旅游需求的调研报告

概要：旅游需求的调研报告 一 问题的提出与分析 近年来，对澳门地区的旅游业来说，中国内地旅客是旅游收入的主要来源。目前旅游业已成为澳门地区经济发展特别是第二产业发展的支柱。建立科学的可操作的旅游预测模型是实现澳门地区旅游业持续健康稳定发展的理论基石和前提。由于影响某地旅游人数的因素各异，还不存在普遍适用的神经网络模型。 基于此，本文拟用3层bp神经网络模型来仿真模拟分析和预测澳门地区旅游需求,以此为旅游需求预测提供一种新的方法。 (www.laixuea.comwww.laixuea.com欢迎您投稿) 二 模型的假设与符号说明 1． 基本假设 1） 交通在旅游中通常不是重要的，为了研究的方便（主要是无法获得交通数据），把交通这个影响忽略。 2） 假设澳门的接待能力都满足需求。 3） 在本例旅游需求预测模型中，我们考虑的主要因素有：客源地的人口，客源地的总收入，客源地的消费水平，旅游目的地的生活水平。 4） 为了研究的方便，假定以上四因子之间相互独立，

旅游需求的调研报告,标签：调研报告怎么写,调研报告格式,http://www.laixuea.com


旅游需求的调研报告 


一 问题的提出与分析 

  近年来，对澳门地区的旅游业来说，中国内地旅客是旅游收入的主要来源。目前旅游业已成为澳门地区经济发展特别是第二产业发展的支柱。建立科学的可操作的旅游预测模型是实现澳门地区旅游业持续健康稳定发展的理论基石和前提。由于影响某地旅游人数的因素各异，还不存在普遍适用的神经网络模型。 

  基于此，本文拟用3层bp神经网络模型来仿真模拟分析和预测澳门地区旅游需求,以此为旅游需求预测提供一种新的方法。 


(www.laixuea.comwww.laixuea.com欢迎您投稿)

二   模型的假设与符号说明 

1．  基本假设 

1）    交通在旅游中通常不是重要的，为了研究的方便（主要是无法获得交通数据），把交通这个影响忽略。 
2）    假设澳门的接待能力都满足需求。 

3）    在本例旅游需求预测模型中，我们考虑的主要因素有：客源地的人口，客源地的总收入，客源地的消费水平，旅游目的地的生活水平。 
  
4）    为了研究的方便，假定以上四因子之间相互独立，本例旅游需求即为上述四因子的函数，即y=f(gdi,pop,gde,m-gp)。就用这四个因素作为人工神经网络模型输入层的神经元。 
  
2． 符号说明 
t        澳门内地游客量 
gdi     中国内地国民总收入 
pop     中国内地人口总数 
  gde     中国内地国民消费水平 
  m-gp    澳门生产总值  
  
三．模型的建立与求解 

  1．人工神经网络模型理论原理 

    人工神经网络（artificial neural network）是由大量的、简单元件（神经元）广泛相互联结而成的非线性的、动态的复杂网络信息处理系统，它是在现代神经学研究成果基础上提出的，能模拟人脑的若干基本功能[1]。它具有并行分布的信息处理结构，可以通过“自学习”或“训练”的方式完成某一特定的工作。它可以从积累的工作案例中学习知识，尽可能多地把各种定性或定量的因素作为变量加以输入，从而建立各种影响因素与结论之间的高度非线性映射，采用自适应模式识别方法来完成预测工作[2]。人工神经网络模型尤其是对处理内部规律不甚了解、不能用一组规则或方程进行描述的复杂的、开放的非线性系统显得较为优越。 
人工神经网络模型一般由处理单元、激活状态、单元输出、连接模式、激活规则、学习规则等6个部分组成。一个多层神经网络中包含有很多个信息处理单元,分布于不同的层次中。根据每项输入和相应的权重获取一个综合信号，当信号超过阈值则激活神经元而产生输出。各类影响因素和最终输出结果之间可以假定存在一种映射,即输出结果＝f（影响因素）。为了寻求最佳的映射关系f，将训练样本集合和输入、输出转化为一种非线性关系，通过对简单非线性函数的复合，从而建立一个高度的非线性映射关系f,最终实现输出值的最优逼近［3］。在人工神经网络的实际应用中，80%~90%的人工神经网络是采用前馈反向传播网络（back-propagation-network,简称bp网络）或它的变化形式。bp神经网络（如图一）是一种单项传播的多层前向神经网络，分为输入层、隐含层和输出层，层与层之间采用全连接方式，同一层单元之间不存在相互连接。它是前向网络的核心部分，体现了人工神经网络最精华的部分[4]。标准的bp网络是根据w-h学习规则，采用梯度下降算法，对非线性可微函数进行权值训练的多层网络。 

bp神经网络的每一层的权值通过学习来调节，其基本处理单元为非线性输入－输出关系，选用s型作用函数： 
其中：xj为该神经元第i个输入；wij为前一层第i个神经元至该神经元j的连接权值，i＝0时的权值为阈值。其计算步骤如下： 

（1）给定一组随机的权值和阈值初始值及步长系数η与势态因子α； 

（2）取学习样本数据，根据学习样本、权值及阀值计算输出，并与学习期望输出比较，当误差满足要求时结束训练，否则将误差向后逐层传播，并修正各层连接权值， 

[1] [2] [3]  下一页