Применение машины опорных векторов для туристов Прогноз на Барбадосе: эмпирическое исследование,

Точная туристической системы прогнозирования спроса необходимы планированию в области туризма, в частности, в сфере туризма основе стран. Искусственные нейронные сети обращают внимание на прогноз туристов из-за их общего нелинейного возможностей отображения. В отличие от большинства обычных нейросетевых моделей, которые основываются на эмпирических принципа минимизации рисков, поддержку векторных машин (SVMs) применять принцип структурной минимизации риска для сведения к минимуму верхняя граница ошибки обобщения, а не сведение к минимуму ошибки подготовки. Это исследование представляет собой модель с SVM генетических алгоритмов для прогнозирования туристов. Генетические алгоритмы (газ) используются для определения свободных параметров в модели SVM. Эмпирические результаты, связанные с туристической прибытия данных для Барбадоса показывают, что предложенная модель превосходит другие подходы в литературе.

1. Введение

Unpurchased видов услуг в сфере туризма, в том числе незаполненные авиакомпании / тренер мест, неиспользованных номеров / прокат автомобилей, незанятые номера и так далее, не могут быть сохранены, поскольку они являются скоропортящимися (Лучник, 1987). Таким образом, точный прогноз туристского спроса, как правило, определяется как число туристов, имеет важное значение для оказания помощи управленческих, оперативных и тактических решений (Athiyaman и Робертсон, 1992). Преимущества точных прогнозов являются бесспорными и различных исследований было проведено с целью выработки наиболее эффективных туристические прибытия модели прогнозирования. Обычных количественных моделей прогнозирования подпадают под две категории: регрессионные модели и временных рядов моделей (Wong, 1997). Регрессионные модели попытка определить соотношение между спросом на туризм и другие социально-экономические факторы, такие как доход, живущих расходов, а также курсы валют (Lim, 1997). Такие социально-экономические факторы, однако, не являются полезными, так как их коэффициенты незначительны, и они мало способствуют коэффициент определения эконометрические модели. Однако, решение закрыть избыточные переменные могут увеличить коэффициент детерминации. Этот факт является одним из главных ограничений эконометрических моделей.

Следовательно, больше внимания следует уделять сбору данных в отношении таких переменных (Шелдон и Var, 1985). Модели временных рядов часто используются, когда данные являются недостаточными для создания эконометрических моделей, или когда знания о структуре регрессионных моделей ограничен. В некоторых случаях, как краткосрочного прогнозирования, модели временных рядов могут превзойти регрессионных моделей (Морли, 1993; Витта и Витт, 1992). Тем не менее, модели временных рядов не может предсказать, туристические прибытия модели, которые не очевидны в исторических данных (Закон, 2000) ..

Искусственные нейронные сети (ИНС) имеют возможность нелинейного отображения и т. д. В последнее время применяются для прогнозирования спроса на туристические услуги. Патти и Синдер (1996) использовали обратного распространения нейронных сетей (BPNN) модели с 2 скрытых слоев прогнозировать ежемесячные ночевок бэккантри в США национальных парков. Их прогнозы более точны, чем полученные с помощью других традиционных моделей временных рядов с больших образцов. Закон и Au (1999) предложил кормить вперед нейронной сети с 6 входных узлов и один выходной узел прогноз туристов в Гонконге. В этом исследовании, шесть факторов, как предполагается, влияют на туристов. Экспериментальные результаты показывают, что предложенный нейронной сети превосходит другие многомерных моделей прогнозирования. Закон (2000) применил модель BPNN прогнозировать тайваньские туристические поездки в Гонконг. Предлагается модель нейронной сети содержит шесть независимых факторов, в качестве входных узлов, и один выходной узел. Автор использовал нелинейной функции отдельных случайно данные о независимых переменных в подготовке данных. Эта модель значительно увеличить точность прогнозов. Burger и др.. (2001) представили восемь методов прогнозирования туристов из США в Дурбане в Южной Африке с 1992 по 1998 год.

Они сообщили, что нейронных сетей лучше работает, когда данные туристические прибытия неструктурированной. Чо (2003) по сравнению три модели: экспоненциальное сглаживание, одномерные и модель ARIMA Эльман в искусственных нейронных сетей для прогнозирования туристов из шести стран, в Гонконг. Прогнозы показывают, что модель нейронной сети в Эльман превосходит двух других методов, поскольку она может захватить поведения, связанного с туристической прибытия данных без четкой тенденции ..

SVMs первоначально были разработаны для решения проблемы классификации. В последнее время с введением Тай и Као (2001) применяется SVMs прогнозирования финансовых временных рядов. Их численные результаты показали, что SVMs превосходят нейронных многослойных обратного распространения в сети прогнозирования финансовых временных рядов. Ван и др.. (2003) использовали SVMs прогнозировать качество воздуха. Они сообщили, что SVMs превосходят обычные функции радиальной сети основе. Цао и Гу (2002) представил динамической модели SVM для решения нестационарные задачи временных рядов. Их экспериментальные результаты показали, что DSVMs превосходят стандартные SVMs прогнозирования нестационарных временных рядов. В том же году, и Као Тай (2002) разработал C-возрастанию SVM для моделирования нестационарных финансовых временных рядов. Их экспериментальные результаты показали, что C-возрастанию SVMs с образцами данных фактических заказов последовательно превосходят стандартные SVMs. Цао (2003) применяется SVM специалистов в области прогнозирования временных рядов. SVMs Обобщенные экспертов есть два этапа нейронной сетевой архитектуры.

Численные результаты показали, что SVM специалисты могут достичь лучшего обобщения, чем отдельные модели SVM. Mohandes и др.. (2004) применяется SVMs прогнозировать скорость ветра. Их экспериментальные результаты показали, что модель SVM превысил многослойного персептрона нейронные сети, как измеряется среднеквадратичное ошибок. Бай Линь (2004a), используемые для прогнозирования SVMs производства значения машиностроения в Тайване. Они сообщили, что SVMs выступили лучше, чем сезонные модели ARIMA и общей регрессии модели нейронной сети. Бай Линь (2004b) предложил гибридные модели с силой модели ARIMA и SVM модель для прогнозирования цен на акции. С помощью 10 акций для изучения производительности, численные результаты показывают, что предложенный гибридной модели представили более точное прогнозирование результатов, чем модели ARIMA и модели случайных ходить ..

Выбор из трех параметров ( В связи с отсутствием структурированного пути в определении 3 свободных параметров в SVMs, генетических алгоритмов, применяемых для определения значений параметров в 3 SVMs. В этом исследовании, модели SVM с газом предлагается прогноз туристов на Барбадос (Dharmaratne, 1995). Остальные статья организована следующим образом. Раздел 2 вводятся основные концепции SVMs. Раздел 3 представляет газа, которые используются для выбора параметров модели SVM. Раздел 4 иллюстрирует два численных примерах (Dharmaratne, 1995), которые показывают прогнозирования выполнения предлагаемых моделей. Выводы, наконец, сделал в разделе 5.

3. Генетические алгоритмы в выборе параметров модели SVM

Голландия (1975) впервые предложил генетических алгоритмов. Такие алгоритмы основываются на принципе выживания наиболее приспособленных член населения, которая сохраняет генетическую информацию, передавая его из поколения в поколение. Работы Г. А. кратко описаны ниже.

Шаг 1 (инициализации): Создание случайной начальной популяции хромосом.

Шаг 2 (оценка пригодности): оценка пригодности каждой хромосомы. В этом исследовании, отрицательная средняя абсолютная ошибка процент (-МАПО) используется в качестве фитнес-функции. МАПО заключается в следующем.

Шаг 3 (Выбор): Выбор пары трения,

Шаг 4 (кроссовера и мутации): Создание нового потомства, выполняя кроссовера и мутации операции.

Шаг 5 (Следующее поколение): Форма населения для следующего поколения.

Шаг 6 (Stop условие): Если число поколений превышает заданный порог, то лучше хромосомы представлены в виде решения, в противном случае вернитесь к шагу 2.

В предложенной модели (а именно SVMG модели), газ используются для выхода в меньшей МАПО в поисках лучшей комбинации из трех параметров в SVMs. Бинарного кодирования указывается в газе. Три свободных параметров ( Численность населения установлен в 200 здесь. Каждый ген содержит 40 бит. Если каждый ген содержит 40 бит, например, то хромосома содержит бит 120. Подробнее бит в гене соответствуют тонкие разбиение пространства поиска. Родитель выбор процедура, при которой две хромосомы от родителей населения выбраны в соответствии с фитнес-функции. Слесарь-сборщик хромосом чаще для получения потомства, чтобы следующее поколение. Выбор рулетки принцип (Голландия, 1975) используется для выбора хромосом для размножения. В кроссовер операции, парные хромосомы случайным образом. Одноточечный кроссовер принцип используется в данном исследовании. Сегменты парных хромосом между двумя решительно порвать точек меняются местами.

4. Численные примеры

Это исследование использует Барбадос туристов данных для сравнения прогнозов выступления SVMG модели с теми моделей ARIMA предложенный Dharmaratne (1995). В таблице 1 приведены данные, использованные в этом примере.

Прогнозирование и выполнение две модели SVMG (SVMG-I и SVNG-II) представлены является по сравнению с методике, предложенной Dharmaratne (1995). Данных, используемых для подготовки, аттестации и тестирования SVMG-I модели, с 1956 по 1981, с 1982 по 1987 и с 1988 по 1992 год, соответственно. Подготовка данных, проверка данных и проверки данных в модели SVMG-II, являются с 1956 по 1984, с 1985 по 1991 и с 1992 по 1993 год, соответственно. Schalkoff (1997) рекомендовал, что отношение проверки данных на подготовку данных должна быть примерно 3:59.

Затем, прокат основе прогнозирования процедура была осуществлена и один шаг вперед прогнозирования политики принимается. В этапе подготовки, несколько типов данных прокатки применяются. Различные числа туристов, прибывающих во время серии вводятся в модель SVMG прогнозировать туристов в следующий период. Модели с минимальным значением МАПО тестирования будет выбран в качестве наиболее подходящей модели для использования с этим примером. В таблице 2 представлены результаты и прогноз параметров модели SVMG. SVMG-I модель выполняет лучше всего, когда 21 входных данных используются. SVMG-II модель выполняет лучше всего, когда 19 входных данных используются. В таблице 3 приведены фактические значения и прогноз значения, полученные с использованием различных моделей прогнозирования в обоих случаях. В обоих случаях предлагаемые модели лучше, чем модели ARIMA для захвата моделей туристических прибытия.

Точность вышеупомянутых моделей прогнозирования основывается на МАПО, который определяется формулой. (9). Таблица 4 показывает, МАПО значения различных моделей прогнозирования. МАПО значений за каждый год рассчитаны на достаточно сравнить предлагаемые модели с моделями ARIMA Dharmaratne в. Предлагаемые модели SVMG имеют меньшие значения, чем МАПО моделей ARIMA Dharmaratne на 5 лет среднего. ARIMA модели, как правило, обеспечивают большее МАПО значений прогнозируемого периода становится больше. В частности, в случае 2, МАПО значения модели ARIMA резко возрастает в 1993 году. Тем не менее, SVMG-II модель поддерживает относительно небольшое значение МАПО в 1993 году.

Хорошо подготовленных моделей (SVMG-I и-II SVMG) применяются для прогнозирования туристов на Барбадос с 1994 по 2003 год. Количество обучающих данных для SVMG-I модели и SVMG-II модели 26 и 29, соответственно. В таблице 5 представлены результаты прогноза. SVMG-II модель дает меньшее значение, чем МАПО SVMG-I модель, отметив, что модели с более обучающих данных обеспечивает лучшую прогнозы туристов. Рисунок 1 участков фактические и прогнозируемые значения числа туристов.

5. Выводы

Поскольку туризм в Барбадосе и в других регионах, по-прежнему представляют собой большую часть из этих регионов "экономикой, точность прогнозирования туристов как ожидается, станет более важным в планировании использования, связанных с туризмом ресурсов. В этом исследовании, SVMG модели предлагается предсказать туристов в Барбадосе. два численных примерах в работе Dharmaratne (1995) используются для выяснения точности прогнозирования предлагаемых моделей. Экспериментальные результаты показывают, что предлагаемые модели превосходят ARIMA подходов. превосходные характеристики моделей SVMG над этим моделей ARIMA имеет две причины. Во-первых, SVMG модели нелинейного возможности отображения и так легче собирать данные модели туристов, чем можно модели ARIMA. во-вторых, параметр выбора в значительной степени влияет SVMs прогнозирование их производительность. Неправильная выбор из этих трех параметров приведет к более или облегающие или под установку модели SVM. В настоящей работе газа правильно выбрать свободные параметры используются для прогнозирования туристов. Наконец, модель SVMG включает процесс структурной минимизации риска, а сведение к минимуму ошибки подготовки. Это минимизации верхняя граница ошибки обобщения обеспечивает лучшую производительность, чем обобщение, что из моделей ARIMA ..

Данное исследование является первой попыткой применить SVM модели с газом для прогнозирования путешествия прибывших. Благоприятные результаты, полученные в данной работе показывают, что предложенная модель является адекватной альтернативой для использования в сфере туризма науки. В будущем, другие социально-экономические факторы, такие как рыночных цен, средний уровень отеля, а валовой внутренний расходов на одного человека, могут быть включены в модель для прогнозирования SVMG туристов. Кроме того, SVMs могут быть объединены с другими расширенный поиск методов для прогнозирования прибывающих.

Подтверждение

Это исследование было проведено при поддержке Национального научного совета (НБК 922213-E-212-001

Ссылки

Арчер, BH (1987), "Прогнозирование спроса и оценка", в: Ричи, JRB и Гоелднер, CR, (EDS), путешествия, туризм и гостиничное исследований, John Wiley, Нью-Йорк, с. 77-85.

Athiyaman А., Робертсон, RW (1992), "Прогнозирование временных рядов методами: краткосрочные планирования в области туризма," Международный журнал современного гостиничного менеджмента, Vol. 4, с. 8-11.

Burger, ЗАО, Донал, М., Катрады, М., и права, R. (2001), "практикующих руководство по временной ряд методов для туризма" прогнозирование спроса на-пример в Дурбане, Южная Африка, "Туризм управления , Vol. 22, с. 403-409.

Као, L., и Гу, Q. (2002), "Динамические поддержку векторных машин для нестационарных прогнозирования временных рядов," Интеллектуальный анализ данных, Vol. 6, стр., 67-83.

Цао, Л. (2003), "Поддержка векторной машины экспертов для прогнозирования временных рядов", Нейрокомпьютинг, Vol. 51, с. 321-339.

Центральный банк Барбадоса (2004), финансовой статистике различные даты, Центральный банк Барбадоса Бриджтаун.

Чо, В. (2003), "Сравнение три различных подхода к прогнозированию туристические прибытия," Туризм управления, Vol. 24, с. 323-330.

Dharmaratne, Г. С. (1995), "Прогнозирование туристов в Барбадосе," Анналы Туризм исследований, Vol. 22, с. 804-818.

Дракер, H., Берджес, ЗАО, Кауфман Л., Смола А., Вапника, В. Н. (1997), "Поддержка машины вектора регрессии," Достижения в области нейронных систем обработки информации, Vol. 9, с. 155-161.

Голландия, J. (1975), адаптации в естественных и искусственных системы, Мичиганский университет печати, Анн-Арбор.

Закон, Р. и Au, Н. (1999), "модель нейронной сети для прогнозирования спроса на японские поездки в Гонконг," Туризм управления, Vol. 20, с. 89-97.

Закон, R. (2000), "Back-распространения обучения в повышении точности нейронной сети основе прогнозирования спроса в секторе туризма," Туризм управления, Vol. 21, с. +331340.

Лим, C. (1997), "эконометрических классификации и анализа международных моделей, спрос в секторе туризма," Туризм Экономика, Vol. 3, с. 69-81.

Мартин, штат Калифорния, и Витт, С. Ф. (1989), "Прогнозирование спроса на туристические услуги: сравнение точности несколько количественных методов," Международный журнал по прогнозированию, Vol. 5, с. 7-19.

Mohandes, MA, Халавани, TO, С. Rehman, S., и Хусейн, А. А. (2004), "Поддержка векторной машины для прогнозирования скорости ветра," Возобновляемые источники энергии, Vol. 29, с. 939-947.

Морли, CL (1993), "Прогнозирование спроса туризму extrapolative методов временных рядов," Журнал Туризм исследований, Vol. 4, с. 19-25.

Пай, PF, и Лин, CS (2004a), "Использование машины опорных векторов для прогнозирования значений производства машиностроения на Тайване, в" Международный журнал передовых производственных технологий, принятых к публикации.

Пай, PF, и Лин, CS (2004b), "гибридные ARIMA и поддержка векторной модели машин на складе прогнозирования цен," OMEGA-Международный научный журнал "Управление науки, принятых к публикации.

Патти, округ Колумбия, и Сайндер, J. (1996), "Использование нейронных сетей для прогнозирования поведения посетителей," Анналы Туризм исследований, Vol. 23, с. 151-164.

Schalkoff, RJ (1997), искусственные нейронные сети, McGraw-Hill, Нью-Йорке.

Шелдон, PJ, и Var, Т. (1985), "Туризм прогнозирования: обзор эмпирических исследований," Журнал прогнозирования, Vol. 4, с. 183-195.

Тэй, FEH, и Цао, Л. (2001), "Применение машины поддержки вектор финансового прогнозирования временных рядов," OMEGA-Международный научный журнал "Управление Science, Vol. 29, с. 309-317.

Тэй, FEH, и Цао, Л. (2002), "Модифицированная поддержку векторных машин прогнозирования финансовых временных рядов", Нейрокомпьютинг, Vol. 48, с. 847-861.

Вапника, В. (1995), Природа статистической теории обучения, Springer-Verlag, Нью-Йорке.

Вапника, V, Golowich, S., и Смола, А. (1996), "Поддержка векторной машины для аппроксимации функций, регрессионные оценки и обработки сигналов," Достижения в области нейронных систем обработки информации, Vol. 9, с. 281-287.

Ван, В. Сюй, З. и Лу, JW (2003), "Три улучшение нейросетевых моделей для прогнозирования качества воздуха," Инженерная вычислений, Vol. 20, с. 192-210.

Витт, С. R, а Витт, CA (1992), моделирование и прогнозирование спроса в области туризма, Academic Press, London.

Wong, К. (1997), "актуальность деловых циклов в прогнозировании международные туристские прибытия," Туризм управления, Vol. 18, с. 581-586.

Пинг-Feng Pai

Национальный Чи-Нан университет, Тайвань

Вэй Чан Хун

Да-Yeh университет, Тайвань

Пинг-Дэн Chang

Tunghai университет, Тайвань

Чэнь Дун Чэнь

Да-Yeh университет, Тайвань

Контактный адрес электронной почты: <a <href="mailto:paipf@mail.dyu.edu.tw"> paipf@mail.dyu.edu.tw />