基于Elman神经网络的星级酒店人才需求规模预测与分析

王新宇，耿 海

（南京旅游职业学院，江苏 南京 210000）

1 需求规模预测理论模型、计算工具及数据来源

1.1 Elman神经网络模型

本次预测采用的主要模型是Elman神经网络模型，该神经网络模型是J.L.Elman于1990年首先针对语音处理问题提出来的，是应用较为广泛的一种典型的神经网络模型。

Elman神经网络是应用较为广泛的一种典型反馈型神经网络模型。一般分为4层：输入层、隐层、承接层和输出层。其输入层、隐层和输出层的连接类似于前馈网络。输入层的单元仅起到信号传输作用，输出层单元起到加权作用。隐层单元有线性和非线性两类激励函数，通常激励函数取Signmoid非线性函数。而承接层则用来记忆隐层单元前一时刻的输出值，可以认为是一个有一步迟延的延时算子。隐层的输出通过承接层的延迟与存储，自联到隐层的输入，这种自联方式使其对历史数据具有敏感性，内部反馈网络的加入增强了网络本身处理动态信息的能力，从而达到动态建模的目的。Elman神经网络具有动态记忆功能，非常适合时间序列预测问题，所以应用Elman神经网络模型预测人才需求是比较适合的。

1.1.2 模型实现、训练与应用

Elman神经网络适合处理时间序列问题，因此常用于一维或多维信号的预测，现以星级酒店人才需求预测为例来说明该模型的实现。

（1）样本设计。

原始数据是连续18年的星级酒店从业人数，把这些数据作为训练样本，其中连续5年的从业人数作为训练输入，第6年的从业人数作为对应的期望输出。

（2）模型的实现与训练。

（1）口服肠道清洁剂。磷酸钠盐口服溶液是一种高渗性缓泻剂，其肠道中可解离出不被吸收的离子，进而在肠中形成高渗环境，大量水分进入肠内，激活肠黏膜层的局部神经反射而增加肠壁的蠕动，提高肠道动力。磷酸钠盐口服溶液具有安全有效、耐受性好等优点，尤其适合于成年患者[12]。肠液和复方聚乙二醇溶液的成分和电解质含量相近，因此，当患者大量服用复方聚乙二醇溶液时，其对患者的体液代谢的影响很低，基本不会导致电解质混乱的发生。并且，复方聚乙二醇溶液具有肠道清洁效果较好、不良反应较少等优点。

本次实现模型的工具软件为Matlab（版本为R2020b），Matlab是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，并自带了丰富的预定义函数和工具箱，其中神经网络工具箱为神经网络的使用者和研究者带来了巨大的便利，提高了工作效率。

使用Matlab进行Elman神经网络模型编程时，可以使用工具箱提供的newelm或者elmannet函数进行创建，这里采用较新的elmannet函数，设置迭代次数为2 000次。为了取得较好的效果，训练前对数据进行归一化处理，最后用同样的数据进行测试，并将训练好的网络保存，以备预测时使用。

（3）应用训练好的模型进行预测。

将2001—2018年的数据输入，使用训练好的模型进行仿真计算，可以得出2019—2022年的预测数据。

1.2 灰色预测GM（1，1）模型

本次预测采用灰色系统模型作用对照模型。所谓灰色系统是指既含有已知信息又含有未知信息的系统，是由邓聚龙教授在1986年提出的。由于它具有所需因素少、模型简单、运算方便、预测精度高等优点，可以较好地对非线性系统进行预测。在旅游人才需求的预测系统中，人才总数、结构等信息是已知的，但也受外界诸如政治、经济、文化、科技、自然灾害等因素的影响，存在很大的不确定性，非常符合灰色系统的特点，所以可以用灰色系统理论对旅游人才需求进行预测。

灰色系统常用的预测模型是GM（1，1）模型，GM（1，1）模型表示一阶的、单变量的线性动态预测模型，其预测原理是将离散的随机数，经过生成变成随机性被显著削弱的较有规律的生成数，在此基础上建立数学模型［1］。

1.2.1 编制计算软件及误差检验

GM（1，1）模型的计算涉及矩阵运算，特别是求逆矩阵，相当复杂和烦琐，并且容易出错，所以用手工计算去实现GM（1，1）模型显然是不现实的，必须借助计算机进行运算，才能快速、准确地获得结果。课题组采用的Matlab编写计算程序来实现整个GM（1，1）模型计算过程，并用这一程序进行人才需求的预测。

1.2.2 误差检验

本课题采用后验差检验法评判模型的精度。后验差是对残差分布的统计特性进行精度检验，考察残差较小的点出现的概率，以及与残差方差有关的指标的大小，该检验法由后验差比值C和小误差概率P来共同描述。

按照C和P两个指标可以综合评判模型精度，各精度等级，如表1所示。

表1 后验差检验法精度等级

1.3 数据来源

为了保证数据的准确和权威，本次使用的人才需求数据的来源是2001—2020年的《中国旅游统计年鉴》中关于星级酒店就业人数的相关数据。

2 需求规模预测与分析

2.1 灰色系统GM（1，1）模型预测

2000—2019年，全国星级酒店实际从业人数，如表2所示。

表2 2000—2019年星级酒店从业人数统计

将2010—2019年这10年的数据代入、使用软件计算的过程不再详细讨论，只给出结果：预测误差如表3所示；后验差比值C=0.225，小概率误差P=1，预测精度为1级，模型预测效果好。

表3 星级酒店就业人数与预测人数对比（灰色系统预测）

预测2020—2023年的星级酒店人才需求量，如表4所示。

表4 2021—2023年星级酒店人才需求预测（灰色系统模型）

2004—2019年，全国住宿业（为限额以上住宿单位，即年主营业务收入200万元及以上）从业人数，如表5所示。

表5 2004—2019年住宿业从业人数

如果将这10年的原始数据作为序列输入，预测误差如表6所示。后验差比值C=0.233，小概率误差P=1，预测精度为1级，模型预测效果好，所以可以应用灰色系统模型进行预测，预测2020—2023年住宿业人才需求，如表7所示。

表6 住宿业就业人数与预测人数对比（灰色系统预测）

表7 2021—2023年住宿业人才需求预测（灰色系统模型）

2.2 Elman神经网络模型预测

把2000—2019年的从业人数作为原始数据，利用训练好的模型进行仿真预测，预测结果与实际值的比对，可见平均误差很小，真实值和预测差拟合得很好，如表8所示。预测2020—2023年星级酒店从业人数，如表9所示。

表8 星级酒店就业人数与预测人数对比（Elman神经网络预测）

表9 2020—2023年星级酒店人才需求预测（Elman神经网络预测）

因为住宿业的样本数据量较小，为防止过度拟合，本次没有采用Elman神经网络进行住宿业的数据预测。

2.3 两种模型对比

对于星级酒店人才需求预测，灰色系统模型平均误差为3.38%；Elman神经网络平均误差为0.54%。两者对于2020—2023年的预测如表10所示，从表中可以看出，对于星级酒店，两者的预测有一定的差别，但总体趋势一致，且差别在可以接受的范围；考虑到灰色系统模型在单独预测星级酒店数据时误差就较大，而Elman神经网络模型预测星级酒店数据误差较小，优于灰色系统模型，且从上年度两种预测结果与2019年实际数据验证效果来看，Elman神经网络模型精确度高于灰色系统模型。这说明在本次星级酒店的预测上，Elman神经网络模型优于灰色系统模型。

表10 2020—2023年星级酒店人才需求预测（灰色系统模型与Elman神经网络对比）

3 结语

从预测数据来看，星级酒店和住宿业的就业人数逐年减少（除Elman神经网络方法预测2023年从业人数比2022年稍有增加外），没有提供新的工作岗位。但这不意味酒店企业不需要职业院校培养人才，这是因为：一方面，星级酒店和限额以上住宿业在整个住宿业市场中占比不大，仅靠这两者的统计数据无法认识整个中国住宿业市场的全貌，在各种鼓励民宿发展政策的持续利好下，中国民宿业市场将越来越繁荣。另一方面，酒店企业的高员工流失率仍造成了大量的员工需求缺口。根据《浙江民宿蓝皮书2018—2019》的数据，截至2019年年底，浙江省民宿共计19 818家，直接就业人数超15万人。据此计算，浙江省平均每家民宿约需要7名工作人员。另根据《中国旅游民宿发展报告（2019）》中的数据，截至2019年9月30日，民宿数量达到16.98万家，相比2016年的逾5万家增长217.06%。综上推算，2016—2019年民宿业提供了近84万个工作岗位，平均每年可以提供28万个工作岗位。而职业院校开设民宿管家等相关专业方向相对较少，供给人才不能有效满足民宿业的发展［2-3］。

综上，旅游职业院校应根据酒店业、民宿业市场需求的变化，调整专业设置和课程设置，增加新业态的专业或课程，如民宿管理专业等。