RBF神經網絡的旅游管理系統安全風險評價

張文正

摘? 要： 針對傳統旅游管理系統安全風險評價方法存在的評價誤差大的缺點，提出一種RBF神經網絡的旅游管理系統安全風險評價方法。在RBF神經網絡的基礎上，建立安全風險評價指標體系，并采用灰色關聯度分析法確定各評價指標的權重，再計算安全風險評價指標值，通過專家評價法確定安全風險評價等級后，訓練樣本數據，采用模糊評價法對旅游管理系統安全風險做出評價，至此完成RBF神經網絡的旅游管理系統安全風險評價方法的設計與實現。實驗結果表明，與傳統的安全風險評價方法相比，文中提出的評價方法能夠更精確地評價旅游管理系統的安全風險，具有更高的有效性。

關鍵詞： 旅游管理; 安全風險評價; RBF神經網絡; 評價指標建立; 樣本數據訓練; 評價方法設計

中圖分類號： TN915.08?34; TP183? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）13?0065?04

Method of tourism management system safety risk assessment

based on RBF neural network

ZHANG Wenzheng

（Shangqiu Institute of Technology， Shangqiu 476000， China）

Abstract： A tourism management system security risk assessment method based on RBF neural network is proposed to cope with the defect of big error of the security risk assessment methods for the traditional tourism management system. On the basis of the RBF neural network， a security risk evaluation index system is built， the grey relational analysis （GRA） method is used to determine the weight of each evaluation index， and then the security risk evaluation index value is calculated. The security risk evaluation grade is determined with the expert evaluation method for the training of the sample data. The security risk of tourism management system is evaluated with the fuzzy evaluation method. The design and implementation of the tourism management system safety risk assessment method based on the RBF neural network are completed by the above means. The experimental results show that， in comparison with the traditional security risk assessment method， the proposed evaluation method can evaluate the security risks of the tourism management systems more accurately and has higher effectiveness.

Keywords： tourism management; security risk assessment; RBF neural network; evaluation index establishment; sample data training; evaluation method design

0? 引? 言

隨著人們生活水平的提高，旅游成為一種受到人們廣泛歡迎的休閑方式，旅游業得到了長足的發展。隨著互聯網技術的不斷發展，旅游從業者改變了原始的管理方式，通過旅游管理系統對旅游相關的信息進行管理[1?4]。然而，網絡在給用戶帶來便利的同時，也會給旅游管理系統的安全性帶來一定的風險。為保證網絡信息的安全性，對其做出評價是十分必要的[5]。因此，采用某種方法對旅游管理系統安全風險的評價具有非常重要的意義。RBF神經網絡是一種三層前向神經網絡，具有結構簡單、局部逼近能力強的特點，被廣泛應用在各種非線性控制和評價中[6?10]。目前，現有的旅游管理系統存在諸多風險。

針對傳統的旅游管理系統安全風險評價方法存在評價誤差大的缺點，本文設計一種RBF神經網絡的旅游管理系統安全風險評價方法。

1? RBF神經網絡的旅游管理系統模型

采用三層RBF神經網絡建立旅游安全管理系統安全風險評價模型，RBF神經網絡共包括三層，分別為輸入層、隱含層和輸出層，其結構圖如圖1所示。其中，輸入層為各個旅游管理系統安全風險評價指標值，每個指標對應一個神經元;輸出層為單個神經元，在得到輸出值后，確定評價因素和評價等級的標準，再通過模糊評價法對其進行模糊變換，結合評語集即可判斷旅游管理系統安全風險等級，再設定相應的訓練參數訓練樣本，在訓練后對旅游管理系統安全風險做出評價。

對旅游管理系統安全風險評價可以看作是從輸入到輸出的非線性映射關系，而RBF神經網絡可以很好地實現逼近映射[11]，其映射特點如圖2所示。在圖2中，將多個安全風險值輸入到RBF神經網絡的隱含層，將其作一定處理后，輸出為一個神經元，即一個安全風險指標值。其局部逼近的映射特點有利于對安全風險做出評價。

1.1? 建立安全風險評價指標體系

基于RBF神經網絡，根據旅游安全管理系統的內容和特點，確定旅游安全管理系統安全風險評價指標，安全風險指標如圖3所示。

旅游管理系統安全風險指標體系包含多個指標，需要采用歸一化法[12]對定量指標作預處理，將處理后的數據作為樣本數據。采用灰色關聯度分析法[13]對旅游管理系統安全風險指標的權重值進行賦權，得到所需的權重值。根據風險因素的風險度可以求出專家給出的風險評估指標權重分配集。之后，計算安全風險評價指標值。

1.2? 計算安全風險評價指標值

首先，確定安全風險指標的客觀性（專家對某個指標的評分均值）為：

式中：[u]代表安全風險指標的客觀性;[k]代表專家的總人數;[uh1]代表第[h]個專家給出的最低分;[uh2]代表第[h]個專家給出的最高分。

在得到安全風險指標的客觀性后，求評價指標的可靠性：

式中：[bi]代表安全風險指標[xi]的總置信度;[bji]代表評價風險[j]時得到的指標[xi]的置信度，[bji=11+g]，[g]代表安全風險識別指標。

將旅游管理系統安全風險識別指標相對應的風險因素進行量化，其量化方式如表1所示。

在識別安全風險指標[xi]時得到：

通過式（3）可以得到旅游管理系統安全風險指標[xi]的值。得到安全風險指標值，可以為下一步安全風險等級的確定打下基礎。

1.3? 確定安全風險評價等級

在得到安全風險指標的具體數值后，設立旅游管理系統安全風險評價的評語集。采用專家評價法[14]，各個專家根據自己對旅游管理系統安全風險的總體評價和經驗確定評語集的等級。設[h]個專家對旅游管理系統安全風險的評語集進行評價的評價值區間為[vk1，vk2]，則[m]個專家的群體評價值為[v]，根據評價值判斷旅游管理系統安全風險等級，具體等級設置及對應分值如表2所示。

根據表2的旅游安全風險評價等級及其對應分值，確定旅游管理系統安全風險評價所屬等級，進而將其運用到樣本數據中，對樣本數據進行訓練。

1.4? 樣本數據訓練

在確定安全風險等級后，設定一定的訓練參數，對旅游管理系統安全風險數據進行訓練，其訓練流程如圖4所示。

對旅游管理系統安全風險數據的訓練要重復多次，通過不斷的訓練，使下一次訓練的誤差都小于前一次的誤差，直到得到的數據滿足提前設定好的誤差要求為止。在做好樣本數據的訓練后，采用模糊評價法[15]對旅游管理系統安全風險做出評價。

2? 仿真實驗

將提出的RBF神經網絡的旅游管理系統安全風險評價方法和傳統的旅游管理系統安全風險評價方法進行對比，檢驗提出的旅游管理系統安全風險評價方法的有效性。

2.1? 實驗過程

選擇某旅游管理系統安全風險數據進行實驗，共有200個樣本，隨機選擇其中的100個樣本作為測試樣本，剩余100個樣本作為訓練樣本。為使RBF神經網絡的學習速度更快，對旅游管理系統安全風險值歸一化，其訓練樣本的誤差如圖5所示。

通過訓練樣本數據，縮小訓練誤差。從圖5中可以看出，目標誤差為10-3，提出的安全風險評價方法僅需進行6次訓練，即可將誤差減小到10-3以下。在將樣本數據進行訓練合格后，再確定評價指標的權重值，其權重值如表3所示。

在已知權重的基礎上，計算出旅游管理系統安全風險評價指標值。通過將安全風險評價指標值與風險等級對照，確定其風險等級，并對其做出評價。通過將提出的安全風險評價方法得到的旅游管理系統安全風險評價值、傳統評價方法得到的評價值與實際值進行比對，得到評價誤差的對比結果，對實驗結果做出分析，以驗證提出的RBF神經網絡的旅游管理系統安全風險評價方法是否更加有效。

2.2? 結果分析

通過前述實驗過程得到兩種評價方法的評價誤差，將其與實際值對比。提出的旅游管理系統安全風險評價方法與傳統方法的評價誤差的對比結果如圖6所示。

從圖6中可以看出，提出的安全風險評價方法由于采用RBF神經網絡，對非線性輸入、輸出映射為局部逼近，使其誤差得以減小，精度得到提高，所以得到的安全風險值的曲線幾乎與實際風險值的曲線完全重合，而傳統的安全風險評價方法得到的數值與實際值存在較大誤差。通過對比發現，本文提出的RBF神經網絡的旅游管理系統安全風險評價方法的評價誤差更小，能夠更有效地評價旅游管理系統的安全風險。

3? 結? 語

針對傳統的旅游管理系統安全風險評價方法存在評價誤差大的缺點，本文提出一種RBF神經網絡的旅游管理系統安全風險評價方法，改善了傳統的旅游管理系統安全風險評價方法的不足。通過對比實驗與傳統方法作比較，實驗結果表明，提出的旅游管理系統安全風險評價方法具有更高的有效性，希望其可以在旅游管理系統安全風險評價中得到廣泛的應用。

參考文獻

[1] 殷杰，鄭向敏.長江經濟帶旅游產業生態系統安全評估與安全格局研究[J].華東經濟管理，2017，31（4）：60?65.

[2] 鄧曉磊，羅岱，李亞旭.智慧旅游背景下的鄉村旅游生態服務系統設計[J].包裝工程，2018，39（4）：199?202.

[3] 付景保，王子銘，喬冬梅，等.基于可持續發展的世界地質公園旅游管理信息系統設計：以伏牛山世界地質公園為例[J].生態經濟，2017，33（3）：137?141.

[4] 劉華明，全紅，劉詩涵，等.旅途無憂旅游管理系統的設計與實現[J].電腦知識與技術，2017，13（33）：89?91.

[5] 李軍偉，姜學東.電子政務系統信息安全風險的綜合評價模型[J].現代電子技術，2017，40（7）：74?77.

[6] 郭士琪.基于神經網絡的計算機網絡安全評價研究[J].信息與電腦（理論版），2017（4）：185?186.

[7] 李楊，李海東，施衛省，等.基于神經網絡的土壤重金屬預測及生態風險評價[J].長江流域資源與環境，2017，26（4）：591?597.

[8] 遲睿，蘇翔，滕瑜.基于RBF神經網絡的科研績效評價建模研究[J].江蘇科技大學學報（自然科學版），2017，31（4）：525?530.

[9] 陳鴻俊，楊海濤.RBF神經網絡在高職院校教師質量評價體系中的應用[J].科教導刊（中旬刊），2017（2）：72?73.

[10] 邵伯樂.基于禁忌算法和RBF神經網絡的網絡安全態勢預測[J].蘭州工業學院學報，2018，25（3）：54?57.

[11] 余東升，陸青，冷亞軍，等.基于B/S模式的自助旅游管理系統的設計與實現[J].內蒙古科技與經濟，2017（19）：61?62.

[12] 陳新華，陳曉麗.城市智慧旅游管理系統的研究[J].自動化與儀器儀表，2017（10）：153?155.

[13] 王磊，楊曉霞，向旭，等.鄉村旅游開發風險評價研究：以重慶市城口縣河魚鄉為例[J].生態經濟，2019，35（4）：140?145.

[14] 羅景峰.鄉村旅游客體安全風險評價及實證研究[J].國土資源科技管理，2017，34（3）：96?103.

[15] 羅景峰.鄉村土地旅游化流轉風險評價指標體系構建研究[J].上海國土資源，2017，38（1）：38?41.