常規(guī)的預(yù)測(cè)方法變量之間的皮爾遜相關(guān)值較低,造成預(yù)測(cè)的結(jié)果出現(xiàn)偏差,為此,設(shè)計(jì)基于向量自回歸模型的旅游熱門景點(diǎn)預(yù)測(cè)方法。綜合不同的搜索引擎數(shù)據(jù),計(jì)算旅游景點(diǎn)關(guān)鍵詞網(wǎng)絡(luò)搜索指數(shù),對(duì)其進(jìn)行預(yù)處理并篩選出與旅游景點(diǎn)熱度相關(guān)性較強(qiáng)的關(guān)鍵詞,利用向量自回歸模型對(duì)變量進(jìn)行均值化處理,確定影響最大的網(wǎng)絡(luò)搜索指數(shù),實(shí)現(xiàn)對(duì)旅游熱門景點(diǎn)的預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明:與常規(guī)的灰度預(yù)測(cè)方法和SVR模型預(yù)測(cè)方法相比,基于向量自回歸模型的預(yù)測(cè)方法的皮爾遜相關(guān)值能夠保持在0.8～1.0之間,變量之間具有極強(qiáng)的相干性,適合應(yīng)用在旅游熱門景點(diǎn)預(yù)測(cè)中。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2020,43(03)北大核心

【文章頁(yè)數(shù)】：4 頁(yè)

【文章目錄】：
0 引言
1 基于向量自回歸模型的旅游熱門景點(diǎn)預(yù)測(cè)方法
    1.1 計(jì)算關(guān)鍵詞搜索指數(shù)
    1.2 數(shù)據(jù)預(yù)處理及變量篩選
    1.3 利用向量自回歸模型實(shí)現(xiàn)熱門景點(diǎn)預(yù)測(cè)
2 仿真實(shí)驗(yàn)
    2.1 實(shí)驗(yàn)環(huán)境
    2.2 實(shí)驗(yàn)數(shù)據(jù)
    2.3 實(shí)驗(yàn)內(nèi)容
    2.4 結(jié)果及分析
3 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]微博非結(jié)構(gòu)化數(shù)據(jù)的情緒挖掘方法及在旅游預(yù)測(cè)中的應(yīng)用[J]. 梅梅,劉穎,唐小利,張玢.  情報(bào)資料工作. 2019(01)
[2]中國(guó)文化產(chǎn)業(yè)與旅游業(yè)發(fā)展的交互動(dòng)態(tài)響應(yīng)分析[J]. 徐翠蓉,張廣海.  統(tǒng)計(jì)與決策. 2018(23)
[3]基于熵權(quán)法混合模型的貴州省旅游人數(shù)預(yù)測(cè)研究[J]. 陳美璘,何清龍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(21)
[4]最優(yōu)組合預(yù)測(cè)線性模型在旅游需求預(yù)測(cè)中的應(yīng)用——以中國(guó)大陸赴澳門游客量預(yù)測(cè)為例[J]. 汪威.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(12)
[5]基于大數(shù)據(jù)分析的旅游景點(diǎn)承載力模型設(shè)計(jì)[J]. 劉飛,李柯青,項(xiàng)清,何杰.  現(xiàn)代電子技術(shù). 2018(12)
[6]基于VAR模型的旅游業(yè)與區(qū)域經(jīng)濟(jì)發(fā)展動(dòng)態(tài)關(guān)系研究——以廣西為例[J]. 陳文捷,高雪.  廣西社會(huì)科學(xué). 2018(02)
[7]消費(fèi)需求與國(guó)內(nèi)旅游消費(fèi)需求的周期性波動(dòng)同步嗎——基于MS-VAR模型時(shí)變特征的分析[J]. 李維維,虞虎,王新歌,馬曉龍.  商業(yè)經(jīng)濟(jì)與管理. 2018(01)
[8]以旅游功能為主的城市軌道交通線路客流預(yù)測(cè)方法[J]. 郭旭東,劉永平,王遠(yuǎn)回.  城市軌道交通研究. 2018(01)
[9]基于Bernstein Copula函數(shù)的中國(guó)入境旅游需求預(yù)測(cè)[J]. 朱亮,張建萍.  旅游學(xué)刊. 2017(11)
[10]基于支持向量機(jī)的旅游需求量預(yù)測(cè)模型[J]. 胡曉琴.  現(xiàn)代電子技術(shù). 2017(15)



本文編號(hào)：3457471