基于深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)的遼寧省滑雪旅游經(jīng)濟(jì)預(yù)測

摘要：目前，中國滑雪人口已超過了一千萬，滑雪市場給我國旅游業(yè)帶來了一個新經(jīng)濟(jì)增長點(diǎn)，旅游經(jīng)濟(jì)也得到了迅速的發(fā)展。尤其遼寧省滑雪旅游產(chǎn)業(yè)的已初具規(guī)模，滑雪旅游也成為帶動遼寧省發(fā)展經(jīng)濟(jì)的重要經(jīng)濟(jì)增長點(diǎn)。但是對于未來滑雪旅游經(jīng)濟(jì)預(yù)測研究甚少，而且人們對更先進(jìn)的預(yù)測方法也越來越感興趣。因此，本文提出了基于深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)對旅游需求進(jìn)行預(yù)測。首先利用季節(jié)性趨勢自回歸綜合移動平均模型剔除長期線性趨勢，然后利用深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練殘差數(shù)據(jù)進(jìn)行短期預(yù)測。結(jié)果表明，提出的模型具有較好的預(yù)測性能。

關(guān)鍵詞：滑雪旅游經(jīng)濟(jì);深度卷積長短記憶神經(jīng)網(wǎng)絡(luò);自回歸綜合移動平均模型;短期預(yù)測

1.引言

隨著全球國際化的影響，滑雪旅游業(yè)也處于快速發(fā)展的狀態(tài)。眾所周知，滑雪旅游業(yè)對一個國家的經(jīng)濟(jì)和社會發(fā)展的影響是巨大的。它不僅可以商業(yè)、貿(mào)易和資本投資，而且也為員工創(chuàng)造就業(yè)和創(chuàng)業(yè)精神和保護(hù)文化遺產(chǎn)和文化價值觀[1]。因此，一個可靠的經(jīng)濟(jì)預(yù)測模型是必要的，并在旅游規(guī)劃中發(fā)揮重要作用。準(zhǔn)確的預(yù)測為更好的旅游規(guī)劃和管理奠定了基礎(chǔ)。因此，需要在旅游需求研究中采用更有效的預(yù)測技術(shù)。

近年來，統(tǒng)計(jì)學(xué)被廣泛應(yīng)用于正在研究的滑雪旅游經(jīng)濟(jì)中。在統(tǒng)計(jì)方法中，時間序列預(yù)測是預(yù)測的一個重要領(lǐng)域。它可以分為兩類：線性方法和非線性方法。最常用的線性方法是樸素模型、指數(shù)平滑（ES）模型和自回歸綜合移動平均（ARIMA）模型。神經(jīng)元網(wǎng)絡(luò)被許多專家認(rèn)為是一種很有前途的時間序列預(yù)測技術(shù)。因此，在過去的幾十年里，已經(jīng)發(fā)表了2000多篇關(guān)于神經(jīng)網(wǎng)絡(luò)預(yù)測的文章，涵蓋了廣泛的應(yīng)用[2]。

由于神經(jīng)網(wǎng)絡(luò)的廣為人知，許多作者轉(zhuǎn)向使用神經(jīng)網(wǎng)絡(luò)來預(yù)測時間序列數(shù)據(jù)。隨著科學(xué)的進(jìn)步，越來越多的方法被使用。組合模型是其中最常用的方法。此外，還提出了支持向量回歸和新型混合系統(tǒng)[3]等方法。他們在優(yōu)化問題和預(yù)測問題上取得了很大的成就，但數(shù)據(jù)預(yù)處理和后期參數(shù)選擇問題相對復(fù)雜。

在本文中，將最先進(jìn)的線性模型和深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)結(jié)合在一起。比較結(jié)果表明，在滑雪旅游需求預(yù)測方面，新模型比其他DNN模型表現(xiàn)得更好。

2.提出的滑雪旅游經(jīng)濟(jì)預(yù)測模型

時間序列模型解釋了一個變量關(guān)于它自己的過去和一個隨機(jī)干擾項(xiàng)。近四十年來，時間序列模型被廣泛應(yīng)用于旅游需求預(yù)測。

2.1 ARIMA模型

在將ARIMA模型擬合到原始數(shù)據(jù)時，ARIMA模型涉及以下四個步驟：

1）識別ARIMA （p， q， d）結(jié)構(gòu);

2）未知參數(shù)的估計(jì);

3）估計(jì)殘差的擬合優(yōu)度檢驗(yàn);

4）基于已知數(shù)據(jù)預(yù)測未來結(jié)果。

應(yīng)與正態(tài)隨機(jī)變量獨(dú)立同分布，均值為0，常方差為 。 和 的根都在單位圓之外。根據(jù)相關(guān)經(jīng)驗(yàn)ARIMA模型[14-15]至少應(yīng)使用50或100個觀測值。

2.2 深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)

在深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)中[4]，我們采用預(yù)測編碼網(wǎng)絡(luò)（PredNet）作為基準(zhǔn)骨干架構(gòu)。PredNet架構(gòu)由四個主要模塊組成：輸入卷積層、遞歸層、預(yù)測層和錯誤表示層。圖1展示了這個體系結(jié)構(gòu)。

RNN允許像存儲內(nèi)存一樣存儲前一個輸入的效果，并影響下一個步驟的輸出輸入數(shù)據(jù)必須從預(yù)測數(shù)據(jù)中減去，以在網(wǎng)絡(luò)的每一層產(chǎn)生輸出。網(wǎng)絡(luò)每一級的減法值作為預(yù)測誤差計(jì)算，并用反向傳播方法更新網(wǎng)絡(luò)的權(quán)值。這些誤差值被認(rèn)為是同一級別卷積LSTM層的輸入，并作為當(dāng)前級別的輸出或后續(xù)級別的網(wǎng)絡(luò)輸入。卷積LSTM層由其輸出、卷積LSTM層的下一層輸出和網(wǎng)絡(luò)各層的誤差值提供。這個卷積LSTM層將其輸出給卷積層，在網(wǎng)絡(luò)的每一層生成預(yù)測數(shù)據(jù)。最后對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以減少計(jì)算誤差。網(wǎng)絡(luò)各層關(guān)系的數(shù)學(xué)公式如式3-6所示。

網(wǎng)絡(luò)中所有卷積層、最大池化層和卷積LSTM層的內(nèi)核大小為3×3。卷積層的步長是1，而max-pooling層的步長是2。每個交叉網(wǎng)絡(luò)訓(xùn)練在150個epoch完成。epoch<75的學(xué)習(xí)率是0.001，當(dāng)epoch>75，下降到0.0001。網(wǎng)絡(luò)的權(quán)值采用Adam算法進(jìn)行優(yōu)化。所有實(shí)驗(yàn)都是在Python中使用Keras進(jìn)行的，硬件平臺是一臺配備了英特爾Core i-7-6700、16GB RAM和NVIDIA GeForce GTX TITAN X GPU的計(jì)算機(jī)。

3結(jié)果及分析

由于經(jīng)濟(jì)的快速增長和滑雪旅游的促進(jìn)，冬季來遼寧滑雪旅游的人數(shù)逐年大幅增加。這里選取2010年11月至2014年11月入境游客。數(shù)據(jù)集的處理過程：輸入旅游時間序列，描述一個序列圖表，檢查自相關(guān)和偏相關(guān)，本文網(wǎng)絡(luò)模型，給出結(jié)果。采集的數(shù)據(jù)分為兩組：訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

3.1 評價方法

一些定量統(tǒng)計(jì)指標(biāo)如歸一化均方誤差（NMSE）、絕對誤差百分比（APE）、相關(guān)系數(shù)（R）等。用NMSE和APE來衡量預(yù)測值與實(shí)際值之間的偏差。NMSE和APE值越小，表示預(yù)測值與實(shí)際值越接近。采用度量R來測量實(shí)際值與預(yù)測值的相關(guān)性[5]。

3.2 實(shí)驗(yàn)結(jié)果

對于具有顯著季節(jié)性周期性變化的數(shù)據(jù)，本文采用SARIMA模型消除線性趨勢。并使用AIC來測試哪一代是最好的。通過SARIMA模型得到?jīng)]有線性趨勢的數(shù)據(jù)，分別用DNN模型和提出的模型對數(shù)據(jù)進(jìn)行訓(xùn)練。我們可以得到DNN模型和提出的模型的結(jié)果如下。

如表1所示，我們可以看到本文模型的結(jié)果比DNN模型的結(jié)果要好得多。為了深入評價DNN模型和SA-D模型的性能，我們計(jì)算了測試數(shù)據(jù)集的APE、NMSE和R，如表2所示。可以看到，本文模型的NMSE、APE和R都比DNN模型好得多。

4 結(jié)論

在本研究中，我們提出了一種新的深度卷積長短記憶神經(jīng)網(wǎng)絡(luò)模型，它結(jié)合了SARIMA模型。首先，利用遼寧省滑雪旅游組織收集的數(shù)據(jù)，比較了本文模型和DNN模型;結(jié)果表明，本文模型能較好地?cái)M合和預(yù)測時間序列數(shù)據(jù)。并與其他作者的模型進(jìn)行了對比，驗(yàn)證了模型的有效性，得到了預(yù)期的結(jié)果。

參考文獻(xiàn)

[1]H. Song and G. Li， "Tourism demand modelling and forecasting-a review of recent research，" Tourism Management，vol. 29， no. 2， pp. 203-220， 2008.

[2]Lin Teng， Hang Li and Shahid Karim. DMCNN： A Deep Multiscale Convolutional Neural Network Model for Medical Image Segmentation [J]. Journal of Healthcare Engineering， 2019.

[3]S. F. Crone and P. C. Graffeille， "An evaluation framework for publications on artificial neural networks in sales forecasting，" in Proceedings of the International Conference on Artificial Intelligence （IC-AI '04）， pp. 221-227， Las Vegas， Nev， USA， June 2004.

[4]J. Teixeira and P. Fernandes， "Tourism time series forecast with artificial neural networks，" Tekhne， vol. 12， no. 1-2， pp. 26-36，2014.

[5]張永安，顏斌斌. 一種股票市場的深度學(xué)習(xí)復(fù)合預(yù)測模型[J]. 計(jì)算機(jī)科學(xué)， 2020， v.47（11）：263-275.

項(xiàng)目編號：省社科聯(lián)2021年度遼寧省經(jīng)濟(jì)社會發(fā)展研究課題（2021lslwzzkt-055）.

作者簡介：賀佃忱，男（1981—），遼寧沈陽人，沈陽師范大學(xué)體育科學(xué)學(xué)院，講師，博士，研究方向，體育教學(xué)。