本文關(guān)鍵詞： 消費者搜索 支持向量回歸 相關(guān)向量機 混合預(yù)測模型 旅游需求預(yù)測　出處：《對外經(jīng)濟貿(mào)易大學》2017年博士論文　論文類型：學位論文

【摘要】：科學的旅游需求預(yù)測是旅游學界研究的熱點問題之一,也是旅游景區(qū)安全與應(yīng)急管理中的關(guān)鍵環(huán)節(jié),可為旅游相關(guān)行業(yè)的決策制定提供必要的參考。然而,受季節(jié)性的影響以及對突發(fā)事件等外部因素敏感,旅游需求曲線呈現(xiàn)出復(fù)雜的非線性特征;另一方面,我國旅游業(yè)發(fā)展相對較晚,可用的數(shù)據(jù)樣本容量較少。因此,傳統(tǒng)非線性預(yù)測技術(shù)無法充分捕捉旅游需求的動態(tài)特征信息。隨著互聯(lián)網(wǎng)的普及,消費者信息搜索所產(chǎn)生的大量網(wǎng)絡(luò)搜索數(shù)據(jù)為解決這類問題提供了新的思路。本文基于網(wǎng)絡(luò)搜索數(shù)據(jù)對旅游需求進行預(yù)測,主要研究內(nèi)容如下:(1)通過對旅游需求預(yù)測方法的演進脈絡(luò)以及基于網(wǎng)絡(luò)搜索數(shù)據(jù)的旅游需求預(yù)測進行梳理與總結(jié),指出國內(nèi)外已有旅游需求預(yù)測方法的合理性與尚需改進之處,以此為基礎(chǔ)提出本文需要解決的問題。(2)對游客動機理論以及游客信息搜索行為理論進行總結(jié)與分析的基礎(chǔ)上提出了網(wǎng)絡(luò)信息搜索、旅游者旅游決策與旅游需求的實現(xiàn)之間的動態(tài)關(guān)系,利用統(tǒng)計分析等方法系統(tǒng)建立網(wǎng)絡(luò)搜數(shù)據(jù)的獲取與實驗數(shù)據(jù)集的構(gòu)造方法,并構(gòu)建了實證研究框架。(3)為系統(tǒng)探索消費者信息搜索與旅游需求之間的潛在關(guān)系,以全國30個旅游城市為研究對象進行面板分析。根據(jù)旅游六要素進行分類,將獲得的搜索數(shù)據(jù)構(gòu)造成旅游要素搜索指數(shù),同時加入相關(guān)控制變量�；谌珮颖竞鸵怨�(jié)假日為依據(jù)劃分的樣本區(qū)間上的實證分析結(jié)果表明:與“吃”、“游”以及“娛”相關(guān)的信息搜索較為穩(wěn)健,均對目的地游客流量有顯著的正的影響;而與“住”、“行”以及“購”相關(guān)的信息搜索對被解釋變量的影響不顯著;目的地門票價格指數(shù)對游客的旅游決策在不同的樣本下差異很大,在全樣本中,景區(qū)游客流量與價格指數(shù)之間呈現(xiàn)倒“U”型的非線性關(guān)系,當樣本限制為法定節(jié)假日時,價格指數(shù)對游客流量的影響不顯著。最后,初步驗證了網(wǎng)絡(luò)搜索數(shù)據(jù)對游客流量的預(yù)測作用,基于訓練集的擬合值和測試集的偽樣本外預(yù)測結(jié)果表明,網(wǎng)絡(luò)搜索數(shù)據(jù)的加入具有提高模型預(yù)測精度的潛力。(4)針對游客流量的非線性特征以及可用的數(shù)據(jù)樣本容量較少的情況,建立BA-SVRCS混合預(yù)測模型,嘗試利用消費者搜索數(shù)據(jù)(Consumer Search Data,簡記為CS)構(gòu)造模型的輸入集。其中,蝙蝠算法(Bat Algorithm,簡記為BA)用于優(yōu)化支持向量回歸(Support Vector Regression,簡記為SVR)的自由參數(shù),符號“”旨在強調(diào)CS與SVR整合�；诤Ｄ下糜尉皡^(qū)2009年1月至2016年10月的游客流量數(shù)據(jù)的實證分析結(jié)果表明,所建立模型的預(yù)測性能明顯優(yōu)于BA-SVR、PSO-SVRCS以及GA-SVRCS三個基準模型,證實了BA與粒子群算法(Particle Swarm Optimization,簡記PSO)以及遺傳算法(Genetic Algorithm,簡記GA)相比,BA具有良好的參數(shù)優(yōu)化能力,同時證實了網(wǎng)絡(luò)搜索數(shù)據(jù)的加入能有效提高模型預(yù)測精度。(5)旅游需求季節(jié)性波動對模型預(yù)測結(jié)果會造成一定影響,而單一的非線性預(yù)測技術(shù)無法較好的對季節(jié)性波動明顯的旅游需求進行精確的預(yù)測。另一方面,與SVR類似,相關(guān)向量機(Relevance Vector Machine,簡記為RVM)具備良好的小樣本非線性預(yù)測能力,并且在預(yù)測復(fù)雜度以及預(yù)測輸出等方面有其獨特的優(yōu)勢。針對上述情況,建立SI-BA-RVMCS混合預(yù)測技術(shù)對北京星級旅游飯店入住率進行預(yù)測。其中,BA用于優(yōu)化RVM的自由參數(shù),并采用季節(jié)因子法(Seasonal Index,簡記為SI)對季節(jié)性波動造成的預(yù)測偏差進行事后糾正,CS用于構(gòu)造模型的輸入集。預(yù)測結(jié)果表明SI的加入能有效糾正季節(jié)性導致的預(yù)測偏差,CS的加入能顯著提高模型預(yù)測性能;另外,基于預(yù)測精度的顯著性檢驗結(jié)果表明所建立混合預(yù)測模型與SI-BA-SVRCS模型之間的預(yù)測能力沒有顯著差異。(6)短期旅游需求預(yù)測能夠彌補中長期預(yù)測所存在的一些不足,為決策的制定提供更為實時全面的信息。但短期旅游需求對一些外部事件更為敏感,使得單一的非線性模型無法對其進行充分的擬合。另外,旅游官網(wǎng)點擊率數(shù)據(jù)一定程度上反映了游客的潛在旅游需求。針對上述情況,首次引入多模態(tài)網(wǎng)絡(luò)數(shù)據(jù)(Multi-Modal Web Data,簡記為MD)并建立BA-RVM-ARIMAMD混合預(yù)測模型。其中,MD用以構(gòu)造模型的輸入集;ARIMA模型用于對BA-RVMMD預(yù)測的殘差序列進一步進行擬合,然后將擬合值與BA-RVMMD的預(yù)測值求和得到最終預(yù)測值。以九寨溝為例,對其日度游客流量進行預(yù)測,結(jié)果表明所構(gòu)建的混合預(yù)測方法能有效擬合短期游客流量,與基準模型相比,ARIMA以及多模態(tài)網(wǎng)絡(luò)數(shù)據(jù)的加入均能顯著改善模型的預(yù)測性能。
[Abstract]:Based on the analysis of tourism demand forecast , the author puts forward some problems to be solved in this paper : ( 1 ) To explore the potential relationship between tourist demand forecast method and tourist demand forecast . The results show that the forecasting performance of the model is obviously better than that of BA , PSO - SVRCS and GA - SVRCS . ( 6 ) The short - term tourism demand forecast can make up for some deficiencies in the long - term forecast , provide more real - time comprehensive information for the development of decision making . However , the short - term tourism demand is more sensitive to some external events , so that the single non - linear model can not fit fully .

【學位授予單位】：對外經(jīng)濟貿(mào)易大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：F224;F592
，

本文編號：1526542