市区B P 神经网络的时间序列预测模型,结果表明B P 网络吻合程度较理想,离差平方和为0 . 016 2 ,相关系数达到0 . 993 ,且理论值与实际值误差率保持在3 %以内. 同时经比较证明,B P 神经网络预测方法具有比一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Lo gi stic 人口预测模型等传统的人口预测方法更好的效果.其预测结果能为探索福州市可持续发展中的人口问题提供更可靠的参考依据.参考文献:[ 1 ] 马佳. 大连城市总恤规划与土地利用总体规划人口规模预测中的协调[J ] . 国土资源情报, 2004 ( 9) :22226 .[ 2 ] 周南,左玉辉,柏益尧,等. 生态城市规划中人口预测———以昆山市生态城市规划为例[ J ] . 环境科学与技术,2005 ,28 ( 2) :61263 .[ 3 ] 李振福. 长春市城市人口的Lo g i s tic 模型预测[ J ] . 吉林师范大学学报:自然科学版,2003 ( 1) :16219 ,34 .[ 4 ] 刘华中. Lo g i s tic 模型在人口预测中的应用[ J ] . 江苏石油化工学院学报,1998 ,10 ( 2) :32233 .[ 5 ] 罗荣桂,黄敏镁. 基于B P神经网络的长江流域人口预测研究[J ] . 武汉理工大学学报,2004 ,26 ( 10) :90293 .[ 6 ] 福州统计局. 福州五十五年( 194922004) [ M ] . 福州: 海潮摄影艺术出版社,2005 .[ 7 ] Niel s en R H .K ol m o g ro vπs mappi n g neural net wo r k exi s t e nce t heo r em [ M ] . Sa n Diego : I E E E Fi r s t Int e r n atio n al Co n f e rence o n Neural Net wo r k s , 1987 .[ 8 ] 吴承祯,洪伟. B P2MSM 混合算法及其在森林自疏规律研究中的应用[J ] . 应用生态学报,2000 ,11 ( 5) : 6552659 .[ 9 ] 吴劲军. 人口预测的B P神经网络模型[J ] . 统计与决策,2004 ( 3) :425 .Predict i on Model of Populat i on in Fuzhou City B a s ed onBP N eural N et workH U Xi2she n g1 , HO N G Wei2 , WU Che n g2zhe n2( 1.Traffic College , Fujian Agricult ure a n d Fo r e s t r y U n iver s it y , Fuzho u 350002 , Chi n a ;2 . U r b an a n d Rural Pla n ni n g Re s ea r ch Cent e r , Fujia n Agricult ure a n d Fo r e s t r y U n i v er s it y , Fuzho u 350002 ,Chi n a)Abstract : Ba sed o n t he stati stic s a bo ut t he pop ulatio n f ro m 1981 to 2004 , and using B P2M SM , t he pap er esta bli shes t he time serie s mo del of pop ulatio n p redictio n of Fuzho u cit y ba sed o n B PN N , a nd co mpa re s wit h t he o t her t raditio nal mo del s such a s linea r regressio n mo del , nat ural pop ulatio n gro wt h mo del , t he index mo del , t he po wer mo del , Malt husia n pop ulatio n gro wt h mo del , and lo gi stic pop ulatio n p redictio n mo del , etc. The result sho w s t hat B PN N mo del i s mo re p reci se a n d eff e ctive.K ey w ords : Fuzho u ; neural net w o r k ; pop ulatio n p r edictio n mo d el ; B P a n d mo dified simple met ho d。

基于环境教育的福州国家森林公园解说系统优化研究

基于环境教育的福州国家森林公园解说系统优化研究随着人们环保意识的提高，环境教育成为了当今社会的热门话题。

国家森林公园作为自然生态系统的重要组成部分，不仅是人们休闲娱乐的好去处，更是环境教育的重要载体。

基于环境教育的福州国家森林公园解说系统优化研究，是为了更好地提升游客参观体验、推广环境教育的重要内容。

在福州国家森林公园中，建立一个智能化的解说系统是非常必要的。

这个系统可以通过语音合成和人工智能技术，向游客智能化地推送与其所处的环境相关的信息。

比如在游客进入某一特定区域时，系统会自动发出声音和文字提示，介绍该区域的植被、动物、地质等基本信息。

这样一来，不仅可以提升游客的参观体验，还能够增加他们对自然环境的认知和理解。

在这个解说系统中，还可以加入一些互动性的元素。

通过在系统中增加一些小游戏或者问答环节，可以使游客更加主动地参与到环境教育中来。

比如在一片花海前，系统会自动发出对花卉知识的问答，游客可以通过系统的语音识别功能回答问题，如果答对了，系统会给予奖励，比如赠送一份精美的纪念品。

这样一来，游客不仅能够获得知识的积累，还能够增加游览的趣味性。

为了让解说系统更加贴近游客的需求，可以利用大数据分析技术进行优化。

通过收集游客的反馈和行为数据，可以了解到他们最关心的问题，最乐于参与的活动，从而对解说系统进行优化调整。

比如如果发现游客更需要了解动物方面的知识，那么可以加大对动物区域的解说内容。

如果发现某个小游戏的参与度很高，那么可以加大类似小游戏的开发力度。

这样一来，解说系统才能够真正地满足游客的需求，达到最好的效果。

要保证解说系统的秩序和权威性。

为了避免游客过多堵塞在某个区域参与解说活动，可以设置一个时间限制，每个游客在同一个区域参与解说活动的时间不能超过一定上限。

为了确保解说内容的权威性，可以专门邀请相关专家对解说内容进行审核和修订。

这样一来，游客才能够对解说系统的内容产生更多的信任感，提高环境教育的实际效果。

BP神经网络在中国旅游发展总量预测中的应用

ＢＰ神经网络在中国旅游发展总量预测中的应用术
陆相林 “
（枣庄学院旅游与资源环境系，山东枣庄２７６）７１０
摘要：用改进的Ｂ经网络对我国旅游发展总量（游收入和旅游人次数）行了预测，利Ｐ神旅进
并详细介绍了ＭＴＡ６５中的神经网络工具箱中的ＧＩ面的使用程序，出了Ｂ神经网ＡＬＢ．Ｕ界得Ｐ络能够有效预测旅游发展总量的结论。关键词：游发展总量；游收入；游人次；Ｐ经网络；测旅旅旅Ｂ神预中图分类号：Ｐ９・９Ｔ３３０文献标识码：文章编号：Ｎ！５４／（０７０－０８０ＡＣＩ一３０Ｎ２０）１００－４
网络工具箱中的ＧＵ界面应用过程Ｉ
优势，效果优于回归模型［２１。
建立科学的可操作的旅游发展总量ｆ主要包
２研究的具体过程
（）１指标的选择及数据收集
考虑到数据的可得到性和有效性．构成旅从
括旅游收入和旅游人次数）预测模型是实现旅游
务）的产业．供消费品的产业应该选择居民收提
入、居民可自由支配时间等变量作为自变量［．８１然后采取一定分析方法．立旅游需求函数模型．建
（）２神经网络的确定
ＭＡＬＢ．ＴＡ６５提供的神经网络工具箱增加了
求）为合适．对预测旅游接待地的旅游发展较但

福州国家森林公园游客偏好研究

特征 [１７] 、森林公园的社会服务价值 [１８] 和森林公园旅游形象 [１９－２０] 等方面进行了研究ꎮ 然而ꎬ 之前学者所
进行的研究都是对网络文本大数据整体进行分析ꎬ 并没有进行好评和差评的分类ꎬ 这就导致评论通常是
偏向于一方的结果ꎬ 将网络文本数据分为好评与一般和差评两类ꎬ 既可以反映游客的使用偏好ꎬ 也可以
潘辉1968男?福建福州人?教授?硕士生导师?博士?从事环境资源管理与生态旅游方面的研究?emailfjpanhui126????com?于福建省福州市晋安区新店镇上赤桥?占地面积859????33hm2?由森林区专类园温室苗圃和休息区5个部分组成?福州国家森林公园风景优美?空气清新?素有福州之肺的美称?在福州市有超高人气?曾一度被评为福州十大人气公园之一?每天都有游客和科研工作者进入福州国家森林公园?并在各个旅游类及评论类的网站留下关于福州国家森林公园的评价?这为福州国家森林公园游客偏好研究提供了良好的条件?1????2数据爪鱼软件获取了从2016年1月13日至2018年1月13日总计1598条评论?其中好评1427条?一般及差评171条?通过人工对获取的数据进行清洗?将重复和无意义的数据删除掉?最后得到有效评论为1557条?其中数量最多的的是条和猫途鹰网51条?1????3分析方法rost6????0是由武汉大学沈阳教授设计编码的数字人文辅助研究平台?该平台可以对文本信息进行分词词频统计词性情感分析以及词汇共现分析?首先?运用rost6????0对获取的游客评论进行社会网络和语义网络分析?旨在反映各个词汇之间的连接关系?同时进行了分词及情感分析?旨在分析游客对于森林公园的感情倾向?然后?根据网络平台设计原则评价为4星及好评以上的评论代表满意?而4星及好评以下的评论代表一般和不满意?将所有获取的网络评论进行分类?分为两类好评与一般及差评?通过好评类评论得出游客的偏好?通过一般及差评评论得出福州国家森林公园的不足?2结果与分析2????1情感分布研究情感分布旨在对游客网络文本中含有感情色彩的词进行分析?表达游客对森林公园的情感态度及其分布?通过统计分析可知?积极情绪词数为334条?所占比例为86????1?中性情绪词数为42条?所占比例为10????8?消极情绪词数为12条?所占比例为3????1?这反映出游客总体上对福州国家森林公园的印像是良好的?其中积极情绪表现在天然氧吧可以烧烤风景优美千年榕树美丽樱花美等方面?而消极情绪体现在停车收费不一清净被破坏电瓶车收费贵等方面?2????2社会网络和语义网络分析图1福州国家森林公园评价社会网络和语义网络

GM(1,n)和BP神经网络在福州市建成区用地预测中的应用比较

Ｃｏｍｐｒｓｎ０ａｉｏｆＧＭ（，１ｎ）ａｄＢＰｎｕａｅｗｏｋｍｏｅｎｎｅｒｌｎｔｒｄｌｉ
ｐｅｃｉｈｏｓｒｔｏａｓｉｚｏｔｒｄｉｔｎｇｔｅｃｎｔｕｃｉｎｌｎｄｎＦｕｈｕＣｉｙ
９９１ｈ为原来的２１１ｍ，．２倍，年均增长率１．，。１４９６
如图１。
１９００ＯＯ０
ａｅｐｒｄｉｔｎｓｓｇｎｆｃｎ．ＴｈｉａｅｎａｙｅｈｅｄｅｙｏｚｒａｅｃｉｇｉｉｉｉａｔｓｐｐｒａｌｚｓｔｅｔｎｎｃｆＦｕｈｏｕｃｔｃｌｈｇｂ～ｉｙｓａｅｃａｎｅｅｔｅ９ｎｄ０ｗｅｎｌ８ａ２０５，ｏｍｐａｉｇｔａｄｅｎ９ｃｒｎｈｅｇｒｙｍｏｌａｄＢＰｅｒｌｎｔｎｕａｅｗｏｒｄｅｎｐｅｃｉｈｅｋｍｏｌｉｒｄｉｔｎｇｔｃｓｒｃｉｌｎｄｒａ．ＴｈｅｅｆｃｈｓｈｏｎｕｒｌｅｗｏｒｏｎｔｕｔｏｎａａｅｆｅｔａｓｗｎＢＰｅａｎｔｋｍｏｄｌｓｅｉｍｏｒｐｒｃｓｏｎ．Ｉｅｅｉｉｔｈｅｈｔｉｃｎｃｎｔｉｅｔｈｔｄｙｏｎｐｅｉｔｎｇｍｅｈｏｏｐｓｔａｔａｏｒｂｕｔｏｔｅｓｕｒｄｃｉｔｄ．
成区规模的精确预测，城市规划与土地利用总体是
规划的重要决策基础Ｅ３，Ｍ（，）Ｂ２３Ｇ１ｎ和Ｐ神经网络，是近年来随着计算机发展，兴的预测方法，新本文就福州市建成区用地预测对两种方法进行了比较。

基于BP神经网络的旅游人流量预测方法研究开题报告

(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）开题报告
这主要是由于学习速率太小所造成的。可采用变化的训练：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。
（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。
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。
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

时间序列BP神经网络在福州市第三产业值预测中的应用

江西农、I k学报2010，22(12)：183—185A ct a A g r i c uhu r ae J i angxi时间序列B P神经网络在福州市第三产业值预测中的应用李荣丽1，黄曦2，叶夏2，陈志强1，陈志彪1(1．福建师范大学地理科学学院，福建福州350007；2．福建省农业区划研究所，福建福州350007)摘要：准确预测福州市第三产业的发展。

对今后海峡西岸经济带建设具有举足重轻的意义。

本文以福州市1994—2008年第三产业值为基础，采用M A TLA B7．0建立非线性时间序列的神经网络预测模型，将1994—2003年的第三产业值作为训练样本，2004—2008年的第三产业值作为测试样本，并计算误差。

结果表明：B P神经网络模型收敛速度较快，预测精度较高，时时间序列第三产业值的预测具有较高的应用价值。

关键词：第三产业；时间序列；神经网络；福州市中图分类号：F222．1文献标识码：A文章编号：100l一8581(20L O)12—0183—03第三产业是社会经济运行中不可缺少的环节，其发展程度是衡量一个国家或地区经济发展水平高低的重要尺度。

通常采用传统的线性回归方法预测第三产业值变化，但实践证明利用线性方法模拟复杂的现象并不能得出很好的预测结果…，难以满足第三产业值的预测精度要求，因而需要尝试更为合理的预测模型。

人工神经网络(A r t i f i ci al N e ur a l N et w or k，A N N)是一个由大量处理单元(神经元)广泛互连而成的网络，是对人脑的抽象、简化和模拟。

它能从已知数据中自动归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力口o。

作为福建省经济、政治、文化中心，福州市第三产业发展不仅对增强省会城市功能及福建省开放开发有十分重要的作用，而且对今后海峡西岸经济带建设具有非常重要的意义。

同时，福州市又是祖国大陆距离台湾最近的地区，大力发展第三产业有利于充分发挥福州的“窗口、通道”作用，推动闽东南开放开发，促进海峡两岸交流合作。

BP神经网络的样本拓展及旅游人数预测

ＳａｌｘａｄｎｆＢＰＮｅｒｌｔｒｎｏｅａｔｇＮｕｅｆＴｕｉｔｍｐｅＥｐｎｉｇｏｕａｗｏｋａｄＦｒｃｓｉｍｂｒｏｏｒｓＮｅｎｓ
ＹＵｎｇ—ｂｎ，ＩＨｏｉＬＡＮＧｎＧａｇ—ｙｎＰＡＮ —ｆｉＹＡＮＧｎ—ｆｉｉｇ，Ｙｉｅ，Ｙｕｅｌ
ｓｕｔｎｈｓｆｅａｔｇｉａｎｎｉｅｒｕｓｏｊｓｃｎｂｅｃｂｄｂＰｎｕａｎｔｏｋｎｏｄｒｔｃｏ．Ｔｉｏｃｓｎｏｌａｅｔｎ，ｕｔａｅｄｓｒｅｙＢｅｒｌｅｒ．Ｉｒｅｒｉｒｉｓｎｑｉｉｗ
ＤＩＯ编码：０３６／．ｓｎ１０２７．０１０．１１．９９ｊｉ．０２— ２９２１．６０２ｓ
中图分类号：Ｐ０Ｔ３１
文献标识码：Ａ
文章编号：０２— ２９２１）６— ０２— ３１０２７（０１００４０
ｆａｉｉｔｎｆｅｔｖｎｓｆｉｓｉｅｆｄ．ｅｓｂｌｙａｄｅｃｉｅｅｓｏｔｓｖｒｉｉｉｅ
ＫｅｒｓＦｒａｔｇｎｍｂｒｏｕｉｔ；ｅｒｌｔｏｋ；ａｌｘａｇｉｇｙｗｏｄ：ｏｃｓｉｕｅｆｏｒｓＮｕａｗｒＳｍｐｅＥｐｎｄｎｎｔｓＮｅ
ｆｃｏｆｃｉｅｙＭｅｎｈｌ，ａａｌｂｌｙｏｒｃｓｎａａｂｎｒａｅｒｕｈｔｅｓｍｐｅｅｐｎｉｇａｔｒｅｅｔｌ．ｖａｗｉｅｖｉｉｔｆｏｅａｔｇｄｔｅｉｃｅｓｄｔｏｇａｌｘａｄｎ．ａｉｆｉｈｈｈｘｅｍｅｔｓｌｓｏｔｔｄｌｓｅｌｕｔｏｅａｔｕｅｕｉｓａｄｔｅＴｅｅｐｒｎｅｕｔｈｗｔａｅｍｏｅｉｗｌ —ｓｉｄｆｒｆｒｃｓｉｇｔｅｎｍｂｒｆｏｒｓ，ｎｈｉｒｓｈｈｅｏｎｈｏｔｔ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

BP神经网络在福州国家森林公园旅游人数预测中的应用研究摘要:游客数量是决定旅游业经济效益与持续发展的重要因素,游客数量预测也因此成为旅游发展规划的重要内容。

本文拟以福州国家森林公园近十余年的游客数为基础,应用B P神经网络与算法,建立一种基于人工神经网络的旅游人数预测模型,并对福州国家森林公园未来旅游人数进行预测。

其结果表明,基于B P神经网络的游客预测模型能较准确对公园的未来旅游人数进行预测 ,从而为游客预测提供一种新思路与方法。

关键词: B P神经网络 ;森林公园 ;旅游人数 ;预测国家森林公园是指由国家林业主管部门及各级政府批准建立的森林旅游区域 , 是以良好的森林景观和生态为主体 ,融合自然景观与人文景观 ,利用森林的多种功能 ,以开展森林旅游为宗旨 ,为人们提供具有一定规模的游览、休憩、保健疗养科学教育、文化娱乐的场所。

随着生态旅游的迅速发展,国家森林公园作为生态旅游的重要载体而受到人们的广泛关注。

但由于社会经济与人们生活水平的不断提高 ,森林公园旅游人数不断增加 ,其开发规模亦不断扩大 , 对森林公园中旅游景观资源与环境亦造成一定的破坏。

因此 ,在发展森林旅游 ,进行国家森林公园旅游规划与可行性研究的过程中,旅游人数规模预测是预测旅游发展、合理控制游人规模、制定旅游经营决策、实现森林公园旅游可持续发展的科学依据。

人工神经网络建模方法(简称ANN )是一种有效的预测分析方法 ,它模拟人的大脑活动 ,具有极强的非线形逼近、大pp∑∑1. 2 B P 算法的基本步骤B P 算法是目前应用最广泛的学习算法 ,早期 B P 算法只有输入与输出层 ,它的训练速度较快 ,但是不能解决复杂的非线性问题。

后来科学家提出了加入一层乃至多层隐层节点的 B P 反馈算法 ,使优化问题的可调参数增加 ,从而解决复杂非线性问题。

( 1)初始化权值和阈值 ,即把所有权值和阈值都设置成最小的随机数 ;( 2)提供训练样本集 ,包括输入向量和输出向量 ; ( 3)计算隐含层和输出层的输出 :N隐含层的输出为 : h j = f (βj ) = f ∑V ij x i - <ji = 0 L输出层的输出为 : y k = f (αk ) = f ∑W jk h i - θki = 0其中 ,输入单元 i 到隐单元 j 的权重是 V ij , 而隐单元 j 到规模并行处理、自学习、自组织和容错能力等优点 ,对解决非输出单元 k 的权重是 W jk ; 激活函数 f (βj ) 采用 log sig 函数 , f线性问题有着独特的先进性 ,它可以较好地揭示非线性时间序列在时延状态空间中的相关性 ,从而达到预测的目的。

因( a k )采用 pu relin 函数 ;p p m 此本文拟以福州国家森林公园为例 ,运用人工神经网络建立 (4 )计算均方误差 : E = 1 ∑Ep = 1= 1 ( y 2 p k - h j )旅游人数预测模型 ,并依此对旅游人数进行预测。

1 B P 神经网络的原理及算法的基本步骤B P 神经网络是人工神经网络中最具代表性和目前应用广泛的一种 ,适用于模式识别、模拟预测 ,是一种单向传播的多层前向网络 ,以 3 层最为常用 ,也最为成熟。

理论上已证明 ,一个 3层的 B P 网络能够实现任意的连续映射 ,可以任意精度逼近任何给定的连续函数。

1. 1 B P神经网络的原理B P (B ack P rop aga tion)神经网络通常由具有多个节点的输入层( inp u t laye r) 、隐含层( hidden laye r) 和多个或一个输出节点的输出层( ou tp u t laye r)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 ,直到误差小于给定的值为止。

p =1 k =1如果均方误差满足精度 ,则训练结束 ,以当前的有关参数作为网络参数 ,否则根据误差调整权值和阈值 ,如步骤( 5) ;9E p ( 5)调整网络各层的权值和阈值 :Δw ( t + 1) = - η=9wαΔw ( t) , 式w 中代表某个权值或阈值, t为迭代次数,η为学习速率,α称为惯量因子或动量因子;( 6)权值和阈值调整后 ,转为步骤( 3 )继续进行 ,直至误差满足给定的精度要求。

2 旅游人数预测B P模型构建与预测B P网络是一种多层前向网络 ,具有 1 个隐层(采用 Sig2 mo id转换函数)的B P 网络可实现对任意函数的任意逼近。

一般认为 ,增加隐层数易使网络复杂化 , 增加网络的训练时间 ,更易陷于局部最小 ,而改变隐层节点数则有助于减小误差 ,其训练效果要比增加隐层数更容易实现。

因此 ,根据福州国家森林公园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 B P网络模型。

2. 1 样本数据预处理由于B P神经网络的隐层采用Sig mo id转换函数,为提高训练速度和灵敏性以及有效避开Sig mo id 函数的饱和区 ,一般要求输入数据的值在 0 ～1 之间。

因此 ,对福州国家森公园从1994 —2006年的每年旅游人数数据(表 1 ) 进行归一化处理。

归一化的方法有很多种形式 ,常用的方法计算公式∧ x - x m in其中, x m ax取一个比较大的值, 保证预测年的数据小于该数值, x m in取样本数据序列中最小值的值 ,保证了输入输出值的区间是 [ 0 , 1 ]之间的数据 ,经预处理的数据训练完成后 ,再为 : x =x - x m ax将数据进行后处理(反变换)得到实际值。

表 1 基础数据表年度(年) 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006游客数(人) 15. 0 30. 0 45. 0 65. 0 75. 0 85. 0 95. 0 102. 5 108. 2 112. 7 116. 1 118. 8 120. 82. 2网络函数的确定由于网络输入值是一个连续的实数 ,输出数值是在 [ 0 ,1 ]的范围 ,所以传递函数的第一层选用 T AN S I G函数 , 第二层则选用 LO GS I G函数 ,训练函数采用 tra in l m 函数 , 仿真网络函数采用 si m uff函数。

目标误差 E rr定为 0. 000 1,学习率 lr定为0. 01。

2. 3网络层节点数的确定B P神经网络一般所遵循的原则(即输入层和输出层节2006各年旅游人数作为理想输出 ,组成样本队进行训练 ,最后训练样本和测试样本的误差曲线基本重合 ,趋势稳定而且拟合较好时训练完毕 ,得最优连接权值阵。

2. 5 B P神经网络旅游人数的预测结果检验网络经过训练与测试后 ,将网络输出结果经过反变换后得到的数值与实际值进行比较 , 检查其误差是否满足要求。

如表2所示 :表2 网络精度分析表点数分别与输入和输出层的神经元数相等) 。

由于输入变量为旅游人数值 ,为了提高模型精度 ,年度(年)实际值(万人)模拟值(万人)绝对误差( % )相对误差( % )为4 ,即输入变量为连续4年的旅游人数值变量 ;隐含层节点数的选择是一个十分复杂的问题 ,往往需要根据设计者的经验和多次实验来确定 ,隐单元的数目太多会导致学习时间过长、误差不一定最佳,也会导致容错性差、不能识别以前没有看到的样本,因此一定存在一个最佳的隐单元数。

根据经验公式n1 = n + m + a ( n, m 分别为输入层与输出层神经元数)以及多次上机模拟 , 最终确定为 10; 输出层神经元数为1 ,即第5年的旅游人数值。

2. 4神经网络的训练与预测B P网络的训练就是通过用误差反传原理调整网络权值 ,使网络模型输出值与已知的输出值之间的误差平方和达到最小或小于某值。

一般的做法是,将收集的样本随机地分为两部分 :一部分作为训练集 ,另一部分作为测试集。

给定训练精度 0. 000 1,通过网络训练最终确定迭代步数为 5 000 , 其他参数根据试用的各种改进B P 方法而定 ,利用 MA TLAB 较易实现。

用 1994 —1997 年 , 1995 —1998 年 , 1996—1999 年⋯⋯2002 —2005年的旅游人数作为网络输入 , 1 99 8 , 19 99 , ⋯⋯1998 75. 000 0 73. 684 5 1. 315 0. 017 51999 85. 000 0 83. 919 5 1. 080 0. 012 72000 95. 000 0 95. 247 0 - 0. 247 - 0. 002 02001 102. 494 2 102. 710 5 - 0. 216 - 0. 002 12002 108. 208 9 108. 242 0 - 0. 033 - 0. 000 32003 112. 668 3 112. 681 0 - 0. 012 - 0. 000 12004 116. 123 2 116. 303 5 - 0. 180 - 0. 001 52005 118. 785 6 118. 684 0 0. 101 0. 000 82006 120. 829 2 120. 328 5 0. 500 0. 004 1由表2分析可知 ,网络模型预测旅游人数的最大相对误差为 1. 75 % ,最小相对误差达到 - 0. 01% ,平均值为 0. 31% , 表明预测值与实际值基本吻合 ,模型精度达到95 %以上 ,能较准确地对未来旅游人数进行预测。

2. 6 B P网络未来旅游人数预测输入2003 —2006年实际数据 ,得2007年预测值。

同理 ,经多步迭代 , 可得 2008 —2018 年预测值 , 经过反处理得到2007 —2018年旅游人数预测值如表3:表 3 2007 —2018 年预测结果表年度2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017预测值121. 121. 122. 122. 123. 123. 123. 123. 123. 123. 123. 31 由表3可以看出 ,模型预测时间在2017 年时 ,游客量在123. 3万人附近有一条渐进线 ,即可得森林景观游客量饱和区域在123万～124万人左右。