




下載本文檔
版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
基于機(jī)器學(xué)習(xí)的旅游景區(qū)日客流量預(yù)測(cè)方法研究國(guó)內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-2"\h\u61基于機(jī)器學(xué)習(xí)的旅游景區(qū)日客流量預(yù)測(cè)方法研究國(guó)內(nèi)外文獻(xiàn)綜述 1180901國(guó)內(nèi)研究現(xiàn)狀 14361.1旅游客流量預(yù)測(cè)問(wèn)題研究現(xiàn)狀 173151.2深層神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)方面的研究現(xiàn)狀 3171982國(guó)外研究現(xiàn)狀 461792.1旅游客流量預(yù)測(cè)問(wèn)題研究現(xiàn)狀 4296032.2深層神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)方面的研究現(xiàn)狀 429684參考文獻(xiàn) 51國(guó)內(nèi)研究現(xiàn)狀1.1旅游客流量預(yù)測(cè)問(wèn)題研究現(xiàn)狀早期對(duì)于旅游需求預(yù)測(cè)的研究主要集中在長(zhǎng)期和中期預(yù)測(cè),如年度、季度、以及月度客流的預(yù)測(cè)。韓兆洲等人構(gòu)建了以消費(fèi)者預(yù)期指數(shù)、城鎮(zhèn)居民人均可支配收入、接待過(guò)夜游客數(shù)量三個(gè)指標(biāo)滯后值為輸入變量的GA-LSSVR模型和季節(jié)調(diào)整的ARIMA模型以及基于GIOWHA算子的組合模型,對(duì)廣東省接待的過(guò)夜游客流量進(jìn)行預(yù)測(cè)[1]。此外,灰色預(yù)測(cè)方法在旅游需求的預(yù)測(cè)方面也得到了大量的研究和應(yīng)用,其主要思想是通過(guò)分析和挖掘時(shí)間序列之間的內(nèi)在關(guān)聯(lián)性,建立微分方程組來(lái)進(jìn)行預(yù)測(cè)。相比于傳統(tǒng)的Box-Jenkins方法,灰色預(yù)測(cè)方法的限制條件少,計(jì)算較快,且不需要進(jìn)行平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)。在對(duì)旅游需求的預(yù)測(cè)和計(jì)算方面,周廷慰利用數(shù)列灰預(yù)測(cè)方法和經(jīng)過(guò)改進(jìn)的灰色馬爾科夫模型預(yù)測(cè)了安徽入境的旅游人數(shù)及其外匯收入,并對(duì)結(jié)果進(jìn)行了詳細(xì)的分析和對(duì)比[2];李丹建立了基于灰色系統(tǒng)組合模型優(yōu)化后的平常日客流量預(yù)測(cè)模型,以安徽黃山景區(qū)的平常日客流量數(shù)據(jù)為例進(jìn)行預(yù)測(cè),取得了較好的預(yù)測(cè)效果[3];趙歡采用分形自回歸滑動(dòng)平均(ARFIMA)模型,結(jié)合灰色預(yù)測(cè)FGM(1,1)模型,對(duì)2001年到2018年的廣東省游客人數(shù)數(shù)據(jù)集進(jìn)行了分析和預(yù)測(cè),發(fā)現(xiàn)該預(yù)測(cè)方法的應(yīng)用能顯著提高長(zhǎng)期預(yù)測(cè)結(jié)果的可靠性和準(zhǔn)確度[4]。不過(guò),這些比較經(jīng)典的時(shí)間序列預(yù)測(cè)方法主要集中在數(shù)據(jù)內(nèi)在變化規(guī)律的回歸分析以及對(duì)時(shí)間序列變化趨勢(shì)的預(yù)測(cè)和外推上,沒(méi)有充分考慮可能影響游客量的各種相關(guān)因素,并且對(duì)非線(xiàn)性系統(tǒng)的數(shù)據(jù)處理和分析能力也比較差。旅游客流量的預(yù)測(cè)問(wèn)題比較適合用多元時(shí)間序列分析(MultivariateTimeSeriesAnalysis)來(lái)解決,多元時(shí)間序列分析就是將問(wèn)題的各個(gè)分量當(dāng)作單個(gè)變量來(lái)研究,并研究各分量之間的相互作用關(guān)系及變化規(guī)律。因?yàn)樵趯?shí)際情況中,一種變量往往可能受到多種因素的影響而發(fā)生改變。比如一個(gè)地區(qū)或者區(qū)域的氣溫會(huì)受到其所在地的緯度、植被覆蓋率、海拔高度等因素影響,電流變化會(huì)受到電壓、電阻、溫度影響。同樣,景區(qū)的客流量也會(huì)受到季節(jié)、天氣狀況、節(jié)假日等諸多外部因素影響。旅游客流量的影響因素也是目前研究的熱點(diǎn)問(wèn)題。比如,黃先開(kāi)研究了百度指數(shù)與景區(qū)客流量之間的關(guān)系,并建立ARMA模型,預(yù)測(cè)北京故宮的旅游客流量[5];廖貞林在人體舒適度指數(shù)和游覽舒適度指數(shù)的基礎(chǔ)上提出了景點(diǎn)周邊舒適度指數(shù),并分析其與客流量之間的關(guān)系,建立了基于舒適度指數(shù)的景點(diǎn)熱度預(yù)測(cè)模型[6]。隨著現(xiàn)代人工智能技術(shù)的進(jìn)步和發(fā)展,機(jī)器學(xué)習(xí)中的一些模型因其對(duì)非線(xiàn)性系統(tǒng)的計(jì)算、處理能力較強(qiáng),也被更廣泛地應(yīng)用在客流量預(yù)測(cè)等非線(xiàn)性問(wèn)題上,如隨機(jī)森林(RandomForest,RF)、支持向量回歸(SupportVectorRegression,SVR)、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)等。比如,陸文星等人提出一種改進(jìn)的粒子群算法ALPSO來(lái)優(yōu)化最小二乘支持向量機(jī)(LSSVM),建立了ALPSO-LSSVM模型,并將該模型應(yīng)用在山岳型風(fēng)景區(qū)日客流量預(yù)測(cè)問(wèn)題上[7];馬銀超將支持向量回歸、BPN、隨機(jī)森林三種模型進(jìn)行兩兩組合,以黃山風(fēng)景區(qū)2011-2015年五年的日客流量作為數(shù)據(jù)集進(jìn)行研究和分析,建立了相應(yīng)的客流量預(yù)測(cè)模型,并通過(guò)在黃山風(fēng)景區(qū)日客流量數(shù)據(jù)集上的驗(yàn)證,證明了模型的準(zhǔn)確性[8],翁鋼民等人構(gòu)建了一種考慮季節(jié)影響的PSO-SVR模型,采用季節(jié)調(diào)整方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,利用粒子群算法(PSO)優(yōu)化SVR中的回歸參數(shù),通過(guò)實(shí)驗(yàn)證明了該算法有良好的效果[9];目前,在時(shí)間序列預(yù)測(cè)問(wèn)題上,應(yīng)用比較多的神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶(LongShort-TermMemory,LSTM)神經(jīng)網(wǎng)絡(luò)。比如,周穎在其碩士學(xué)位論文中分析了景區(qū)客流關(guān)系的主要影響因素,并考慮到景區(qū)空間關(guān)聯(lián)關(guān)系,構(gòu)建了基于LSTM神經(jīng)網(wǎng)絡(luò)的短期客流預(yù)測(cè)模型,并以南京市內(nèi)27個(gè)3A級(jí)以上旅游景區(qū)為研究對(duì)象,驗(yàn)證了模型的效果[10]。葉燕霞將LSTM與ARIMA結(jié)合,以香港、澳門(mén)、上海三地的入境游客數(shù)量作為研究對(duì)象,分別進(jìn)行了客流量預(yù)測(cè)[11]。雖然這些基于SVR、ANN等機(jī)器學(xué)習(xí)方法所建立的模型具有比較成熟的理論基礎(chǔ)以及良好的數(shù)據(jù)分析性能,在基于時(shí)間序列的預(yù)測(cè)研究方面已經(jīng)取得了比較豐碩的研究成果。但在具體應(yīng)用時(shí),依然存在著多種新的挑戰(zhàn)。對(duì)于SVR來(lái)說(shuō),其主要優(yōu)點(diǎn)之一是泛化能力較強(qiáng),能夠快速地處理小樣本、非線(xiàn)性數(shù)據(jù),但缺點(diǎn)是在其處理過(guò)程中,對(duì)于核函數(shù)和自由參數(shù)需要人為干預(yù)進(jìn)行選擇。存在著核函數(shù)和自由參數(shù)的選擇問(wèn)題。而ANN方法雖然有很強(qiáng)的非線(xiàn)性處理能力,快速地尋優(yōu)能力,但由于其學(xué)習(xí)過(guò)程比較復(fù)雜而且缺乏可解釋性,容易出現(xiàn)過(guò)擬合或欠擬合現(xiàn)象,且容易陷入局部最優(yōu)[12]。旅游客流量數(shù)據(jù)具有非線(xiàn)性特征強(qiáng)、短期波動(dòng)大、具有明顯季節(jié)性特征等特點(diǎn),針對(duì)旅游客流量數(shù)據(jù)的處理和分析,運(yùn)用傳統(tǒng)的機(jī)器學(xué)習(xí)方法很難實(shí)現(xiàn)準(zhǔn)確的預(yù)測(cè)。所以,我們需要對(duì)現(xiàn)有機(jī)器學(xué)習(xí)方法進(jìn)行進(jìn)一步優(yōu)化和更深入的研究,找到合適且可行的方案,實(shí)現(xiàn)旅游客流量的準(zhǔn)確預(yù)測(cè)。1.2深層神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)方面的研究現(xiàn)狀近年來(lái),深度學(xué)習(xí)技術(shù)在許多領(lǐng)域都取得了突破性的研究或?qū)嵺`成果,如基于深度學(xué)習(xí)的語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)以及自然語(yǔ)言處理等。同時(shí),深度學(xué)習(xí)也是時(shí)間序列預(yù)測(cè)的有效工具[13]。深度學(xué)習(xí)的本質(zhì)是通過(guò)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行學(xué)習(xí),比起單層神經(jīng)網(wǎng)絡(luò),多層神經(jīng)網(wǎng)絡(luò)的擬合能力更強(qiáng),能表達(dá)更高層次的非線(xiàn)性特征。在時(shí)間序列預(yù)測(cè)方面,深度學(xué)習(xí)技術(shù)已被應(yīng)用在多種場(chǎng)景中,然而針對(duì)旅游客流量預(yù)測(cè)問(wèn)題,目前深度學(xué)習(xí)技術(shù)還未得到大量的研究和應(yīng)用。李梅分析了公交客流關(guān)鍵影響因素和公交客流分布特征,分別構(gòu)建了基于DBN、LSTM、GRU(GateRecurrentUnit,門(mén)控循環(huán)單元)的短時(shí)公交客流預(yù)測(cè)模型,對(duì)西單區(qū)域站點(diǎn)客流和300路快內(nèi)環(huán)公交線(xiàn)路客流進(jìn)行了分析和預(yù)測(cè)[14]。在地鐵客流量預(yù)測(cè)方面,張偉林分析了地鐵短時(shí)客流特征,分別提出數(shù)據(jù)融合算法和清分算法計(jì)算線(xiàn)路和站內(nèi)區(qū)域客流,并構(gòu)建了基于RNN和LSTM神經(jīng)網(wǎng)絡(luò)的地鐵短時(shí)客流模型[15];張琳分別從時(shí)間和空間兩個(gè)不同的維度對(duì)地鐵客流數(shù)據(jù)進(jìn)行分析,并結(jié)合網(wǎng)格搜索算法,建立了基于LSTM的深度神經(jīng)網(wǎng)絡(luò)模型以及基于CNN的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)北京地鐵客流量進(jìn)行預(yù)測(cè)[16]。在地面交通客流量預(yù)測(cè)方面,魏中銳采用深度神經(jīng)網(wǎng)絡(luò)技術(shù),構(gòu)建了一種交通流量預(yù)測(cè)方法,通過(guò)對(duì)北京市出租車(chē)流量數(shù)據(jù)集進(jìn)行分析和處理,將圖卷積網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)結(jié)合,提取交通流量的時(shí)空特征,并結(jié)合相關(guān)因素進(jìn)行預(yù)測(cè)[17]。李銘建立雙LSTM深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)股票進(jìn)行價(jià)格預(yù)測(cè),以及建立卷積-雙GRU深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行股票漲跌的趨勢(shì)預(yù)測(cè),并使用增強(qiáng)學(xué)習(xí)的策略提高預(yù)測(cè)精度,通過(guò)軟投票策略實(shí)現(xiàn)超參數(shù)的自動(dòng)化選擇,通過(guò)雙閾值分類(lèi)實(shí)現(xiàn)自適應(yīng)化過(guò)程[18]。2國(guó)外研究現(xiàn)狀2.1旅游客流量預(yù)測(cè)問(wèn)題研究現(xiàn)狀時(shí)間序列預(yù)測(cè)問(wèn)題廣泛采用的是Box-Jenkins方法,其中包括自回歸滑動(dòng)平均(AutoregressiveMovingAverage,ARMA)模型[19]和差分整合移動(dòng)平均自回歸(AutoregressiveIntegratedMovingAverage,ARIMA)模型[20]等。這些方法的主要思想是從時(shí)間序列本身出發(fā),找到數(shù)據(jù)間的量化關(guān)系并建立回歸方程進(jìn)行預(yù)測(cè)。由于旅游行業(yè)的客流量會(huì)受到季節(jié)影響而呈現(xiàn)出明顯的季節(jié)性特征,季節(jié)性ARIMA模型也被應(yīng)用到旅游需求預(yù)測(cè)方面。Chang等人建立了季節(jié)性ARIMA模型,分別預(yù)測(cè)了中國(guó)臺(tái)灣,日本和美國(guó)每月的出境人數(shù)[21];Baldigara等人分析了2003年至2012年從德國(guó)到克羅地亞的旅游人數(shù),建立了季節(jié)性ARIMA模型進(jìn)行預(yù)測(cè)[22];隨著現(xiàn)代人工智能技術(shù)的進(jìn)步和發(fā)展,機(jī)器學(xué)習(xí)中的一些模型因其對(duì)非線(xiàn)性系統(tǒng)的計(jì)算、處理能力較強(qiáng),Wu等人將SVR模型與果蠅優(yōu)化算法(FOA)以及季節(jié)調(diào)整指數(shù)結(jié)合,提出SFOASVR算法,并分析了2000年1月至2013年12月中國(guó)大陸的月度入境游客流量數(shù)據(jù),用SFOASVR算法分別進(jìn)行了單步和多步預(yù)測(cè)[23];Yu等人基于BP神經(jīng)網(wǎng)絡(luò)建立了需求預(yù)測(cè)模型,對(duì)北京的游客數(shù)量進(jìn)行了分析及預(yù)測(cè)[24]。Chen等人將經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPN)結(jié)合,提出了EMD-BPN算法,預(yù)測(cè)中國(guó)臺(tái)灣的國(guó)際游客數(shù)量[25];Claveria等人比較了三種不同的ANN模型,即多層感知器(MLP)網(wǎng)絡(luò),徑向基函數(shù)(RBF)網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)在旅游需求預(yù)測(cè)上的性能,并用這三種模型分別預(yù)測(cè)了加泰羅尼亞的入境游需求[26]。2.2深層神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)方面的研究現(xiàn)狀在公交客流量預(yù)測(cè)方面,Bai等人基于深度信念網(wǎng)絡(luò)(DBN)提出了一種多模式深度融合(MPDF)方法,以分析和預(yù)測(cè)短期公交客流量,并以中國(guó)廣州公交線(xiàn)路的客流量為例,與經(jīng)典的參數(shù)方法和非參數(shù)方法相比,通過(guò)實(shí)驗(yàn)證明了所提出算法的優(yōu)越性[27];。Du等人提出了一種用于短期交通流量預(yù)測(cè)的深度學(xué)習(xí)框架,該框架由LSTM神經(jīng)網(wǎng)絡(luò)和CNN神經(jīng)網(wǎng)絡(luò)組成,并采用PeMS數(shù)據(jù)集進(jìn)行交通流量預(yù)測(cè)[28]。在股票價(jià)格預(yù)測(cè)方面,Long等人提出一種基于CNN和RNN神經(jīng)網(wǎng)絡(luò)的多層過(guò)濾深度神經(jīng)網(wǎng)絡(luò)MFNN,用于分析及提取股票價(jià)格時(shí)間序列樣本的特征并對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)[29];在大氣污染物濃度預(yù)測(cè)方面,Huang等人提出了結(jié)合CNN和LSTM神經(jīng)網(wǎng)絡(luò)的APNet深度神經(jīng)網(wǎng)絡(luò)模型,采用2010年到2014年北京地區(qū)每小時(shí)的天氣狀況及污染物濃度數(shù)據(jù)集,通過(guò)前24小時(shí)的PM2.5濃度及影響因素值來(lái)預(yù)測(cè)下一小時(shí)的PM2.5濃度[30];參考文獻(xiàn)[1]韓兆洲,方澤潤(rùn).基于GIOWHA-GALSSVR-SARIMA組合模型在旅游需求預(yù)測(cè)中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2019,49(19):69-79.[2]周廷慰.灰色預(yù)測(cè)理論在安徽入境旅游研究中的應(yīng)用[D].合肥:安徽大學(xué),2011.[3]李丹.山岳型旅游風(fēng)景區(qū)日客流量預(yù)測(cè)模型研究[D].合肥:合肥工業(yè)大學(xué),2017.[4]趙歡.基于時(shí)間序列模型與灰色模型的廣東省旅游人數(shù)預(yù)測(cè)研究[D].廣州:華南理工大學(xué),2019.[5]黃先開(kāi),張麗峰,丁于思.百度指數(shù)與旅游景區(qū)游客量的關(guān)系及預(yù)測(cè)研究——以北京故宮為例.旅游學(xué)刊,2013,28(11):93-100.[6]廖貞林.基于舒適度指數(shù)的旅游景點(diǎn)熱度預(yù)測(cè)研究[D].成都:電子科技大學(xué),2018.[7]陸文星,李楚.改進(jìn)PSO算法優(yōu)化LSSVM模型的短期客流量預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2019,55(18):253-261.[8]馬銀超.山岳型風(fēng)景區(qū)短期客流量預(yù)測(cè)組合模型研究——以黃山風(fēng)景區(qū)為例[D].合肥:合肥工業(yè)大學(xué),2017.[9]翁鋼民,李凌雁.旅游客流量預(yù)測(cè):基于季節(jié)調(diào)整的PSO-SVR模型研究[J].計(jì)算機(jī)應(yīng)用研究,2014,31(3):692-695.[10]周穎.顧及景區(qū)空間關(guān)聯(lián)的客流量短期預(yù)測(cè)方法研究[D].南京:南京師范大學(xué),2019.[11]葉燕霞.基于LSTM和ARIMA的組合模型對(duì)入境游客人次的預(yù)測(cè)[J].旅游研究,2018,10(6):29-40.[12]陳榮.基于支持向量回歸的旅游短期客流量預(yù)測(cè)模型研究[D].合肥:合肥工業(yè)大學(xué),2014.[13]楊海民,潘志松,白瑋.時(shí)間序列預(yù)測(cè)方法綜述[J].計(jì)算機(jī)科學(xué),2019,46(1):21-28.[14]李梅.基于深度學(xué)習(xí)的短時(shí)公交客流預(yù)測(cè)研究[D].北京:北京交通大學(xué),2019.[15]張偉林.基于深度學(xué)習(xí)的地鐵短時(shí)客流預(yù)測(cè)方法研究[D].北京:中國(guó)科學(xué)院大學(xué),2019.[16]張琳.基于深度神經(jīng)網(wǎng)絡(luò)的地鐵客流預(yù)測(cè)系統(tǒng)研究[D].北京:北京交通大學(xué),2019.[17]魏中銳.基于深度學(xué)習(xí)的交通流量預(yù)測(cè)[D].北京:北京交通大學(xué),2019.[18]李銘.基于深度學(xué)習(xí)的股票市場(chǎng)預(yù)測(cè)研究[D].南京:南京郵電大學(xué),2019.[19]ChuFL.ForecastingtourismdemandwithARMA-basedmethods[J].Tourismmanagement,2009,30(5):740-751.[20]ChristineL,MichaelM.AseasonalanalysisofAsiantouristarrivalstoAustralia[J].AppliedEconomics,2000,32(4):499-509.[21]ChangYW,LiaoMY.AseasonalARIMAmodeloftourismforecasting:ThecaseofTaiwan[J].AsiaPacificJournalofTourismResearch,2010,15(2):215-221.[22]TeaB,MajaM.TourismstatisticsinCroatia:Presentstatusandfuturechallenges[J].ProcediaSocial&BehavioralSciences,2012,44:53-61.[23]WuLJ,CaoGH.SeasonalSVRwithFOAalgorithmforsingle-stepandmulti-stepaheadforecastinginmonthlyinboundtouristflow[J].Knowledge-BasedSystems,2016,110:157-166.[24]YuY,WangSM.TheforecastingresearchofBeijingtourismdemandbasedontheBPneuralnetwork[J].AppliedMechanicsandMaterials,2014,571-572:128-131.[25]ChenCF,LaiMC,YehCC.Forecastingtourismdemandbasedonempiricalmodedecomposition[J].Knowledge-BasedSystems,2012,26:281-287.[26]OscarC,EnricM,SalvadorT.Tourismdemandforecastingw
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 中國(guó)鴕鳥(niǎo)養(yǎng)殖項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)假牙(義齒)項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)口腔醫(yī)院設(shè)備項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)口腔美容醫(yī)療項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)科技檔案管理系統(tǒng)項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)酒類(lèi)電子商務(wù)項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)內(nèi)瘺針項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)高端農(nóng)產(chǎn)品項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)動(dòng)物呼吸機(jī)項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 中國(guó)電子設(shè)計(jì)自動(dòng)化軟件(EDA)項(xiàng)目創(chuàng)業(yè)計(jì)劃書(shū)
- 社區(qū)診所信息管理系統(tǒng)開(kāi)發(fā)與設(shè)計(jì)
- 過(guò)氧化氫叔丁基安全技術(shù)說(shuō)明書(shū)MSDS
- 2023年中石油職稱(chēng)英語(yǔ)考試真題及答案
- 少兒美術(shù)課件西塔爾琴樂(lè)章
- 省南平市高校畢業(yè)生服務(wù)社區(qū)計(jì)劃招募考試真題2022
- 小學(xué)教育研究方法知到章節(jié)答案智慧樹(shù)2023年海南師范大學(xué)
- MR垂體規(guī)范化掃描方案醫(yī)學(xué)課件
- 幼兒心理健康教育論文
- 通許縣供水管網(wǎng)工程環(huán)境影響報(bào)告
- 安徽金軒科技有限公司 年產(chǎn)60萬(wàn)噸硫磺制酸項(xiàng)目環(huán)境影響報(bào)告書(shū)
- 供電可靠性理論考試題庫(kù)大全-中(判斷題)
評(píng)論
0/150
提交評(píng)論