百度指數(shù)數(shù)據(jù)為預(yù)測(cè)游客規(guī)模提供了新思路。以杭州市為例,首先研究新浪微博簽到數(shù)據(jù)與統(tǒng)計(jì)年鑒中實(shí)際游客量的關(guān)系,用新浪微博簽到人數(shù)模擬實(shí)際旅游人數(shù),建立杭州市日游客規(guī)模自回歸移動(dòng)平均(auto regressive moving average,ARMA)模型,并進(jìn)行預(yù)測(cè);然后結(jié)合計(jì)量經(jīng)濟(jì)學(xué)中的協(xié)整檢驗(yàn)和格蘭杰因果關(guān)系檢驗(yàn),分析百度指數(shù)與微博簽到人數(shù)之間的關(guān)系,利用百度指數(shù)空間分布特征及主成分分析后提取的3個(gè)解釋變量構(gòu)建向量自回歸(vector auto regression,VAR)模型;最后比較了2個(gè)模型的預(yù)測(cè)精度。結(jié)果顯示,百度指數(shù)存在地理空間屬性,且與新浪微博簽到人數(shù)互為格蘭杰因果關(guān)系,存在1～23 d的滯后期。此外,相比ARMA模型,考慮了百度指數(shù)地理屬性的VAR模型在樣本期內(nèi)的預(yù)測(cè)精度提高了13.1%,在樣本期外的預(yù)測(cè)精度提高了27.9%。研究表明,百度指數(shù)的時(shí)間和空間屬性對(duì)游客規(guī)模預(yù)測(cè)有重要意義和價(jià)值。

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1基于百度指數(shù)的游客規(guī)模預(yù)測(cè)模型優(yōu)化技術(shù)路線圖

選擇杭州為旅游目的地進(jìn)行研究。杭州市位于我國(guó)東部，是浙江省的省會(huì)城市，旅游資源豐富，美麗的自然風(fēng)光與獨(dú)特的人文歷史景觀合而為一，為我國(guó)最佳旅游目的地城市之一。通過(guò)新浪微博應(yīng)用程序接口（applicationprogramminginterface,API）抓取2012—201....

圖2微博簽到人數(shù)與“杭州旅游攻略”百度指數(shù)數(shù)據(jù)對(duì)比

在ARMA模型基礎(chǔ)上，增加百度指數(shù)關(guān)鍵詞“杭州旅游攻略”，并將其作為模型的解釋變量以優(yōu)化模型，為避免模型的共線性，降低對(duì)預(yù)測(cè)模型的干擾，需要根據(jù)百度指數(shù)的地理空間特征提取更合適的解釋變量，以進(jìn)一步提高預(yù)測(cè)精度。綜合考慮地區(qū)人口數(shù)量、經(jīng)濟(jì)發(fā)展水平及出行距離，對(duì)34個(gè)�。ㄖ陛犑小⒆灾�....

圖3地區(qū)分類結(jié)果

由圖3和圖4可知，核心市場(chǎng)區(qū)域、一般市場(chǎng)區(qū)域和邊緣市場(chǎng)區(qū)域最明顯的差異是百度指數(shù)數(shù)據(jù)。為減少預(yù)測(cè)模型中的自變量，降低多重共線性的干擾，對(duì)3個(gè)市場(chǎng)區(qū)域的百度指數(shù)進(jìn)行主成分分析。首先，分別計(jì)算3個(gè)市場(chǎng)區(qū)域中變量的KMO(KaiserMeyerOlkin）統(tǒng)計(jì)量，得到核心市場(chǎng)區(qū)域、....

圖43個(gè)市場(chǎng)區(qū)域和3個(gè)主成分的“杭州旅游攻略”百度指數(shù)數(shù)據(jù)

圖3地區(qū)分類結(jié)果2.3.2單位根檢驗(yàn)和協(xié)整檢驗(yàn)

本文編號(hào)：3919760