粒子群算法优化神经网络的旅游热门景点预测模型

2020-04-22段立峰

微型电脑应用 2020年3期

段立峰

摘要：旅游热门景点预测是当前旅游管理研究领域中的热点，针对传统旅游热门景点预测模型无法准确描述旅游热门景点的变化特点缺陷，为了提高旅游热门景点预测精度，提出基于粒子群算法优化神经网络的旅游热门景点预测模型。首先分析当前国内外对旅游热门景点预测问题研究方法，得到旅游热门景点具有较大非线性变化特点，这也是导致当前旅游热门景点预测错误大原因，然后引入非线性建模能力强的RBF神经网络描述旅游热门景点的非线性变化特点，并对RBF神经网络参数进行优化，建立最优的旅游熱门景点预测模型，最后与传统旅游热门景点预测模型进行了对比测试，结果表明，粒子群算法优化神经网络可以更好的跟踪旅游热门景点变化规律，旅游热门景点预测精度要明显优于传统旅游热门景点预测模型，而且旅游热门景点预测效率也更高，能够满足旅游热门景点在线预测要求。

关键词：旅游管理系统; 热门景点; 神经网络; 非线性变化特点; 预测模型

中图分类号： TM301

文献标志码： A

Abstract：Prediction of popular tourist attractions is a hot spot in the field of tourism management. Aiming at the defect that the traditional prediction model of popular tourist attractions can not accurately describe the changing characteristics of popular tourist attractions， a prediction model of popular tourist attractions based on neural network optimized by particle swarm optimization is proposed in order to improve the prediction accuracy of popular tourist attractions. Firstly， this paper analyzes the current domestic and foreign research methods on the prediction of popular tourist attractions， and obtains that popular tourist attractions have large non-linear change characteristics， which is also the major reason for the current prediction errors of popular tourist attractions. Then， an RBF neural network with strong non-linear modeling ability is introduced to describe the non-linear change characteristics of popular tourist attractions. At last， the RBF neural network parameters are optimized， and the optimal prediction model of tourist hot spots is established. Finally， the comparison test with the traditional prediction model of tourist hot spots is carried out. The results show that the neural network can better track the changing law of tourist hot spots， and the prediction accuracy of tourist hot spots is obviously better than the traditional prediction model. The prediction model of tourist attractions is more efficient and can meet the online prediction requirements of tourist attractions.

Key words：Tourism management system; Popular scenic spots; Neural network; Nonlinear change characteristics; Prediction model

0 引言

随着我国人们生活水平的不断提前，外出旅游成为人们生活的一部分。同时旅游业成为拉动一个地区经济的重要部分，然而由于人们的时间有限，选择最优的旅游景点作为游玩目的地十分重要。当前旅游景点很多，因此如何对旅游热门景点进行预测成为当前旅游管理研究中的一个热点方向[1]。

最初旅游热门景点预测是通过一些旅游公司的一些专业人员通过自己的经验进行估计，推测那些旅游景点可能会成为热门，该类方法的工作过程十分繁琐，得到的旅游热门景点预测结果具有一定的盲目性，因此每一个专业人员的喜爱不一样，使得旅游热门景点预测结果可信度比较低[2，3]。随着信息处理技术、自动化技术的不断发展和融合，出现采用许多旅游热门景点自动预测模型。当前旅游热门景点预测模型可以划分为两类，一类是基于时间序列法的旅游热门景点预测模型，其根据某个旅游景点的旅客历史流量，对该旅游景点是不是热门景点进行估计，主要有滑动平均模型，指数平滑模型等[4-6];另一类为基于聚类分析算法的旅游热门景点预测模型，它们通过对旅游景点相关数据进行聚类，将旅游景点划分为多种类型，从而判断其是否属于旅游热门景点，它们有各自的优势，自己有的适用范围[7，8]，但是它们均属于一种线性建模方法，认为旅游热门景点只具有线性变化特点，而实际上旅游热门景点与当前经济、旅客喜爱、景点自身特点均相关，具有一定的非线性、随机性变化特点，因此它们对旅游热门景点预测结果有待改善[9-11]。

针对传统旅游热门景点预测模型存在精度低、误差大等缺陷，提出基于粒子群算法优化神经网络的旅游热门景点预测模型，并采用具体实例与传统旅游热门景点预测模型进行了对比测试，结果表明，粒子群算法优化神经网络的旅游热门景点预测精度要明显优于传统旅游热门景点预测模型，旅游热门景点预测效率得到明显改善。

1 粒子群算法優化神经网络的旅游热门景点预测模型

2.2 旅游热门景点预测结果与分析

为了测试粒子群算法优化神经网络的旅游热门景点预测结果的越性，选择BP神经网络（BPNN）的旅游热门景点预测模型、聚类分析算法的旅游热门景点预测模型进行对比实验，统计它们对表1各种旅游热门景点的预测精度，结果具体如图4所示。从图4可以看出，本文模型的旅游热门景点预测精度为94.04%，BPNN的旅游热门景点预测精度为91.53%，聚类分析算法的旅游热门景点精度为88.02%，相对于BPNN、聚类分析算法，本文方法的旅游热门景点预测精度分别提高3.51%和6.52%，有效减少了旅游热门景点预测误差，可以更好描述旅游热门景点变化特点，获得更优的旅游热门景点预测效果。

统计了3种旅游热门景点预测模型训练时间和预测时间，结果图5所示。从图5可以看出，相对于BPNN、聚类分析算法，本文旅游热门景点预测模型的训练时间和预测时间均有所降低，加快了旅游热门景点预测的建模效率，可以进行旅游热门景点在线预测。

3 总结

为了提高旅游热门景点预测精度，提出基于粒子群算法优化神经网络的旅游热门景点预测模型，采用RBF神经网络描述旅游热门景点进行建模与分析，并对粒子群算法对RBF神经网络参数进行优化，通过仿真对比实验了测试本文方法的优越性。

参考文献

[1] 陆国锋，黄晓燕，吕绍和，等.基于互联网信息的多约束多目标旅游路线推荐[J].计算机工程与科学，2016，38（1）：163-170.

[2] 姬鹏飞，李远刚，卢盛祺，等.基于语义Web的旅游路线个性化定制系统[J].计算机工程，2016，42（10）：308-317.

[3] 刘海鸥，孙晶晶，苏妍嫄，等.基于用户画像的旅游情境化推荐服务研究[J].情报理论与实践，2018，41（10）：87-92.

[4] 沈记全，王磊，侯占伟，等.基于情景上下文与信任关系的旅游景点推荐算法[J].计算机应用研究，2018，35（12）：3640-3643.

[5] 李雅美，王昌栋.基于标签的个性化旅游推荐[J].中国科学技术大学学报，2017，47（7）：547-555.

[6] 李倩，许伟，蒋洪迅.考虑用户口碑的旅游计划个性化推荐方法研究[J].管理评论， 2016，28（6）：113-118.

[7] 刘艳，潘善亮.基于LBSN好友关系的个性化景点推荐方法[J].计算机工程与应用，2015，51（8）：117-122.

[8] 林甲祥，高敏节，陈崇成，等. 个性化旅游景点推荐中考虑约束的关联规则挖掘算法[J].福州大学学报（自然科学版），2019，47（3）：320-326.