Нейронные сети как инструмент повышения конкурентоспособности российской туристско-рекреационной сферы

Размещено на http://www.allbest.ru/

НИИ Истории, экономики и права

Нейронные сети как инструмент повышения конкурентоспособности российской туристско-рекреационной сферы

научный сотрудник

Симонян Рафаэль Арсенович

Аннотация

В статье рассматриваются вопросы повышения конкурентоспособности российской туристско-рекреационной сферы в условиях все большего внедрения в экономику новых технологий

Ключевые слова: конкурентоспособность, нейронные сети, туристско-рекреационная сфера, конъюнктура рынка

Annotation

The article discusses issues of enhancing the competitiveness of the Russian tourist and recreational sphere in conditions of ever more introduction of new technologies into the economy

Keywords: competitiveness, neural networks, tourism and recreation sphere, market conditions

В последние десятилетия во многих странах мира произошли заметные изменения в вопросах качества жизни людей. Население определенного количества стран все больше стало уделять внимания здоровому образу жизни. В этом плане большое внимание стало уделяться туризму и путешествиям, что подтверждается и мировой статистикой [4].

Как показывает практика, развитие туристско-рекреационная сферы идет стремительными темпами и не реагировать на текущее изменение конъюнктуры рынка невозможно. В текущей ситуации необходимо в постоянном режиме корректировать стратегию работы на рынке, следить за изменениями в инновационной сфере и реагировать на происходящие изменения оперативно, изменяя текущие бизнес-процессы. В этом плане серьезное внимание привлекает к себе развитие новых технологий, связанных с искусственным интеллектом.

Достижения в области создания искусственного интеллекта и нейронных сетей открывают новые возможности для работы во всех сферах. В последнее время нейросетевые технологии получают все более широкое распространение в прогнозировании макро- и микроэкономических процессов, поскольку они обладают широкими способностями в области распознавания и моделирования линейных и нелинейных взаимосвязей между экономическими показателями. Маркетинг в туристско-рекреационной сфере является одним из основных инструментов. Использование в маркетинге искусственного интеллекта открывает новые возможности в области анализа обширных данных о клиентах, классифицируя их по различным параметрам, таких, как возраст, пол, предпочтения по виду отдыха и т.д. Как показывает зарубежная практика, в индустрии гостеприимства и туризма за последние 10-15 лет произошел качественный скачок в области применения нейросетевых технологий для прогнозирования.

В 2014 г. Murat Cuhadar, Iclal Cogurcu и Ceyda Kukrer провели исследование туристского спроса на круизы в Измир, применяя сразу несколько архитектур нейронных сетей. Результатом исследования явилось то, что прогнозирование туристского спроса является сложной задачей ввиду нелинейности и нестационарности природы туристского спроса, что наталкивает исследователей на необходимость разработки новых методов, важнейшим из которых является нейросетевое моделирование. По наблюдению авторов, нейросети работают без начальных гипотетических данных о моделях и проблемах; кроме того, существует целый набор нейросетевых методик, применяемых в целях получения лучшего результата. В своей работе Murat Cuhadar, Iclal Cogurcu и Ceyda Kukrer использовали многослойный перцептрон, сети радиального базиса и обобщеннорегрессионные нейронные сети для анализа месячных данных о прибытиях. экспериментальная работа показала, что в качестве прогнозной модели лучше всего работали радиально-базисные сети. Наблюдение показало, что нейронные сети без проблем (переобучения, структурных ошибок) справились с задачей прогнозирования, добившись хорошего прогноза на 2014 г. Авторы указывают, что для совершенствования методик прогнозирования необходимы также дальнейшие разработки в области метода опорных векторов (алгоритм, схожий с обучением с учителем), нечеткой логики, генетических алгоритмов, а также адаптивных сетей на основе систем нечеткого вывода [1].

В 2013 г. Oscar Claveria, Enric Monte и Salvador Torra проделали работу, в которой был спрогнозирован туристический спрос с помощью разных моделей нейронных сетей. В качестве данных для исследования были взяты данные по туристическим потокам в Каталонию из различных стран за период с 2001 по 2012 гг. Исследование было проведено с помощью трех моделей: многослойного перцептрона, радиальными базисными функциями и сетью Элмана (вид реккурентной нейросети). Исследовались также различные топологии данных типов нейросетей. В результате исследования получилось, что лучшие показатели были получены на основе многослойного перцептрона и радиальных функций, а наиболее качественный прогноз показали именно радиальные функции. Была выдвинута гипотеза о необходимости выявления зависимостей между показателями прибыли различных стран. Также был сделан очень важный вывод о том, что наилучшие результаты нейронные сети достигали при долгосрочном прогнозировании [2].

Первые нейронные сети являлись инструментом для распознавания образов. Многократное обучение данной системы давало возможность приобретать способность выделять с достаточно высокой точностью характеристики исследуемого класса объектов. Позднее данное свойство стало использоваться для идентификации параметров и переменных состояния объекта. Отсюда и было получено название нейроэмулятора, ввиду применения как части системы управления для вычисления переменных объекта управления. Параллельно с этим проводились разработки по применению нейросетей в качестве управляющего элемента системы (нейроконтроллера).

Нейронная сеть состоит из множества одинаковых элементов -- нейронов. нейронный сеть микроэкономический рекреационный

В ней выделяются следующие слои нейронов: входной слой, несколько скрытых слоев и выходной слой. Элементы скрытых слоев имитируют поведение нейрона. При этом нейроны соединены с элементами предыдущего слоя перекрестными связями.

Биологический нейрон моделируется как устройство, имеющее несколько входов и один выход. Каждому входу становится в соответствие некоторый весовой коэффициент w, характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. Обрабатываемые сигналы бывают аналоговыми или цифровыми, все зависит от конкретной реализации. В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона, как это представлено на рис.1.

Рис. 1. Передаточная функция нейрона

При этом суммирующий элемент реализует функцию

D = f(wi * xi)

а активационная функция F может иметь самый разный вид, например, может быть автокорреляционной функцией [4].

Аналитики в туристической области и сферы гостеприимства в большей части своих исследований применяют количественные причинно-следственные методы анализа, без исследования взаимосвязей, при которых имеется возможность выявить закономерности, получение которых традиционными методами осложнено [5].

Исследователи в сфере гостеприимства в большей части своих работ применяют количественные причинно-следственные методы анализа, не исследуя взаимосвязи, которые могли бы выявить закономерности, получение которых традиционными способами осложнено. Распределенные процессы вынуждают представителей туристической отрасли применять в работе технологии интеллектуального управления с помощью современных сервисов и систем. Данные технологии позволяют максимально быстро реагировать на изменения конъюнктуры рынка, предлагая решать задачи, которые стоят перед всей туристической сферой в зависимости от сложившейся ситуации.

Ключевой проблемой для ТРП является проблема привлечения клиентов, а ключевым значением задачи является классификация туристов. Задача заключается в том, чтобы учесть максимальное количество личностных характеристик туристов в процессе организации туров. Если рассмотреть данные характеристики как Х1, Х2, ..., Хр, а их значения для туриста можно обозначить х1,х2, ..., хр, то решение задачи сводится к тому, чтобы в результате анализа распределить в одну из групп у1, у2, ..., уq. Откуда на входе получим вектор х=(х1,х2, ...,хр), который соответствует определенному туристу и является набором конкретных значений его параметров. Координаты на выходе представлены вектором y=(у1,у2, ...,уq), соответствующие номерам туристических групп.

Начальными параметрами могут являться простые для оценки величины: пол, возраст, время турпоездки, доход, образование и др. Сложными для оценки являются психологические предпочтения или же какие-то черты характера туриста, которые являются субъективными.

Литература и источники

1. Murat зuhadar, Iclal Cogurcu, Ceyda Kukrer. Modelling and Forecasting Cruise Tourism Demand to Izmir by Different Artificial Neural Network Architectures // International Journal of Business and Social Research (IJBSR), Volume ?4, No.-3, March, 2014.

2. Oscar Claveria, Enric Monte and Salvador Torra. Tourism demand forecasting with different neural networks models // Research Institute of Applied Economics. Working Paper 2013/21.

3. Матющенко Н.С., Копырин А.С. Применение искусственных нейронных сетей для моделирования спроса на досуговые и развлекательные услуги// Известия Сочинского государственного университета. -- 2012.- № 3(21). С. 51-62.

4. Сарян А.А., Симонян Г.А. «Рекреационный туризм: некоторые аспекты программного развития», Сборник СНИЦ РАН и НИИ ИЭП «Этнические, экологические и экономические аспекты развития туризма на ООПТ горных экосистем мира» Изд. «Пегас», Чебоксары, 2012

5. Сарян А.А. «Теоретические аспекты понимания сущности туризма». Изд. «Известия Сочинского государственного университета», 2014. № 3 (31). С. 147-149.

6. Искусственная нейронная сеть [Электронный ресурс]. Режим доступа -- https://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть

7. Ясницкий Л.Н. Введение в искусственный интеллект. Издание 3. М.: Издательский центр «Академия», 2010. -- 176с

Размещено на Allbest.ru