粒子群算法優化神經網絡的旅游熱門景點預測模型

2020-04-22 16:27:49段立峰

微型電腦應用 2020年3期

段立峰

摘要：旅游熱門景點預測是當前旅游管理研究領域中的熱點，針對傳統旅游熱門景點預測模型無法準確描述旅游熱門景點的變化特點缺陷，為了提高旅游熱門景點預測精度，提出基于粒子群算法優化神經網絡的旅游熱門景點預測模型。首先分析當前國內外對旅游熱門景點預測問題研究方法，得到旅游熱門景點具有較大非線性變化特點，這也是導致當前旅游熱門景點預測錯誤大原因，然后引入非線性建模能力強的RBF神經網絡描述旅游熱門景點的非線性變化特點，并對RBF神經網絡參數進行優化，建立最優的旅游熱門景點預測模型，最后與傳統旅游熱門景點預測模型進行了對比測試，結果表明，粒子群算法優化神經網絡可以更好的跟蹤旅游熱門景點變化規律，旅游熱門景點預測精度要明顯優于傳統旅游熱門景點預測模型，而且旅游熱門景點預測效率也更高，能夠滿足旅游熱門景點在線預測要求。

關鍵詞：旅游管理系統; 熱門景點; 神經網絡; 非線性變化特點; 預測模型

中圖分類號： TM301

文獻標志碼： A

Abstract：Prediction of popular tourist attractions is a hot spot in the field of tourism management. Aiming at the defect that the traditional prediction model of popular tourist attractions can not accurately describe the changing characteristics of popular tourist attractions， a prediction model of popular tourist attractions based on neural network optimized by particle swarm optimization is proposed in order to improve the prediction accuracy of popular tourist attractions. Firstly， this paper analyzes the current domestic and foreign research methods on the prediction of popular tourist attractions， and obtains that popular tourist attractions have large non-linear change characteristics， which is also the major reason for the current prediction errors of popular tourist attractions. Then， an RBF neural network with strong non-linear modeling ability is introduced to describe the non-linear change characteristics of popular tourist attractions. At last， the RBF neural network parameters are optimized， and the optimal prediction model of tourist hot spots is established. Finally， the comparison test with the traditional prediction model of tourist hot spots is carried out. The results show that the neural network can better track the changing law of tourist hot spots， and the prediction accuracy of tourist hot spots is obviously better than the traditional prediction model. The prediction model of tourist attractions is more efficient and can meet the online prediction requirements of tourist attractions.

Key words：Tourism management system; Popular scenic spots; Neural network; Nonlinear change characteristics; Prediction model

0 引言

隨著我國人們生活水平的不斷提前，外出旅游成為人們生活的一部分。同時旅游業成為拉動一個地區經濟的重要部分，然而由于人們的時間有限，選擇最優的旅游景點作為游玩目的地十分重要。當前旅游景點很多，因此如何對旅游熱門景點進行預測成為當前旅游管理研究中的一個熱點方向[1]。

最初旅游熱門景點預測是通過一些旅游公司的一些專業人員通過自己的經驗進行估計，推測那些旅游景點可能會成為熱門，該類方法的工作過程十分繁瑣，得到的旅游熱門景點預測結果具有一定的盲目性，因此每一個專業人員的喜愛不一樣，使得旅游熱門景點預測結果可信度比較低[2，3]。隨著信息處理技術、自動化技術的不斷發展和融合，出現采用許多旅游熱門景點自動預測模型。當前旅游熱門景點預測模型可以劃分為兩類，一類是基于時間序列法的旅游熱門景點預測模型，其根據某個旅游景點的旅客歷史流量，對該旅游景點是不是熱門景點進行估計，主要有滑動平均模型，指數平滑模型等[4-6];另一類為基于聚類分析算法的旅游熱門景點預測模型，它們通過對旅游景點相關數據進行聚類，將旅游景點劃分為多種類型，從而判斷其是否屬于旅游熱門景點，它們有各自的優勢，自己有的適用范圍[7，8]，但是它們均屬于一種線性建模方法，認為旅游熱門景點只具有線性變化特點，而實際上旅游熱門景點與當前經濟、旅客喜愛、景點自身特點均相關，具有一定的非線性、隨機性變化特點，因此它們對旅游熱門景點預測結果有待改善[9-11]。

針對傳統旅游熱門景點預測模型存在精度低、誤差大等缺陷，提出基于粒子群算法優化神經網絡的旅游熱門景點預測模型，并采用具體實例與傳統旅游熱門景點預測模型進行了對比測試，結果表明，粒子群算法優化神經網絡的旅游熱門景點預測精度要明顯優于傳統旅游熱門景點預測模型，旅游熱門景點預測效率得到明顯改善。

1 粒子群算法優化神經網絡的旅游熱門景點預測模型

2.2 旅游熱門景點預測結果與分析

為了測試粒子群算法優化神經網絡的旅游熱門景點預測結果的越性，選擇BP神經網絡（BPNN）的旅游熱門景點預測模型、聚類分析算法的旅游熱門景點預測模型進行對比實驗，統計它們對表1各種旅游熱門景點的預測精度，結果具體如圖4所示。從圖4可以看出，本文模型的旅游熱門景點預測精度為94.04%，BPNN的旅游熱門景點預測精度為91.53%，聚類分析算法的旅游熱門景點精度為88.02%，相對于BPNN、聚類分析算法，本文方法的旅游熱門景點預測精度分別提高3.51%和6.52%，有效減少了旅游熱門景點預測誤差，可以更好描述旅游熱門景點變化特點，獲得更優的旅游熱門景點預測效果。

統計了3種旅游熱門景點預測模型訓練時間和預測時間，結果圖5所示。從圖5可以看出，相對于BPNN、聚類分析算法，本文旅游熱門景點預測模型的訓練時間和預測時間均有所降低，加快了旅游熱門景點預測的建模效率，可以進行旅游熱門景點在線預測。

3 總結

為了提高旅游熱門景點預測精度，提出基于粒子群算法優化神經網絡的旅游熱門景點預測模型，采用RBF神經網絡描述旅游熱門景點進行建模與分析，并對粒子群算法對RBF神經網絡參數進行優化，通過仿真對比實驗了測試本文方法的優越性。

參考文獻

[1] 陸國鋒，黃曉燕，呂紹和，等.基于互聯網信息的多約束多目標旅游路線推薦[J].計算機工程與科學，2016，38（1）：163-170.

[2] 姬鵬飛，李遠剛，盧盛祺，等.基于語義Web的旅游路線個性化定制系統[J].計算機工程，2016，42（10）：308-317.

[3] 劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫像的旅游情境化推薦服務研究[J].情報理論與實踐，2018，41（10）：87-92.

[4] 沈記全，王磊，侯占偉，等.基于情景上下文與信任關系的旅游景點推薦算法[J].計算機應用研究，2018，35（12）：3640-3643.

[5] 李雅美，王昌棟.基于標簽的個性化旅游推薦[J].中國科學技術大學學報，2017，47（7）：547-555.

[6] 李倩，許偉，蔣洪迅.考慮用戶口碑的旅游計劃個性化推薦方法研究[J].管理評論， 2016，28（6）：113-118.

[7] 劉艷，潘善亮.基于LBSN好友關系的個性化景點推薦方法[J].計算機工程與應用，2015，51（8）：117-122.

[8] 林甲祥，高敏節，陳崇成，等. 個性化旅游景點推薦中考慮約束的關聯規則挖掘算法[J].福州大學學報（自然科學版），2019，47（3）：320-326.