基于優化的神經網絡構建旅游突發事件安全預警能力測度分析模型

（吉林工商學院 吉林·長春 130062）

0 引言

旅游業是一種在旅游資源和旅游設施的基礎上為游客提供旅游觀光服務的行業，因此對其產業變化非常敏感，旅游突發事件將對旅游業產生重大影響。因此，我們需要認真對待旅游緊急情況。而對于目前關于旅游突發事件對旅游產業帶來影響的研究水平而言，使用最廣泛的神經網絡模型是BP神經網絡。它是一種按誤差逆傳播算法訓練的多層前饋網絡，具有高度的自學性和自適應的能力。在本文中，我們將研究如何通過改進的附加動量法建立BP神經網絡模型，以進行旅游突發事件的安全預警能力分析，從而預測旅游突發事件并盡可能地消除重大突發事件風險隱患。

1 研究內容

（1）基于大數據的概念和技術，從提高旅游業危機預警能力的角度出發，通過大數據二維發展的價值源，分析并提取旅游危機預警影響因子，通過分析和提取輸入神經元，建立優化的三層前饋BP神經網絡模型，并對其進行了度量分析。

（2）設計系統的理論模型，并使用Matlab中的神經網絡工具箱，通過神經網絡的訓練數據來調整相關危機影響因素的參數，參數達到理想狀態后，輸入的樣本數據將對危機預警模型進行系統仿真的訓練和測試。以吉林省旅游產業為例，通過將測試結果與實際情況進行比較，驗證了模型的可靠性。

（3）通過分析，可以得到基于大數據第二維的價值數據，從而提高旅游業危機預警的能力。

2 旅游突發事件情況分析和分級評定

旅游緊急事件的安全預警可分為旅游緊急事件國內安全預警和旅游緊急事件國外安全預警。

旅游緊急事件可分為四類：自然災害、事故、公共衛生緊急事件和社會安全緊急事件。根據其性質、嚴重性、可控制性和影響范圍，它通常分為四個級別：I級（特別重要），II級（重要），III級（相對較大）和IV級（一般）。突發事件的分類是為了履行突發事件的管理職責，提高突發事件的處理效率。

實現如下功能：

2.1 警示功能

警示功能是對旅游區中旅游緊急事件的前期預感和產生原因進行檢測、判斷和警示的功能。通過學習完善各種因素可能產生的結果，對一些不穩定的風險因素進行識別與警告。

2.2 糾錯功能

錯誤校正功能是監視并引起功能的預控制和校正。根據預控信息，將糾正旅游突發事件的預警，維護旅游活動的安全性和穩定性。

2.3 免疫功能

免疫功能是能夠在旅游活動中再次出現相同的預警信號或先前已發現并糾正的相同因素時，更快速、更有效地進行預測，并使用有效的手段進行錯誤糾正或有效避免。

3 BP神經網絡建模過程

3.1 建模過程

本文采用三層BP神經網絡，它由輸入層，隱藏層和輸出層組成。在分析影響旅游業緊急情況因素的基礎上，決定了輸入層中的節點數為14。輸入層是輸入向量的緯度，傳輸數據的影響因素數，具體的節點數要根據特定情況進行分析。

利用所構建的神經網絡模型確定旅游突發事件的安全預警，將旅游目的地的狀況分為兩種狀態，一種是安全性，用1表示；另一種是發生突發事件，用-1表示。輸出數據的數據類型和大小決定輸出層節點為 2，用（-1，1）表示安全性，用（1，-1）表示緊急性。

此函數的輸出介于（-1，1）之間，在本文模型中，如果輸出大于0.5，則將輸出視為等于1。輸出小于-0.5，則將輸出視為等于-1。如果輸出在-0.5到0.5之間，則認為輸出無效。

3.2 模型的改進和優化

附加動量法使網絡在修正其權值時，不僅考慮了誤差在梯度上的影響，還考慮了在誤差曲面上變化趨勢的影響。

帶有附加動量因子的權值和閾值調節公式為：

其中k為訓練次數，mc為動量因子，一般取0.95左右。

為了自適應地調整學習率，通過檢查權重是否真正降低了誤差。如果是這樣，則選擇的學習率較低，可以適當提高；如果沒有，則應降低學習率。

下式給出一個自適應學習速率的調整公式：其中E（k）為第k步誤差平方和。

在采用動量法時，BP算法可以找到全局最優解；在使用自適應學習率時，BP算法可以縮短訓練時間。

3.3 網絡的創建

3.4 網絡的訓練

為了達到局部最小值并提高訓練速度，本文使用了改進的BP神經網絡算法，動量自適應學習速率調整算法和Matlab9.0中的TRAINGDX訓練功能，建立改進型BP神經網絡的旅游突發事件安全預警模型，使用神經網絡工具箱創建模型，初始化和訓練該模型。

利用train()函數進行訓練

根據訓練集的結果集，將訓練集的訓練誤差控制在設定的要求范圍之內，并且設置最大迭代次數為1000，滿足了網絡訓練的要求。如表1，通過對三種神經網絡預警模型的比較，可以得出12-7-2的訓練精度較高，但是迭代次數較多，訓練時間較長。12-8-2的訓練精度較低，訓練時間較短。而12-9-2的訓練時間較長，準確性較低。

表1：不同網絡結構的訓練模型性能質保

因此，考慮到訓練時間和訓練精度，我們選擇具有更快的訓練速度和訓練精度的具有7個隱層節點神經網絡模型，即選擇12-7-2的結構作為安全性旅游突發事件預警模型。

4 旅游突發事件安全預警模型的測試與仿真

訓練結果表明，具有7個隱層節點的BP神經網絡可以達到理想的輸出結果。根據神經網絡模型的測試步驟，我們將收集到的這100個旅游目的地信息輸入模型，對這個100個樣本進行分析判定。為了進一步測試該模型的準確性，將來自40個旅游目的地的數據輸入到同一模型中，以記錄測試樣本集測試結果的預測準確性。該模型對測試集、訓練樣本集的測試結果，如表2所示。

表2：樣本集的測試結果

在旅游突發事件模型中，對樣本的誤判有兩種：Ⅰ類是將安全目的地判斷為突發事件。II類是指將發生了旅游突發事件的旅游地判斷為安全的目的地。實驗結果表明，訓練樣本集的誤判個數為4個，誤判率為4.25%，正確率為95.74%。測試樣本集的誤判個數為1個，誤判率為2.5%，正確率達到了97.5%。

5 結論與反思

本文基于BP神經網絡，建立了旅游突發事件預警模型。實驗證明該模型具有良好的預測效果和較高的正確率，并且BP神經網絡解決了傳統模型的無學習能力問題。模型為早期的突發旅游事件的預警提供了可靠的技術分析支持，但仍有改進的余地。因為很難搜索每個旅游目的地和緊急事件的數據，這也是本文模型的缺點所在。訓練樣本數量的欠缺，會導致模型在遇到一些較難分辨的樣本時，發生誤判現象。