基于BP 神经网络的旅游需求预测研究*

张 华

（四川旅游学院信息技术系，成都，610010）

0 引言

在旅游规划中，对旅游需求进行预测是非常重要的。目前，较为常见的旅游需求预测方法是采用基于统计学的数学模型来进行旅游需求预测。但是，由于受到不可预知因素的影响，这种传统的数学模型需求预测误差较大，难以获得有效的预测结果。神经网络是一种具有容错、自组织、自学习、并行处理等能力的信息处理系统，因此在旅游需求预测方面具有较好的效果。

1 旅游需求影响因素分析

旅游需求的影响因素众多，包括旅游者的个人偏好、生活阶段、带薪假期长度以及个人收入等因素；以及旅游目的地接待设施条件、旅游价格以及旅游资源吸引力等因素。其中，旅游者的个人可支配收入情况以及旅游服务质量是影响旅游需求最为主要的因素。

1.1 人均可支配收入影响因素

居民收入是指居民可以用来自由支配的收入，是旅游需求的前提条件。当人们衣食住行等生活必需品方面的低层次需求得到一定程度的满足之后，就会追求自我实现、自尊以及社交等方面高层次需求。一般而言，随着人们可自由支配收入的增加，人们低层次消费支出的比例会逐渐减少，高层次消费的支出比例会逐渐增加，必然会激发人们对旅游消费的需求。即当人均可支配收入增加时，旅游消费的需求也会越来越强烈。因此，人均可支配水平是影响旅游需求的主要因素，而且当人均可支配收入越高，那么对旅游产品的需求量也会越多。

1.2 旅游服务质量影响因素

旅游服务主要是指旅游目的地的各种设备、设施、手段以及服务人员的“热情好客”的种种表现。较高的旅游服务质量，能够创造和谐的气氛，让游客产生一种心理效应，从而增强游客的幸福、惬意感，进而乐意消费旅游服务；反之，则不愿意消费旅游服务。人们旅游的目的就是为了某种精神需求，如果旅游目的地的旅游服务质量较差，难以满足游客的这种精神需求时，就无法达到游客旅游的目的，从而降低旅游者对旅游产品的需求。

旅游环境主要包括旅游目的地的自然环境、人文环境。环境是旅游产品重要的组成部分之一，直接影响旅游者对旅游目的地的满意度。一般来说良好的旅游环境，可以增强旅游者的吸引力，提高旅游产品质量，增强旅游产品的竞争力；反之，则会降低旅游者对旅游产品的满意度，降低旅游产品竞争力。

2 BP 神经网络设计

2.1 BP 神经网络概述

BP 神经网络（Back Propagation Neural Network），有信息正向传播与误差反向传播两个过程交替组成。在信息正向传播过程中，每一层神经元的状态只对下一层的神经元状态进行影响，在输入层接收到外界输入时，从隐含层开始进行逐层计算，并且向后传输直到输出层，然后再由输出层计算误差变化值，进行反向逐层传播，根据误差梯度下降的方式修改各层神经元的权值，直到输出的结果误差达到可接受的程度。

神经网络中神经元模型如图1 所示。

图1 神经元数学模型

其中， 既可以是线性函数，也可以是非线性函数，而非线性函数又有S 形函数和钟形函数两种。目前，最常用的激活函数为：

2.2 BP 神经网络原理

BP 神经网络算法可以分成信息正向计算和误差后向传播两种两个阶段。

2.2.1 信息正向计算阶段

在信息正向计算阶段，第 层，第 个神经元的输入输出关系如式（1）所示。

3 基于BP 神经网络的旅游需求预测实例

3.1 样本选定

通过前面对旅游需求影响因素的分析，最终选定通过某地区人均可支配收入和旅游服务质量两个影响因素来进行2013，2014 和2015 年该地区旅游人数的预测，其中该地区2003年-2012 的服务人数、人均可支配收入以及旅游人数的关系如表1 所示。（其中服务人数为该地区每个月的平均服务人数）

表1 BP 神经网络训练样本

3.2 样本训练

其中年人均收入和服务质量为预测模型的输入，而旅游人次为模型的输出，即该BP 神经网络的输入节点数量为2，输出节点数量为1，根据经验设置隐含层神经元个数为9。其中参数的设置如下所示。

[pg,min,max,t,mint,mint]=premnmx(p,t)；

net=newff(minmax(pg),[9,1],{‘rjkzp’,’fwrs’},’lv rs’)；

net.trainsparam.epochs=10000；

--最大迭代次数设为10000

net.trainparame.ir=0.01；

net.trainParam.goal=0.01

经过3956 次迭代之后，神经网络的训练完成，其训练曲线如图2 所示。

图2 BP 神经网络训练性能曲线

使用十个年份对BP 神经网络进行训练的预测结果与实际结果如表2 和图3 所示。

表2 BP 神经网络预测结果

通过BP 神经神经网络对2003 年-2012 年10 年间该地区旅游需求的分析，得出该所训练的BP 神经网络模型所预测的旅游需求与实际旅游需求的误差不超过2%，说明通过该数学模型可以很好的反映该地区旅游需求与该地区年人均可支配收入以及旅游服务质量之间的关系。可以采用该模型来进行2013、2014和2015 年该地区旅游人口的预测。

3.3 旅游需求预测

根据该地区旅游局对2013 年，2014 年和2015 年三年人均可支配收入以及旅游服务人数的预测。在三年内该地区年人均可支配收入和旅游服务人数预测如表3 所示。

表3 未来三年的人均可支配收入和旅游服务人数预测

根据训练样本所得到的BP 神经网络以及该地区预计三年内的年人均可支配收入和旅游服务人数的预测，预测2013 年、2014 年和2015 年该地区旅游人数的如图4 所示。

图4 旅游需求预测

根据预测的结果，该地区2013 年的旅游人数为17.12（百万），2014 年的旅游人数为18.38（百万），2015 年的旅游人数为20.26（百万）。

4 总结

旅游是一个非常复杂的系统，旅游需求受到内外部众多因素的影响，而且这种因素之间存在错综复杂的关系，在本文将旅游需求影响因素主要考虑旅游者的人均可支配收入影响因素和旅游目的地的旅游服务质量影响因素两个方面，并且采用BP 神经网络基于某旅游景点过去十年数据，对该旅游景点三年内的旅游需求进行分析。

图3 样本训练拟合效果

[1] 尚钢,钟珞,闫京生.两种灰色神经网络模型及应用[J].武汉理工大学学报.2002(12):78-81.

[2] 刘桂莲,王福林.基于BP 模型的优化方法研究及其应用[J].数学的实践与认识.2010(06):161-166.

[3] 牛亚菲.旅游供给与需求的空间关系研究[J].地理学报.1996(1):80-87.

[4] 卞显红.旅游者目的地选择影响因素分析[J].地理与地理信息科学.2003(6):83-88.

[5] 朱湖英,许春晓.不同收入城市居民文化旅游需求差异研究——以长沙市不同收入居民对凤凰古城的旅游需求为例[J].长沙大学学报.2006(01):12-14.

[6] 雷可为,陈瑛.基于BP 神经网络和ARIMA 组合模型的中国入境游客量预测[J].旅游学刊.2007.22(4):20-25

[7] 殷书炉.杨立勋.旅游需求预测方法与模型评述[J].甘肃省经济管理干部学院学报.2008.21(3):42-45

[8] 雷平,施祖麟.我国国内旅游需求及影响因素研究[J].人文地理.2009.(1):102-105