神经网络模型在旅游领域的应用研究文献综述

白翠玲，雷欣，董志良

（1．河北地质大学土地科学与空间规划学院；2．河北省科协智库地学旅游与乡村振兴研究基地；3．河北地质大学管理学院；4．河北地质大学科学技术处，河北 石家庄 050031）

引言

神经网络是一种理论化的人脑神经网络数学模型，在对人脑或自然神经网络某些行为特征的抽象和模拟基础上，建立的一种信息处理系统[1]。神经网络经过不断改进感知器产生了BP 神经网络、主成分神经网络、径向基神经网络、SVM 神经网络，以及深度更广的卷积型神经网络、玻尔兹曼机神经网络、深度残差人工神经网络等。神经网络的应用范围广泛，韦伯斯于1974 年揭示了神经网络的反向传递学习特性，其学习的有效性较一般统计研究强得多，并采用神经网络与传统的回归式分析对比，用于估计太阳黑子的年平均运动状态。部分研究者使用人工神经网络来估计国际航空客运量[2]；部分研究利用神经网络模型对商品价格进行预测，以评估项目的经济可行性[3]；有些学者将人工神经网络的方法运用在银行故障预测中，来判断银行倒闭情况[4]；也有学者利用神经网络预测多变量时间序列行为[5]；有研究者针对股票价格变动频率和规律，采用了人工神经网络的进化规划实验，并通过遗传算法和神经网络的计算方式开展价格预测工作[6]。

神经网络模型因其具有的优势，如较好的容错性、并行处理能力、自学习能力、自适应能力等，解决了旅游信息不全面、影响因素过多和非线性关系等一系列问题，对变量以及数据也不会像传统方式那样严苛，弥补了传统预测方法的不足[7]。随着技术的不断迭代与更新，旅游行业在景区、交通、博物馆等多领域开始应用神经网络模型，以促进旅游业的改革与升级[8]。从旅游业供给端视角来看，神经网络综合了不同模型，通过旅游资源数字化采集、存储[9]，实现旅游资源开发与保护[10]，以及旅游目的地规划设计与管理[11]。从旅游者视角来看，神经网络模型能让人们借助计算机网络、虚拟现实等技术实现选择适合自己的定制旅游方案，从而提高旅游者在旅途中的满足感。随着旅游信息化程度不断提高，神经网络逐渐被运用于游客体验的各个环节[12]。在旅游前，神经网络模型可以为游客提供预游览的相关信息与真实体验；在旅游过程中，神经网络模型可以为游客提供路线规划等服务，提升旅游体验的整体满意度；在旅游结束后，神经网络模型可以记载游客的体验感受及经验，增加目的地的口碑效应[13]。

学者们采用跨学科方法和技术对神经网络模型进行了系统深入的研究，由于神经网络模型持续迭代发展和成长，新型应用技术和实践研究领域不断涌现，目前学者们对神经网络模型在旅游领域的应用研究滞后于实际运用，无法体现神经网络在旅游领域的未来应用发展。另外，随着大量跨学科概念、技术和实验研究涌现，神经网络在旅游领域的应用研究成果也亟须进一步整合。本文以CNKI 和Web of Science 作为数据源，分析国内外神经网络在旅游领域应用的相关文献，从发文量、关键词、时间演变的角度进行相关分析，并绘制可视化图谱；采用内容分析法，提炼相关研究主题与研究方法，总结研究发展状况和未来发展趋势，希望为神经网络模型在旅游领域的未来应用研究提供参考。

一、文献计量分析

（一）文献来源及研究趋势分析

本研究选择CNKI和WOS核心数据库作为文献数据来源以保证文章的质量，时间范围为1996—2022 年。英文文献以 “The neural network” “tourism” 为检索词进行文献检索，文献类型不受限制，共检索到2111 篇，中文文献以神经网络、旅游为检索词进行文献检索，共检索到文献469 篇，分别对这些文献的标题、关键词和摘要进行主题相关性筛选，剔除与神经网络、旅游无关的文献，在进行重复文档筛选和合并后，保留了470份英文文献和445篇中文文献，这些文献构成了本文的研究数据集。

通过文献年度变化分析，其发文量的趋势呈现出四个阶段：（1）1996—2005 年，该阶段发文量较少，研究处于初始阶段；（2）2006—2008年，神经网络研究开始兴起，旅游业也进入快速发展时期，发文量呈现出缓慢上升趋势；（3）2009—2018 年，此阶段发文量起伏不大，研究处于稳定阶段，开始进入平稳发展期；（4）2019 年至今，随着神经网络模型应用的成熟，掀起了一波研究热潮，但由于疫情的影响，旅游业发展受到一定影响，国内发文量在2021 年有所降低，国外发文量增长趋势减缓。

（二）关键词聚类分析

1.国内关键词聚类分析

本文结合Citespace和VOSviewer软件进行关键词分析。除了bp 神经网络、神经网络、人工神经网络、深度学习、模态融合等神经网络模型术语，还包括预测、旅游安全、智慧旅游、预警系统、交通信息服务等关键词，可见旅游市场营销、技术接受、游客市场需求等研究方向受到学者重视。对关键词进行分析可以发现关键词之间节点和连线数量都较大，说明相关文献之间联系较为密切。通过中心性数值分析，bp 神经网络、神经网络、人工神经网络等关键词在文献研究中占据较为重要的地位。

为深入了解关键词之间的关系，对其进行LLR 算法聚类。本文国内聚类数据结果Q 值为0.7183，说明聚类结果是有效并且可靠的，选择最大的10 个聚类进行呈现（表1）。关键词聚类围绕 “神经网络” “旅游” 等关键词形成聚类区域。

聚类分布揭示了国内旅游领域神经网络模型应用的研究视角和方向：第一，旅游业供给端神经网络模型应用视角。景区开发是规模值最大的聚类，紧密围绕它的子聚类包含了产业结构、季节调整、土地利用变化、旅游业发展等关键词，显示神经网络在旅游、生态、土地利用等领域的应用。与景区开发聚类临近的有交通信息服务、旅游管理系统、信息技术、景观格局、旅行收入等，揭示了神经网络在旅游供给端领域的应用研究热点。第二，旅游业需求端神经网络模型应用视角。情感分析是第二规模值聚类，关联着旅游推荐、智慧旅游、交通信息服务等聚类。聚类中包含了深度学习、注意力机制、信息过载、事件泛化、信息服务模式、服务质量、智能规划等关键词，体现了神经网络在旅游需求端领域的应用研究热点。

2.国外关键词聚类分析

国外研究者们在神经网络与旅游的结合研究中高频关键词主要有 “neural network model” “tour-ism model” “tourism demand” “time series” “demand” “artificial neural” “forecasting” “deep learning” “genetic algorithm” “arrival” “prediction” “impact” “classification” “big data” “system” “machine learning” “Regression” “travel” 等，可见神经网络模型应用于旅游领域的数据挖掘和分析更受研究者关注，同时也反映了神经网络模型在旅游领域应用的研究重点。关键词之间的节点和连线数量都较大，说明相关文献之间联系较为密切。通过中心性数值分析， “neural network model” “artificial neural” “forecasting” 等关键词在文献研究中占据较为重要的地位。

表1 国内高频关键词聚类

聚类数据结果Q值为0.5962，因此对于关键词聚类结果也是十分有效的。分析结果显示共有41个聚类，为聚焦研究热点，通过分析选择聚类最大的8个进行呈现（表2）。通过分析发现：第一，旅游业供给端神经网络模型应用视角。 “Sustainable development” 是规模值最大的聚类，紧密围绕它的子聚类包含了 “Artificial neural-network” “design” “ANFIS” “ecotourism” 等关键词，显示神经网络在旅游可持续发展方面的应用，其中包括生态旅游、旅游规划设计等。与 “Sustainable development” 聚类临近的聚类有 “Artificial intelligence” “Tourism management system” “Travel warning system” “Tourist economy” 等，揭示了神经网络在旅游供给端领域的应用。第二，旅游业需求端神经网络模型应用视角。 “Deep learning” 是第二规模值聚类，关联着 “Sentiment analysis” “Artificial intelligence” 聚类，子聚类中包含了 “classification” “Image processing” “recognition” “big data” 等关键词。

（三）关键词演变分析

1.国内关键词演变分析

借助Citespace和VOSviewer软件导出关键词共现时间图（图1），显示：1996年前后关键词为客流量预测、旅游、旅游开发等，侧重神经网络在旅游开发管理场景应用的研究；2004 年前后关键词为旅游市场需求、经济系统、危机、神经元、人工神经网络、旅游规划、反馈等，显示神经网络在旅游领域的应用研究从供给端视角转换到旅游者视角，更关注游客感知和体验；2010 年前后关键词为旅游企业、专家系统、旅游影响因素等，研究者挖掘更深层次的影响旅游发展的因素；2014—2017 年关键词为突发事件、发展趋势、交通工程、客运信息、人才需求等，神经网络在旅游领域的应用研究越来越成熟，范围越来越广泛；2018 年左右关键词转变为深度学习、人工智能、智慧旅游、在线旅游、地理信息服务、城市旅游、乡村旅游等，表明研究进一步聚焦在旅游细分领域。

图1 国内关键词演变图谱

2.国外关键词演变分析

借助VOSviewer 软件导出关键词共现时间图（图2），显示：2004 年前后关键词为 “general regression neural work” “multifactor support vector” “tourism demand” “energy” 等，研究层次较浅，研究内容也较少； 2007—2014 年前后关键词为 “algorithm” “arma model” “data mining” “classification” “commerce linear structural” “relation model” “international tourism” “neural- network model” “tourism forecasting” “time-varying analysis” 等，体现了神经网络在旅游领域的应用研究层次变得宽泛，着重于供给端对于大数据的挖掘运用，聚焦神经网络模型在旅游客流量预测、旅游时变分析等；2016—2018 年前后关键词转变为 “demand” “tourism demand” “satisfaction” “consumption” 等，表明神经网络在旅游领域的应用研究从供给视角转换到需求视角，更关注游客需求和满意度方面；2020 年左右关键词转变为 “deep learning” “sentiment analysis” “big data” “machine learning” “artificial intelligence” 等，随着科学技术的发展以及疫情的影响，研究进一步聚焦神经网络在虚拟旅游领域的深度运用。

图2 国外关键词演变图谱

通过对国内外神经网络在旅游领域的应用研究热点分析，国内外在各个阶段研究的重点有所差别，国内学者研究较早，侧重于供给端、需求端的实际应用，国外研究内容侧重于供给端、需求端的数据挖掘、模型改进和分析，并且在各个阶段的研究着重点随着时代的特点有所改变与进步，旅游业也进入了快速发展时期。

二、研究重点内容分析

（一）国内文献研究重点内容分析

1.神经网络在旅游业供给端的应用研究

国内研究者们从供给端的角度进行研究，包括神经网络在景区开发、旅游交通、旅游安全系统、旅游市场管理等领域的应用。

（1）旅游景区开发。在旅游地质勘探领域，神经网络为提升遥感影像划分的准确性创造了更有效的途径，专家们分别提出或应用BP 神经网络[14]、三维Hopfield 网[15]、径向基函数神经网络、小波神经网络、自组织神经网络[16]等对地质复杂区域的遥感影像进行监督与划分。在生态环境方面，学者基于旅游地社会-生态恢复力[17]，关注气候干扰或压力及其对旅游活动的影响，促进文化旅游的可持续发展；部分学者使用BP 神经网络建立反演模型，据此进行水质评价分析，促进景区生态环境建设[18]；同时，人工神经网络被广泛应用于预测房屋震害、旅游环境承载力预警系统等研究领域[19]。在文旅融合的机制、路径和开发模式中神经网络也被广泛应用[20]。

（2）旅游交通。先进的道路与交通信息系统(ATIS)作为IST 的核心子系统，提供了历史数据和实时道路交通信息，并用于支持政府施行策略的制订[21]。由于假期自驾游的增加，大批量汽车进入景区，导致热门景区严重堵车，目前已采用 “互联网+” 形式的多平台城市旅游交通系统，利用神经网络模型预先判断是否会出现堵车以及拥堵程度，然后利用App 将结果反馈给旅游者，同时，再利用电脑终端将结果及时反映给交通和景区管理部门，并通过Dijkstra 算法[22-23]、Hopfield 神经网络[15]、蚁群算法[24]等实现车辆路线优化，提升交通路网体系。

（3）旅游安全系统。在保障游客安全方面，景区主管单位已逐步建设了游客安全信息系统和安全预警系统，有效完成了对游客安全信息的收集、预警工作，为景区安全提供了有力保证[25]；人脸识别技术被广泛应用于旅游领域，尤其是在人流相对稠密的城市安检领域[26]；通过对卷积神经网络图像的识别和大数据算法的计算，建立了科学实用的地质灾害雷达识别模型，可有效提高地质灾害识别精度[27]。在旅游管理系统方面，学者在灾害对旅游业的承载力经济损失研究中取得了一定的成果[28]；PSO-BP网络的旅游管理系统安全风险评估能够有效评估旅游管理系统的安全风险[29]。

（4）旅游市场管理。在旅游管理方面，随着互联网信息技术的发展，旅游业也与互联网行业融合，通过去哪儿、途牛、携程等网络旅行产品形成的大量如评价、建议等信息，能对管理部门进行有效监督，完善景区服务；学者们通过SVM、KNN、决策树等机器学习算法[30]、state of art模型[31]、BTM 和Doc2vec 模型、BLSTM_MLPCNN神经网络模型等方法进行投诉识别，并出现了一些在中文文本分析和投诉管理方面的运用研究。在旅游管理决策方面，有研究者提供了各种统计分析方式以达到对各种旅游应用系统的决策支持，而这种方式现已被广泛应用于我国旅游目的地营销体系、假日出游系统以及多媒体导航系统等，在黄金周假日旅游预报等方面也取得了很好的应用效果[32]。在旅行社方面，专家们通过BP 神经网络，建立人才风险预警模式，可以提高人力资源管理水准[33]。

（5）旅游预测。在旅游需求预测方面，随着神经网络模型的发展，出现了诸多人工智能方法，例如基于遗传算法[34]、粗糙集方法[35]等建立的预测模型。在早期，研究者们主要使用指数平滑法、趋势线法，后来又产生了基于因果分析法的观光景点旅游客流预测模式[36]，包括线性回归法、灰色预测理论[37]等，近年来产生了基于各种神经网络的观光旅游景点客流量预估模型，例如人工神经网络、BP 神经网络、支持向量机模式等[38]。应用这些模型提高了游客活动监管的时效性，也有助于主管部门优化景区管理，合理调度资源，提前准备紧急分流预案，以防止旅客拥挤、滞留等重大安全事件的出现[39]。在旅游收入预测分析方面，人工智能技术一般分为蒙特卡洛模拟技术、人工神经网络、遗传算法以及灰色分析、马尔可夫模型等，对发展绿色、健康的旅游经济具有实际意义[40]。

2.神经网络在旅游业需求端的应用研究

通过对神经网络应用于游客视角的分析，本文从神经网络在旅游形象感知与情感分析、路线推荐等方面来解读。

（1）旅游形象感知。当前游客印象认知研究的重点在于对网络图像的认知分析，利用计算机手段对照片原始数据进行信息收集，通过多层次分析游客在目的地照片背后隐含的丰富信息，以UGC 图像的角度来反映游客对目的地的印象认识，为游客形象认知问题创造全新的角度[27]。受到深度认知模型在不同行业应用研究获得结果的影响，不少学者将卷积神经网络用于图像识别、信息认知、行为认知等方面，对丰富的图像信息展开了解析，使旅游的认知研究更为完整真实，最大限度实现图像信息的应有意义；同时基于旅游网络文本旅游地形象关键感知元素提取和双向情感分类，探寻文本背后的内在语义，精准发掘客人对餐厅评论中的真正情感，利用智能分析技术手段对情感类型加以拆解，从而形成双向的情感话语意义关系[41]。

（2）路线推荐。推荐系统通过对大数据的过滤与筛选，有效地解决线路信息过载问题；享游平台通过自由图像描绘技术和大数据处理综合分析为使用者提供定制的旅行方案设计，使客户更好认识自我，进而增加了使用者在行程中所得到的满意度；许多智能旅游平台引入了移动地理位置服务，比如携程网、驴妈妈、途牛网等，这些旅游平台可以利用移动地理位置服务为不同的用户推荐旅游线路、旅游酒店和景点资源[42]。

（二）国外文献研究重点内容分析

1.神经网络在旅游业供给端的应用研究

国外学者们基于供给端视角展开了丰富的研究，但是在研究内容上与我国学者有所差异，其主要探讨神经网络在旅游规划与开发、运营管理、安全预警与风险评估等领域的应用。

（1）旅游规划与开发。第一方面是在旅游资源综合评价研究领域，学者们基于多策略技术的区域旅游资源综合评价自适应模型、综合评价[43]、基于超混沌映射的新型区域集群旅游分析、多物种进化遗传算法等方法进行数据分析优化和针对不同类型的问题进行旅游资源质量评估。第二方面是对景区的设计与开发模式研究领域，部分学者基于新型旅游企业产品改进智能系统与神经网络的结合[44-45]、回归分析[46]、神经网络[46]、大数据时代多因素加权神经网络模型、自适应神经网络算法等[47]对旅游资源开发模式、旅游空间格局效应评价、旅游业融合发展等方面进行了研究，从而优化旅游景区的空间布局和管理，促进景区可持续发展。部分学者利用RBF 神经网络的超非线性拟合能力实现景区信息的预测；部分学者利用反向传播（BP）神经网络模型促进旅游电子商务服务创新[48]；部分学者采用DeLone 和McLean 的信息系统成功模型和综合态度，帮助从业者设计更好的移动旅游网站系统[49]。

（2）运营管理。第一方面，学者们基于不断改进的BP 神经网络建立智能平台管理，提高旅游业人力资源配置管理水平。第二方面是对游客的智能化管理，实现了旅游管理、数字化管理、人工智能算法的有效结合。例如有学者在RBF 神经网络的基础上构建了相关模型，实现了对游客的分类、预测以及智能化管理[50]；利用TensorFlow 构建的深度学习神经网络对游客行为进行分类，并分析这些游客的特征以验证分类结果来研究旅游行为的潜力。第三方面是景区、酒店、饭店等相关企业的管理研究。学者们通过创建人工神经网络模型，提高信誉代理用于在电子旅游环境中选择产品和服务的能力[51]；通过卷积神经网络、递归神经网络、bp 神经网络、人工神经网等进行图像分类[52]、场景识别[53]、探索旅游发展规律[54]、进行旅行与旅游（T&T）竞争力排名，从而获得旅游景区类别列表，促进旅游景区的管理，并结合静态管理数据的连续性和动态数据信息建立智能管理分析模型[55]；利用人工神经网络（ANN）、BP神经网络等方法，分析酒店绩效决定因素，建立高星级酒店发展规模的预测模型，帮助决策者提高酒店经济和社会效益水平。

（3）安全预警与风险评估。一方面是针对游客安全的研究。学者们提出基于模糊优化和人工神经网络的旅游安全预警系统模型，更好地实现旅游安全理论与实践的互动[56]。目前研究者们通常借助复杂的指标体系对旅游危机进行评价，例如多变量分析[57]、交叉影响分析[58]和漏洞分析[59]等。另一方面是旅游危机评价研究。学者们采用了例如BP人工网络[60]、模糊神经网络[61]、PSO-BP 神经网络的旅游管理系统安全风险评估技术、FTDNN等方法，快速评估旅游投资风险、旅游管理系统的安全风险[62]、政治不稳定性带来的风险等。同时，在旅游可持续发展中，生态环境的重要性越来越突出，学者们采用神经网络算法进行深入探究，如卷积神经网络模型、BP 神经网络、动态递归BP 神经网络算法，研究了不同旅游扰动下景区生态污染的快速检测方法[63]，提取出景区生态污染的影响因素[64]，并对生态脆弱地区进行了全面评估，提出了相应的创新管理模式[65]和促进生态旅游的可持续发展战略[66]。

2.神经网络在旅游需求端的应用研究

基于游客需求端的研究文献相对较少，研究主要集中在智慧旅游、情感分析、旅游推荐等方面。

（1）智慧旅游。为了应对疫情对旅游业带来的挑战，学者们提出了一种基于云的新型框架，通过深度学习和基于神经网络的协同过滤模型利用图像标记以便在智能旅游的背景下为游客生成个性化建议[67]。智慧旅游与虚拟现实技术相结合，拓宽了游客的内在思维，打破了传统文化旅游的局限，突破了旅游在现实生活中的时空限制，游客可以通过立体信息空间获得更多自由互动。学者们关于人工神经网络、虚拟现实、人机交互、智能旅游等的研究较多，例如有学者结合SOM 神经网络的多特征矢量识别方法，使足不出户的用户体验到更多真实的旅游体验[68]，同时基于BP 神经网络模型和计算机软件获得高精度的计算模型使游客能够享受到智慧旅游城市的便捷与舒适[69]。

（2）旅游推荐。在旅游推荐应用方面，不同学者利用基于神经网络等方法的推荐系统[70]、基于卷积神经网络（CNN） 和长短期记忆网络（LSTM）的各种分类器、基于Word2vec 特征提取方法并结合CNN和LSTM算法[71]、基于神经网络和矩阵分解的TR-DNNMF 旅游景点推荐系统[72]、基于具有包级注意机制的双向长短期记忆（Bi-LSTM）神经网络[73]、基于深度学习的旅游产品信息分类处理方法[74]等方法，通过整合互联网上碎片化的旅游信息和图片信息，并对游客在线发布的评论进行分类，了解旅游者的需求与偏好，从而提供更方便、更快捷的旅游服务，推荐个性化景点和旅行套餐，定义最佳出行路线，提供相应的辅助决策支持。

（3）情感分析。旅游信息来源的复杂性使我们很难从其中快速获取有效信息，学者们通过区域生成方法[75]、基于学习哈希函数并保持多标记图像之间多级语义相似性的深度语义排序方法、基于深度特征和主题语义的学习方法[76-78]等方法以促进景点的语义分析和识别。旅游评价情感分析对了解游客的需求与偏好具有重要意义，旅游需求包括旅游交通需求、文化需求、旅游忠诚度等，许多学者试图使用不同的模型来提高情感分析在游客需求分析中的准确性和及时性，这通常可以分为三类：因果关系模型、时间序列模型[79]和人工智能模型[80]。与前面两种模式比较，人工智能模型在非线性拟合与自适应训练上表现出较大的优越性，而传统的人工神经网络面临训练流程烦琐、耗费费用大的问题[81]。因此，寻找高效、准确的神经网络新方法已成为研究热点。学者们在预测方面所采用的算法包括回声状态网络[82]、蝇优化算法[83]、自适应神经网络技术、径向基函数[84]和Elman网络等。目前旅游业正在逐渐复苏，学者们考虑通过人工神经网络方法研究了个人旅行意图的变化情况，为情感分析提供了更准确的信息[85]。

三、研究评述与展望

（一）研究评述

由于神经网络模型的迅速发展以及在旅游领域的广泛应用，神经网络已成为国内外旅游研究热点。本文通过对CNKI 数据库收录的455 篇以及Web of Science 的470 篇神经网络与旅游的相关文献进行了计量与可视化分析，发现神经网络在旅游领域的应用研究时间较早，并逐步成为 “神经网络” “旅游” 等关键词互相交错与渗透的研究方向，目前研究成果还融入了社会学、管理学、测绘学、市场营销学、经济学、自然地理学等跨学科理论[86]，并且主要以定量研究方法为主。经过进一步对文献内容整理，研究呈现出两大研究视角。

一是基于旅游供给端视角的神经网络在旅游领域的应用研究。国内研究重点围绕神经网络在旅游中的应用领域、应用场景、应用效用等展开，聚焦于神经网络模型在景区开发、旅游交通、旅游安全系统、旅游市场管理、智慧旅游等方面的应用。国外研究重点主要探讨神经网络在旅游规划与开发、运营管理、安全预警与风险评估等领域的应用研究。研究内容有所差异，国外对于旅游预测方面的研究较多，且侧重于算法的不断更新与改进。但是，此领域的大多数研究侧重神经网络的经验叙述与案例分析，缺乏具体的理论依据，研究过多地反映了算法的创新性、革命性、广泛适应性，却缺少对算法本身的实际问题以及可能带来的社会影响进行批判性反思。

二是基于游客需求端视角的神经网络模型在旅游领域的应用研究。国内研究者们围绕神经网络的旅游形象感知、情感分析、路线推荐、虚拟旅游等方面；国外研究者们基于需求端的研究成果相对较少，大多围绕智慧旅行、情感分析、旅行推荐等研究方向进行展开，主要阐述了对神经网络模型感知评价、旅游者感官体验、情感感受，以及个体差异、人际交流、文化差异等对神经网络模型的应用，而方法则多以定量研究为主。

（二）研究展望

第一，旅游供给端神经网络模型应用视角。现有研究对于神经网络模型在市场预测方面居多，但是在其他应用场景与领域的研究仍十分有限，因此在后续研究中应深入探讨神经网络模型在新兴领域的应用与效用，从而实现神经网络模型在旅游中的多情境、多学科运用的服务功能。相关的学术研究与实践发展存在一定的脱节，部分旅游企业在管理方面仍采用传统模式，而对于神经网络模型的应用仅停留在表面，甚至缺乏相应的应用，因此有必要深入探讨神经网络模型在旅游管理中的应用。

第二，旅游需求端神经网络模型应用视角。神经网络模型对使用者价值的现有分析集中在对游前、游中和游后阶段的旅行感受等方面[87]。对旅游者本身的收益和价值研究主要依靠互联网数据挖掘，缺乏一定的客观性，因此神经网络模型在旅游领域应用中产生的教育功能、审美功效、幸福感等内容的客观分析有待进一步研究探讨。

第三，神经网络模型在旅游新领域研究视角。目前研究对于供需双方相互作用的意义认识不够，神经网络模型对旅游信息的研究与应用缺乏深度。未来研究可以通过神经网络模型加强主客交互，实现信息共享，引入旅游者参与旅游产品设计、市场营销、景区管理等，实现旅游业上下游供应链、游客与市场等价值共创。