人工智能方法在旅游預測中的應用及評析

[摘要]20世紀90年代之前，對旅游需求預測一般采用傳統(tǒng)的定量分析方法，而近20年來，諸如粗糙集、遺傳算法、模糊時間序列、灰色理論、神經網(wǎng)絡模型、支持向量機等人工智能方法也被引入到旅游需求預測的研究之中。然而，國內外學者尚未對人工智能方法在旅游需求預測中的應用進行系統(tǒng)的整理與論述。為此，本文簡要介紹了人工智能在旅游預測中的應用，并與傳統(tǒng)的計量方法、時間序列方法進行了比較。同時，簡略評述了其優(yōu)缺點和發(fā)展趨勢。

[關鍵詞]人工智能方法；旅游預測；應用；評析

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002－5006(2008)09－0017－06

隨著經濟全球化和國際交流的不斷深化，國際旅游業(yè)得到了長足的發(fā)展，各國都制定了不同的政策來支持鼓勵旅游業(yè)的發(fā)展。旅游業(yè)對于平衡國際收支、改善貿易結構具有不可替代的作用，同時又是擴大對外開放、促進對外交流的重要手段。因此在過去20年里對旅游的研究也得到了前所未有的發(fā)展。而旅游需求模型與預測更是研究的重點。

對旅游需求研究開始于20世紀60年代，1960－2002年間有420篇論文研究該問題。

但真正的發(fā)展期卻是80年代之后，其中有90％以上的研究論文是發(fā)表于這一時期，而近5年(2002－2007)來又有80多篇論文闡述此問題。在20世紀90年代之前，學者們一般采用的是傳統(tǒng)的定性定量研究方法，如德爾菲法、生命周期法、計量經濟方法、空間引力模型、時間序列等。而近20年來，諸如粗糙集、遺傳算法、模糊時間序列、灰色理論、神經網(wǎng)絡模型、支持向量機等人工智能方法也被引入到旅游需求的預測研究之中。

對旅游需求研究文獻進行整理和評述的有克勞奇(Crouch)、林(Lim)、威蒂(Witt)、李(Li)、宋和李(Song and Li)，國內的主要研究者有覃頻頻等(2006)、任來玲等。由于受研究時間和條件所限，這些論文只是對傳統(tǒng)的定量分析方法進行了述評，而對人工智能方法沒有進行系統(tǒng)的論述。為此，本文簡要而系統(tǒng)地介紹人工智能方法在旅游預測中的應用與研究，并將其與傳統(tǒng)的定量方法進行比較分析。

一、人工智能方法在旅游預測中的應用

人工智能方法近些年越來越多地被應用到旅游預測中，主要有粗糙集方法、遺傳算法、模糊時間序列、灰色理論、人工神經網(wǎng)絡和支持向量機。人工智能的最大優(yōu)點是對數(shù)據(jù)的概率分布等額外信息沒有嚴格的要求，有更好的包容性和適應能力。

1 粗糙集方法(Rough Sets，RS)

粗糙集理論是1982年波蘭學者帕·萊克(z.Paw lak)提出的，它是一種刻畫不完整性和不確定性的數(shù)學工具，能有效地分析不精確(Imprecise)、不一致(Inconsistent)、不完整(Incomplete)等各種不完備的信息，還可以對這些混亂的數(shù)據(jù)進行分析和推理，從而發(fā)現(xiàn)隱含的知識，揭示其潛在的本質規(guī)律。凱里．高與羅布’勞(Goh Carev and Law Rob)運用粗糙集理論對香港的10大客源國的旅游需求做了預測，并發(fā)現(xiàn)其準確率達到87.12％。奧和羅(Au andLaw)運用粗糙集理論分別對旅游購物、餐飲、觀光支出進行了研究分析。粗糙集理論更注重的是分類機制，而非傳統(tǒng)分析方法的準確預測，因而可以作為一種可行的輔助手段來進行分析與預測。

2 遺傳算法(Genetic Algorithms，GA)

遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法，它是由美國密歇根大學霍蘭德教授(Holland)于1975年首先提出來的，并出版了頗有影響的專著《自然系統(tǒng)和人工系統(tǒng)的自適應》(Adaptation in Natural and Artificial Systems)。遺傳算法類似于自然進化，通過作用于染色體上的基因尋找好的染色體來求解問題。與自然界相似，遺傳算法對求解問題的本身一無所知，它所需要的僅是對算法所產生的每個染色體進行評價，并基于適應值來選擇染色體，使適應性好的染色體有更多的繁殖機會。在遺傳算法中，通過隨機方式產生若干個所求解問題的數(shù)字編碼，即染色體，形成初始群體；通過適應度函數(shù)給每個個體一個數(shù)值評價，淘汰低適應度的個體，選擇高適應度的個體參加遺傳操作，經過遺傳操作后的個體集合形成下一代新的種群，對這個新種群進行下一輪進化。這就是遺傳算法的基本原理。蒙薩拉特(Montserrat)用結合躍遷概率矩陣的遺傳算法來進行旅游需求預測，通過研究發(fā)現(xiàn)這種組合模型比單一的遺傳算法具有更好的預測精度。蒙薩拉特(Montserrat)和布格(Burger)都認為遺傳算法更適合于解釋旅游需求組合的變化。

3 模糊時間序列(The Fuzzy Time-series，TFT)

模糊時間序列是由宋和奇遜(Song andChisson。)首先提出的，是從動態(tài)的角度出發(fā)，綜合分析這種模糊化的時間序列數(shù)據(jù)的結構特征，探索動態(tài)模糊系統(tǒng)的內在規(guī)律性，從而達到對動態(tài)模糊現(xiàn)象進行預測和分析的目的。模糊時間序列對于短期預測有很好的效果，王朝宏(Chao-Hung Wang)用模糊時間序列、灰色模型和馬可夫鏈改進模型對臺灣的旅游做了預測，并通過誤差分析發(fā)現(xiàn)模糊時間序列適合于香港到臺灣的預測，灰色模型更適合于美國和香港到臺灣的入境旅游預測，而馬可夫鏈改進模型更適合于德國到臺灣的旅游需求估計

4 灰色理論(Grey Theory，GT)

灰色理論認為，在客觀世界中，大量存在的不是白色系統(tǒng)(信息完全明確)也不是黑色系統(tǒng)(信息完全不明確)，而是介于兩者之間的灰色系統(tǒng)。一切隨機量都是在一定范圍內、一定時間段上變化的灰色量及灰色過程。數(shù)據(jù)處理不去尋找其統(tǒng)計規(guī)律和概率分布，而是對原始數(shù)據(jù)作一定處理后，使其成為有規(guī)律的時間序列數(shù)據(jù)，在此基礎上建立數(shù)學模型。灰色系統(tǒng)理論提供了在貧信息情況下解決系統(tǒng)問題的新途徑。

朱曉華、楊秀春以中國1978－2001年入境旅游客源為例，定量分析線性回歸模型、移動平均預測模型、指數(shù)平滑模型以及灰色預測模型的應用及其差異問題，并發(fā)現(xiàn)線性回歸預測模型的絕對誤差最大，隨著序列數(shù)據(jù)的減少，指數(shù)平滑模型絕對誤差整體相對變大，而灰色模型絕對誤差整體相對變小。可見序列較短時灰色預測模型有較好的預測效果。

5 三次多項式模型(Cubic Polynomial Model，CPM)

楚(Chu)用1989－1990年新加坡入境旅游數(shù)據(jù)建立預測模型，并將預測精度與前人的研究進行了對比，發(fā)現(xiàn)三次多項式的預測精度優(yōu)于簡單線性回歸和天真方法，但比正弦波非線性模型、自回歸移動平均模型(ARIMA)和組合預測模型稍遜一籌。然而，由于三次多項式模型的內在線性，所以表現(xiàn)出預測成本低的優(yōu)點。

6 人工神經網(wǎng)絡(Artificial Neural Networks，ANN)

人工神經網(wǎng)絡(ANN)是一種理論化的人腦神經網(wǎng)絡數(shù)學模型，在對人腦或自然神經網(wǎng)絡的某些行為特征的抽象和模擬基礎上建立的一種信息處理系統(tǒng)。它通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。人工神經網(wǎng)絡具有并行分布的信息處理結構和自學習與自適應的能力，可以通過預先提供的一批相互對應的輸入一輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，積累信息。根據(jù)這些規(guī)律和信息，把積累下來的各種定性或定量的因素作為因子加以輸入，從而建立輸入和輸出之間的高度非線性映射，采用自適應模式識別方式來進行預測。

ANN是一個具有高度非線性、很強自學能力和容錯能力、并行處理的特征，因而在工業(yè)和經濟中取得了廣泛的應用。而反向傳播神經網(wǎng)絡(Back Propagation Neural Network，BPNN)是目前研究最成熟、應用最廣泛的一種多層前饋誤差反傳算法模型。通過一元函數(shù)的多次復合來逼近多元函數(shù)的非線性映射方法，其本質是求解誤差函數(shù)的最小值問題。

神經網(wǎng)絡模型以其并行處理能力、自學習、自組織、自適應能力和較好的容錯性，從而適應了旅游數(shù)據(jù)信息不完整、影響因素多、不確定性大和非線性等諸多問題，彌補了傳統(tǒng)預測方法的不足。ANN不像傳統(tǒng)方法對變量的約束和數(shù)據(jù)有嚴格要求，它無需事先知道自變量和因變量之間潛在規(guī)則。已有諸多研究表明：在旅游預測上，ANN相比經典的預測方法表現(xiàn)出更好的預測能力，比如與多元線性回歸進行比較研究的有布格(Burger)、勞(Law)、勞和奧(Law and Au)、帕蒂和斯奈德(Pattie andSnyder)；與指數(shù)平滑進行比較研究的有布格(Burgel，2001)、崔(Cho)、勞(Law，2000b)、勞和奧(Law and Au，1999)、帕蒂和斯奈德(Pattie and Snvder，1996)；與自回歸移動平均模型ARIMA進行比較分析的有布格(Burger，2001)、崔(Cho，2003)、勞(Law，2000a)、勞和奧(Law and Au，1999)、帕蒂和斯奈德(Pattie and Snyder，1996)。

但人工神經網(wǎng)絡也存在著自身的缺點：首先，模型預測過程中在不斷的調整，最終展現(xiàn)的是輸出向量，從而展示出的內在經濟涵義信息較少，不如解釋性預測和時間序列預測豐富。其次，容易受網(wǎng)絡本身拓撲結構復雜性和數(shù)據(jù)復雜性影響，出現(xiàn)過學習現(xiàn)象，從而導致低的泛化能力。

7 支持向量回歸(Support Vector Regression，SVR)

支持向量機(Support Vector Machines，SVM)是20世紀90年代末期威普尼克(Vapnik)提出的一種新型機器學習方法。它以統(tǒng)計學理論、赫柏(Heber)穩(wěn)健回歸理論和沃爾夫(Wolfe)對偶規(guī)劃理論為基礎，具有推廣性能強、擬合精度高、全局最優(yōu)等特點，已成為機器學習的研究熱點，并在信號處理、模式識別、回歸分析、經濟預測諸多領域取得了成功的運用。

支持向量回歸具有以下幾個主要優(yōu)點：(1)傳統(tǒng)統(tǒng)計學研究的是樣本數(shù)目趨于無窮大時的漸近理論，但在現(xiàn)實問題中，樣本數(shù)往往是有限的。支持向量回歸是基于現(xiàn)有信息下的目標最優(yōu)解，而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)解；(2)支持向量回歸是基于結構風險最小化原理，有別于傳統(tǒng)的經驗風險最小化原理，從而克服了人工神經網(wǎng)絡的過學習現(xiàn)象，它能根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，提高了泛化能力；(3)支持向量機在處理非線性問題時，首先將非線性問題映射到高維特征空間，然后引入核函數(shù)來代替高維空間中的線性問題，避免了高維空間的點積運算，使得其算法復雜度與樣本維數(shù)無關，有效地克服了維數(shù)災難問題，加速了訓練學習速度；(4)通過引入拉格朗日乘子，將優(yōu)化問題轉化為二次規(guī)劃問題。而二次規(guī)劃所解得的是唯一全局最優(yōu)解，這樣就不存在人工神經網(wǎng)絡的局部極值問題。

陳寬裕和王成華(Kuan－Yu Chen and Cheng－HuaWang)用結合遺傳算法的支持向量回歸、人工神經網(wǎng)絡、自回歸移動平均模型對旅游進行預測，并對這3種模型的平均絕對誤差百分比(MAPE)、均方誤差(NMSE)進行比較分析。3種模型都有較好的預測精度，擬合度(R)都非常高，而結合遺傳算法的支持向量回歸的預測精度最好，另外還通過Wilcoxon顯著性檢驗發(fā)現(xiàn)GA-sVR的預測結果優(yōu)于其他模型。

通過陳寬裕和王成華(Kuan-Yu Chen and cheng-Hua Wang)、佩和宋(Pai and Song)等學者的研究比較，發(fā)現(xiàn)支持向量回歸支持向量機很好地克服了神經網(wǎng)絡的缺陷，有更好的計算精度、更強的推廣能力，預測結果的相對誤差明顯小于人工神經網(wǎng)絡。較好地解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題。

8 決策支持系統(tǒng)(Decision Support Svstern，DSS)、協(xié)整理論(Co-integration，CI)、Compertz、光譜分析(Spectral Analysis，SA)等

除了上面介紹的一些方法外，還有許多分析技術應用到旅游預測中來，比如運用決策支持系統(tǒng)(DSS)的帕特普洛斯(Petropoulos)，協(xié)整理論(CI)的韋伯(Webber)、阿爾吉里(Algieri)等，Compertz方法的帕特普洛斯(Petropoulos)，通過他們的研究發(fā)現(xiàn)，這些方法在旅游預測中都有良好的預測效果。科斯赫爾(Coshall)用光譜分析(SA)發(fā)現(xiàn)從英國以航空和水運的方式到法國、荷蘭、比利時的旅客流量存在著季節(jié)性而未表現(xiàn)出明顯的周期性。

盡管人工智能有獨特性(比如對數(shù)據(jù)分布的特點無特別要求)和高精度的預測能力，但也有其自身的缺陷。比如缺少理論支撐，無法從經濟理論視角很好地解釋旅游需求，因而不能為政策的評估和決定提供更多的建議與幫助，這也限制了人工智能在旅游需求預測上應用的廣度和深度。

二、人工智能方法在旅游預測中的應用評析

通過對近20年來國內外學者具有代表性的研究成果歸類看出，這些學者采用不同的研究方法對各種特點的旅游需求進行預測的同時，通過預測精度來檢驗模型的優(yōu)劣。從其中不難看出由于研究對象不同，得出的結論不盡相同。然而并沒有哪一種模型與方法一定是最優(yōu)的，只有相對最優(yōu)。由此可見，有些簡單的預測方法也能取得理想的預測效果，預測技術并不是越復雜越好，考慮因素也不一定要求面面俱到，更重要的是要根據(jù)實際的研究問題選用適合的方法，這樣才能發(fā)揮各種方法的優(yōu)勢和特點，從而更好地對旅游做出科學而合理的研究和預測。在旅游預測中并沒有哪一種模型絕對最優(yōu)。正如李(Li)所述，各種模型由于數(shù)據(jù)類型、分析對象、適應范圍不同而表現(xiàn)出不同的預測精度，所以沒有哪一種分析方法是萬靈藥。但有些學者將不同模型的優(yōu)點整合在一起組合成新的模型，通過實證研究發(fā)現(xiàn)，其預測效果好于單個模型。比如蒙薩拉特(Montserrat)將躍遷概率矩陣和遺傳算法相結合，陳寬裕和王成華(Kuan-YuChen and Cheng-Hua Wang)用結合遺傳算法的支持向量回歸來進行旅游需求預測。黃和宋(Wong and Song)歸納出組合模型能有效地降低單一方法的預測風險。雖然整合模型能提高預測效果，但每類模型有不同的約束條件，對變量、參數(shù)、數(shù)據(jù)的要求不同，存在著如何選擇模型、如何整合的問題，這就要求有一個一般性的規(guī)則或指導原則，這方面有待學者進一步研究。 、傳統(tǒng)的計量方法，從模型的本身可以看出經濟現(xiàn)象和影響因素之間明確的依存關系，比如奧運會、金融危機等重要事件對旅游的影響，這有利于看清經濟現(xiàn)象后的影響機理，從而對經濟現(xiàn)象的分析和預測有更清晰的把握。解釋性預測在揭示因素對現(xiàn)象的內在規(guī)律中具有不可比擬的優(yōu)勢，這一方面，人工智能分析過程就像一個“黑盒”，掩蓋了因素之間的經濟涵義。但傳統(tǒng)的計量方法也存在著自身的缺陷，比如當影響因素與目標變量之間存在高度非線性時，雖然可以利用非線性回歸擬合，但因素較多時存在方程的選擇困難、參數(shù)的估計不精確和偽回歸等諸多問題；還有，這類模型都是靜態(tài)的，無法適應動態(tài)的旅游預測需要，從而會產生不確定性，導致預測結果波動較大。從這個角度上看，人工智能就彌補了傳統(tǒng)計量方法的不足，具有更好的適應能力和包容性。

傳統(tǒng)的計量和人工智能等定量分析方法都有賴于較為完備的統(tǒng)計數(shù)據(jù)。然而在現(xiàn)實中，影響旅游需求的因素非常多，比如政治法律因素、經濟因素、社會文化因素、交通運輸因素和旅游資源因素。在定量分析模型中不可能窮盡所有的關聯(lián)因素，況且有些因素是不可量化的，但是這些因素又會對旅游業(yè)產生深刻影響，從而也不能忽略。因此定量分析方法就受到了限制，在這種情況下定性分析方法中的德爾菲法(Delphi)有更好的兼容性。德爾菲法(Delphi)是由美國蘭德公司在20世紀50年代創(chuàng)立的，它是在缺乏歷史數(shù)據(jù)或發(fā)展傾向的情況下，或者是需要對某種問題做高水準的主觀判斷，由專家利用現(xiàn)有信息做出判斷和預測。泰德史威爾(Tideswell)將德爾菲法和人工智能方法結合起來，從而展現(xiàn)出更好的預測能力。因此，在現(xiàn)有的以定量分析為主的預測方法體系下，德爾菲法是一個有益的補充。

三、結語與展望

人工智能方法在旅游預測中與傳統(tǒng)方法相比的確取得了較好的預測效果，但其研究與應用還只是一個開端，目前亟待學者解決的問題有：第一，怎樣將人工智能方法與傳統(tǒng)定量和定性方法相結合組成預測能力更好的模型；第二，怎樣運用人工智能方法對旅游短期波動和季節(jié)性進行分析和預測；第三，旅游業(yè)是一個高敏感性行業(yè)，易受自然因素和人為事件的影響，人工智能該如何改進，從而可以進行沖擊分析和風險評估。然而，模型只是一種研究和解決問題的手段，重要的是通過模型認識經濟現(xiàn)象的本質。

責任編輯：宋志偉