TELKOM NIKA , Vol.11, No .11, Novemb er 201 3, pp. 6413 ~6 419   e-ISSN: 2087 -278X           6413      Re cei v ed Ma rch 2 9 , 2013;  Re vised June  17, 2013; Accepte d  Jul y  1 ,  2013   A Hybrid Neural Network Prediction Model of Air Ticket  Sales      Han - Ch en H u ang   Dep a rtment of Leis u re Man a g e ment, Yu Da  Univers i t y , T a iw a n   e-mail: hc hua n g @ y d u .edu.t w       A b st ra ct     Air ticket sale s reven ue is  a n  i m porta nt so urce  of rev enu e for travel a g enci e s, and  if future a i r   ticket sal e s r e venu e c an  be   accurate ly for e cast, travel  ag enci e s w ill  b e   abl e to  adv anc e pr ocure m ent  to   achi eve a  sufficient  a m ou nt  of cost-effective tickets. T her efore, this stu d y ap pli ed th e  Artificial  Neur a l   Netw ork (ANN ) and G enetic  Algorit h m s (GA) to estab lish  a pre d icti on  mo de l of trave l  ag ency  air ti cke t   sales r e ve nue.  By verifyi ng th e e m p i rica l d a t a , this st u d y pr oved  that the  e s tablis hed  pre d i ction  mod e l  ha s   accurate  pre d i c tion  pow er, a nd MAPE  ( m e an  abso l ute  p e r centag e  error)  is o n ly  9.1 1 % .  T he esta blis h e d   mo de l ca n pr ovid e b u si nes s op erators w i t h reli ab le  an d effici ent pr e d ictio n  d a ta  a s  a ref e renc e  for   oper ation a l d e c isions.      Ke y w ords :  arti ficial n eura l  net w o rk, genetic  a l gorit hms, a i r ticket, sales rev enu e         Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Travel i s  not  a ne ce ssity  in daily livelihood,  thu s ,  the touri s m  indu stry is  dire ctly  impacte d d u ri ng e c o nomi c   downturn.  Travel ag en cies nee d to  have  goo d fina nci a l man age me nt  and ri sk ma n ageme n t cap abilities in order to su rv ive in the com petitive market [1]. Financial  manag eme n t is critical to travel agen cie s .  The strengthe ning o f  financial m anag ement can  increa se in come an d re duce co sts.  By analyzing and  add ressin g fina ncial p r obl e m s,  comp etitiveness ca n be  enha nced.  Among the bu sine ss scop e  of travel agenci e s, air ti cket  sale s are an  important source  of rev enue. Travel  agenci e s p u rcha se a la rge num be r of  discou nted  ai r ticket s fro m  airlin ers  and  sell  to  con s u m ers [2]. If a  travel ag en cy ca n a c curate ly  predi ct market demand, they can pu rcha se  suffi ci ent numbe rs of discou n ted air ticket s in  advan ce to g a in high er p r ofits, and re d u ce the  a c cu mulated  cost s ca used by over pu rcha ses o r   orde r l o sse s   cau s e d  by  st ock d epletion  [3]. Ther efore,  this study applie d  the Artificial Neu r al  Network (A NN) a nd G enet ic Algo rithms  (GA) to  es ta b lish a  pre d icti on mod e l for  air ticket sale s  r e ve n u e .  T he r e s e a r c h  find in gs   c a n pro v id e  th e  ind u stry with a pra c tical   refe ren c e   of  hi gh er  reliability and  efficien cy.      2. Literature  Rev i e w   2.1. Trav el Agenc y   Travel  age nci e s  are the  int e rme d iary  bet wee n  tou r i s m  produ ct  sup p liers a nd  cu st omers,  and a r e  re sp onsi b le for pl annin g  an d a rra ngem ents  of travel for  custome r s to  gain  saving s  [3].  Acco rdi ng to  Taiwa n ’s Stat ute for the  Developme n t o f  Touri s m [4]  Article 2:  “Travel enterpri s e:  also  referre d  to as travel a gen cy, a profi t -tak ing  enterprise lice n sed  by  the centra l administ r ative  authority to  p r ovide to uri s t s   with a r rang ed travel   sch edule,  boa rd  and l odgi ng, t our guid e , an d to  purcha s e  tra n sp ortation  tickets  and  ap ply for tr avel  document s a nd visas on  touri s ts’  beh al f, a s   well a s  to p r ovide rel a ted  se rvice s  for  remu ner ation ” . Taiwan’ s Regulatio ns  G o vernin g Tra v el  Agenci e s [5]  Article 3: Tra v el agen cie s  are divi de d i n to con s oli d a t ed travel ag enci e s, Cl ass-A  travel agen ci es, and  Cla s s-B travel age ncie s:   A. The busin ess scop e of con s oli dated  travel  agen ci es shall con s i s t of the following:   1)  Being co mmi ssi one d to se ll passeng er t i ckets  for do mestic o r  foreign land, se a, and air  transpo rtation  operators,  or  to buy d o m estic  or  oversea s  pa ssenge r tickets and to  handl e ship m ent of luggag e for travelers.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  641 3 – 6419   6414 2)  Being commi ssi one d to ha ndle inb oun d  and outb oun d pro c e dures and visa  app lication s   for travelers.   3)  Soliciting of busi n e ss fro m  or re ceivin g dome s tic a nd oversea s   tourist s , and  arrangi ng  for their tou r s, food, acco m m odation, an d transpo rtation.  4)  Arran g ing do mestic and  o v erse as  to urs,  food and a c commo datio n, and tran sp ortation   for travelers as well as related se rvices,  thro ug h cha r tere d or self -organ ized tou r   packa ge s.  5)  Commi ssioni ng of Cla s s-A  travel agen ci es to soli cit b u sin e ss.   6)  Commi ssioni ng of Cla s s-B  travel agen ci es to soli cit d o mesti c  tour  grou p bu sine ss.   7)  Han d ling  of communi catio n , prom otion,  and  pri c e q u o tation on  be half of forei g n travel  agen cie s .   8)  Planning   of dome s tic an d  ov erse as tours, and   a rra ngin g   for tour  g u ide s  or  tou r   manag ers.   9)  Providing of a d vice on d o m e stic a nd ove r se as tou r s.  10)  Operating other dome s tic  and overse as  tou r -rel ate d  bu sine sse s  as  app rove d by the  central admi n istrative auth o rity.  B. The busin ess scop e of Cla s s-A trave l  agen cie s  sh all con s i s t of the followi ng:   1)  Being co mmi ssi one d to se ll passeng er t i ckets  for do mestic o r  foreign land, se a, and air  transpo rtation  operators,  or  to buy d o m estic  or  oversea s  pa ssenge r tickets and to  handl e ship m ent of luggag e for the traveler.   2)  Being commi ssi one d to ha ndle inb oun d  and outb oun d pro c e dures and visa  app lication s   for travelers.   3)  Soliciting of  busi n e ss fro m  or  receivin g  dome s tic  a nd overse as  tourist s ; arra nging fo r  their tour, foo d , accommo d a tion, and tra n sp ortation.   4)  Arran g ing  of  oversea s  tou r s, food  an d a c commo datio n, and  tra n sp ortation  for t r avelers  as well as p r o v ision of relat ed se rvice s , throu gh self-o rgani ze d tour  packa ge s.  5)  Soliciting of b u sin e sse s  on  behalf of co n s olid ated trav el agen cie s .   6)  Planning   of dome s tic an d  ov erse as tours, and   a rra ngin g   for tour  g u ide s  or  tou r   manag ers.   7)  Providing of a d vice on d o m e stic a nd ove r se as tou r s.  8)  Operating other dome s tic  and overse as  tou r -rel ate d  bu sine sse s  as  app rove d by the  central admi n istrative auth o rity.  C. The bu sin e ss scop e of Cla s s-B trave l  agen cie s  sh all con s i s t of the followi ng:   1)  Being comm issi one d to sell p a ssen g e r tickets fo r dom esti c l and, sea, a nd air  transpo rtation  operators,  or to buy dome s tic p a sse n g e r ticket s and  handl e ship ment of   lugga ge on b ehalf of travelers.   2)  Soliciting of  b u sin e ss  from or re ceiving   dome s tic to urists; a r rangi n g  for t ours, fo od a nd  accomm odati on, and tran sportation; a n d  providing of related services.   3)  Soliciting of  b u sin e sse s   rel a ted to do me st ic g r o up tou r s  on b ehalf  of con s oli dat ed travel  agen cie s .   4)  Planning of d o mesti c  tours.  5)  Providing of a d vice on d o m e stic tou r s.  6)  Operation of  other dome s tic tour-rela t ed busi nesses a s  app ro ved by the  central   admini s trativ e authority.    2.2. Artificial  Neural Net w ork   ANN is a ma thematical m odel for sim u lati ng the structure and fu nction of a biologi cal  neural net wo rk. An A NN  condu cts  co m putation by la rge  numb e rs  of artificial  ne uron s [6, 7]. I n   most ca se s, ANN can cha nge an inte rn al stru cture a c cordi ng to e x ternal inform ation as a typ e  of  adaptive  syst em [6-8]. ANN is  a no n-lin ear  statis ti cal  data mod e lin g tool commo nly use d  for t he  model con s truction of com p lex input-o utput relation sh ips or the exp l oration of a d a ta model [9].  The ANN  co nstru c tion  pri n cipl e is  origi nat ed by the  ope ration  of biologi cal  (h uman  o r   other a n imal s) n eural ne tworks. A N N, like  hum a n s, ha s si m p le de cisi on  and jud g m ent  capabilities, whi c h  are more  adv antageous  as compared with form al logi cal  reasoning [7-10].  A  comm on mult ilayer feedfo r ward network con s ist s  of three pa rts  (Fig ure 1 )  [11, 12 ]:  1)  Input layer, a larg e num ber of ne uro n s fo r the  rece ption of  a larg e amo unt of input  information.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Hyb r id Neu r al Net w o r k P r edi ction Mo d e l of Air Ticke t  Sales (Han-Che n  Hu ang )  6415 2)  Output layer, the inform ation is tra n sferre d, an alyzed, an d  weigh ed in  the neuron  c o nnec tions  to form the output results .    3)  Hidd en layer,  the layers fo rmed by the  num e r ou s ne uron s a nd lin ks b e twe en t he input laye r  and outp u t layer. It can be of multipl e  layers , b u t is usu a lly only one layer. There is n o   recogni ze d st anda rd for th e numb e r of  neuron s in  th e hidde n laye r. Ho wever, n e tworks with  more  neu ron s  a r e m o re  si gnifica ntly no n-line a r,   a nd thus,  the neu ral  n e two r k ro bustn ess will   be more sig n i f icant.  The  Ba ck  Propag ation Ne ural Net w ork (BPNN)  i s  th e cu rrently th e mo st re pre s entative  and  mo st co mmonly u s e d  ANN [11 - 13] . BPNN u s e t he  steep est   desce nt meth od to  adju s t t h e   netwo rk p a ra meters to determin e  more accu rate sol u tions by iterat ive computin g.        Figure 1. BPNN Archite c t u re       2.3.  Genetic Algorithms (GA)  The GA i s  a  rand om  sea r ch meth od th at simu late s t he survival of  the fittest biologi cal  evolutiona ry law, a s  p r op ose d  by Joh n  He nr y  Holl and [14]. Wi th the se arch algo rithm  of  “su r vival an d  detectio n ”,  it has b een  widely u s e d  in combin atorial o p timi zation, ma ch ine  learni ng, sig nal pro c e s si ng, self-a dap tive c ontrol, and othe r fields. GA is one of the key  techn o logie s   relating to i n telligent comp uting of the  pre s ent a nd  has  been  ap plied by ma n y   enterp r i s e s  for timetable  arrang ement s, data anal y s is, future tre nd pre d ictio n , budgeting,  and   solving ma ny other combi n atoria l optimi z ation p r obl e m s [15-17].  In GA, the  so lution to  a p r oblem i s   call ed a n  in dividual, an d u s e s  a va riable  seque nce   (kn o wn a s   chrom o some ). The  chrom o som e  i s  ge nerally exp r e s sed a s  a  simple  string  or  nume r ic  stri n g . Firstly, the algo rithm ra ndomly  g ene rates a  ce rta i n num ber of  individual s.  In   each g ene rati on, ea ch  indi vidual i s  eval uated  and   a fi tness valu e i s  obtain ed  by the  com putation   of the fitness  function. Indi vidual s of the  populatio n will be so rted a c cordi ng to fitness value s  i n   desce nding  o r de r. The n e xt step is to g e nerate  th e ne xt generatio n  of individual s, and thu s , the  formation  of t he p opul ation .  This p r o c e s s i s  im pleme n ted via  sele ction,  crosso ver, an d m u tation  [16, 18]. When the fitness value is hi gher, the op portunity of b e ing sele cted  will be high er. A  relatively opti m ized  po pula t ion is form e d  thro ugh  s u ch  a  sele ct io n me cha n is m .  A f t e rwa r ds,   t he  sele cted  indiv i dual s u nde rg o the  process of cro s so ver.  In ge ne ral,  GA ha s  a ran ge of  cro s sover  probabilities, being  0.6-1.  Furthermore,  it is the  acti on of  mutation, through  which  new “sub- individual s”  a r e g ene rated.  In gene ral,  GA ha s a fi xed mutatio n   con s tant of  0 . 1 or b e lo w. After   sele ction, cro s sover, an d mutation, the  best indi vidu al has m o re  oppo rtunitie s  of being sele cted   to gene rate t he next ge neration, whil e in dividual s of  lo wer fitne s s va lue are g r adu ally eliminate d .  Such a  process is  rep e a t ed until the  endin g  c o n d itions  are  satisfied. The  gene ral e n d i ng  con d ition s  are as follo ws [ 15-1 9 ]:   1)  Limited evolu t ionary times;   2)  Comp uting reso urce con s traints (su c h  as  the comp utation time and mem o ry  occupied by  comp utation ) ;  3)  An individual  has met the  condition s of the optimal va lue;  4)  Contin ued ev olution do es  not prod uce  individual s wit h  better fitness value s ;  . .                      Out put   W ij   Input   Input  la y e r                     Hidde n La y e r             Out put  la y e r  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  641 3 – 6419   6416 5) Huma n  interv ention;   6)  Combi nation s  of two or more of  the situations d e scri be d in the abov e.      3. Rese arch  Metho d   3.1. Input Variables   Based  on lite r ature review [20-2 6 ], this  study  u s ed  in ternation a l oil  pri c e, Tai w a n  sto c k  market  weig h t ed ind e x, NTD/US D ex chang e rate,  peopl e traveli ng a b ro ad f r om Tai w a n  e a ch  month, Taiwan’s m onthly unemploym ent rate, Ta i w an’ s monthl y monitor ind i cator,   T a i w a n ’ s   monthly co mposite  lea d ing inde x,   T a i w a n ’ s   m o n t h l y   c o mposite coincid ent inde x,   a n d   K   travel ag en cy’s mo nthly ai r ticket sale s revenue   (T -1  month~T-1 2   month) (T abl e 1),  as the i nput   variable s  for  the predi ction  of K travel agen cy’s  air ticket sale s re venue in T month. The time  perio d of dat a sele ction i s  from Ja nua ry 2004 to  Au gust 2 012. M o reove r , 68%  data is rand omly  sele cted a s  the trainin g  da ta, 16% as the cro s s  valida t ion data, and  16% as the testing d a ta. GA  improve s  the  perfo rma n ce  of ANNs by  sele cti ng th e  optimum i n p u t feature s .  This  study  u s ed  different o p e r ators for sele ction  (Roulett e , Best, Rand om, and  Tou r nament ) a nd  cro s sove r (O ne   point, Uniform, Arithmetic, and He uri s tic) ope ration s.       Table 1. Fo re ca st Model V a riabl es  Variables  Input   International oil price (T-1 m onth)   Taiwan stock market  w e ighted ind e x( T-1 mo nth)   NTD/US D excha nge rate (T- 1  mo nth)   People traveling abroad f r om Tai w a n  each month  (T-1 m onth)   Taiwan’s monthly unemplo y ment  rate( T -1 mo nth)   Taiwan’s monthly monitor indicat o r(T -1 mont h)   Tai w a n ’s  mon t hl y co mp osite  l eadi ng  in de x  ( T - 1   m o n t h )   Taiwan’s monthly co m p o s i t e   c o i n c i d e n t   i n d e x  ( T -1 mont h)   K travel agenc y ’ s air ticket sales r e venue (T -1 mon t h to T-1 2  month )   Output   Air ticket sale s revenue(T mo nth)       3.2. Architec ture Design  and Model T r aining  Reg a rdi ng A NN, the in put  activation fu ncti on u s e s   Hyperboli c  T ange nt, the output error  function u s e s  Sum-Of-S quares, an d  the output  activation functio n  use s  Logi stic.  The   architectu re  desi gn uses Test  E rro r as  the  ju dgm en t stand ard  when  se archin g for the  opti m al  netwo rk a r chi t ecture  (Figu r e 2).           Figure 2. Best Netwo r k Architecture Sea r ch  Re sults  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Hyb r id Neu r al Net w o r k P r edi ction Mo d e l of Air Ticke t  Sales (Han-Che n  Hu ang )  6417 ANN T r ainin g  Algorithm: Q u ick Prop agat ion Algorithm,  Trainin g  Algorithm’ s  Para meters  inclu de: Qui c k Prop agatio n Coeffici ent = 1.75, Lea rn ing Rate = 0.1 .  Overtrainin g  control a nd the  weig hts ra nd omizatio n me thod are u s e d  to increa se  model a c cura cy (Figu r e 3 ) .            Figure 3. Net w ork T r ainin g  Options      4. Empirical  Resul t s   Mean absolut e  percentage error (MAPE) and  co rrelat ion (r) are adopted as indi cators  for evaluating  the model.  1)  MAPE: The smaller the val ue, the  small e r the  error between the foreca st val ue  and the target  value.    % 100 ' 1 1 n i i i y y y n MAPE                                                                             (1)    Whe r e  n i s  the n u mb er o f  the fo re cast ing p e ri ods,   y i  is the actual value for the i  perio d, and  i y '  is the fore ca st  value for the i period.   2)  Correl ation (r): As r app roa c he s 1,  the ANN forecastin g results imp r ove.  The actu al values an d mod e l output values dist ributio ns are as sho w n in Figu re 4. Most   of the output values a r e  distrib u ted al ong both  sid e s of the dia gonal lin e (O utput/Targ e t=1),  indicating tha t  the model has go od predi ctability.        Figure 4. Sca tter Plot of Actual Value an d  Model Outp ut Value  Figure 5. Actual Value an d  Model Outpu t   Value Graph     Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  641 3 – 6419   6418 Table 2. Mod e l Traini ng Result s   Target   O u tput   Absolute  Error  MAPE  Mean   2771725.58  2800445.86  297705.03   0.0894   SD  575737.53  541518.39  232589.28   0.1048   Correlation:0. 87       The a c tual v a lue an d mo del output v a lue tre n d s   are a s   sho w n in Figu re  5. The   predi ction  m odel e s tabli s hed fo r ai r ti cket sale s re venue in  this study h a s g ood  cap abilit y to   reflect th e ch ange s in  air ti cket sal e s. T he re sult s  of t he mod e l trai ning a r e a s   shown in T abl e 2.    Mean absol u te percentage  error (M APE) is 8.94%, Correl a tion Coef fici ent is 0.87,  indicating that  the traini ng  model  ca n le arn th e trai ni ng data  to  a l e vel of erro r  belo w  10%.  The mo del te sting  results  are  a s  sho w n in  T able 3, MAP E  is 9.11% ,  Correl ation  Coefficient i s  0 . 83, rep r e s en ting   that the p r edi ction m odel  h a s th e a b ility for a c cura te  predi ction  of  air ticket  sal e s revenu e. T he  use r  interfa c e  of the establi s he d model i s  as  sho w n in  Figure 6.       Table 3. Mod e l Fore ca st Result s   Target   O u tput   Absolute  Error  MAPE  Mean   2988092.89  2835198.96  331872.74   0.0911   SD 625322.11   422310.58   277259.95   0.1169   Correlation:0. 83           Figure 6. The  Use r  Interfa c e of the Establish ed Mod e l       5. Conclusio n   This stu d y used BPNN a n d  GA to establish a  predi ctio n model for travel agen cie s  on air  ticket sale s revenue. Emp i rical  re sults  showed t hat, the pro p o s ed  model ha s go od pre d icta bil i ty  and the p r edi ction mo del  has the  abilit y of accu ra te ly predi cting  air ticket sal e s reve nue. T h e   MAPE is 9.11%, and Correlation C oefficient is  0.83. If a travel  agency can predict the changes  in air ticket  sale s  reven u e  in  advan ce, it ca n p u rcha se  di scou nted ai r tickets in  suffici ent  numbe rs. Th e propo se d m odel  can  p r ovide bu sin e ss  with a  more reliable  and  ef ficient referen c e   basi s  in practi ce.       Referen ces   [1]  Z hu Z ,  Z hao J. Comparativ e  Stud y   on the  Sources of e- Busin e ss Com petitive Adv ant ages b e t w e e n   T r avel Agencie s and Onli ne T r avel Servic e F i rms.  Journal o f  China Un iver sity of Geoscie n ces Soci a l   Scienc es Editi o n . 201 1; 11(2) : 114-11 9.  [2]  Che n  SY, Liu  HH. A Stud y   on Busi ness  Mode ls of  On-Lin e T r avel Agenc y-T he Cas e  of Eztravel.  Journ a l of Le is ure an d T ouris m Ind u stry Res earch . 20 10; 5( 1): 90-99.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Hyb r id Neu r al Net w o r k P r edi ction Mo d e l of Air Ticke t  Sales (Han-Che n  Hu ang )  6419 [3]  Dai MH. U n fair  Competiti on  in  T r avel Service  Industr y .   J our nal  of Eastern  Lia oni ng U n iv e r sity (Social   Scienc es) . 201 1; 13(2): 38-4 2 .   [4]  Yang CK. T ourism Administra tion an d La w s .  T a ipei: Yang C h ih Ltd. 2 012.   [5]  Niu HY. T r avel Industr y  M ana geme n t.  T a ipei : Yang Chi h  Lt d. 2005.   [6]  Guo H, Neur al Net w o r k Aide d Kalma n   F ilter ing for I n tegrate d  GPS/INS Navigat ion S y stem.   TEL K OMNIKA . 2013; 1 1 (3): 1 221- 122 6.   [7]  Hou Y, Mai Y.   Chaotic Pre d i c tion for T r affi c F l o w   of Improved BP N eur al Net w o r k.   TEL K OMNIKA .  201 3; 11(3): 16 83-1 690.   [8]  Uncin i  A, Vecci L, Campol uc ci P. Piazza F .  Comple x-V a l u ed Ne ural N e tw o r ks  w i th Ad aptive Sp lin e   Activation Functions.  IEEE Tr ansactions on Signal Process i ng . 19 99; 47( 2 ) : 505-51 4.  [9]  Elha di GF , F a rouk RM, Issa  AT . Protein  Sequ enc e for  Clusteri n g  DN A bas ed  on  A r tificial  Neur al   Net w orks.  Inter natio nal J ourn a l of Co mp uter  Science Issue s . 2012; 9(1): 1 61-1 67.   [10]  You C, H ong  D .  Nonli n e a r Bli nd Eq ual izati o n  Schem es usi ng C o mpl e x-V a lu ed Mu ltila ye r F eedfor w a rd   Neur al Net w o r ks.  IEEE  Transactions on Neural Networks . 1998; 9: 14 42-1 455.   [11]  Hua ng H C , Ch ang AY, H o  C C . Usin g Artific i al N eur al N e tw o r ks to Estab lish  a Custom e r-Cance l l a tio n   Predicti on Mod e l.  Pr z e gl ad El ektrotechn ic z n y.  2013; 89( 1b) : 178-18 0.  [12]  Cha ng  HT , C hen  PC, Hu an g HC,  Lin  DH . A Stud y  o n   the Ap plic ation  of Ne ural  Ne t w ork  to t h e   Predicti on of  W e ight Co ntrol .   Internation a l  Journ a l of Eng i neer ing R e se a r ch and D e ve l o p m e n t . 2013;  5(11): 78- 85.   [13]  Hua ng HC, H o  CC. Back-Pro pag atio n Neur al Net w o r k Co mbin ed  w i th  a Particle S w a r m  Optimization   Algorit hm for  T r avel Pack age  Dem a n d  F o recasti ng.   Internati o n a l  Jour nal  of  Digita l  C onte n t   T e chno logy  an d its Applic atio ns . 2012; 6( 17) : 194-20 3.  [14]  Holl an d JH. Adaptatio n in N a tural a nd Artifici al  S y st ems. Miami: T he Unive r sit y  of Michi g a n . 1975.   [15]  Che n  Y, Ma  Y J , Yun W X . A pplic atio n  of Improv ed  Ge neti c  Al go ri th m  in  PI D Controller  Par a meters   Optimization.  TEL K OMNIKA . 201 3; 11(3): 15 24-1 530.   [16]  Boume d ie ne  L ,  Gao Z ,  Liu S ,  Leg hmizi S,  Yang  R. Gen e tic Alg o rithm-B ased A ppr oac h to Sp ectru m   Alloc a tion a n d  Po w e r Co ntrol  w i th Co nstraints in C ogn itive Ra dio N e tw o r ks.  Research Journal  of   Appl ied Sci enc es, Engin eer in g and T e ch no l ogy . 201 3; 5(1) : 100-10 7.  [17]  Guan  X,  Men g  G, Z h a o  C.  Man u facturi n g R e sourc e s  Classific a tio n   Based  o n  F u z z y   Clust erin g   Algorit hm.  Jour nal of T heor eti c al an d App lie d Information T e chn o lo gy.  201 2; 46(2): 63 2-6 37.   [18]  Rahm ani  R, O t hman MF , Yu sof R, Kh ali d   M.  Solvin g Ec onom ic Dis pat ch Pro b lem  u s ing  Particl e   S w a rm Optimiz a tion  b y  a n  Ev oluti onar y T e chni que F o r Initi a lizi ng P a rticle s.  Journa l of T heor etical  an d   Appl ied Infor m ation T e ch no lo gy . 2012; 4 6 (2) :  526-53 6.  [19]  Peng J, Hu ang  D, W ang Z .   Profit-Driven D y namic Sp ectru m  Allocati on in  W i reless Net w orks.  Journa l   of T heoretica l  and Ap pli ed Inf o rmatio n  T e ch nol ogy . 20 12; 46(2): 61 5-6 1 8 .   [20]  Cha n  YM. F o recastin g T ourism: A Sine  W a ve T i me Seri es Re gressi on  Appro a ch.  Jo urna l of T r avel   Research . 20 1 1 ; 32(1): 58-6 0 .   [21]  W ang CH. Pre d ictin g  T ourism Deman d  usi ng  F u zz y  T i me Series an d H y br id Gre y  T heor y .   Tou r ism  Mana ge me nt . 200 4; 25(1): 36 7-37 4.  [22]  Chu F L . F o rec a sting T ourism :  A Combine d  Appro a ch.  T o u r ism Ma na ge ment . 199 8; 19(6 ) : 515-52 0.  [23]  Chai bo onsri  C,  Cha i tip P. T he Mod e li ng Int e rnat i ona l T ourism Dema nd f o r Le ngth  of s t a y   in In dia:   Socia l  Deve lop m ent, Economi cs Devel opme n t.  Journal of  Know led ge Ma nag e m ent, Econo mics a n d   Information T e chno logy . 2 012 ; 2(2): 81-98.   [24]  Lin CJ, Che n  HF , Lee T S . Forecasti ng T ourism Dema n d  usin g T i me Series, Artificial N eura l  Net w orks   and M u ltiv aria te Ada p tive R egress i on  Spl i nes: Evid enc e  from T a i w a n .   Internatio nal  Journ a l  of   Business Adm i nistration . 201 1; 2(2): 14-24.   [25] Samsud in  R, S aad  P, Sh abr i   A. H y bri d izi n g   GMDH a nd  Le ast Squ a res  S V M Sup port V e ctor Mac h in e   for F o recasting   T ourism Dem and.  Intern atio nal Jo urna l of Rese arch an d Review s in Ap plie d Scie nces .  201 0; 3(3): 274 -279.   [26] Petrevska B. Forecasting  International T ourism Demand:  The Evidence of  Macedonia.  U T MS Journa l   of Econo mics .  201 2; 3(1): 45- 55.   Evaluation Warning : The document was created with Spire.PDF for Python.