孫玲 達(dá)舉霞

摘要：甘肅省有絕美的自然地貌和獨(dú)特的絲路文化，擁有許多天然草場，草原碧綠，湖泊清澈的夏季景觀，多樣的地貌，大漠的風(fēng)光，本文運(yùn)用大數(shù)據(jù)方法分析各個因素數(shù)據(jù)，找出決定性因素，對甘肅旅游市場現(xiàn)狀、旅游資源特色和未來發(fā)展趨勢進(jìn)行了剖析，做出了預(yù)測指標(biāo)，并評價深度學(xué)習(xí)方法、灰色神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)技術(shù)在不同周期下對旅游需求建模與預(yù)測中產(chǎn)生的效果。

關(guān)鍵詞：大數(shù)據(jù)?灰色神經(jīng)網(wǎng)絡(luò)?Topsis方法?甘肅旅游

中圖分類號：F832.51??????????文獻(xiàn)標(biāo)識碼：A

Analysis?on?the?Current?Situation?of?Tourism?in?Gansu?Province?Based?on?Network?Big?Data?Modeling

SUN?Ling??DA?Juxia

（Lanzhou?Resources?&?Environment?Voc-Tech?University，?Lanzhou，?Gansu?Province，?730021?China）

Abstract：?Gansu??Province?has?beautiful?natural?landforms?and?unique?Silk?Road?culture，?and?has?many?natural?grasslands，?summer?landscapes?with?green?grasslands?and?clear?lakes，?diverse?landforms?and?desert?scenery.?This?paper?uses?the?method?of?big?data?to?analyze?the?data?of?various?factors?and?find?out?the?decisive?factors，??analyze?the?present?situation，?the?characteristics?of?tourism?resources?and?the?future?development?trend?of?the?tourism?market?in?Gansu?and?make?prediction?indexes，?and??evaluate?the?effects?of?machine?learning?techniques?such?as?deep?learning?methods?and?grey?neural?network?on?tourism?demand?modeling?and?prediction?in?different?periods.

Key?Words：?Big?data;??Grey?neural?network;?Topsis?method;?Tourism?in?Gansu

1??國內(nèi)外研究的現(xiàn)狀和趨勢

旅游需求的研究，吸引了大量的來自不同學(xué)科的研究人員，鑒于準(zhǔn)確預(yù)測動態(tài)和復(fù)雜的旅游市場的重要性，在過去幾十年中，相關(guān)研究者發(fā)表了600多篇有關(guān)旅游需求建模和預(yù)測的論文，這些研究主要集中在模型構(gòu)建和性能評估上，其中一些研究提出了新穎的混合模型或者使用了多種方法的組合。目前，人們普遍認(rèn)為，預(yù)測旅游需求的量化方法可分為三類，分別是時間序列模型，計量經(jīng)濟(jì)學(xué)模型，人工智能（AI）的模型。

時間序列模型推斷感興趣的變量的過去模式來預(yù)測未來值，常用的方法有包括UCM模型，ARIMA模型，GARCH模型等。計量經(jīng)濟(jì)學(xué)模型通過使用權(quán)威的解釋變量以提高預(yù)測精度，例如經(jīng)濟(jì)指標(biāo)，氣候溫度指標(biāo)，大數(shù)據(jù)指標(biāo)和市場情緒指標(biāo)。一些前沿的計量經(jīng)濟(jì)學(xué)技術(shù)應(yīng)用于旅游預(yù)測建模包括時變參數(shù)、混合數(shù)據(jù)抽樣和貝葉斯模型等。隨著AI技術(shù)的發(fā)展，許多相關(guān)的方法被引入到旅游需求建模與預(yù)測。這些方法包括人工神經(jīng)網(wǎng)絡(luò)方法，核極限學(xué)習(xí)方法，粗糙集模型和支持向量回歸等。在大數(shù)據(jù)時代，大數(shù)據(jù)已成為開發(fā)基于AI的預(yù)測模型的重要驅(qū)動力。傳統(tǒng)預(yù)測方法中使用的數(shù)據(jù)通常是自然聚合的，具有時滯。而來自谷歌趨勢、谷歌分析和百度索引等來源的搜索引擎數(shù)據(jù)已成為旅游需求預(yù)測的新數(shù)據(jù)源。

現(xiàn)有的旅游需求研究主要集中與于ARIMA模型的應(yīng)用，但是ARIMA模型并不總是優(yōu)于其他模型，近期的研究表明，一些基于機(jī)器學(xué)習(xí)技術(shù)的人工智能方法在預(yù)測性能上優(yōu)于傳統(tǒng)的時間序列模型與計量經(jīng)濟(jì)學(xué)模型。Pai等在香港和臺灣的旅游需求預(yù)測中發(fā)現(xiàn)支持向量機(jī)的性能優(yōu)于ARIMA模型。Claveria?等的研究同樣驗證了支持回歸向量回歸，高斯過程回歸和神經(jīng)網(wǎng)絡(luò)模型均優(yōu)于傳統(tǒng)方法。由于國際旅游的研究相對較少。同時，國內(nèi)外該領(lǐng)域的研究者大多使用經(jīng)濟(jì)學(xué)和管理學(xué)的理論開展研究，很少有學(xué)者結(jié)合優(yōu)化算法對于模型參數(shù)估計的應(yīng)用。隨著AI技術(shù)的興起，優(yōu)化算法在模型效率提升中起到了關(guān)鍵作用，將機(jī)器學(xué)習(xí)技術(shù)與優(yōu)化算法相結(jié)合也是未來研究的趨勢之一。

2??預(yù)備知識

采用參與式觀察、深度訪談、問卷調(diào)查等方法整理出近幾年旅游景點(diǎn)營業(yè)額相關(guān)數(shù)據(jù)，從歷史數(shù)據(jù)中提取影響旅游的特征信息，建立旅游評價模型，選擇甘肅省6個相對較大的旅游景點(diǎn)，建立旅游景點(diǎn)營業(yè)額的月預(yù)測模型，并通過歷史數(shù)據(jù)評價該模型。

對于數(shù)據(jù)分析，我們選擇考慮旅游景點(diǎn)的需求頻數(shù)、景點(diǎn)的需求量、景點(diǎn)的變化趨勢、景點(diǎn)門票四個特征，對于大大小小取284個旅游景點(diǎn)，計算這些景點(diǎn)在每個月的具體收益額，月平均收益額以及歷史周期內(nèi)的總和。選擇適當(dāng)?shù)哪繕?biāo)，建立景點(diǎn)相關(guān)信息庫。

對于景點(diǎn)選擇，基于得到的景點(diǎn)信息庫，選擇影響較大的一些指標(biāo)賦予權(quán)重，建立評價模型，按模型評分從高到底的順序選擇6種相對較大的旅游景點(diǎn)。

對于預(yù)測模型，基于調(diào)查歷史數(shù)據(jù)的時序性及特征信息較少的特點(diǎn)，選擇基于AI方法的時間序列預(yù)測模型，以及歷史數(shù)據(jù)作為訓(xùn)練集和測試集來檢驗?zāi)Ｐ偷念A(yù)測結(jié)果。

3??模型的假設(shè)

由于部分旅游景點(diǎn)的收益額會受特殊原因的影響，比如，近兩年疫情的影響歷史數(shù)據(jù)失效，我們可以考慮正常情況下的歷史數(shù)據(jù)。

4??模型的建立與求解

4.1?景點(diǎn)的評價指標(biāo)

查看177個月期間的歷史數(shù)據(jù)，從旅游景點(diǎn)的需求頻數(shù)、景點(diǎn)的需求量、景點(diǎn)的變化趨勢、景點(diǎn)門票四個角度，建立評價指標(biāo)來衡量各個景點(diǎn)的關(guān)注度。

4.1.1?景點(diǎn)的需求頻數(shù)

4.1.2?景點(diǎn)的需求量

為第?i?個景點(diǎn)的月平均需求量。

4.1.3?變化趨勢

對于景點(diǎn)的趨勢，考慮需求量的相對變化量，即對第?i?個景點(diǎn)，我們計算其每一個月與前一個月之間需求量的差值。建立趨勢矩陣

其中為第?i?個景點(diǎn)在第?j?個月相對于第?j-1?個月需求量的改變量，其中

同時規(guī)定，即初始階段第一個月的變化量記為?0。

4.1.4?景點(diǎn)門票

價格是衡量景點(diǎn)重要性的一個核心因素，它影響到購買門票時的資金準(zhǔn)備。通過歷史數(shù)據(jù)發(fā)現(xiàn)，有一部分景點(diǎn)門票在不同需求下的銷售單價有波動，為了方便計算，取其平均值作為銷售單價。記為第?i?個旅游景點(diǎn)的銷售單價。

4.2?基于熵權(quán)法的?Topsis?模型

基于熵權(quán)法對?Topsis?模型是一種常用的綜合評價方法，能充分利用原始數(shù)據(jù)的信息，客觀進(jìn)行權(quán)重幅值，其結(jié)果能客觀地反映各評價方案之間的差距。該方法的步驟如下：數(shù)據(jù)標(biāo)準(zhǔn)化；進(jìn)行歸一化處理；計算每個指標(biāo)的信息熵，并計算信息效用值，并歸一化得到每個指標(biāo)；計算信息效用值（信息熵冗余度）；計算指標(biāo)的權(quán)重系數(shù)。

4.3?灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型

灰色神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D如下：

其中，t為輸入?yún)?shù)序號為網(wǎng)絡(luò)輸入?yún)?shù);為網(wǎng)絡(luò)權(quán)值;為網(wǎng)絡(luò)預(yù)測值;LA、LB、LC、LD分別表示灰色神經(jīng)網(wǎng)絡(luò)的四層。

灰色神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程如下：

（1）根據(jù)訓(xùn)練數(shù)據(jù)特征初始化網(wǎng)絡(luò)結(jié)構(gòu)，初始化參數(shù)?a，b，并根據(jù)a，b的值計算u。

（2）根據(jù)網(wǎng)絡(luò)權(quán)值定義計算。

（3）對每一個輸入序列（t，y（t）），t=1，2，3，...，N，計算每層輸出。

（4）計算網(wǎng)絡(luò)預(yù)測輸出與期望輸出的誤差，并根據(jù)誤差調(diào)整權(quán)值和閾值。

（5）判斷訓(xùn)練是否結(jié)束，若否，返回步驟?3。

5??模型求解

利用?Excel?軟件以及?Matlab?R2019a?軟件對附件數(shù)據(jù)進(jìn)行量化分析，得到?284個大大小小的旅游景點(diǎn)在?177?個月內(nèi)的景點(diǎn)需求頻數(shù)，景點(diǎn)需求量，景點(diǎn)需求變化量以及景點(diǎn)門票。將這?284?個旅游景點(diǎn)相關(guān)信息匯總，得到?284?種方案，每一種方案由一個向量表示，它指某個景點(diǎn)對應(yīng)的統(tǒng)計信息。然后利用?Matlab?軟件，通過基于熵權(quán)法的?Topsis?方法，對上述?284?個方案進(jìn)行評價，選取評分最高的六個景點(diǎn)作為重點(diǎn)關(guān)注的景點(diǎn)。

綜上，再結(jié)合圖2可以看出，通過基于熵權(quán)法的?Topsis?評價模型，選取出的景點(diǎn)綜合考慮了景點(diǎn)的頻數(shù)、門票的影響，并沒有表現(xiàn)出某種特性的數(shù)值集中于某一區(qū)間的特性，比需求量、變化率以及起對某一特性的數(shù)值倒序排列的方法，更具有合理性。?基于歷史數(shù)據(jù)，使用灰色神經(jīng)網(wǎng)絡(luò)作為景點(diǎn)需求的月預(yù)測模型，將模型能夠很好地追蹤需求量的變化趨勢。

6??結(jié)語

該文以當(dāng)前的相關(guān)研究成果為基礎(chǔ)，理論上，緊緊圍繞大數(shù)據(jù)與人工智能的時代背景，將機(jī)器學(xué)習(xí)方法引入到旅游之中，基于甘肅省各市州旅游市場發(fā)展的現(xiàn)狀，調(diào)研了影響旅游市場發(fā)展的因素，建立有效的預(yù)測指標(biāo)體系，開發(fā)高精度的預(yù)測模型，對未來甘肅省旅游市場的發(fā)展趨勢進(jìn)行了分析與預(yù)測。實(shí)踐上，利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建的高效預(yù)測模型有助于甘肅省旅游市場的合理規(guī)劃，避免過度開發(fā)以及開發(fā)欠缺，降低旅游需求各種波動帶來的負(fù)面影響。

參考文獻(xiàn)

[1]?SONG?H，QIU?R?T?R，PARK?J.?A?Review?of?Research?on?Tourism?Demand?Forecasting[J].Annals?of?Tourism?Research，2019，75：338-362.

[2]?韋瑾.基于網(wǎng)絡(luò)文本的民族旅游體驗特征研究[J].中國市場，2021（14）：122-125.

[3]?李瓊.?旅游大數(shù)據(jù)與挖掘分析研究[J].?當(dāng)代旅游：下旬刊，2018（5）：104-106.

[4]?GAO?Y.A?Study?on?the?Satisfaction?of?Practice?and?the?Willingness?to?Stay?in?the?Post?of?Students?in?Tourism?Management?Major?Based?on?Big?Data?Analysis[J]，Journal?of?Physics?Conference?Series，2021，1744（3）：032070.

[5]?王強(qiáng)進(jìn).?基于大數(shù)據(jù)分析的智慧旅游研究[D].長春：長春工業(yè)大學(xué)，2021.

[6]LIM?C，MCALEER?M.Time?Series?Forecasts?of?International?Travel?Demand?for?Australia[J].?Tourism?Management，2002，23（4）：389-396.

[7]DU?PREEZ?J，?WITT?S?F.?Univariate?Multivariate?Time?Series?Forecasting：?An?Application?to?International?Tourism?Demand[J].?International?Journal?of?Forecasting，?2003，19（3）：435-451.

[8]CHAN?F，LIM?C，MCALEER?M.?Modelling?Multivariate?International?Tourism?Demand?and?Volatility[J].?Tourism?Management，2005，26（3）：459-471.

[9]SONG?H，WITT?S?F.?Forecasting?International?Tourist?Flows?to?Macau[J].?Tourism?management，2006，27（2）：214-224.

[10]王小川，史峰，郁磊等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京：北京航空航天大學(xué)出版社，2013.

[11]胡運(yùn)權(quán).?運(yùn)籌學(xué)基礎(chǔ)及應(yīng)用[M].7版.北京：高等教育出版社，2021.

[12]GIORDANO?F?R，F(xiàn)OX?W?P，HORTON?S?B.數(shù)學(xué)建模[M].原書5版.北京：機(jī)械工業(yè)出版社，2014.