《杭州旅游需求预测——bp神经网络算法》由会员分享，可在线阅读，更多相关《杭州旅游需求预测——bp神经网络算法（4页珍藏版）》请在金锄头文库上搜索。
1、BPBP神经网络算法神经网络算法研究的具体过程1. 指标的选择及数据收集考虑到数据的可得到性和有效性,选取了旅游资源、人力资源、交通、服务质量、环境、费用的相关指标, 详见表1。2. 神经网络的确定在 MATLAB R2010b 平台上选用Feed- forward backprop 网络类型（即函数newff），训练函数选取了TRAINLM, 阈值学习函数选取了LERRNGDM, 性能函数选取了MSE, 网络层数选择四层（即一个输入层，两个隐层和一个输出层），第二、三层（隐层）选取传递函数为TANSIG， 第四层（输出层）选取传递函数为PURELIN，神经元个数为1。预测过程中要创建两个网络
2、, 即旅游总收入预测的网络和旅游人次数预测的网络，两个网络其他方面完全相同，唯一不同的是隐层神经元个数不同，隐层神经元个数选取原则为P- 1i5( P 为期望输入ii6的变量数)，本文中期望输入变量个数为6，因此确定隐层神经元个数初值为5，而后来在实际训练后发现，旅游收入预测网络的隐层神经元个数依次为6、5个时最优，旅游人次数网络的隐层神经元个数依次为5、5个时最优。3. 数据的转化与输入以旅客总量/万人次、旅游总收入/亿元为神经网络的期望输出6, 1y2y以旅游资源、人力资源、交通、服务质量、环境、费用为期望输入6(见表1)。为让数据更加具备典型性和更优良的泛化能力，故把数据重新打乱顺序进行
3、输入，并分类为：训练输入数据、变量数据、测试数据，每类数据的选用是随机的。其中，测试数据用来评价神经网络预测的科学性。表2中的数据浮动范围太大，如果直接输入神经网络，则网络训练时间太长，则需要将数据进行归一化处理后再进行调用，并在最终结果输出时再进行反归一化。将测试数据仿真后的结果数据反归一化，并与实际值的原值进行比较, 求出误差，确定神经网络的实际预测效果。在此贴出其中一次的运行结果，详见表3和表4。表1 杭州市旅游需求预测的相关指标影响因素相关指标构成旅游资源1xA级景区数量/个、交通2x服务质量3x旅行社数量/个、星级宾馆数量/个环境4x费用5x人力资源6x导游数量/人旅游需求总量旅客总
4、量/万人次、旅游总收入/亿元1y2y表 2 年各变量数据2001 2009指标2001200220032004200520062007200820091x1221151351351391451491491762x2238277531763847418645144696590362713x3954134495205696286406837164x6924443341414144425x78280186095198195097099610236x314033764579636878129246981411071126851y2592.042758.022862.113139.513417.2538
5、75.024320.54773.035324.342y242.49288.19320.44402.99456.66534.83626.93707.92805.5表3 训练数据的预测值和实际值对比指标200120022003200420052006200720081y2592.042758.022862.113139.513417.253875.024320.504773.03 1y2592.042758.022862.113139.513417.253875.024320.504773.03误差%000000002y242.4900288.1900320.4400402.9900456.660
6、0534.8300626.9300707.9200 2y244.6745288.7014316.6160399.5628462.7006549.6985610.4722706.6331误差%0.90%0.18%-1.19%-0.85%1.32%2.78%-2.63%-0.18%表4 旅游需求总量仿真值( 预测值) 与实际值的对比指标1y 1y误差%2y 2y误差%20095324.34005324.340008055000806.74680.15%i 5 Sartori M A and Antsaklis P J.A Simple Method toDerive Bounds on the Size and to Train Multiplayer NeuralNetworks.IEEETrans.NeuralNetworks,1991,2 (5):467 -471.ii 6 魏海坤.神经网络结构设计的理论与方法M.北京: 国防工业出版社, 2005.
