Acceso usuarios
Ting Xiang, Lin Zhuo
A medida que aumenta el nivel de consumo nacional, la importancia del sector turístico en la economía nacional se acentúa. En consecuencia, la participación de los ingresos del turismo en el Producto Interno Bruto (PIB) continúa aumentando. Con el crecimiento del nivel económico de la población, el número de turistas en cada lugar turístico también aumenta, y las atracciones y ciudades turísticas responden a la necesidad de mejorar la calidad y el contenido de su gestión para impulsar su desarrollo. El comportamiento turístico también cambia con los cambios climáticos, festivos, estaciones y circunstancias especiales. Predecir con precisión el número de turistas es fundamental tanto para los reguladores como para los operadores del sector. Numerosos investigadores también han intentado utilizar diferentes modelos para predecir la demanda turística. Los métodos de IA presentan grandes ventajas sobre los métodos tradicionales en cuanto a capacidad de aprendizaje adaptativo y ajuste no lineal, y se han convertido en una línea de investigación clave en el ámbito académico en los últimos años. En este artículo, primero mejoramos el algoritmo estándar de Drosophila ajustando adaptativamente el número de moscas y el tamaño del paso de búsqueda, a la vez que optimizamos la posición de iteración inicial y mejoramos la capacidad y la eficiencia de búsqueda local. Luego, el algoritmo FOA mejorado se combina con la red de estado de eco para construir un modelo de predicción combinado de dos etapas llamado AFOA-ESN, obtener sus parámetros clave a través de la optimización AFOA ESN e ingresar los parámetros optimizados en ESN para formar el modelo de predicción combinado final. Finalmente, se seleccionaron los datos mensuales de un pasajero ecológico deportivo local para probar el efecto de predicción de AFOA-ESN. Los resultados obtenidos después de la prueba muestran que el uso del modelo AFOA-ESN es más preciso que la precisión de los resultados utilizados por el modelo de media móvil autorregresivo, el modelo de máquina de vectores de soporte, la red neuronal BP, la red ESN estándar y otros modelos de predicción, mientras que la velocidad de convergencia y la precisión de predicción de AFOA-ESN superaron a ESN estándar y FOA-ESN, lo que demuestra la efectividad de la mejora del modelo.
As the national consumption level rises, the significance of the tourism sector within the national economy becomes more pronounced. Consequently, the share of tourism earnings in the Gross Domestic Product (GDP) continues to escalate. On the basis of the growth of people's economic level, the number of tourists in each scenic spot also increases, and tourist attractions and tourist cities also respond to the need to improve their own management quality and content to seek further development. The occurrence of tourism behavior also changes with the changes of weather, holidays, seasons and special circumstances. How to accurately predict the number of tourists is of great significance for both industry regulators and operators. Many scholars have also triedto use different models to predict tourism demand. AI methods have great advantages over traditional methods in adaptive learning ability and non-linear fitting ability, and have become a key research direction in academic circles in recent years.In thispaper, we first improve the standard Drosophila algorithm by adaptively adjusting the fly population number and search step size, while optimizing the initial iteration position and improving the local search ability and search efficiency. Then the improved FOA algorithm is combined with the echo state network to build a two-stage combined prediction model named AFOA-ESN, obtain its key parameters through AFOA optimization ESN, and input the optimized parameters into ESN to form the final combined prediction model. Finally, the monthly data of a local sports ecological passengers was selected to test the prediction effect of AFOA-ESN. The results obtained after the trial show that the use of the AFOA-ESN model is more accurate than the accuracy of the results used by the autoregressive moving model, support vector machine model, BP neural network, standard ESN network, and other prediction models, while the convergence speed and prediction accuracy of AFOA-ESN outperformed standard ESN and FOA-ESN, demonstrating the effectiveness of model improvement
