跳到主要內容

臺灣博碩士論文加值系統

(44.210.83.132) 您好!臺灣時間:2024/05/25 19:36
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:穆堃豪
研究生(外文):Mu,Kun hao
論文名稱:運用類神經網路於休閒農場來客數之預測
論文名稱(外文):Tourist Arrival Forecasting at Recreation Farm Resorts using Back Propagation and Generalized Regression Neural Networks
指導教授:黃仁宗黃仁宗引用關係
指導教授(外文):Huang,Jen Chung
口試委員:盧炳志周士雄
口試委員(外文):Lu,Ping ChihChou,Shih Hsiung
口試日期:2013.7.23
學位類別:碩士
校院名稱:台灣首府大學
系所名稱:休閒管理學系碩士班
學門:民生學門
學類:運動休閒及休閒管理學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:88
中文關鍵詞:休閒農業休閒農場預測類神經網路倒傳遞類神經網路廣義迴歸類神經網路
外文關鍵詞:agritourismrecreation farmforecastingartificial neural networksback propagation neural networksgeneralized regression neural networks
相關次數:
  • 被引用被引用:0
  • 點閱點閱:390
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
中文摘要
休閒農業係屬鄉村旅遊的一環,主要以吸引鄰近都會區的消費者為主。休閒農場的經營須投入大量人力、物力、資金及具備專業的經營管理能力。因此,若能有效的預測未來的營運量,就能更有效分配人力與物力,提升營運的績效。
本研究透過運用類神經網路(ANN)的方法,利用過去營運之數據,分析並預測未來之來客數,所得之結果,將可提供經營管理者參酌,俾達到合理的人力分配及原物料的管理甚或是營運策略之修正,即可在有效率的投資下創造最大的遊客遊憩體驗需求,進而增加營運收益。
休閒農場來客數預測系統的建置,可藉由過去營運紀錄以建立來客的資料庫,再利用適當的模擬預測技術(如倒傳遞、廣義迴歸類神經網路)以推估未來來客數,作為後續改進農場營運措施的依據。本研究主要就目前已知的來客數統計資料,探討並比較使用的模擬預測方法的準確性與可靠性。預測的數據可提供休閒農場作為未來改善經營與規劃的依據。
本研究以位於台南市楠西區的龜丹溫泉休閒體驗農園及新化區的大坑休閒農場為實證研討的案例,以其每日來園消費人數為輸入參數,以多元線性迴歸分析確認農場的來客樣式(tourist arrival pattern)。初步分析的結果表明,休閒農場的來客數明顯受到包括天候(溫度、降雨量與颱風)與假日(週末與國定假日)等因子的影響。研究結果發現,龜丹及大坑兩農園來客數受假期效應及天候降雨量之影響,均十分顯著。然受溫度的影響則相對較不顯著。
本研究在ANN建模時,將影響因子分別逐次納入倒傳遞及廣義迴歸類神經網路以檢核模式的適當性,結果發現這些因子確能改善模式的預測能力。以本研究的兩案例而言,研究結果顯示納入溫度、降雨量與假
期等因子,使用隱藏層一層及15-25個神經元的倒傳遞類神經網路,對來客數均有極佳的預測能力(R2 = 0.925-0.939);而使用廣義迴歸類神經網路,對來客數也有相當不錯的預測能力(R2 = 0.899〜0.904)。雖然BPN的準確度稍高,但GRNN也有不錯的準確度,加上學習門檻低,使用容易,是更適合休閒農場使用的預測工具。
【關鍵詞】:休閒農業、休閒農場、預測、類神經網路、倒傳遞類神經網路、廣義迴歸類神經網路、多元線性迴歸

Abstract
Tourist Arrival Forecasting at Recreation Farm Resorts using Back Propagation and Generalized Regression Neural Networks
Accurate forecasting of tourism demand is essential for efficient planning by tourism-related enterprises. It helps tourism planners develop appropriate strategies, ensure adequate capacity and infrastructure, and optimize operational requirements. Artificial neural networks (ANN) have been widely used in the tourism demand forecasting, in particular, the back propagation networks (BPN). In this study, feasibility of using two ANN techniques, namely, BPN and generalized regression neural networks (GRNN), to simulate and forecast tourist arrival is investigated.
Tourist arrival data (2007-2012) collected from two recreation farm resorts in Tainan, Taiwan were used to test the validity of this approach. Multiple linear regression analysis was used to identify and prioritize important factors influencing tourist arrival to the farm resorts. Ranked by order of importance, influencing factors as determined by multiple linear regression, are weekends, national holidays, typhoons, rainfall, and cold weather events. Similar factors were also identified by ANN model simulation. The regression analysis reveals that the most important two influencing factors (i.e., weekends and national holidays) account for over 90% of the influence weight, which, in turn, suggest a basic tourist arrival pattern in these two farm resorts.
Two ANN models, namely, BPN and GRNN models were constructed as tourist arrival forecasting models in this study. Results of this study indicate that rather accurate estimates for short-term tourist arrival may be rendered by these ANN models. As shown in this investigation, the BPN model with 15-25 nodes in the hidden layer gives accurate predictions (R2 = 0.925〜0.939); in contrast, the GRNN model with a smoothing factor of 0.15 renders a comparable accurate predictions (R2 = 0.899〜0.904).
A set of required conditions to maintain the effectiveness of the ANN model were investigated to determine the minimum required data and parameters in a reduced model. It is of interest to learn that a critical required data amount is 365, and only four parameters (weekends, national holidays, typhoons and rainfall) are needed in a reduced model, which concurs with the multiple linear regression analysis.
It is concluded that, as shown in this study, when used in an appropriate manner, the ANN may serve as an excellent tool for tourism demand forecasting. GRNN, due to its accessibility and stability, is preferred over BPN for tourist arrival forecasting.

Key Words:Recreation farm, artificial neural networks, back propagation networks, generalized regression neural networks, forecasting, multiple linear regression.

目錄
第一章 緒論..................................................................................................1
1.1 研究動機.............................................................................................1
1.2 研究目的.............................................................................................1
1.3 研究流程.............................................................................................2
1.4 論文架構.............................................................................................4
第二章 基本理論與文獻回顧......................................................................7
2.1 基本理論.............................................................................................7
2.1.1 休閒農場........................................................................................7
2.1.1.1 休閒農場定義...........................................................................7
2.1.1.2 休閒農場特質...........................................................................9
2.1.2 旅遊需求預測..............................................................................10
2.1.3 倒傳遞類神經網路......................................................................12
2.1.4 倒傳遞類神經網路演算法..........................................................19
2.1.5 廣義迴歸類神經網路..................................................................23
2.1.6 廣義迴歸神經網路基礎理論......................................................25
2.1.7 廣義迴歸神經網路結構演算法..................................................26
2.1.8 光滑因子的確定及算法終止準則..............................................26
2.1.9 GRNN的優勢...............................................................................27
2.1.10 Durbin-Watson檢定...................................................................28
2.2 文獻回顧...........................................................................................29
2.2.1 關鍵成功因素..............................................................................29
2.2.2 遊客遊憩需求..............................................................................31
2.2.3 旅遊需求預測方法......................................................................33
2.3 類神經網路預測模型.......................................................................35
第三章 研究方法........................................................................................39
3.1 研究對象及蒐集資料說明...............................................................39
3.1.1 大坑休閒農場簡介......................................................................39
3.1.2 龜丹休閒農園簡介......................................................................41
3.2 數據特性分析...................................................................................41
3.3 類神經網路的建模與預測...............................................................42
3.3.1 類神經網路之選擇 ....................................................................42
3.3.2 類神經網路架構與參數..............................................................42
3.3.2.1 倒傳遞類神經網路架構與參數.............................................42
3.3.2.2 廣義迴歸類神經網路架構與參數.........................................44
3.3.3類神經網路的建模與預測程序.................................................45
3.4多元線性迴歸....................................................................................48
3.5模型準確性評估準則........................................................................49
3.6 套裝軟體...........................................................................................50
第四章 研究結果........................................................................................51
4.1 農場來客數據特性分析...................................................................51
4.2農場來客影響因素分析....................................................................55
4.3 BPN與GRNN網路經驗模型與預測結果.........................................58
4.4 類神經網路簡潔經驗模型...............................................................63
第五章 討論................................................................................................65
5.1 類神經網路模型之比較...................................................................65
5.2 小樣本數據.......................................................................................68
5.3 其他議題...........................................................................................70
5.4 模型限制...........................................................................................72
5.5 未來可能的研究方向.......................................................................73
第六章 結論與建議....................................................................................75
參考文獻......................................................................................................77
中文文獻..................................................................................................77
英文文獻..................................................................................................84
附錄.................................................................................................................i



圖目錄
圖1.1、研究流程...........................................................................................3
圖2.1、各種旅遊需求預測方法.................................................................11
圖2.2、生物神經元結構圖.........................................................................13
圖2.3、人工神經元模型.............................................................................14
圖2.4、三層網路模型.................................................................................14
圖2.5、過度學習現象.................................................................................17
圖2.6、網路運算範例.................................................................................20
圖2.7、雙彎曲正割函數.............................................................................21
圖2.8、線性轉換函數.................................................................................22
圖2.9、GRNN網路結構示意圖.................................................................25
圖3.1、大坑、龜丹休閒農場相對位置交通圖.........................................40
圖3.2、大坑休閒農場地理位置圖.............................................................40
圖3.3、龜丹休閒農場地理位置圖.............................................................41
圖3.4、BPN網路建模的步驟與流程........................................................46
圖3.5、GRNN網路建模的步驟與流程.....................................................47
圖4.1、2012年大坑休閒農場五週與單週的來客形態..............................52
圖4.2、休閒農場來客平均值......................................................................52
圖4.3、休閒農場來客數直方圖..................................................................53
圖4.4、大坑休閒農場的來客形態..............................................................54
圖4.5、降雨量對來客數的影響..................................................................56
圖4.6、溫度對來客數的影響......................................................................56
圖4.7、GRNN與BPN網路訓練的結果.......................................................60
圖4.8、龜丹休閒農場BPN網路2012年來客數預測成果.....................61
圖4.9、大坑休閒農場BPN網路2012年來客數預測成果.........................61
圖4.10、龜丹休閒農場GRNN網路2012年來客數預測成果....................62
圖4.11、大坑休閒農場GRNN網路2012年來客數預測成果....................62
圖5.1、BPN與GRNN網路預測準確度與數據量的關係..........................69
圖5.2、休閒農場來客數預測類神經網路組合模型示意圖.....................74

表目錄
表2.1、臺灣休閒農場類型分類表.............................................................10
表2.2、BPN及GRNN類神經網路優劣比較表.......................................28
表2.3、休閒農業相關關鍵成功因素文獻摘要表......................................30
表2.4、休閒農業相關遊客遊憩需求文獻摘要表......................................32
表2.5、旅遊預測方法相關文獻摘要表.....................................................34
表2.6、運用倒傳遞類神經網路於旅遊需求預測文獻摘要.....................36
表2.7、應用廣義迴歸類神經網路於旅遊需求預測的文獻.....................37
表3.1、Matlab之nntool內建數據量分群................................................44
表3.2、類神經網路建模的輸入參數.........................................................45
表3.3、MAPE的預測等級.........................................................................50
表3.4、套裝應用軟體.................................................................................50
表 4.1、休閒農場來客的平均數與樣本標準差........................................51
表4.2、休閒農場來客的平均數ANOVA檢驗........................................53
表4.3、休閒農場平假日的來客比例..........................................................54
表4.4、多元線性迴歸分析摘要表.............................................................57
表4.5、多元線性迴歸模型參數表..............................................................57
表4.6、神經網路的參數與訓練..................................................................59
表4.7、選定的網路參數與來客數預測結果..............................................60
表4.8、簡潔模型與原模型建模結果比較..................................................63
表4.9、簡潔模型與原模型預測結果比較.................................................64
表5.1、龜丹休閒農場優選的訓練與預測模型..........................................66
表5.2、大坑休閒農場網路預測準確度與數據量的關係…………...…..68
表5.3、龜丹休閒農場網路預測準確度與數據量的關係………….….....69

參考文獻
中文文獻:
方威尊(1997)。休閒農業經營關鍵成功因素之研究—核心資源觀點,台灣大學農業推展學系碩士論文,未出版,臺北。
王娟、曾昊(2001)。人工神經網絡:一種新的旅遊市場需求預測系統,旅遊科學,4,24-27。
王偉哲(1997)。遊客對休閒農業之認知與體驗之研究,私立逢甲大學建築及都市計畫研究所碩士論文,未出版,臺中。
王朝琴(2004)。休閒事業經營成功關鍵因素之研究以走馬瀨農場為例,國立成功大學國際經營管理研究所碩士論文,未出版,臺南。
王萍(2004)。基於人工神經網路的旅遊需求預測理論與實證研究—以青島市為例,西北師範大學人文地理學碩士論文,未出版,蘭州,中國。
王素彎(2004)。積極推動創意生活產業提升產業價值,經濟前瞻,106,63-66。
王龍天(2006)。我國旅遊需求側的理論和實踐研究,河海大學博士論文,未出版,南京,中國。
台灣休閒農業學會(2004)。優良休閒農場評鑑報告,臺北:台灣休閒農業學會。
任來玲、劉朝明(2006)。旅遊需求預測方法文獻述評,旅遊學刊,21(8),90-105。
行政院農業委員會(1999)。休閒農業輔導辦法修正草案,http://pda.coa. gov.tw/show_news.php?cat=show_news&serial=1_diamond_19990408313200&print=1。
朱春江、唐德善、馬文斌(2006)。基于灰色理論和BP類神經網路預測觀光產業旅遊人數的研究,安徽農業科學,34(4),612-614。
朱凱、王正林(2010)。精通MATLAB神經網絡,北京,中國,電子工業出版社。
朱曉華、楊秀春(2004)。旅遊客源預測模型及其對比,地理與地理信息科學,5,15-24。
何銘樞(1996)。目前休閒農業的推廣情形及今後做法,農友月刊,8,35-39。
吳明隆、張毓仁(2010)。SPSS(PASW)與統計應用分析,臺北:五南。
吳柏林、賴家瑞、劉勇杉(1992 )。台灣地區外籍觀光旅客人數預測模式之探討,國立政治大學學報,68,267-291。
吳柏林(1995)。時間數列分析導論,臺北:華泰文化。
巫立宇(1991)。台灣國際觀光旅館之關鍵成功因素分析,國立政治大學國際貿易研究所碩士論文,未出版,臺北。
李京娜(2001)。觀光休閒茶園經營成功關鍵因素之研究,彰化師範大學商業研究所碩士論文,未出版,彰化。
李禹奇(2011)。污水處理廠進流水動態特性模擬:時間序列法、傅立葉級數法及類神經網路法之比較研究,台灣首府大學休閒管理學系碩士論文,未出版,臺南。
李佩芬(2003)。MATLAB程式設計軟體於污水處理廠調勻槽之設計與操作管理上之應用,立德管理學院資源與環境管理碩士論文,未出版,臺南。
李孟訓、許雅琪(2008)。休閒農場經營績效關鍵成功因素之研究--從平衡計分卡的觀點,農業經濟叢刊,14(1),25-33。
李忠星(1993)。休閒度假中心經營成功關鍵因素之研究,私立文化大學觀光事業研究所碩士論文,未出版,臺北。
李沃牆、李建信(2003)。台指選擇權之評價--ANN與GANN模型之績效比較,真理財經學報,8,25-50。
李宸邦(2006)。創意生活產業藍海策略價值創新之研究—以宜蘭縣為例,論文發表於2006年文化創意產業與地方發展策略研究生學術論文研討會,臺北。
李銘輝(1989)。台灣北部地區觀光遊憩需求行為之研究,私立文化大學地理學研究所博士論文,未出版,臺北。
李慧英、李曉奇(2010)。旅遊需求預測分析—對比GRNN與多元回歸分析方法的應用,第四屆中國智能計算大會論文集,2010年5月21-25日,中國安徽蕪湖。
林于稜(2003)。臺灣地區休閒農場消費者行為之研究,國立中興大學應用經濟學研究所碩士論文,未出版,臺中。
林典蔚(2008)。結合自組織映射圖網路與倒傳遞類神經網路於地下水水位之預測,國立嘉義大學土木與水資源工程學系碩士論文,未出版,嘉義。
林琬菁(2003)。從資源永續觀點探討休閒農業與土地利用之關係,國立政治大學地政研究所碩士論文,未出版,台北市。
林修平(2006)。主成分分析及類神經網路應用於工業區污水處理廠之水質預測,立德管理學院資源環境學系碩士論文,未出版,臺南。
林群盛(1996)。連鎖經營產業之營運性關鍵成功因素暨競爭優勢分析-台灣連鎖餐飲之實證,國立台灣大學商業研究所碩士論文,未出版,臺北。
林豐瑞、陳美芬、彭克仲、錢銘貴、謝佳珍、蔡佩霖(2010)。休閒農場成功關鍵因素之研究(含與過去研究之比較)。臺北:行政院農業委員會。
邱紀寧(2005)。遊客對農業旅遊認知與滿意度研究—以台北市農會. 舉辦之農業旅遊為例,國立政治大學地政學系碩士論文,未出版,臺北。
段兆麟(2007)。台灣休閒農業回顧與未來發展策略,農政與農情,96(177),64-70。
徐明章(1995)。休閒農業與土地管制法規之配合。農政與農情,84(12),23-28。
殷英、胡光華、邱宇青(2004)。基於統計學習理論的雲南旅遊需求預測與分析,雲南大學學報(自然科學版),26(增刊),23-26。
張正英、林敏棋(1997)。休閒農業之現況與問題,八十六年發展休閒農業觀摩研習訓練講義,行政院農委會、台灣省農林廳、台灣省農會主辦編印,9-33。
張家翔(2007)。應用基因遺傳演算法與廣義迴歸類神經網路於軟體專案開發成本控制之研究,成功大學資訊管理研究所碩士論文,未出版,臺南。
張淑敏(2009)。優質休閒農場經營關鍵成功因素之研究─以台灣四家休閒農場為例,經國管理暨健康學院休閒管理學系碩士論文,未出版,基隆。
張斐章、張麗秋(2005)。類神經網路,臺北:東華書局。
張竣傑(2009)。應用傅立葉級數預測雲林科技大學圖書館用電量,雲林科技大學營建與物業管理研究所碩士論文,未出版,雲林。
曹勝雄(1994)。觀光事業成功經營要素與消費者行為之研究,行政院國科會專案計畫,行政院國科會。
陳吉星(2011)。休閒農場經營成功關鍵因素之研究—以三好米休閒農場為例,高雄餐旅大學旅遊管理研究所碩士論文,未出版,高雄。
陳其南(1995)。社區總體營造與文化產業發展,台灣手工業,55,4-9。
陳俊(2005)。基於BP類神經網路的雲南國際旅遊需求預測,昆明師範高等專科學校學報,27(4),89-91。
陳昭郎(1996)。休閒農業的發展方向,大自然季刊,50,5-13。
陳昭義(2005)。2004年台灣文化創意產業發展年報,臺北:經濟部文創辦公室。
陳盈志(2010)。重大事件、經濟因素與波動性對旅遊需求的影響,國立成功大學企業管理學系博士論文,未出版,臺南。
陳健、陳頌垠(2009)。旅遊需求的預測預報問題的研究,2013年5月15日,取自http://www.paper.edu.cn。
陳鴻烈、蔡大偉、胡慧蘭(2006)。不同模式時距對模式預測能力影響之研究,水土保持學報,38(2), 141-156.
陳寬裕、何嘉惠、蕭宏誠(2004)。應用支援向量迴歸於國際旅遊需求支預測,旅遊管理研究,4(1),81-97。
陳寬裕,王正華(2005)。以遺傳演算法優化支援向量迴歸在旅遊需求預測上的應用,戶外遊憩研究,18(1),47-72。
陳鴻彬(2006)。來台旅客人數需求預測模式之研究,朝陽科技大學休閒事業管理系碩士論文,未出版,臺中。
陳鴻楷(2005)。休閒農業旅遊市場之市場區隔與定位之研究-以臺灣南部地區為例,屏東科技大學農企業管理系碩士論文,未出版,屏東。
陳麗玉(1993)。臺灣居民對休閒農場偏好之研究,國立中興大學農業經濟系碩士論文,未出版,臺中。
覃頻頻、陸凱平、樂韓高(2006)。旅遊需求預測模型研究,鐵道運輸與經濟,28(6),84-88。
馮志鵬、宋希庚、薛冬新、鄭愛萍、孫玉明(2003)。基于廣義迴歸類神經網路的時間序列預測研究,振動、測試與診斷,2,25-44。
黃仁宗、盧炳志、李禹奇、何世仁(2011)。以傅立葉級數與時間序列法模擬污水處理廠進流水動態特性,中華民國環境工程學會2011環境資訊技術研討會論文集。
黃宗誠、李泳龍(2012)。以混沌理論測定觀光遊憩區旅遊人數非線性變化特質,休閒觀光與運動健康學報,2(62),52-58。
黃欽榮(2004)。台灣農業發展方向,農業合作月刊,169,163-172。
黃銀珠、陳雅麗(2010)。基於多種模型的福建省國內旅遊需求預測,福建師範大學學報,1(97),32-38。
葉怡成(1999)。應用類神經網路,臺北:儒林圖書。
溫坤禮、趙忠賢、張宏志、陳曉瑩、溫惠筑(2013)。灰色理論,臺北:五南圖書。
劉亭宜(2000),GRNN在晶圓製造裡良率模式之建構與分析,元智大學工業工程研究所碩士論文,未出版,桃園。
鄧聚龍、郭洪(1996)。灰預測原理與應用,臺北:全華科技圖書。
鄭益興(2001)。以類神經網路建立國際港口營運量預測模式---以花蓮港為例,國立東華大學企業管理學系碩士論文,未出版,花蓮。
鄭健雄、陳昭郎(1996),休閒農場經營管理策略思考方向之研究,農業經營管理年刊,2,123-144。
鄭健雄(1998)。臺灣休閒農場企業化經營策略之研究,台灣大學農業推廣學系博士論文,未出版,臺北。
鄭健雄(1998)。從服務業觀點論休閒農業之行銷概念,中國農業經營學會年刊,4,127-147。
潘文超、林維垣、周旻德(2007)。優化類神經網路模型之預測能力--以金控股個案分析,遠東學報,24(3),225-232。
潘文超(2011)。果蠅最佳化演算法,臺中市:滄海書局。
趙業鵬,丁以中(2006)。基於GRNN神經網路的長江幹線港口集裝箱吞吐量預測,中國航海期刊,4,6-13。
趙闖、劉凱、李電生(2004)。基於廣義廻歸類神經網路的貨運量預測,鐵道學報,26(1),12-15。
蕭崑杉(1991)。休閒農業區的教育宣導與解說標誌,休閒農業經營管理手冊,行政院農委會、台灣省農會主辦編印。
謝俊堂(2006)。休閒農場遊客養生健康體驗認知與需求之研究—以花蓮縣為例,屏東科技大學農業企業管理系碩士論文,未出版,屏東。
魏盛璿(2005)。主題樂園遊客量組合預測之研究-以劍湖山世界為例,亞洲大學,休閒與遊憩管理學系碩士論文,未出版,臺中。
魏晉雁,茹鋒(2006)。採用GRNN模型進行交通量預測及實現研究,長沙交通學院學報,22(2),46-50 。
飛思科技產品研發中心(2007)。類神經網路理論與MATLAB實現,北京:電子工業出版社。





英文文獻:
Aslanargun, A., Mammadov M., Yazici, B. &Yolacan, S. (2007). Comparison of ARIMA, neural networks and hybrid models in time series: tourist arrival forecasting. Journal of Statistical Computation and Simulation, 77, 29–53.
Burger, C.J.S.C., Dohnal M., Kathrada, M. & Law, R. (2001). A practitioner’s guide to time-series methods for tourism demand forecasting - a case study of Durban, South Africa. Tourism Management, 22, 403-409.
Cheng, W., Wanger, L. & Lin, C.H. (1996). Forecasting the 30-year US treasury bond with a system of neural networks, Journal of Computational Intelligence in Finance, 1(4), 10-15.
Cho, V. (2003). A comparison of three different approaches to tourist arrival forecasting.Tourism Management, 24, 323-330.
Chen, K.Y. (2011). Combining linear and nonlinear model in forecasting tourism demand, Expert Systems with Applications, 38, 10368–10376.
Geller, A. N. (1985). Tracking the critical success factor for hotel companies. The Cornell Hospitality and Restaurant Administration Quarterly, 25(4), 76-81。
Goh, C. & Law, R. (2002). Modeling and forecasting tourism demand for arrivals with stochasticnon stationary seasonality and intervention.Tourism Management, 23, 499-510.
Haykin, S. (1999). Neural networks: a comprehensive foundation. Prentice Hall. Englewood Cliff, NJ, USA.
Hansen, J.V. & Meservy, R.D. (1996). Learning experiments with genetic optimization of a generalized regression neural network, Decision Support Systems, 18(3-4), 317–325.
Hernández-López, M. & Cáceres-Hernández, J.J. (2007). Forecasting tourists’ characteristics by a genetic algorithm with a transition matrix. Tourism Management, 28, 290-297.
Kaastra, I. & Milton, S. B. (1995). Forecasting futures trading volume using neural networks. The Journal of Future Markets, 15(8), 853-970.
Kamel, N., Atiya, A.F., Gayar, N.E. & El-Shihiny, H. (2008). Tourism demand foreacsting using machine learning methods, ICGST International Journal on Artificial Intelligence and Machine Learning, 8, 1–7.
Keven, G.. (2001). Forecasting tourism demand an STM approach. Annals of Tourism Research, 28(1), 98-112.
Kulendran, N. & King, M. (1997). Forecasting international quarterly tourist flows using error-correction and time-series model. International Journal of Forecasting, 13, 319-327.
Lewis, C. D. (1982). International and Business Forecasting Methods, Butterworths, London, UK.
Law, R. & Au, N. (1999). A neural network model to forecast Japanese demend for travel to Hong Kong. Tourism Management, 20(1), 89-97.
Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, 21, 331-340.
Li, G., Song, H. & Witt, S. F. (2005). Recent developments in econometric modeling and forecasting. Journal of Travel Research, 44, 82-99.
Montgomery, D.C., Jennings, C.L. & Kulahci, M. (2008). Introduction to Time Series Analysis and Forecasting, Wiley, Hoboken, New Jersey, USA.
Pattie,D.C. & Snyder J. (1996). Using a neural network to forecast visitor behavior. Annals of Tourism Research, 23(1), 151-164.
Ramesh, D. & M.Thea, S. (2003). Market shares analysis: The case of French tourism demand. Annals of Tourism Research, 30(4), 927-941.
Rasmussen, C.E. & Williams, C.K.I. (2006). Gaussian processes for machine learning, MIT Press, Cambridge, MA, USA.
Silvert, W. & Baptist, M. (2000). Can neuronal networks be used in data-poor situations? In: Artificial Neuronal Networks: Application to Ecology and Evolution. S. Lek & J.-F. Guegan (Eds.), Springer-Verlag, Berlin, 241-248.
Shapiai, M.I., Ibrahim, Z., Khalid, M., Jau, L.W., Pavlovic, V. & Watada, J. (2011). Function and surface approximation based on enhanced kernel regression for small sample sets, International Journal of Innovative Computing Information and Control, 7(10), 5947-5960.
Sutijo, B., Suhartono, S. & Endharta, A.J. (2011). Forecasting tourism data using neural networks - multiscale autoregressive model, Jurnal Matematika & Sains, 16(1), 35-42.
Smeral, E. & Wuger, M. (2005).Does complexity matter? Methods for improving forecasting accuracy in tourism: The case of Australia. Journal of Travel Research, 44, 100-110.
Song, H. & Li, G. (2008). Tourism demand modelling and forecasting tourism management.Tourism Management, 29(2), 203-220.
Specht, D.E. (1991). A general regression neural network. IEEE Transactions on Neural Networks, 2, 568-576.
Van, E. & Robert, J. (1997). The application of neural networks in the forecasting of share price, Finance & Technology Publishing. Haymarket, VA, USA.
Witt, S.F. & Witt, C.A. (1995). Forecasting tourism demand : A review of empirical research .International Journal of Forecasting, 11(3), 447-475.
Witt, S. F. & Song, H. (2000). Forecasting future tourism flows. In: Tourism and hospitality in the 21st century, Medlik, S & A. Lockwood (Eds), Butterworth-Heinemann, Oxford, 106-118.
Wong, K.K.F., Song, H. & Chon, K.S. (2006). Bayesian models for tourism demand forecasting, Tourism Management, 27(5), 773–780.
Wu, Q., Law, R. & Xu, X. (2012). A sparse gaussian process regression model for tourism demand forecasting in Hong Kong, Expert Systems with Applications, 39, 4769–4774.
Yao, X. (1999). Evolving artificial neural networks. Proceedings of the IEEE, 87(9), 1423–1447.
Yu, G. & Schwartz, Z. (2006). Forecasting short time series tourism demand with artificial intelligence model, Journal of Travel Research, 45(2), 194-203.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 王素彎(2004)。積極推動創意生活產業提升產業價值,經濟前瞻,106,63-66。
2. 吳柏林、賴家瑞、劉勇杉(1992 )。台灣地區外籍觀光旅客人數預測模式之探討,國立政治大學學報,68,267-291。
3. 李孟訓、許雅琪(2008)。休閒農場經營績效關鍵成功因素之研究--從平衡計分卡的觀點,農業經濟叢刊,14(1),25-33。
4. 段兆麟(2007)。台灣休閒農業回顧與未來發展策略,農政與農情,96(177),64-70。
5. 徐明章(1995)。休閒農業與土地管制法規之配合。農政與農情,84(12),23-28。
6. 陳其南(1995)。社區總體營造與文化產業發展,台灣手工業,55,4-9。
7. 陳鴻烈、蔡大偉、胡慧蘭(2006)。不同模式時距對模式預測能力影響之研究,水土保持學報,38(2), 141-156.
8. 陳寬裕、何嘉惠、蕭宏誠(2004)。應用支援向量迴歸於國際旅遊需求支預測,旅遊管理研究,4(1),81-97。
9. 陳寬裕,王正華(2005)。以遺傳演算法優化支援向量迴歸在旅遊需求預測上的應用,戶外遊憩研究,18(1),47-72。
10. 黃欽榮(2004)。台灣農業發展方向,農業合作月刊,169,163-172。
11. 鄭健雄、陳昭郎(1996),休閒農場經營管理策略思考方向之研究,農業經營管理年刊,2,123-144。
12. 鄭健雄(1998)。從服務業觀點論休閒農業之行銷概念,中國農業經營學會年刊,4,127-147。
13. 潘文超、林維垣、周旻德(2007)。優化類神經網路模型之預測能力--以金控股個案分析,遠東學報,24(3),225-232。