神經網絡模型在旅游領域的應用研究文獻綜述

白翠玲，雷欣，董志良

（1．河北地質大學土地科學與空間規劃學院；2．河北省科協智庫地學旅游與鄉村振興研究基地；3．河北地質大學管理學院；4．河北地質大學科學技術處，河北 石家莊 050031）

引言

神經網絡是一種理論化的人腦神經網絡數學模型，在對人腦或自然神經網絡某些行為特征的抽象和模擬基礎上，建立的一種信息處理系統[1]。神經網絡經過不斷改進感知器產生了BP 神經網絡、主成分神經網絡、徑向基神經網絡、SVM 神經網絡，以及深度更廣的卷積型神經網絡、玻爾茲曼機神經網絡、深度殘差人工神經網絡等。神經網絡的應用范圍廣泛，韋伯斯于1974 年揭示了神經網絡的反向傳遞學習特性，其學習的有效性較一般統計研究強得多，并采用神經網絡與傳統的回歸式分析對比，用于估計太陽黑子的年平均運動狀態。部分研究者使用人工神經網絡來估計國際航空客運量[2]；部分研究利用神經網絡模型對商品價格進行預測，以評估項目的經濟可行性[3]；有些學者將人工神經網絡的方法運用在銀行故障預測中，來判斷銀行倒閉情況[4]；也有學者利用神經網絡預測多變量時間序列行為[5]；有研究者針對股票價格變動頻率和規律，采用了人工神經網絡的進化規劃實驗，并通過遺傳算法和神經網絡的計算方式開展價格預測工作[6]。

神經網絡模型因其具有的優勢，如較好的容錯性、并行處理能力、自學習能力、自適應能力等，解決了旅游信息不全面、影響因素過多和非線性關系等一系列問題，對變量以及數據也不會像傳統方式那樣嚴苛，彌補了傳統預測方法的不足[7]。隨著技術的不斷迭代與更新，旅游行業在景區、交通、博物館等多領域開始應用神經網絡模型，以促進旅游業的改革與升級[8]。從旅游業供給端視角來看，神經網絡綜合了不同模型，通過旅游資源數字化采集、存儲[9]，實現旅游資源開發與保護[10]，以及旅游目的地規劃設計與管理[11]。從旅游者視角來看，神經網絡模型能讓人們借助計算機網絡、虛擬現實等技術實現選擇適合自己的定制旅游方案，從而提高旅游者在旅途中的滿足感。隨著旅游信息化程度不斷提高，神經網絡逐漸被運用于游客體驗的各個環節[12]。在旅游前，神經網絡模型可以為游客提供預游覽的相關信息與真實體驗；在旅游過程中，神經網絡模型可以為游客提供路線規劃等服務，提升旅游體驗的整體滿意度；在旅游結束后，神經網絡模型可以記載游客的體驗感受及經驗，增加目的地的口碑效應[13]。

學者們采用跨學科方法和技術對神經網絡模型進行了系統深入的研究，由于神經網絡模型持續迭代發展和成長，新型應用技術和實踐研究領域不斷涌現，目前學者們對神經網絡模型在旅游領域的應用研究滯后于實際運用，無法體現神經網絡在旅游領域的未來應用發展。另外，隨著大量跨學科概念、技術和實驗研究涌現，神經網絡在旅游領域的應用研究成果也亟須進一步整合。本文以CNKI 和Web of Science 作為數據源，分析國內外神經網絡在旅游領域應用的相關文獻，從發文量、關鍵詞、時間演變的角度進行相關分析，并繪制可視化圖譜；采用內容分析法，提煉相關研究主題與研究方法，總結研究發展狀況和未來發展趨勢，希望為神經網絡模型在旅游領域的未來應用研究提供參考。

一、文獻計量分析

（一）文獻來源及研究趨勢分析

本研究選擇CNKI和WOS核心數據庫作為文獻數據來源以保證文章的質量，時間范圍為1996—2022 年。英文文獻以 “The neural network” “tourism” 為檢索詞進行文獻檢索，文獻類型不受限制，共檢索到2111 篇，中文文獻以神經網絡、旅游為檢索詞進行文獻檢索，共檢索到文獻469 篇，分別對這些文獻的標題、關鍵詞和摘要進行主題相關性篩選，剔除與神經網絡、旅游無關的文獻，在進行重復文檔篩選和合并后，保留了470份英文文獻和445篇中文文獻，這些文獻構成了本文的研究數據集。

通過文獻年度變化分析，其發文量的趨勢呈現出四個階段：（1）1996—2005 年，該階段發文量較少，研究處于初始階段；（2）2006—2008年，神經網絡研究開始興起，旅游業也進入快速發展時期，發文量呈現出緩慢上升趨勢；（3）2009—2018 年，此階段發文量起伏不大，研究處于穩定階段，開始進入平穩發展期；（4）2019 年至今，隨著神經網絡模型應用的成熟，掀起了一波研究熱潮，但由于疫情的影響，旅游業發展受到一定影響，國內發文量在2021 年有所降低，國外發文量增長趨勢減緩。

（二）關鍵詞聚類分析

1.國內關鍵詞聚類分析

本文結合Citespace和VOSviewer軟件進行關鍵詞分析。除了bp 神經網絡、神經網絡、人工神經網絡、深度學習、模態融合等神經網絡模型術語，還包括預測、旅游安全、智慧旅游、預警系統、交通信息服務等關鍵詞，可見旅游市場營銷、技術接受、游客市場需求等研究方向受到學者重視。對關鍵詞進行分析可以發現關鍵詞之間節點和連線數量都較大，說明相關文獻之間聯系較為密切。通過中心性數值分析，bp 神經網絡、神經網絡、人工神經網絡等關鍵詞在文獻研究中占據較為重要的地位。

為深入了解關鍵詞之間的關系，對其進行LLR 算法聚類。本文國內聚類數據結果Q 值為0.7183，說明聚類結果是有效并且可靠的，選擇最大的10 個聚類進行呈現（表1）。關鍵詞聚類圍繞 “神經網絡” “旅游” 等關鍵詞形成聚類區域。

聚類分布揭示了國內旅游領域神經網絡模型應用的研究視角和方向：第一，旅游業供給端神經網絡模型應用視角。景區開發是規模值最大的聚類，緊密圍繞它的子聚類包含了產業結構、季節調整、土地利用變化、旅游業發展等關鍵詞，顯示神經網絡在旅游、生態、土地利用等領域的應用。與景區開發聚類臨近的有交通信息服務、旅游管理系統、信息技術、景觀格局、旅行收入等，揭示了神經網絡在旅游供給端領域的應用研究熱點。第二，旅游業需求端神經網絡模型應用視角。情感分析是第二規模值聚類，關聯著旅游推薦、智慧旅游、交通信息服務等聚類。聚類中包含了深度學習、注意力機制、信息過載、事件泛化、信息服務模式、服務質量、智能規劃等關鍵詞，體現了神經網絡在旅游需求端領域的應用研究熱點。

2.國外關鍵詞聚類分析

國外研究者們在神經網絡與旅游的結合研究中高頻關鍵詞主要有 “neural network model” “tour-ism model” “tourism demand” “time series” “demand” “artificial neural” “forecasting” “deep learning” “genetic algorithm” “arrival” “prediction” “impact” “classification” “big data” “system” “machine learning” “Regression” “travel” 等，可見神經網絡模型應用于旅游領域的數據挖掘和分析更受研究者關注，同時也反映了神經網絡模型在旅游領域應用的研究重點。關鍵詞之間的節點和連線數量都較大，說明相關文獻之間聯系較為密切。通過中心性數值分析， “neural network model” “artificial neural” “forecasting” 等關鍵詞在文獻研究中占據較為重要的地位。

表1 國內高頻關鍵詞聚類

聚類數據結果Q值為0.5962，因此對于關鍵詞聚類結果也是十分有效的。分析結果顯示共有41個聚類，為聚焦研究熱點，通過分析選擇聚類最大的8個進行呈現（表2）。通過分析發現：第一，旅游業供給端神經網絡模型應用視角。 “Sustainable development” 是規模值最大的聚類，緊密圍繞它的子聚類包含了 “Artificial neural-network” “design” “ANFIS” “ecotourism” 等關鍵詞，顯示神經網絡在旅游可持續發展方面的應用，其中包括生態旅游、旅游規劃設計等。與 “Sustainable development” 聚類臨近的聚類有 “Artificial intelligence” “Tourism management system” “Travel warning system” “Tourist economy” 等，揭示了神經網絡在旅游供給端領域的應用。第二，旅游業需求端神經網絡模型應用視角。 “Deep learning” 是第二規模值聚類，關聯著 “Sentiment analysis” “Artificial intelligence” 聚類，子聚類中包含了 “classification” “Image processing” “recognition” “big data” 等關鍵詞。

（三）關鍵詞演變分析

1.國內關鍵詞演變分析

借助Citespace和VOSviewer軟件導出關鍵詞共現時間圖（圖1），顯示：1996年前后關鍵詞為客流量預測、旅游、旅游開發等，側重神經網絡在旅游開發管理場景應用的研究；2004 年前后關鍵詞為旅游市場需求、經濟系統、危機、神經元、人工神經網絡、旅游規劃、反饋等，顯示神經網絡在旅游領域的應用研究從供給端視角轉換到旅游者視角，更關注游客感知和體驗；2010 年前后關鍵詞為旅游企業、專家系統、旅游影響因素等，研究者挖掘更深層次的影響旅游發展的因素；2014—2017 年關鍵詞為突發事件、發展趨勢、交通工程、客運信息、人才需求等，神經網絡在旅游領域的應用研究越來越成熟，范圍越來越廣泛；2018 年左右關鍵詞轉變為深度學習、人工智能、智慧旅游、在線旅游、地理信息服務、城市旅游、鄉村旅游等，表明研究進一步聚焦在旅游細分領域。

圖1 國內關鍵詞演變圖譜

2.國外關鍵詞演變分析

借助VOSviewer 軟件導出關鍵詞共現時間圖（圖2），顯示：2004 年前后關鍵詞為 “general regression neural work” “multifactor support vector” “tourism demand” “energy” 等，研究層次較淺，研究內容也較少； 2007—2014 年前后關鍵詞為 “algorithm” “arma model” “data mining” “classification” “commerce linear structural” “relation model” “international tourism” “neural- network model” “tourism forecasting” “time-varying analysis” 等，體現了神經網絡在旅游領域的應用研究層次變得寬泛，著重于供給端對于大數據的挖掘運用，聚焦神經網絡模型在旅游客流量預測、旅游時變分析等；2016—2018 年前后關鍵詞轉變為 “demand” “tourism demand” “satisfaction” “consumption” 等，表明神經網絡在旅游領域的應用研究從供給視角轉換到需求視角，更關注游客需求和滿意度方面；2020 年左右關鍵詞轉變為 “deep learning” “sentiment analysis” “big data” “machine learning” “artificial intelligence” 等，隨著科學技術的發展以及疫情的影響，研究進一步聚焦神經網絡在虛擬旅游領域的深度運用。

圖2 國外關鍵詞演變圖譜

通過對國內外神經網絡在旅游領域的應用研究熱點分析，國內外在各個階段研究的重點有所差別，國內學者研究較早，側重于供給端、需求端的實際應用，國外研究內容側重于供給端、需求端的數據挖掘、模型改進和分析，并且在各個階段的研究著重點隨著時代的特點有所改變與進步，旅游業也進入了快速發展時期。

二、研究重點內容分析

（一）國內文獻研究重點內容分析

1.神經網絡在旅游業供給端的應用研究

國內研究者們從供給端的角度進行研究，包括神經網絡在景區開發、旅游交通、旅游安全系統、旅游市場管理等領域的應用。

（1）旅游景區開發。在旅游地質勘探領域，神經網絡為提升遙感影像劃分的準確性創造了更有效的途徑，專家們分別提出或應用BP 神經網絡[14]、三維Hopfield 網[15]、徑向基函數神經網絡、小波神經網絡、自組織神經網絡[16]等對地質復雜區域的遙感影像進行監督與劃分。在生態環境方面，學者基于旅游地社會-生態恢復力[17]，關注氣候干擾或壓力及其對旅游活動的影響，促進文化旅游的可持續發展；部分學者使用BP 神經網絡建立反演模型，據此進行水質評價分析，促進景區生態環境建設[18]；同時，人工神經網絡被廣泛應用于預測房屋震害、旅游環境承載力預警系統等研究領域[19]。在文旅融合的機制、路徑和開發模式中神經網絡也被廣泛應用[20]。

（2）旅游交通。先進的道路與交通信息系統(ATIS)作為IST 的核心子系統，提供了歷史數據和實時道路交通信息，并用于支持政府施行策略的制訂[21]。由于假期自駕游的增加，大批量汽車進入景區，導致熱門景區嚴重堵車，目前已采用 “互聯網+” 形式的多平臺城市旅游交通系統，利用神經網絡模型預先判斷是否會出現堵車以及擁堵程度，然后利用App 將結果反饋給旅游者，同時，再利用電腦終端將結果及時反映給交通和景區管理部門，并通過Dijkstra 算法[22-23]、Hopfield 神經網絡[15]、蟻群算法[24]等實現車輛路線優化，提升交通路網體系。

（3）旅游安全系統。在保障游客安全方面，景區主管單位已逐步建設了游客安全信息系統和安全預警系統，有效完成了對游客安全信息的收集、預警工作，為景區安全提供了有力保證[25]；人臉識別技術被廣泛應用于旅游領域，尤其是在人流相對稠密的城市安檢領域[26]；通過對卷積神經網絡圖像的識別和大數據算法的計算，建立了科學實用的地質災害雷達識別模型，可有效提高地質災害識別精度[27]。在旅游管理系統方面，學者在災害對旅游業的承載力經濟損失研究中取得了一定的成果[28]；PSO-BP網絡的旅游管理系統安全風險評估能夠有效評估旅游管理系統的安全風險[29]。

（4）旅游市場管理。在旅游管理方面，隨著互聯網信息技術的發展，旅游業也與互聯網行業融合，通過去哪兒、途牛、攜程等網絡旅行產品形成的大量如評價、建議等信息，能對管理部門進行有效監督，完善景區服務；學者們通過SVM、KNN、決策樹等機器學習算法[30]、state of art模型[31]、BTM 和Doc2vec 模型、BLSTM_MLPCNN神經網絡模型等方法進行投訴識別，并出現了一些在中文文本分析和投訴管理方面的運用研究。在旅游管理決策方面，有研究者提供了各種統計分析方式以達到對各種旅游應用系統的決策支持，而這種方式現已被廣泛應用于我國旅游目的地營銷體系、假日出游系統以及多媒體導航系統等，在黃金周假日旅游預報等方面也取得了很好的應用效果[32]。在旅行社方面，專家們通過BP 神經網絡，建立人才風險預警模式，可以提高人力資源管理水準[33]。

（5）旅游預測。在旅游需求預測方面，隨著神經網絡模型的發展，出現了諸多人工智能方法，例如基于遺傳算法[34]、粗糙集方法[35]等建立的預測模型。在早期，研究者們主要使用指數平滑法、趨勢線法，后來又產生了基于因果分析法的觀光景點旅游客流預測模式[36]，包括線性回歸法、灰色預測理論[37]等，近年來產生了基于各種神經網絡的觀光旅游景點客流量預估模型，例如人工神經網絡、BP 神經網絡、支持向量機模式等[38]。應用這些模型提高了游客活動監管的時效性，也有助于主管部門優化景區管理，合理調度資源，提前準備緊急分流預案，以防止旅客擁擠、滯留等重大安全事件的出現[39]。在旅游收入預測分析方面，人工智能技術一般分為蒙特卡洛模擬技術、人工神經網絡、遺傳算法以及灰色分析、馬爾可夫模型等，對發展綠色、健康的旅游經濟具有實際意義[40]。

2.神經網絡在旅游業需求端的應用研究

通過對神經網絡應用于游客視角的分析，本文從神經網絡在旅游形象感知與情感分析、路線推薦等方面來解讀。

（1）旅游形象感知。當前游客印象認知研究的重點在于對網絡圖像的認知分析，利用計算機手段對照片原始數據進行信息收集，通過多層次分析游客在目的地照片背后隱含的豐富信息，以UGC 圖像的角度來反映游客對目的地的印象認識，為游客形象認知問題創造全新的角度[27]。受到深度認知模型在不同行業應用研究獲得結果的影響，不少學者將卷積神經網絡用于圖像識別、信息認知、行為認知等方面，對豐富的圖像信息展開了解析，使旅游的認知研究更為完整真實，最大限度實現圖像信息的應有意義；同時基于旅游網絡文本旅游地形象關鍵感知元素提取和雙向情感分類，探尋文本背后的內在語義，精準發掘客人對餐廳評論中的真正情感，利用智能分析技術手段對情感類型加以拆解，從而形成雙向的情感話語意義關系[41]。

（2）路線推薦。推薦系統通過對大數據的過濾與篩選，有效地解決線路信息過載問題；享游平臺通過自由圖像描繪技術和大數據處理綜合分析為使用者提供定制的旅行方案設計，使客戶更好認識自我，進而增加了使用者在行程中所得到的滿意度；許多智能旅游平臺引入了移動地理位置服務，比如攜程網、驢媽媽、途牛網等，這些旅游平臺可以利用移動地理位置服務為不同的用戶推薦旅游線路、旅游酒店和景點資源[42]。

（二）國外文獻研究重點內容分析

1.神經網絡在旅游業供給端的應用研究

國外學者們基于供給端視角展開了豐富的研究，但是在研究內容上與我國學者有所差異，其主要探討神經網絡在旅游規劃與開發、運營管理、安全預警與風險評估等領域的應用。

（1）旅游規劃與開發。第一方面是在旅游資源綜合評價研究領域，學者們基于多策略技術的區域旅游資源綜合評價自適應模型、綜合評價[43]、基于超混沌映射的新型區域集群旅游分析、多物種進化遺傳算法等方法進行數據分析優化和針對不同類型的問題進行旅游資源質量評估。第二方面是對景區的設計與開發模式研究領域，部分學者基于新型旅游企業產品改進智能系統與神經網絡的結合[44-45]、回歸分析[46]、神經網絡[46]、大數據時代多因素加權神經網絡模型、自適應神經網絡算法等[47]對旅游資源開發模式、旅游空間格局效應評價、旅游業融合發展等方面進行了研究，從而優化旅游景區的空間布局和管理，促進景區可持續發展。部分學者利用RBF 神經網絡的超非線性擬合能力實現景區信息的預測；部分學者利用反向傳播（BP）神經網絡模型促進旅游電子商務服務創新[48]；部分學者采用DeLone 和McLean 的信息系統成功模型和綜合態度，幫助從業者設計更好的移動旅游網站系統[49]。

（2）運營管理。第一方面，學者們基于不斷改進的BP 神經網絡建立智能平臺管理，提高旅游業人力資源配置管理水平。第二方面是對游客的智能化管理，實現了旅游管理、數字化管理、人工智能算法的有效結合。例如有學者在RBF 神經網絡的基礎上構建了相關模型，實現了對游客的分類、預測以及智能化管理[50]；利用TensorFlow 構建的深度學習神經網絡對游客行為進行分類，并分析這些游客的特征以驗證分類結果來研究旅游行為的潛力。第三方面是景區、酒店、飯店等相關企業的管理研究。學者們通過創建人工神經網絡模型，提高信譽代理用于在電子旅游環境中選擇產品和服務的能力[51]；通過卷積神經網絡、遞歸神經網絡、bp 神經網絡、人工神經網等進行圖像分類[52]、場景識別[53]、探索旅游發展規律[54]、進行旅行與旅游（T&T）競爭力排名，從而獲得旅游景區類別列表，促進旅游景區的管理，并結合靜態管理數據的連續性和動態數據信息建立智能管理分析模型[55]；利用人工神經網絡（ANN）、BP神經網絡等方法，分析酒店績效決定因素，建立高星級酒店發展規模的預測模型，幫助決策者提高酒店經濟和社會效益水平。

（3）安全預警與風險評估。一方面是針對游客安全的研究。學者們提出基于模糊優化和人工神經網絡的旅游安全預警系統模型，更好地實現旅游安全理論與實踐的互動[56]。目前研究者們通常借助復雜的指標體系對旅游危機進行評價，例如多變量分析[57]、交叉影響分析[58]和漏洞分析[59]等。另一方面是旅游危機評價研究。學者們采用了例如BP人工網絡[60]、模糊神經網絡[61]、PSO-BP 神經網絡的旅游管理系統安全風險評估技術、FTDNN等方法，快速評估旅游投資風險、旅游管理系統的安全風險[62]、政治不穩定性帶來的風險等。同時，在旅游可持續發展中，生態環境的重要性越來越突出，學者們采用神經網絡算法進行深入探究，如卷積神經網絡模型、BP 神經網絡、動態遞歸BP 神經網絡算法，研究了不同旅游擾動下景區生態污染的快速檢測方法[63]，提取出景區生態污染的影響因素[64]，并對生態脆弱地區進行了全面評估，提出了相應的創新管理模式[65]和促進生態旅游的可持續發展戰略[66]。

2.神經網絡在旅游需求端的應用研究

基于游客需求端的研究文獻相對較少，研究主要集中在智慧旅游、情感分析、旅游推薦等方面。

（1）智慧旅游。為了應對疫情對旅游業帶來的挑戰，學者們提出了一種基于云的新型框架，通過深度學習和基于神經網絡的協同過濾模型利用圖像標記以便在智能旅游的背景下為游客生成個性化建議[67]。智慧旅游與虛擬現實技術相結合，拓寬了游客的內在思維，打破了傳統文化旅游的局限，突破了旅游在現實生活中的時空限制，游客可以通過立體信息空間獲得更多自由互動。學者們關于人工神經網絡、虛擬現實、人機交互、智能旅游等的研究較多，例如有學者結合SOM 神經網絡的多特征矢量識別方法，使足不出戶的用戶體驗到更多真實的旅游體驗[68]，同時基于BP 神經網絡模型和計算機軟件獲得高精度的計算模型使游客能夠享受到智慧旅游城市的便捷與舒適[69]。

（2）旅游推薦。在旅游推薦應用方面，不同學者利用基于神經網絡等方法的推薦系統[70]、基于卷積神經網絡（CNN） 和長短期記憶網絡（LSTM）的各種分類器、基于Word2vec 特征提取方法并結合CNN和LSTM算法[71]、基于神經網絡和矩陣分解的TR-DNNMF 旅游景點推薦系統[72]、基于具有包級注意機制的雙向長短期記憶（Bi-LSTM）神經網絡[73]、基于深度學習的旅游產品信息分類處理方法[74]等方法，通過整合互聯網上碎片化的旅游信息和圖片信息，并對游客在線發布的評論進行分類，了解旅游者的需求與偏好，從而提供更方便、更快捷的旅游服務，推薦個性化景點和旅行套餐，定義最佳出行路線，提供相應的輔助決策支持。

（3）情感分析。旅游信息來源的復雜性使我們很難從其中快速獲取有效信息，學者們通過區域生成方法[75]、基于學習哈希函數并保持多標記圖像之間多級語義相似性的深度語義排序方法、基于深度特征和主題語義的學習方法[76-78]等方法以促進景點的語義分析和識別。旅游評價情感分析對了解游客的需求與偏好具有重要意義，旅游需求包括旅游交通需求、文化需求、旅游忠誠度等，許多學者試圖使用不同的模型來提高情感分析在游客需求分析中的準確性和及時性，這通常可以分為三類：因果關系模型、時間序列模型[79]和人工智能模型[80]。與前面兩種模式比較，人工智能模型在非線性擬合與自適應訓練上表現出較大的優越性，而傳統的人工神經網絡面臨訓練流程煩瑣、耗費費用大的問題[81]。因此，尋找高效、準確的神經網絡新方法已成為研究熱點。學者們在預測方面所采用的算法包括回聲狀態網絡[82]、蠅優化算法[83]、自適應神經網絡技術、徑向基函數[84]和Elman網絡等。目前旅游業正在逐漸復蘇，學者們考慮通過人工神經網絡方法研究了個人旅行意圖的變化情況，為情感分析提供了更準確的信息[85]。

三、研究評述與展望

（一）研究評述

由于神經網絡模型的迅速發展以及在旅游領域的廣泛應用，神經網絡已成為國內外旅游研究熱點。本文通過對CNKI 數據庫收錄的455 篇以及Web of Science 的470 篇神經網絡與旅游的相關文獻進行了計量與可視化分析，發現神經網絡在旅游領域的應用研究時間較早，并逐步成為 “神經網絡” “旅游” 等關鍵詞互相交錯與滲透的研究方向，目前研究成果還融入了社會學、管理學、測繪學、市場營銷學、經濟學、自然地理學等跨學科理論[86]，并且主要以定量研究方法為主。經過進一步對文獻內容整理，研究呈現出兩大研究視角。

一是基于旅游供給端視角的神經網絡在旅游領域的應用研究。國內研究重點圍繞神經網絡在旅游中的應用領域、應用場景、應用效用等展開，聚焦于神經網絡模型在景區開發、旅游交通、旅游安全系統、旅游市場管理、智慧旅游等方面的應用。國外研究重點主要探討神經網絡在旅游規劃與開發、運營管理、安全預警與風險評估等領域的應用研究。研究內容有所差異，國外對于旅游預測方面的研究較多，且側重于算法的不斷更新與改進。但是，此領域的大多數研究側重神經網絡的經驗敘述與案例分析，缺乏具體的理論依據，研究過多地反映了算法的創新性、革命性、廣泛適應性，卻缺少對算法本身的實際問題以及可能帶來的社會影響進行批判性反思。

二是基于游客需求端視角的神經網絡模型在旅游領域的應用研究。國內研究者們圍繞神經網絡的旅游形象感知、情感分析、路線推薦、虛擬旅游等方面；國外研究者們基于需求端的研究成果相對較少，大多圍繞智慧旅行、情感分析、旅行推薦等研究方向進行展開，主要闡述了對神經網絡模型感知評價、旅游者感官體驗、情感感受，以及個體差異、人際交流、文化差異等對神經網絡模型的應用，而方法則多以定量研究為主。

（二）研究展望

第一，旅游供給端神經網絡模型應用視角。現有研究對于神經網絡模型在市場預測方面居多，但是在其他應用場景與領域的研究仍十分有限，因此在后續研究中應深入探討神經網絡模型在新興領域的應用與效用，從而實現神經網絡模型在旅游中的多情境、多學科運用的服務功能。相關的學術研究與實踐發展存在一定的脫節，部分旅游企業在管理方面仍采用傳統模式，而對于神經網絡模型的應用僅停留在表面，甚至缺乏相應的應用，因此有必要深入探討神經網絡模型在旅游管理中的應用。

第二，旅游需求端神經網絡模型應用視角。神經網絡模型對使用者價值的現有分析集中在對游前、游中和游后階段的旅行感受等方面[87]。對旅游者本身的收益和價值研究主要依靠互聯網數據挖掘，缺乏一定的客觀性，因此神經網絡模型在旅游領域應用中產生的教育功能、審美功效、幸福感等內容的客觀分析有待進一步研究探討。

第三，神經網絡模型在旅游新領域研究視角。目前研究對于供需雙方相互作用的意義認識不夠，神經網絡模型對旅游信息的研究與應用缺乏深度。未來研究可以通過神經網絡模型加強主客交互，實現信息共享，引入旅游者參與旅游產品設計、市場營銷、景區管理等，實現旅游業上下游供應鏈、游客與市場等價值共創。