胡曉琴

摘 要： 為了提高旅游需求量的預測精度，提出基于支持向量機的旅游需求量預測模型。首先分析了旅游需求量當前的研究現狀，找出當前旅游需求量預測模型的缺陷，然后針對旅游需求量的時變性、周期性以及小樣本的特點，建立支持向量機的旅游需求量預測模型，最后與神經網絡等模型進行旅游需求量預測對比實驗。結果表明，相對于神經網絡等模型，支持向量機獲得了更高精度的旅游需求量預測結果，可以為旅游區的管理和合理規劃提供有益的指導意見。

關鍵詞： 旅游需求量； 預測模型； 支持向量機； 灰色模型； 參數優化

中圖分類號： TN911.1?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）15?0105?03

Abstract： In order to improve the prediction accuracy of tourism demand， a tourism demand prediction model based on support vector machine is proposed. The current research status of tourism demand is analyzed to find out the defects of the current tourism demand forecasting model. According to the characteristics of time variation， periodicity and small sample of tourism demand， the tourism demand prediction model based on support vector machine was established. The contrast experiment of tourism demand forecasting model and neural network model was carried out. The results show that， in comparison with the neural network model， the tourism demand prediction model based on support vector machine has more accurate prediction result， which can provide the helpful guidance for the tourist area management and reasonable planning.

Keywords： tourism demand； forecasting model； support vector machine； grey model； parameter optimization

0 引 言

隨著經濟的迅速發展，人們的生活水平不斷提升，旅游成為人們生活重要的組成部分。同時旅游可以促進一個地區以及一個國家的經濟發展，它們兩者之間相互關聯[1?2]。對旅游需求量進行準確預測，根據預測結果制定合理的管理和開放方案具有重要的實際意義[3?4]。

針對旅游需求量預測問題，采用統計學方法進行建模，取得了不錯的成果[5]。最初人們采用線性回歸對旅游需求量進行建模，通過分析對旅游需求量歷史數據之間的關系，對模型的參數進行估計，從而構建旅游需求量的預測模型，但由于該模型認為旅游需求量只是一種線性增加趨勢，沒有考慮對旅游需求量的周期性變化特點，使得對旅游需求量的預測誤差大[5]。為了解決線性回歸模型的缺陷，有學者提出基于滑動平均法、指數平滑法等[6]，它們屬于時間序列分析法，本質上也是一種線性建模方法，因此局限性也比較明顯。近幾年，隨著神經網絡的研究深入，有學者提出基于神經網絡的旅游需求量預測模型[7?9]，其屬于一種非線性建模方法，不僅可以對旅游需求量的周期性變化特點進行描述，同時可以跟蹤旅游需求量的時變性，獲得不錯的旅游需求量預測結果。神經網絡要求旅游需求量的樣本數量多，而旅游需求量是一種小樣本預測問題，使得神經網絡在學習過程中易出現過擬合現象，即雖然擬合精度相當高，但是旅游需求量的預測精度相當低[10]。支持向量機（Support Vector Machine，SVM）是一種小樣本預測問題的建模工具，不存在神經網絡的過擬合缺陷，為旅游需求量的預測提供了一種新的研究方法[11]。

為了提高旅游需求量的預測精度，提出基于支持向量機的旅游需求量預測模型，并與神經網絡等模型進行了旅游需求量預測對比實驗。結果表明，支持向量機獲得了更高精度的旅游需求量預測結果，具有比較明顯的優越性。

1 支持向量機

支持向量機是一種機器學習算法，對于旅游需求量問題，首先收集其歷史數據，構成的樣本集合為：其中表示樣本的數量，由于旅游需求量具有非線性變化特點，因此需將原始數據通過函數映射到線性空間中，從而簡化回歸問題，得到：

要建立旅游需求量的預測模型，必須找到合適的變量和的值，而直接對和進行求解比較困難，因此對式（1）進行如下轉換：

式中：為旅游需求量的回歸誤差；表示旅游需求量預測誤差的懲罰程度。

為了更好地對旅游需求量預測問題進行求解，引入拉格朗日函數對式（2）進行轉換，得到：

2 基于支持向量機的旅游需求量預測模型

2.1 旅游需求量數據的重構

在實際應用中，旅游需求量由于多種因素的作用，其有一定的混沌性，為此對原始旅游需求量進行重構，變為沒有混沌性的旅游需求量數據。設原始的旅游需求量為，變換重構后的多維旅游需求量為：

式中和均為混沌處理參數。

2.2 蟻群優化算法

蟻群算法將信息素作為搜索方向，通過反饋機制找到問題的最優解。設節點間的信息素濃度和可見度分別為和那么在時刻，第只螞蟻從轉向的概率計算公式為：

式中：為第只螞蟻未經過的節點集合；為信息累積量和啟發式因子。

的計算公式為：

式中為和間的距離。

螞蟻完成一次搜索后，更新信息素量為：

式中為信息殘留量。

2.3 支持向量機的旅游需求量預測建模步驟

（1） 針對某一個旅游景點，收集該旅游景點近些年的旅游需求量歷史數據，并做如下處理：

最后旅游需求量預測值要通過式（18）進行變換：

式中：為旅游需求量的原始值；和為最大和最小的旅游需求量。

（2） 采用參數和根據式（12）得到重構后的旅游需求量，即支持向量機的建模樣本。

（3） 采用支持向量機對旅游需求量數據進行學習，并采用蟻群優化搜索最優參數和的值，和的目標函數為：

（4） 根據最優參數和的值，建立旅游需求量預測模型。具體工作流程如圖1所示。

3 旅游需求量預測應用實例

3.1 旅游需求量數據

為了測試基于SVM的旅游需求量建模與預測效果，選擇某個旅游景點的旅游需求量歷史數據作為研究對象，如圖2所示。

3.2 基于SVM的旅游需求量預測結果

確定最優和得到多維旅游需求量數據，選擇最后100個旅游需求量數據作為測試樣本，其他數據對SVM進行學習，建立旅游需求量的預測模型，并采用蟻群優化算法確定參數的值為：1.758，最后對旅游需求量測試樣本進行預測，測試結果如圖3所示。從圖3可知，基于SVM的旅游需求量預測精度高，可以對旅游需求量的變化態勢進行準確跟蹤，是一種有效的旅游需求量建模與預測工具。

3.3 與其他旅游需求量預測模型的精度比較

選擇當前常用的旅游需求量預測模型進行比較，它們的旅游需求量平均預測精度如表1所示，對表1的旅游需求量預測精度進行對比分析，可以發現：

（1） 在所有模型中，線性回歸分析的旅游需求量預測精度最低，這是因為線性回歸分析模型只能描述旅游需求量的線性變化特點，無法全面刻畫旅游需求量的變化趨勢，導致旅游需求量的預測誤差大。

（2） 神經網絡的旅游需求量預測精度要優于線性回歸模型，獲得比較好的旅游需求量預測結果，這是因為神經網絡是一種非線性建模方法，可以對旅游需求量變化特點進行較好的描述，但有時會出現一些過擬合預測結果，導致預測結果不穩定。

（3） 在所有模型中，SVM的旅游需求量預測精度最高，使得旅游需求量預測誤差得到有效控制，主要由于SVM具有神經網絡的良好預測性能，同時能克服過擬合的不足，對旅游需求量的周期性、時變性特點都可以準確預測，再加上采用蟻群算法確定模型參數，使得模型的預測性能得到進一步提高，獲得十分理想的旅游需求量預測結果，具有十分顯著的優越性。

4 結 語

為了更好地跟蹤旅游需求量的變化趨勢，提出基于SVM的旅游需求量模型。首先收集某地區旅游需求量的歷史數據，然后采用SVM對旅游需求量數據進行學習，構造相應的旅游需求量預測模型，采用具體旅游需求量數據對模型的有效性進行測試，測試結果表明，SVM的旅游需求量預測精度得到了一定的提升，是一種有效的旅游需求量建模工具，具有較高的實際應用價值。

參考文獻

[1] 謝彥君.基礎旅游學[M].北京：中國旅游出版社，1999：225?227.

[2] 郭靖，郝索.云旅游視角下的現代鄉村旅游發展策略研究[J].西安郵電學院學報，2012，17（5）：108?111.

[3] 劉俊梅，田曉霞，閆敏，等.基于“智慧旅游”的新疆旅游產業轉型升級策略研究[J].市場論壇，2012（11）：92?95.

[4] 張紅賢，馬耀峰.中國入境旅游市場的多元回歸預測[J].資源開發與市場，2005，21（2）：105?106.

[5] 何彪，朱連心.基于灰色系統GM（1，1）模型的海南旅游業收入預測[J].旅游論壇，2011，4（6）：65?67.

[6] 楊盼，顏七笙.馬爾科夫方法修正的灰色模型在我國農村居民人均旅游消費預測中的應用[J].江西科學，2011，29（1）：6?10.

[7] 張舒，王浩華，李肯.基于神經網絡算法的海南旅游需求測估模型[J].數學的實踐與認識，2015，45（19）：12?22.

[8] 吳江華，葛兆帥，楊達源.基于人工神經網絡的國際入境旅游需求的定量分析與預測：以日本對香港的國際旅游需求分析為例[J].旅游學刊，2002，17（3）：55?59.

[9] 李志龍，陳志鋼，覃智勇.基于支持向量機旅游需求預測[J].經濟地理，2010，30（12）：2122?2126.

[10] 翁鋼民，李凌雁.旅游客流量預測：基于季節調整的PSO?SVR模型研究[J].計算機應用研究，2014，31（3）：692?695.

[11] CHEN K Y， WANG C H. Support vector regression with genetic algorithms in forecasting tourism demand [J]. Tourism management， 2007， 28： 215?226.

[12] 樓鋼.基于BP人工神經網絡的杭州入境旅游需求預測分析[J].現代商業，2010（14）：64?65.