未来智讯 > 神经网络论文 > 基于BP神经网络的旅游需求展望

基于BP神经网络的旅游需求展望

发布时间:2019-04-26 01:19:54 文章来源:未来智讯    
基于BP神经网络的旅游需求前景:舜东闫夏炳潘冠军摘要:基于时间序列的旅游需求统计以BP神经网络理论为基础构建旅游需求展望模具:用MAT-LAB旅游软件 需求神经网络视觉模型的建立和实施,实际数据的分析以及要点的有用性。 关键词:展望; 旅游需求; 神经网络; BP I.问题提案在旅游财富国家,计量经济学已应用于旅游经济。 在讨论中。 1961年,出版了一篇题为“国际市场对旅游商品和服务的需求”的文章,旅游需求的前景引起了人们的关注。 1973年,Strazhein,Harrop等人应用旅游需求弹性和价格弹性的弹性来解释国际旅游需求的快速增长。 1991年,sungSoo Pyp使用该模型分析了“旅游需求线性积累模型”中价格,收入,时间等因素对旅游需求的影响。 然而,影响旅游需求的因素众多而且混乱,许多因素仍然是混乱和混乱,因此上述各种努力效率低下。 在旅游经济增长的过程中。 确实存在一些有纪律的工具或模式。 这种规范的工具通常嵌入在看似混乱且数量庞大的数据中,因此,为了获得有用的前景,关键在于发现基于数据的规则。 从数学的角度来看,它是建立一定的映射关系(函数)。 为了适应这个功能,神经网络是解决这个问题的最好方法之一。 在过去的几十年中,已经形成了数百个人工神经网络。 1974年,P.Werbos在他的博士论文中提出了第一种多层网络训练算法,但该算法尚未得到充分的钦佩和普遍应用。 直到20世纪80年代中期,David Runelhart,Geoffrev Hintorl和Rorlald Williams,David Parkr和Yannn Le Cun才发现了BP算法。 1986年,加利福尼亚州的PDP(并行分布式处理)小组发布了“Pardlel分布式处理”一书,将该算法应用于神经网络。 它已成为迄今为止最着名的多层网络训练算法--_BP算法,该算法训练的神经网络称为BP神经网络。 规模BP网络是具有W-H训练准则,梯度着陆算法和非线性可微函数的权重训练的多层网络。 根据Kolmogorov定理和BP定理,已知处理3层BP神经网络。层节点的数量是足够的,并且它具有任意随机的非线性映射的能力。 目前,在人工神经网络的实际应用中,大多数人工神经网络模型都选择了Back-Propagation-Net-work(BP网络)或其变化系统,这是前向网络的重点反映最重要的部分 人工神经网络。 BP神经网络,即多层前馈偏差反现实网络。 工作日由输入图层,输出图层和多个隐藏图层组成。 每个层由若干节点组成,每个节点代表一个神经元,并且表面节点和基节点之间的分辨率是一致的。 层之间的节点选择完全互连的相干模式,并且每层中的节点彼此相关联。 以具有3层布局的BP神经网络为例,它包含输入层,输出层和隐藏层。 布局如图1所示:二,旅游需求神经网络展望模具的建立
网络设计是一个综合性问题,它应该满足各种不同的要求。 拥有更好的晋升技能是最重要的。 一般来说。 促销策略由三个主要因素决定,即问题本身的混淆程度,网络布局和样本大小。 在一般环境中。 旅游需求前景中的样本数量是不可避免的。 这个问题可以归结为如何在样本量不可避免的环境中选择网络的大小。 在设计BP网络视觉模型时,首先要考虑以下因素:网络中的层数,每层中的神经元数量以及激活函数。 (1)确定网络层的数量从Kolmogorov定理和BP定理可知,3层BP神经网络。 只要隐藏层节点的数量足够,它就具有任意随机的非线性映射的能力。 因此,布局简单的三层BP神经网络可以满足要求。 (2)确定每层中神经元的数量。 根据旅行需求的现有数据,输入层中的神经元的数量被确定为6,并且确定输出层中的神经元的数量。 隐藏层节点的数量与训练率有关,但其真实含义与真实问题的决策因素相对应,因为隐藏层节点的作用是从样本中提取和存储其内涵规则。 。 当选择隐含层时,为了提高网络的训练精度,可以确定隐藏层神经元的数量以遵守指示符。 如果隐藏层中的神经元数量太大,将增加网络的迭代次数,从而延长网络的训练时间,并且网络的泛化能力将降低,导致 前景下滑; 如果隐藏层中的神经元数量太少。 网络很难识别样本,很难完成培训,网络的容错性也会很低。 解析多个试验以确定隐藏层节点的数量40.(3)确定激活函数确定激活函数tansig和purelin。 III。 试图分析(1)网络训练数据的选择和数据表示的科学公平性对网络设计产生严重影响。 数据的准备包括数据的收集,数据的分析,变量的选择和数据的预处理。 1.数据收集。 样本最初来自中国旅游统计年鉴。 从1993年到1999年,每年1月至12月从外国游客数量中收集了84个数据.2。数据的预处理。 为了确保数据具有统一的顺序,有必要预处理神经网络的输入和输出数据:将原始数据乘以10-5以预先处理收集的数据,如表所示 1.对凭证进行采样,将数据分成78组,形成训练和测试样本集。 其中,前72组样本为网络训练样本集,最后12组样本构成网络测试样本集。 样本如图2所示。图3表明,随着训练时间的增加,网络最小偏差逐渐减小。 当训练次数达到24,974次时,网络达到设定偏差。 也就是说,网络完成了培训。 (2)网络展望
根据1998年7月至12月的游客数量作为网络投入,1999年1月的游客数量为网络策略:1998年8月 - 1999年1月,游客数量为 作为网络输入,网络策略在1999年2月寻找游客数量。轮流轮流。 您可以期待1999年1月至6月期间每个月的游客人数。最后,董事会将乘以105来恢复。 (3)调查局的分析。 将表2中的神经网络的预期值与拟合线性方程方法的预期值进行比较。 可以看出,神经网络在旅游需求中的应用是可行的。 并且它比精确度好于拟合线性方程方法。 IV。 最终确定将神经网络应用于旅游需求前景,处理这种非线性前景非常有效。 当然,还有许多不足之处需要改进。 例如,组的数量是固定的,并且BP算法的隐藏层的数量是固定的。 如何提高预测的准确性是进一步探索的必要条件。 参考文献:1。叶世伟,神经网络原理[M],机械工业出版社,2004 2,周凯丽,康耀宏,神经网络模型和MATLAB仿真步骤设计[J],清华大学出版社,2005 3,高 魏,人工神经网络原理与仿真实例[M],机械工工业出版社,2003 4,夏冰,毛胜,徐海静,白素英,数学基础在经济类别中的应用 - 拟合线性方程法在旅游需求展望中的应用[M],金融理论与教学,2008(4) 5,焦淑华,夏冰,徐海静,刘莹,BP神经网络的MATLAB兑现[J],金融理论与教学,2009(1)6。孙伟,直线法在加权前景中的应用 旅游需求[J],数学实践与认识,2009(2)VII,翟德虎,康继昌,BP神经网络设计[J],战略机械工程与设计,1998(4)
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86634/
 与本篇相关的热门内容: