RBF神经网络的旅游管理系统安全风险评价

张文正

摘  要： 针对传统旅游管理系统安全风险评价方法存在的评价误差大的缺点，提出一种RBF神经网络的旅游管理系统安全风险评价方法。在RBF神經网络的基础上，建立安全风险评价指标体系，并采用灰色关联度分析法确定各评价指标的权重，再计算安全风险评价指标值，通过专家评价法确定安全风险评价等级后，训练样本数据，采用模糊评价法对旅游管理系统安全风险做出评价，至此完成RBF神经网络的旅游管理系统安全风险评价方法的设计与实现。实验结果表明，与传统的安全风险评价方法相比，文中提出的评价方法能够更精确地评价旅游管理系统的安全风险，具有更高的有效性。

关键词： 旅游管理; 安全风险评价; RBF神经网络; 评价指标建立; 样本数据训练; 评价方法设计

中图分类号： TN915.08?34; TP183                   文献标识码： A                  文章编号： 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

随着人们生活水平的提高，旅游成为一种受到人们广泛欢迎的休闲方式，旅游业得到了长足的发展。随着互联网技术的不断发展，旅游从业者改变了原始的管理方式，通过旅游管理系统对旅游相关的信息进行管理[1?4]。然而，网络在给用户带来便利的同时，也会给旅游管理系统的安全性带来一定的风险。为保证网络信息的安全性，对其做出评价是十分必要的[5]。因此，采用某种方法对旅游管理系统安全风险的评价具有非常重要的意义。RBF神经网络是一种三层前向神经网络，具有结构简单、局部逼近能力强的特点，被广泛应用在各种非线性控制和评价中[6?10]。目前，现有的旅游管理系统存在诸多风险。

针对传统的旅游管理系统安全风险评价方法存在评价误差大的缺点，本文设计一种RBF神经网络的旅游管理系统安全风险评价方法。

1  RBF神经网络的旅游管理系统模型

采用三层RBF神经网络建立旅游安全管理系统安全风险评价模型，RBF神经网络共包括三层，分别为输入层、隐含层和输出层，其结构图如图1所示。其中，输入层为各个旅游管理系统安全风险评价指标值，每个指标对应一个神经元;输出层为单个神经元，在得到输出值后，确定评价因素和评价等级的标准，再通过模糊评价法对其进行模糊变换，结合评语集即可判断旅游管理系统安全风险等级，再设定相应的训练参数训练样本，在训练后对旅游管理系统安全风险做出评价。

对旅游管理系统安全风险评价可以看作是从输入到输出的非线性映射关系，而RBF神经网络可以很好地实现逼近映射[11]，其映射特点如图2所示。在图2中，将多个安全风险值输入到RBF神经网络的隐含层，将其作一定处理后，输出为一个神经元，即一个安全风险指标值。其局部逼近的映射特点有利于对安全风险做出评价。

1.1  建立安全风险评价指标体系

基于RBF神经网络，根据旅游安全管理系统的内容和特点，确定旅游安全管理系统安全风险评价指标，安全风险指标如图3所示。

旅游管理系统安全风险指标体系包含多个指标，需要采用归一化法[12]对定量指标作预处理，将处理后的数据作为样本数据。采用灰色关联度分析法[13]对旅游管理系统安全风险指标的权重值进行赋权，得到所需的权重值。根据风险因素的风险度可以求出专家给出的风险评估指标权重分配集。之后，计算安全风险评价指标值。

1.2  计算安全风险评价指标值

首先，确定安全风险指标的客观性（专家对某个指标的评分均值）为：

式中：[u]代表安全风险指标的客观性;[k]代表专家的总人数;[uh1]代表第[h]个专家给出的最低分;[uh2]代表第[h]个专家给出的最高分。

在得到安全风险指标的客观性后，求评价指标的可靠性：

式中：[bi]代表安全风险指标[xi]的总置信度;[bji]代表评价风险[j]时得到的指标[xi]的置信度，[bji=11+g]，[g]代表安全风险识别指标。

将旅游管理系统安全风险识别指标相对应的风险因素进行量化，其量化方式如表1所示。

在识别安全风险指标[xi]时得到：

通过式（3）可以得到旅游管理系统安全风险指标[xi]的值。得到安全风险指标值，可以为下一步安全风险等级的确定打下基础。

1.3  确定安全风险评价等级

在得到安全风险指标的具体数值后，设立旅游管理系统安全风险评价的评语集。采用专家评价法[14]，各个专家根据自己对旅游管理系统安全风险的总体评价和经验确定评语集的等级。设[h]个专家对旅游管理系统安全风险的评语集进行评价的评价值区间为[vk1，vk2]，则[m]个专家的群体评价值为[v]，根据评价值判断旅游管理系统安全风险等级，具体等级设置及对应分值如表2所示。

根据表2的旅游安全风险评价等级及其对应分值，确定旅游管理系统安全风险评价所属等级，进而将其运用到样本数据中，对样本数据进行训练。

1.4  样本数据训练

在确定安全风险等级后，设定一定的训练参数，对旅游管理系统安全风险数据进行训练，其训练流程如图4所示。

对旅游管理系统安全风险数据的训练要重复多次，通过不断的训练，使下一次训练的误差都小于前一次的误差，直到得到的数据满足提前设定好的误差要求为止。在做好样本数据的训练后，采用模糊评价法[15]对旅游管理系统安全风险做出评价。

2  仿真实验

将提出的RBF神经网络的旅游管理系统安全风险评价方法和传统的旅游管理系统安全风险评价方法进行对比，检验提出的旅游管理系统安全风险评价方法的有效性。

2.1  实验过程

选择某旅游管理系统安全风险数据进行实验，共有200个样本，随机选择其中的100个样本作为测试样本，剩余100个样本作为训练样本。为使RBF神经网络的学习速度更快，对旅游管理系统安全风险值归一化，其训练样本的误差如图5所示。

通过训练样本数据，缩小训练误差。从图5中可以看出，目标误差为10-3，提出的安全风险评价方法仅需进行6次训练，即可将误差减小到10-3以下。在将样本数据进行训练合格后，再确定评价指标的权重值，其权重值如表3所示。

在已知权重的基础上，计算出旅游管理系统安全风险评价指标值。通过将安全风险评价指标值与风险等级对照，确定其风险等级，并对其做出评价。通过将提出的安全风险评价方法得到的旅游管理系统安全风险评价值、传统评价方法得到的评价值与实际值进行比对，得到评价误差的对比结果，对实验结果做出分析，以验证提出的RBF神经网络的旅游管理系统安全风险评价方法是否更加有效。

2.2  结果分析

通过前述实验过程得到两种评价方法的评价误差，将其与实际值对比。提出的旅游管理系统安全风险评价方法与传统方法的评价误差的对比结果如图6所示。

从图6中可以看出，提出的安全风险评价方法由于采用RBF神经网络，对非线性输入、输出映射为局部逼近，使其误差得以减小，精度得到提高，所以得到的安全风险值的曲线几乎与实际风险值的曲线完全重合，而传统的安全风险评价方法得到的数值与实际值存在较大误差。通过对比发现，本文提出的RBF神经网络的旅游管理系统安全风险评价方法的评价误差更小，能够更有效地评价旅游管理系统的安全风险。

3  结  语

针对传统的旅游管理系统安全风险评价方法存在评价误差大的缺点，本文提出一种RBF神经网络的旅游管理系统安全风险评价方法，改善了传统的旅游管理系统安全风险评价方法的不足。通过对比实验与传统方法作比较，实验结果表明，提出的旅游管理系统安全风险评价方法具有更高的有效性，希望其可以在旅游管理系統安全风险评价中得到广泛的应用。

参考文献

[1] 殷杰，郑向敏.长江经济带旅游产业生态系统安全评估与安全格局研究[J].华东经济管理，2017，31（4）：60?65.

[2] 邓晓磊，罗岱，李亚旭.智慧旅游背景下的乡村旅游生态服务系统设计[J].包装工程，2018，39（4）：199?202.

[3] 付景保，王子铭，乔冬梅，等.基于可持续发展的世界地质公园旅游管理信息系统设计：以伏牛山世界地质公园为例[J].生态经济，2017，33（3）：137?141.

[4] 刘华明，全红，刘诗涵，等.旅途无忧旅游管理系统的设计与实现[J].电脑知识与技术，2017，13（33）：89?91.

[5] 李军伟，姜学东.电子政务系统信息安全风险的综合评价模型[J].现代电子技术，2017，40（7）：74?77.

[6] 郭士琪.基于神经网络的计算机网络安全评价研究[J].信息与电脑（理论版），2017（4）：185?186.

[7] 李杨，李海东，施卫省，等.基于神经网络的土壤重金属预测及生态风险评价[J].长江流域资源与环境，2017，26（4）：591?597.

[8] 迟睿，苏翔，滕瑜.基于RBF神经网络的科研绩效评价建模研究[J].江苏科技大学学报（自然科学版），2017，31（4）：525?530.

[9] 陈鸿俊，杨海涛.RBF神经网络在高职院校教师质量评价体系中的应用[J].科教导刊（中旬刊），2017（2）：72?73.

[10] 邵伯乐.基于禁忌算法和RBF神经网络的网络安全态势预测[J].兰州工业学院学报，2018，25（3）：54?57.

[11] 余东升，陆青，冷亚军，等.基于B/S模式的自助旅游管理系统的设计与实现[J].内蒙古科技与经济，2017（19）：61?62.

[12] 陈新华，陈晓丽.城市智慧旅游管理系统的研究[J].自动化与仪器仪表，2017（10）：153?155.

[13] 王磊，杨晓霞，向旭，等.乡村旅游开发风险评价研究：以重庆市城口县河鱼乡为例[J].生态经济，2019，35（4）：140?145.

[14] 罗景峰.乡村旅游客体安全风险评价及实证研究[J].国土资源科技管理，2017，34（3）：96?103.

[15] 罗景峰.乡村土地旅游化流转风险评价指标体系构建研究[J].上海国土资源，2017，38（1）：38?41.