麗江旅游人數(shù)預(yù)測數(shù)據(jù)分析

BP神經(jīng)網(wǎng)絡(luò)（Back-propagationNeutralNetwork）通常是指基于誤差反向傳輸算法多層前向神經(jīng)網(wǎng)絡(luò)，其由D.E.Rumelhart和J.L.McCelland等人于1986年提出，現(xiàn)在BP算法已成為應(yīng)用最為廣泛神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。圖1BP網(wǎng)絡(luò)結(jié)構(gòu)圖圖1中，表示BP神經(jīng)網(wǎng)絡(luò)輸入值；表示神經(jīng)網(wǎng)絡(luò)預(yù)測值。BP神經(jīng)網(wǎng)絡(luò)算法詳細(xì)流程以下：Step1：初始化網(wǎng)絡(luò)。依照神經(jīng)網(wǎng)絡(luò)輸入和輸出確定神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)；初始化輸入層、隱含層和輸出層神經(jīng)元之間連接權(quán)值；初始化隱含層閥值和輸出層閥值，分別為，設(shè)定學(xué)習(xí)速率和神經(jīng)元激勵函數(shù)；Step2：計算隱含層輸出。依據(jù)輸入變量，輸入層、隱含層連接權(quán)值和隱含層閥值，計算隱含層輸出；（1）式中，表示隱含層節(jié)點數(shù)；表示隱含層激勵函數(shù)，本文取。Step3：計算輸出層輸出。依照隱含層輸出，連接權(quán)值和閥值，計算BP神經(jīng)網(wǎng)絡(luò)預(yù)測值；（2）Step4：計算誤差；（3）Step5：更新權(quán)值；（4）（5）式（4）和式（5）中，表示學(xué)習(xí)速率。Step6：更新閥值；（6）（7）Step7：算法停頓條件是否滿足，若滿足，則停頓；不然，返回Step2。算法流程圖BP神經(jīng)網(wǎng)絡(luò)算法流程圖如圖2所表示。圖2算法流程圖模型假設(shè)麗江旅游人數(shù)時間序列為，BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測，需要構(gòu)建出輸入矩陣和輸出矩陣，本文用構(gòu)建出基于5步神經(jīng)網(wǎng)絡(luò)麗江旅游人數(shù)預(yù)測模型，即用前五個月旅游人數(shù)，預(yù)測第六月旅游人數(shù)，同理類推，構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)進行麗江人數(shù)預(yù)測輸入矩陣和輸出矩陣。輸入矩陣：輸出矩陣：圖3麗江1月~5月旅游人數(shù)序列圖由圖3可知，麗江旅游人數(shù)整體展現(xiàn)增加，屬于非平穩(wěn)序列，所以進行時間序列預(yù)測時，需要對旅游人數(shù)時間序列進行處理，通常是進行數(shù)據(jù)差分處理。%神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置net.trainParam.show=50;%誤差顯示間隔net.trainParam.lr=0.05;%學(xué)習(xí)率net.trainParam.mc=0.9;%動量系數(shù)，[01]之間net.trainParam.epochs=10000;%最大迭代次數(shù)net.trainParam.goal=0.001;%目標(biāo)誤差，即訓(xùn)練誤差小于0.001時，神經(jīng)網(wǎng)絡(luò)停頓訓(xùn)練圖4基于5步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果圖4表示基于5步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果，即123455個月旅游人數(shù)預(yù)測第6個月旅游人數(shù)，23456這5個月旅游人數(shù)預(yù)測第7個月旅游人數(shù)，以這類推，構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)輸入和輸出矩陣。圖5基于3步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果圖5表示基于3步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果，即1233個月旅游人數(shù)預(yù)測第4個月旅游人數(shù)，234這3個月旅游人數(shù)預(yù)測第5個月旅游人數(shù)，以這類推，構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)輸入和輸出矩陣圖6基于1步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果圖6基于1步BP神經(jīng)網(wǎng)絡(luò)旅游人數(shù)預(yù)測結(jié)果，即第1月旅游人數(shù)預(yù)測第2個月旅游人數(shù)，第2月旅游人數(shù)預(yù)測第3個月旅游人數(shù)，以這類推，構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)輸入和輸出矩陣。圖7神經(jīng)網(wǎng)絡(luò)預(yù)測誤差圖由圖7神經(jīng)網(wǎng)絡(luò)預(yù)測誤差圖可知，神經(jīng)網(wǎng)絡(luò)迭代到276次時，誤差小于設(shè)定誤差目標(biāo)0.001，神經(jīng)網(wǎng)絡(luò)模型建立。圖8神經(jīng)網(wǎng)絡(luò)擬合效果圖由圖8可知，R=0.99719，非常靠近于1，說明神經(jīng)網(wǎng)絡(luò)預(yù)測靠近線性預(yù)測，效果很好。圖9ARIMA時間序列預(yù)測結(jié)果經(jīng)過平穩(wěn)性檢測可知，1次差分處理后，數(shù)據(jù)序列為平穩(wěn)序列，可進行ARMA預(yù)測。經(jīng)過偏相關(guān)和自相系數(shù)檢驗可知，p=2,q=3,其預(yù)測結(jié)果如圖9所表示：圖10BP和ARMA模型麗江旅游人數(shù)預(yù)測對比結(jié)果圖11BP和ARMA模型預(yù)測結(jié)果絕對誤差圖12BP和ARMA模型預(yù)測結(jié)果相對誤差由圖10、圖11和圖12可知，BP神經(jīng)網(wǎng)絡(luò)進行麗江旅游人數(shù)預(yù)測效果優(yōu)于ARMA時間序列模型。圖13不一樣預(yù)測步數(shù)，BP預(yù)測結(jié)果對比圖14不一樣預(yù)測步數(shù)，BP預(yù)測絕對誤差圖15不一樣預(yù)測步數(shù)，BP預(yù)測相對誤差由圖13、圖14和圖15可知，基于5步、3步、1步BP神經(jīng)網(wǎng)絡(luò)進行旅游人數(shù)預(yù)測時，基于5步神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果優(yōu)于3步和1步預(yù)測結(jié)果，基于3步神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果優(yōu)于1步預(yù)測結(jié)果。結(jié)論：經(jīng)過BP神經(jīng)網(wǎng)絡(luò)和ARMA時間序列模型對比研究發(fā)覺，從