基于Elman神經網絡的星級酒店人才需求規模預測與分析

王新宇，耿 海

（南京旅游職業學院，江蘇 南京 210000）

1 需求規模預測理論模型、計算工具及數據來源

1.1 Elman神經網絡模型

本次預測采用的主要模型是Elman神經網絡模型，該神經網絡模型是J.L.Elman于1990年首先針對語音處理問題提出來的，是應用較為廣泛的一種典型的神經網絡模型。

Elman神經網絡是應用較為廣泛的一種典型反饋型神經網絡模型。一般分為4層：輸入層、隱層、承接層和輸出層。其輸入層、隱層和輸出層的連接類似于前饋網絡。輸入層的單元僅起到信號傳輸作用，輸出層單元起到加權作用。隱層單元有線性和非線性兩類激勵函數，通常激勵函數取Signmoid非線性函數。而承接層則用來記憶隱層單元前一時刻的輸出值，可以認為是一個有一步遲延的延時算子。隱層的輸出通過承接層的延遲與存儲，自聯到隱層的輸入，這種自聯方式使其對歷史數據具有敏感性，內部反饋網絡的加入增強了網絡本身處理動態信息的能力，從而達到動態建模的目的。Elman神經網絡具有動態記憶功能，非常適合時間序列預測問題，所以應用Elman神經網絡模型預測人才需求是比較適合的。

1.1.2 模型實現、訓練與應用

Elman神經網絡適合處理時間序列問題，因此常用于一維或多維信號的預測，現以星級酒店人才需求預測為例來說明該模型的實現。

（1）樣本設計。

原始數據是連續18年的星級酒店從業人數，把這些數據作為訓練樣本，其中連續5年的從業人數作為訓練輸入，第6年的從業人數作為對應的期望輸出。

（2）模型的實現與訓練。

（1）口服腸道清潔劑。磷酸鈉鹽口服溶液是一種高滲性緩瀉劑，其腸道中可解離出不被吸收的離子，進而在腸中形成高滲環境，大量水分進入腸內，激活腸黏膜層的局部神經反射而增加腸壁的蠕動，提高腸道動力。磷酸鈉鹽口服溶液具有安全有效、耐受性好等優點，尤其適合于成年患者[12]。腸液和復方聚乙二醇溶液的成分和電解質含量相近，因此，當患者大量服用復方聚乙二醇溶液時，其對患者的體液代謝的影響很低，基本不會導致電解質混亂的發生。并且，復方聚乙二醇溶液具有腸道清潔效果較好、不良反應較少等優點。

本次實現模型的工具軟件為Matlab（版本為R2020b），Matlab是美國MathWorks公司出品的商業數學軟件，用于算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環境，并自帶了豐富的預定義函數和工具箱，其中神經網絡工具箱為神經網絡的使用者和研究者帶來了巨大的便利，提高了工作效率。

使用Matlab進行Elman神經網絡模型編程時，可以使用工具箱提供的newelm或者elmannet函數進行創建，這里采用較新的elmannet函數，設置迭代次數為2 000次。為了取得較好的效果，訓練前對數據進行歸一化處理，最后用同樣的數據進行測試，并將訓練好的網絡保存，以備預測時使用。

（3）應用訓練好的模型進行預測。

將2001—2018年的數據輸入，使用訓練好的模型進行仿真計算，可以得出2019—2022年的預測數據。

1.2 灰色預測GM（1，1）模型

本次預測采用灰色系統模型作用對照模型。所謂灰色系統是指既含有已知信息又含有未知信息的系統，是由鄧聚龍教授在1986年提出的。由于它具有所需因素少、模型簡單、運算方便、預測精度高等優點，可以較好地對非線性系統進行預測。在旅游人才需求的預測系統中，人才總數、結構等信息是已知的，但也受外界諸如政治、經濟、文化、科技、自然災害等因素的影響，存在很大的不確定性，非常符合灰色系統的特點，所以可以用灰色系統理論對旅游人才需求進行預測。

灰色系統常用的預測模型是GM（1，1）模型，GM（1，1）模型表示一階的、單變量的線性動態預測模型，其預測原理是將離散的隨機數，經過生成變成隨機性被顯著削弱的較有規律的生成數，在此基礎上建立數學模型［1］。

1.2.1 編制計算軟件及誤差檢驗

GM（1，1）模型的計算涉及矩陣運算，特別是求逆矩陣，相當復雜和煩瑣，并且容易出錯，所以用手工計算去實現GM（1，1）模型顯然是不現實的，必須借助計算機進行運算，才能快速、準確地獲得結果。課題組采用的Matlab編寫計算程序來實現整個GM（1，1）模型計算過程，并用這一程序進行人才需求的預測。

1.2.2 誤差檢驗

本課題采用后驗差檢驗法評判模型的精度。后驗差是對殘差分布的統計特性進行精度檢驗，考察殘差較小的點出現的概率，以及與殘差方差有關的指標的大小，該檢驗法由后驗差比值C和小誤差概率P來共同描述。

按照C和P兩個指標可以綜合評判模型精度，各精度等級，如表1所示。

表1 后驗差檢驗法精度等級

1.3 數據來源

為了保證數據的準確和權威，本次使用的人才需求數據的來源是2001—2020年的《中國旅游統計年鑒》中關于星級酒店就業人數的相關數據。

2 需求規模預測與分析

2.1 灰色系統GM（1，1）模型預測

2000—2019年，全國星級酒店實際從業人數，如表2所示。

表2 2000—2019年星級酒店從業人數統計

將2010—2019年這10年的數據代入、使用軟件計算的過程不再詳細討論，只給出結果：預測誤差如表3所示；后驗差比值C=0.225，小概率誤差P=1，預測精度為1級，模型預測效果好。

表3 星級酒店就業人數與預測人數對比（灰色系統預測）

預測2020—2023年的星級酒店人才需求量，如表4所示。

表4 2021—2023年星級酒店人才需求預測（灰色系統模型）

2004—2019年，全國住宿業（為限額以上住宿單位，即年主營業務收入200萬元及以上）從業人數，如表5所示。

表5 2004—2019年住宿業從業人數

如果將這10年的原始數據作為序列輸入，預測誤差如表6所示。后驗差比值C=0.233，小概率誤差P=1，預測精度為1級，模型預測效果好，所以可以應用灰色系統模型進行預測，預測2020—2023年住宿業人才需求，如表7所示。

表6 住宿業就業人數與預測人數對比（灰色系統預測）

表7 2021—2023年住宿業人才需求預測（灰色系統模型）

2.2 Elman神經網絡模型預測

把2000—2019年的從業人數作為原始數據，利用訓練好的模型進行仿真預測，預測結果與實際值的比對，可見平均誤差很小，真實值和預測差擬合得很好，如表8所示。預測2020—2023年星級酒店從業人數，如表9所示。

表8 星級酒店就業人數與預測人數對比（Elman神經網絡預測）

表9 2020—2023年星級酒店人才需求預測（Elman神經網絡預測）

因為住宿業的樣本數據量較小，為防止過度擬合，本次沒有采用Elman神經網絡進行住宿業的數據預測。

2.3 兩種模型對比

對于星級酒店人才需求預測，灰色系統模型平均誤差為3.38%；Elman神經網絡平均誤差為0.54%。兩者對于2020—2023年的預測如表10所示，從表中可以看出，對于星級酒店，兩者的預測有一定的差別，但總體趨勢一致，且差別在可以接受的范圍；考慮到灰色系統模型在單獨預測星級酒店數據時誤差就較大，而Elman神經網絡模型預測星級酒店數據誤差較小，優于灰色系統模型，且從上年度兩種預測結果與2019年實際數據驗證效果來看，Elman神經網絡模型精確度高于灰色系統模型。這說明在本次星級酒店的預測上，Elman神經網絡模型優于灰色系統模型。

表10 2020—2023年星級酒店人才需求預測（灰色系統模型與Elman神經網絡對比）

3 結語

從預測數據來看，星級酒店和住宿業的就業人數逐年減少（除Elman神經網絡方法預測2023年從業人數比2022年稍有增加外），沒有提供新的工作崗位。但這不意味酒店企業不需要職業院校培養人才，這是因為：一方面，星級酒店和限額以上住宿業在整個住宿業市場中占比不大，僅靠這兩者的統計數據無法認識整個中國住宿業市場的全貌，在各種鼓勵民宿發展政策的持續利好下，中國民宿業市場將越來越繁榮。另一方面，酒店企業的高員工流失率仍造成了大量的員工需求缺口。根據《浙江民宿藍皮書2018—2019》的數據，截至2019年年底，浙江省民宿共計19 818家，直接就業人數超15萬人。據此計算，浙江省平均每家民宿約需要7名工作人員。另根據《中國旅游民宿發展報告（2019）》中的數據，截至2019年9月30日，民宿數量達到16.98萬家，相比2016年的逾5萬家增長217.06%。綜上推算，2016—2019年民宿業提供了近84萬個工作崗位，平均每年可以提供28萬個工作崗位。而職業院校開設民宿管家等相關專業方向相對較少，供給人才不能有效滿足民宿業的發展［2-3］。

綜上，旅游職業院校應根據酒店業、民宿業市場需求的變化，調整專業設置和課程設置，增加新業態的專業或課程，如民宿管理專業等。