對(duì)于旅游景區(qū)管理流量預(yù)測探討論文.

1、對(duì)于旅游景區(qū)管理流量預(yù)測探討論文2018-12-141引言自20世紀(jì)50年代以來，世界旅游業(yè)發(fā)展迅速。蓬勃發(fā)展的旅游業(yè)給目的 地帶來經(jīng)濟(jì)效益與社會(huì)效益的同時(shí)，也給旅游風(fēng)景區(qū)的自然生態(tài)環(huán)境造成了威 脅。怎樣協(xié)調(diào)好經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)環(huán)境三者的關(guān)系，是我們亟待解決 的問題。許多旅游景點(diǎn)的游客量呈現(xiàn)持續(xù)增長的趨勢，但這種增長并不是一條 直線，往往表現(xiàn)為在旺季人滿為患，在淡季卻門庭冷落。游客數(shù)量在時(shí)間上的 不均衡波動(dòng)給景區(qū)管理帶來很大挑戰(zhàn)。要實(shí)現(xiàn)風(fēng)景區(qū)科學(xué)規(guī)劃與永續(xù)利用，需 要把握游客的時(shí)空變化規(guī)律，準(zhǔn)確預(yù)測游客數(shù)量。其中短期游客量的預(yù)測是景 區(qū)進(jìn)行資源科學(xué)管理與合理調(diào)度的基本依據(jù)，對(duì)此進(jìn)行深入研

2、究有重要的現(xiàn)實(shí) 意義。2問題提出與解決框架2.1研究區(qū)域九寨溝位于四川省阿壩藏族羌族自治州九寨溝縣境內(nèi)，海拔 在2000米以上，溝內(nèi)遍布原始森林，分布了 108個(gè)湖泊，是我國被列入世界遺 產(chǎn)名錄的著名旅游風(fēng)景區(qū)之一。九寨溝一年四季景色都十分迷人，各個(gè)季節(jié)有 不同的景致，因此游客絡(luò)繹不絕，其中以4月至11月游客量最多(章小平，朱 忠福，2007)。圖1研究路徑2. 2問題提出國內(nèi)外學(xué)者對(duì)旅游景區(qū)容量及游客量預(yù)測問題的研究始于20 世紀(jì)60年代，兒十年的發(fā)展取得了豐富的成果，如Law(1999)利用神經(jīng)網(wǎng)絡(luò)模 型預(yù)測游客需求，Mello(2001)使用向量自回歸方法預(yù)測英國旅游者的長期旅游 需求及

3、目的地份額，Stucka (2002)使用了計(jì)量經(jīng)濟(jì)學(xué)中普通最小二乘法(0LS)與 相似非相關(guān)模型(SUR)來預(yù)測克羅地亞的旅游需求。國內(nèi)學(xué)者的研究成果也比較 豐富，如楚方林研究發(fā)現(xiàn)非季節(jié)性自回歸移動(dòng)平均結(jié)合模型能獲得較優(yōu)的預(yù)測 結(jié)果(ChuFonglin, 1998),王朝宏使用模糊時(shí)間序列與混合灰色理論預(yù)測到臺(tái) 灣的美國和香港游客的旅游需求(WangChao-Hung, 2004),曾忠祿、鄭勇(2009) 使用計(jì)量經(jīng)濟(jì)學(xué)模型預(yù)測了內(nèi)地赴澳門的游客量，雷可為、陳瑛(2007)應(yīng)用了 BP神經(jīng)網(wǎng)絡(luò)和ARIMA組合模型預(yù)測中國入境游客量，顏磊等(2009)提出了小波 分析法并用此方法分析了九寨

4、溝景區(qū)游客旅游時(shí)間流的特征，胡小猛等(2006) 通過研究得出三個(gè)主要阻礙上海居民去崇明島旅游的障礙因素，得出了游客量 與潛在游客規(guī)模及各類阻礙相關(guān)的預(yù)測模型。這些方法大多以預(yù)測某地游客量 的發(fā)展趨勢以及分析影響這些地區(qū)游客量的因素為主。雖然國內(nèi)外學(xué)者對(duì)年際 游客量的預(yù)測形成了豐富的成果，但是對(duì)日游客量的預(yù)測問題鮮有研究。隨著 游客的旅游方式的變化，影響一個(gè)地區(qū)游客量的因素已經(jīng)不僅僅是由旅游的季 節(jié)性因子和景區(qū)基礎(chǔ)條件所決定，各種社會(huì)因素、自然突發(fā)狀況也會(huì)對(duì)一個(gè)景 區(qū)的游客量產(chǎn)生重要影響(吳耀宇，黃震方，2010) o本文研究日游客量的預(yù)測 問題正是基于對(duì)上述變化的思考?？紤]季節(jié)與季節(jié)之間的2

5、. 3解決框架本研究通過實(shí)地調(diào)查和數(shù)據(jù)采集獲得研究數(shù)據(jù)。采用逐步回 歸法對(duì)日游客量預(yù)測建立回歸模型，再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)回歸模型計(jì)算出的預(yù) 測結(jié)果進(jìn)行誤差的修正，最后將修正出來的結(jié)果作為最終預(yù)測的日游客量。圖 1為本文的研究路徑。3實(shí)證研究3.1多元線性回歸模型本研究通過實(shí)地調(diào)研采集了大量數(shù)據(jù)，其中包括九 寨溝2009年和2010年上半年日游客量數(shù)據(jù)、九寨溝2009年和2010年每日的 氣象數(shù)據(jù)，全國2009年和2010年法定假日的數(shù)據(jù)等。有研究表明氣候的季節(jié) 性固然會(huì)一個(gè)景區(qū)游客量的大小產(chǎn)生重要的影響，但是也應(yīng)該加大對(duì)社會(huì)因 素、自然突發(fā)狀況的關(guān)注。因此本文重點(diǎn)考慮社會(huì)因素和自然突發(fā)狀況對(duì)游

6、客 量的影響，設(shè)定出與游客量波動(dòng)有關(guān)的主要因子。影響游客量的因子在季節(jié)與 季節(jié)之間差異大，在相鄰兩日之間差異小，因此在考慮到景區(qū)前后兩日季節(jié)性 因子相差不大的情況下，設(shè)定出前日游客數(shù)量級(jí)、前日溫度、前日降雨等因 子，再考慮到前后兩日的社會(huì)因子可能會(huì)因?yàn)榉偶俚仍蚨a(chǎn)生差異的情況， 設(shè)定出法定假日、寒暑假、旅游淡旺季等幾個(gè)因子。由于自然突發(fā)狀況無法準(zhǔn) 確預(yù)測以及定量，因此將其作為影響隨機(jī)誤差的一個(gè)因子。綜合考慮上述因素 對(duì)景區(qū)游客量的影響之后，得出了可能影響九寨溝日游客量的因子。本文通過 研究2009年數(shù)據(jù)來建立模型。首先利用SPSS軟件分別對(duì)設(shè)定的因子與九寨溝 游客量之間進(jìn)行相關(guān)性分析，得到前

7、日溫度、前日降雨、法定假日、前日游客 數(shù)量級(jí)、寒暑假、旅游淡旺季幾個(gè)與九寨溝游客量相關(guān)性較高的因子。然后將 九寨溝實(shí)際游客量的數(shù)據(jù)和因子導(dǎo)入SPSS,通過模塊一逐步回歸建立回歸模 型。逐步回歸的基本思想是，在考慮對(duì)Y已知的一群變量(XIXk)回歸時(shí)，從 變量XI,，Xk中，逐步選出對(duì)已解釋變差的貢獻(xiàn)最大的變量進(jìn)入回歸方程， 并且同時(shí)滿足偏解釋變差的F統(tǒng)計(jì)量的值fj的顯著性概率p小于等于選定的顯 著性水平ao采用逐步回歸法，在顯著性水平0為0. 05水平下，一共有4個(gè) 因子依次進(jìn)入回歸方程，依次是前日游客數(shù)量級(jí)、法定假期、前日溫度和旅游 淡旺季，從模型匯總表中可以看出，最后一個(gè)包含了以上4個(gè)因子

8、的回歸模型 的判定系數(shù)R=。919,校正判定系數(shù)R2=0. 918,各種影響因子對(duì)實(shí)際游客量的 回歸效果良好。檢驗(yàn)?zāi)Ｐ偷亩嘀毓簿€性、異方差性和序列相關(guān)性，三個(gè)問題均 不存在。模型方差檢驗(yàn)、回歸系數(shù)檢驗(yàn)也都通過。根據(jù)高斯-馬爾柯夫(BLUE)定 理，回歸系數(shù)表所求得的回歸系數(shù)具有最優(yōu)性、線性和無偏性。以上從SPSS中 獲取的結(jié)果證明通過多元回歸得出的模型擬合度比較高，結(jié)果比較理想。最后 根據(jù)回歸系數(shù)得出的多元回歸方程為:y二-14394. 805+781. 351x1+1143. 616x2+45. 851x3+416. 860x4+ u (1)其中 y 為預(yù)測的 日游客量，X1為前日游客數(shù)量級(jí)

9、，X2為法定假期，X3為前日溫度，X4為旅游 淡旺季，U為隨機(jī)誤差。3. 2BP神經(jīng)網(wǎng)絡(luò)修正理論已證明，三層BP網(wǎng)絡(luò)可以以任意精度逼近任何連 續(xù)函數(shù)(張興會(huì)，等，2004) o以多元回歸模型的預(yù)測誤差作為輸入的學(xué)習(xí)樣 本，在神經(jīng)網(wǎng)絡(luò)中經(jīng)過不斷修正可以得到更好的預(yù)測結(jié)果。BP神經(jīng)網(wǎng)絡(luò)可以從 大量的離散實(shí)驗(yàn)數(shù)據(jù)中，經(jīng)過學(xué)習(xí)訓(xùn)練，提取其領(lǐng)域知識(shí)，并將知識(shí)表示為網(wǎng) 絡(luò)連接權(quán)值的大小與分布，建立起反映實(shí)際過程內(nèi)在規(guī)律的系統(tǒng)模型。BP網(wǎng)絡(luò) 可以包含不同的隱層，理論上已經(jīng)證明，在不限制隱層節(jié)點(diǎn)數(shù)的情況下，只有 一個(gè)隱層的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射。在模式樣本相對(duì)較多的情況下， 較多的隱層節(jié)點(diǎn)，可以實(shí)現(xiàn)模

10、式樣本空間的超平面劃分，因此本文使用具有單 隱層的BP網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì)多元線性回歸模型的修正(陳如云，2007)。圖2為BP 神經(jīng)網(wǎng)絡(luò)原理示意圖，其中Wij是輸入層到隱層的權(quán)重，W只是隱單元層到輸 出層的權(quán)重。3. 2.1訓(xùn)練樣本歸一化原始樣本中數(shù)據(jù)為預(yù)測游客量的誤差均大于1,而 BP神經(jīng)網(wǎng)絡(luò)所處理的是數(shù)值在-1, 1區(qū)間的數(shù)據(jù)，因此這些樣本數(shù)據(jù)在研究 中都需要將它們轉(zhuǎn)化為區(qū)間之間的數(shù)據(jù)。本文對(duì)樣本數(shù)據(jù)采用的歸一化公式如 下:式中I為原始誤差輸入數(shù)據(jù)，廠為歸一化后的輸入數(shù)據(jù)，g為原始樣本期望 目標(biāo)數(shù)據(jù)即實(shí)際游客量，gC為歸一化后的期望目標(biāo)數(shù)據(jù)。3. 2. 2網(wǎng)絡(luò)訓(xùn)練本文采用三層的.神經(jīng)網(wǎng)絡(luò)進(jìn)行建模

11、，對(duì)游客數(shù)量預(yù)測誤差 進(jìn)行修正。采用2009年數(shù)據(jù)作為訓(xùn)練樣本，因數(shù)據(jù)量比較大，隱層神經(jīng)元的節(jié) 點(diǎn)個(gè)數(shù)n2要盡量多，故本文選擇n2=150,這里的隱層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)不是固 定的，要根據(jù)實(shí)際訓(xùn)練的檢驗(yàn)修正。輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)nk5,輸出層神經(jīng) 節(jié)點(diǎn)個(gè)數(shù)n3=l,將1月1日-5日、2日-6日、3日-7日等的游客數(shù)量預(yù)測實(shí)際 誤差作為網(wǎng)絡(luò)輸入，以6日、7日、8日等的實(shí)際游客量作為網(wǎng)絡(luò)輸出，組成樣 本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后得出預(yù)測誤差。采用MATLAB測試，輸入層到中間 層和中間層到輸出層的傳遞函數(shù)均受用正切函數(shù)，學(xué)習(xí)率設(shè)為0.5,訓(xùn)練次數(shù) 設(shè)為5000,訓(xùn)練目標(biāo)誤差為IX 1010。使用MATL

12、AB進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到歸一 化處理過的輸出層數(shù)據(jù)，首先需要對(duì)輸出層數(shù)據(jù)還原，根據(jù)歸一化公式得到還 原公式:式中I為還原的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)，I*為神經(jīng)網(wǎng)絡(luò)原始輸出數(shù)據(jù)。經(jīng)過 MATLAB的處理，將預(yù)測誤差與回歸模型預(yù)測值相加，得到最終預(yù)測值。3. 3模型驗(yàn)證3. 3.1回歸部分將2010年數(shù)據(jù)帶入回歸方程，通過計(jì)算得出游客量預(yù)測 值。下圖3所示為根據(jù)回歸方程計(jì)算得到的2010年上半年日游客量的實(shí)際 值與預(yù)測值之間的對(duì)比圖，其中y為預(yù)測游客量，g為期望目標(biāo)數(shù)據(jù)，即實(shí)際 游客量，橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。3. 3. 2BP神經(jīng)網(wǎng)絡(luò)部分要預(yù)測某天的游客數(shù)量誤差，應(yīng)該將回歸模型預(yù)測 的前五

13、日實(shí)際誤差作為神經(jīng)網(wǎng)絡(luò)輸入，經(jīng)過神經(jīng)網(wǎng)絡(luò)的運(yùn)算之后得到輸出為當(dāng) 日游客量預(yù)測誤差，將此輸出的預(yù)測誤差與回歸模型的當(dāng)日游客量值進(jìn)行相加 或相減，得到最終游客量預(yù)測值。圖4是經(jīng)過BP神經(jīng)網(wǎng)絡(luò)修正前后的兩個(gè)日游 客量預(yù)測值的對(duì)比圖，其中，y為多元回歸預(yù)測值，Y為BP神經(jīng)網(wǎng)絡(luò)修正值， 橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。由圖4可以看到經(jīng)過BP神經(jīng)網(wǎng)絡(luò)修 正前后的游客數(shù)變化趨勢是基本一致的，只是在游客數(shù)的多少上存在差別。下 圖5為經(jīng)多元回歸模型預(yù)測，BP神經(jīng)網(wǎng)絡(luò)修正后的最終預(yù)測到達(dá)人數(shù)(Y)與九 寨溝實(shí)際到達(dá)人數(shù)(g)對(duì)比圖，橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。從多 元回歸模型的預(yù)測到BP神經(jīng)網(wǎng)絡(luò)的

14、修正，預(yù)測值與實(shí)際值的變化趨勢是基本一 致的，從圖2與圖5的對(duì)比可以看出：九寨溝游客每年實(shí)際到達(dá)人數(shù)呈現(xiàn)出多峰 性;實(shí)際到達(dá)人數(shù)與預(yù)測到達(dá)人數(shù)所呈現(xiàn)出的峰值是基本一致的;二者的對(duì)比圖 顯示二者在數(shù)量上的預(yù)測也基本準(zhǔn)確。而且經(jīng)BP神經(jīng)網(wǎng)絡(luò)修正后，游客到達(dá)預(yù) 測值與游客實(shí)際到達(dá)值之間更為接近，通過計(jì)算，可以得到神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù) 測值修正后誤差顯著變小，經(jīng)計(jì)算得修正預(yù)測值與實(shí)際值的平均誤差率為 2. 05%o其中誤差在提以內(nèi)的占總預(yù)測量的33. 5%。誤差在2%以內(nèi)的占65.9%, 誤差在10%以上的占0. 6%o分析有如下幾個(gè)可能產(chǎn)生誤差的原因：(1)由于回歸模型選擇的影響因子而造成的預(yù)測誤差。影

15、響一個(gè)地區(qū)游客量 的因素眾多，并不能全部被挑選出來，因此影響因子的選擇是造成誤差的一個(gè) 最主要原因。(2)自然突發(fā)狀況。由于自然突發(fā)狀況存在突發(fā)性和偶然性，事先很難準(zhǔn)確 預(yù)測，也是一個(gè)誤差來源。(3)除法定假日以外的周末。由于周末多是九寨溝周邊城鎮(zhèn)的游客去旅游， 而去九寨溝所花的時(shí)間可能較多，因此周末可能不是一周當(dāng)中游客最多的時(shí) 候，但是周末會(huì)對(duì)游客量有一定影響。(4)單位組織旅游?，F(xiàn)在許多單位都會(huì)選擇一個(gè)相對(duì)于自身合適的時(shí)間組織 員工集體旅游。(5)地震的殘留影響。4結(jié)論與展望國內(nèi)外學(xué)者對(duì)游客量預(yù)測問題的研究始于20世紀(jì)中葉，經(jīng)過半個(gè)多世紀(jì)的 發(fā)展，形成了諸如ARIMA模型、神經(jīng)網(wǎng)絡(luò)模型等重要預(yù)測模型，但是這些模型 主要預(yù)測后幾年的游客規(guī)模趨勢，涉及的是年際間的游客量。本文是以日為單 位來預(yù)測九寨溝景區(qū)的游客量。一個(gè)景區(qū)游客量的大小固然會(huì)受到季節(jié)的重要 影響，但是隨著社會(huì)的發(fā)展，社會(huì)因素對(duì)游客量的影響越來越大，因而本文以 此為依據(jù)設(shè)定與游客量的波動(dòng)有關(guān)的主要因子。經(jīng)過研究發(fā)現(xiàn):影響九寨溝游客 量的因子已不僅僅局限在諸如