基于优化的神经网络构建旅游突发事件安全预警能力测度分析模型

（吉林工商学院 吉林·长春 130062）

0 引言

旅游业是一种在旅游资源和旅游设施的基础上为游客提供旅游观光服务的行业，因此对其产业变化非常敏感，旅游突发事件将对旅游业产生重大影响。因此，我们需要认真对待旅游紧急情况。而对于目前关于旅游突发事件对旅游产业带来影响的研究水平而言，使用最广泛的神经网络模型是BP神经网络。它是一种按误差逆传播算法训练的多层前馈网络，具有高度的自学性和自适应的能力。在本文中，我们将研究如何通过改进的附加动量法建立BP神经网络模型，以进行旅游突发事件的安全预警能力分析，从而预测旅游突发事件并尽可能地消除重大突发事件风险隐患。

1 研究内容

（1）基于大数据的概念和技术，从提高旅游业危机预警能力的角度出发，通过大数据二维发展的价值源，分析并提取旅游危机预警影响因子，通过分析和提取输入神经元，建立优化的三层前馈BP神经网络模型，并对其进行了度量分析。

（2）设计系统的理论模型，并使用Matlab中的神经网络工具箱，通过神经网络的训练数据来调整相关危机影响因素的参数，参数达到理想状态后，输入的样本数据将对危机预警模型进行系统仿真的训练和测试。以吉林省旅游产业为例，通过将测试结果与实际情况进行比较，验证了模型的可靠性。

（3）通过分析，可以得到基于大数据第二维的价值数据，从而提高旅游业危机预警的能力。

2 旅游突发事件情况分析和分级评定

旅游紧急事件的安全预警可分为旅游紧急事件国内安全预警和旅游紧急事件国外安全预警。

旅游紧急事件可分为四类：自然灾害、事故、公共卫生紧急事件和社会安全紧急事件。根据其性质、严重性、可控制性和影响范围，它通常分为四个级别：I级（特别重要），II级（重要），III级（相对较大）和IV级（一般）。突发事件的分类是为了履行突发事件的管理职责，提高突发事件的处理效率。

实现如下功能：

2.1 警示功能

警示功能是对旅游区中旅游紧急事件的前期预感和产生原因进行检测、判断和警示的功能。通过学习完善各种因素可能产生的结果，对一些不稳定的风险因素进行识别与警告。

2.2 纠错功能

错误校正功能是监视并引起功能的预控制和校正。根据预控信息，将纠正旅游突发事件的预警，维护旅游活动的安全性和稳定性。

2.3 免疫功能

免疫功能是能够在旅游活动中再次出现相同的预警信号或先前已发现并纠正的相同因素时，更快速、更有效地进行预测，并使用有效的手段进行错误纠正或有效避免。

3 BP神经网络建模过程

3.1 建模过程

本文采用三层BP神经网络，它由输入层，隐藏层和输出层组成。在分析影响旅游业紧急情况因素的基础上，决定了输入层中的节点数为14。输入层是输入向量的纬度，传输数据的影响因素数，具体的节点数要根据特定情况进行分析。

利用所构建的神经网络模型确定旅游突发事件的安全预警，将旅游目的地的状况分为两种状态，一种是安全性，用1表示；另一种是发生突发事件，用-1表示。输出数据的数据类型和大小决定输出层节点为 2，用（-1，1）表示安全性，用（1，-1）表示紧急性。

此函数的输出介于（-1，1）之间，在本文模型中，如果输出大于0.5，则将输出视为等于1。输出小于-0.5，则将输出视为等于-1。如果输出在-0.5到0.5之间，则认为输出无效。

3.2 模型的改进和优化

附加动量法使网络在修正其权值时，不仅考虑了误差在梯度上的影响，还考虑了在误差曲面上变化趋势的影响。

带有附加动量因子的权值和阈值调节公式为：

其中k为训练次数，mc为动量因子，一般取0.95左右。

为了自适应地调整学习率，通过检查权重是否真正降低了误差。如果是这样，则选择的学习率较低，可以适当提高；如果没有，则应降低学习率。

下式给出一个自适应学习速率的调整公式：其中E（k）为第k步误差平方和。

在采用动量法时，BP算法可以找到全局最优解；在使用自适应学习率时，BP算法可以缩短训练时间。

3.3 网络的创建

3.4 网络的训练

为了达到局部最小值并提高训练速度，本文使用了改进的BP神经网络算法，动量自适应学习速率调整算法和Matlab9.0中的TRAINGDX训练功能，建立改进型BP神经网络的旅游突发事件安全预警模型，使用神经网络工具箱创建模型，初始化和训练该模型。

利用train()函数进行训练

根据训练集的结果集，将训练集的训练误差控制在设定的要求范围之内，并且设置最大迭代次数为1000，满足了网络训练的要求。如表1，通过对三种神经网络预警模型的比较，可以得出12-7-2的训练精度较高，但是迭代次数较多，训练时间较长。12-8-2的训练精度较低，训练时间较短。而12-9-2的训练时间较长，准确性较低。

表1：不同网络结构的训练模型性能质保

因此，考虑到训练时间和训练精度，我们选择具有更快的训练速度和训练精度的具有7个隐层节点神经网络模型，即选择12-7-2的结构作为安全性旅游突发事件预警模型。

4 旅游突发事件安全预警模型的测试与仿真

训练结果表明，具有7个隐层节点的BP神经网络可以达到理想的输出结果。根据神经网络模型的测试步骤，我们将收集到的这100个旅游目的地信息输入模型，对这个100个样本进行分析判定。为了进一步测试该模型的准确性，将来自40个旅游目的地的数据输入到同一模型中，以记录测试样本集测试结果的预测准确性。该模型对测试集、训练样本集的测试结果，如表2所示。

表2：样本集的测试结果

在旅游突发事件模型中，对样本的误判有两种：Ⅰ类是将安全目的地判断为突发事件。II类是指将发生了旅游突发事件的旅游地判断为安全的目的地。实验结果表明，训练样本集的误判个数为4个，误判率为4.25%，正确率为95.74%。测试样本集的误判个数为1个，误判率为2.5%，正确率达到了97.5%。

5 结论与反思

本文基于BP神经网络，建立了旅游突发事件预警模型。实验证明该模型具有良好的预测效果和较高的正确率，并且BP神经网络解决了传统模型的无学习能力问题。模型为早期的突发旅游事件的预警提供了可靠的技术分析支持，但仍有改进的余地。因为很难搜索每个旅游目的地和紧急事件的数据，这也是本文模型的缺点所在。训练样本数量的欠缺，会导致模型在遇到一些较难分辨的样本时，发生误判现象。