基于JADE-TFT模型的可解释性旅游需求预测研究

本研究提出了一种新颖的考虑疫情冲击的可解释性旅游需求预测框架,通过使用多源异构数据,即历史旅游量、本土新增确诊病例、百度指数、天气数据来预测新冠疫情影响下国内旅游需求变化。本研究引入疫情相关的搜索引擎数据的概念来进行旅游需求预测,并提出合成领先搜索指数和变分模态分解法结合处理搜索引擎数据的方法。同时,本研究提出了JADE-TFT可解释旅游需求预测模型,该模型利用带有外部归档的自适应差分进化算法智能高效地优化时域融合变换器的超参数。TFT是一种基于注意力的深度学习模型,将高性能预测与可解释的时间动态分析相结合,在预测研究中表现出优异的性能。TFT模型产生可解释的旅游需求预测输出,包括不同输入变量的重要性排序和不同时间步的注意力分析。基于黄山旅游数据的实际案例验证了所提出预测框架的有效性。可解释的实验结果表明,疫情相关的搜索引擎数据可以更好地反映后疫情时代游客对出行的担忧。

基于SVR-ARMA组合模型的日旅游需求预测

短期微观旅游需求具有强非线性特征,单一的模型很难做出准确预测。针对此问题,本文分析了著名风景区黄山2010年旅游旺季(4-10月)相关日数据的特征,在此基础上建立SVR-ARMA组合模型,用SVR模型先对原始非线性数据预测,再对SVR模型预测所产生的线性残差用ARMA模型预测,将两部分预测值几何相加得最终的预测值。最后分别与单一的SVR和ARMA模型对比,结果表明该组合模型有更高更稳健的预测精度,很适合短期微观旅游需求。

旅游目的地国国际旅游需求预测方法综述

旅游目的地国国际旅游需求预测方法综述赵西萍王磊邹慧萍西安交通大学旅游管理系自１９６１年第一篇名为《国际市场上旅游商品与服务的需求》的文章问世以来，国际旅游需求预测领域活跃着大批学者，他们从多个角度对作为目的地的发达国家和发展中国家的国际旅游需求作出分...

基于客源地的聚类-ARIMA模型的短期旅游需求预测--以天津欢乐谷主题公园为例

大多数旅游需求预测研究是基于目的地游客总数或消费总量开展的,尚未按不同的旅游目的或客源地细分进行预测。以天津欢乐谷主题公园为案例地,选择2014年第40周到2015年第26周为研究时段,利用通信大数据,提出了一种面向客源地的聚类-ARIMA组合预测模型。通过对不同客源地的时序数据进行聚类,选取各类别中的代表性客源地分别构建ARIMA预测模型。结果表明:对欢乐谷主题公园各客源地分别建模与聚类后通过6个代表客源地建模得到的结果一致;后者可以降低80%的预测成本。该方法具有较高的预测精度和较低的计算成本,适合面向客源地的短期旅游需求预测,可为旅游目的地提供更具针对性的旅游需求管理、分析与决策支撑。

基于多种模型的海南省国内旅游需求预测

运用1988-2011年海南省国内游客数据,通过趋势外推模型对海南旅游需求进行预测。最终选择了具有较好预测精度的模型,并对2012-2020年海南国内旅游人数进行了预测。

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的自适应惯性权重优化的粒子群算法(APSO)去优化误差反向传播神经网络(BP)神经网络——APSO-BP的组合预测模型,用深度置信网络(DBN)模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。

鄂尔多斯响沙湾娱乐旅游区旅游需求预测及分析

旅游需求预测在旅游业的规划与经营过程中起着科学的指导作用,本文应用趋势外推模型的一元线性回归模型及结构模型中的引力模型,对鄂尔多斯响沙湾娱乐旅游区游客量进行预测,并将2种预测结果进行分析比较。得出的结论是旅游区旅游市场开发潜力巨大,具有很好的发展前景。最后根据预测结果,提出响沙湾娱乐旅游区的开发建议。

旅游需求预测的计量模型探析

旅游业在国民经济中的重要作用,已逐渐成为社会各界的共识.同时精确的旅游需求预测对交通运输业、旅店业、餐饮业等旅游相关行业的重要性也已被充分认识.本文运用计量模型对旅游需求预测问题进行讨论.事实上,建立计量模型进行旅游需求预测关键是变量和模型形式的选取.

基于Bernstein Copula函数的中国入境旅游需求预测

旅游需求的序列相关结构是旅游学研究中长期被忽略的一个问题。在旅游预测建模中,往往假定线性的或者是某种特定的非线性序列相关结构。这种假定虽然为模型构建带来一定的便捷性,但是很可能会影响预测的精确性。该研究引入Bernstein Copula函数刻画中国入境旅游需求的序列相关结构,以构建预测模型进行实证分析。实证结果表明,Bernstein Copula模型在旅游预测中具有其优越性。研究的结果为旅游需求建模提供了一个新的思考方向。

基于灰色理论的旅游需求预测算法分析

旅游需求分析对于促进我国各地区的经济发展和文化交流都有着重要的意义。由于旅游行业的"小样本、贫信息、不确定"性,旅游市场可以看做是一个巨大的灰色系统。本文针对旅游需求问题进行了详细的研究,提出了基于灰色系统理论的多元数学预测模型GM(1,N),合理分析诸多因素对旅游需求的综合影响,可以很好的解决此类问题。同时,以北京地区旅游需求发展为例,根据北京市旅游局等的历年旅游统计数据,确定影响游客人数的因素并对其合理量化,应用GM(1,N)模型对该地的旅游需求进行预测,并通过残差检验、后残差检验等方法对该模型进行分析,得到的预测结果比较准确,该模型应用范围广泛,可以进行推广使用。

改进果蝇算法优化回声状态网络的旅游需求预测研究

首先对标准果蝇优化算法FOA进行改进,自适应调整果蝇种群数量和搜索步长,同时优化初始迭代位置,改善算法局部搜索能力和搜索效率。接着将改进的FOA算法AFOA与回声状态网络ESN相结合,构建一个两阶段组合预测模型(AFOA-ESN),通过AFOA优化ESN获取其关键参数,将优化后的参数输入ESN,形成最终的组合预测模型。最后利用该模型进行旅游需求预测。实验结果表明,AFOA-ESN模型较自回归移动平均模型、支持向量机模型、BP神经网络、标准ESN网络以及其他预测模型具有更高的预测精度。

基于后疫情时代的旅游需求预测研究

后疫情时代,旅游需求预测的实践应用受到重视,而不同研究策略易使学者混淆对研究方法的识别和应用。以往相关文献很少从方法论视角对具体策略进行深入比较分析。综合经典和新兴的旅游需求预测技术,比较分析3类不同的研究策略(即时间序列分析、计量经济分析和人工智能方法),为学者选择预测方法和模型提供参考。

基于GA的广义模糊时间序列建模及其在旅游需求预测中的应用

研究了基于遗传算法(genetic algorithm,GA)的广义模糊时间序列建模问题。为更好解决多决策变量问题,避免传统意义上的统计算法和模糊时间序列模型的缺陷,在遗传算法中加入染色体重组算子,得到一个改进的遗传算法,构建了一种基于改进遗传算法的广义模糊时间序列模型。最后,以我国黄山风景区游客人数预测为例,通过实证分析验证了该模型。与传统的模糊时间序列模型或者和其他方法结合而形成的混合模型相比,该模型可以避免在划分区间上的主观随意性并提高预测精确度。

基于状态空间季节调整模型的旅游需求预测——以厦门入境旅游为例

旅游商品的易变质性决定了对旅游需求准确预测的必要性,经济一体化、全球化推动了地区间旅游的发展,旅游产业的发展促进了旅游需求预测技术的发展,然而并没有一个"常胜将军"式的模型能够准确预测所有旅游需求。本文选用基于状态空间的季节调整模型对厦门入境旅游需求进行预测,发现模型的预测能力极佳,对以旅游、港口经济为城市定位的厦门经济特区有一定的借鉴意义。

基于数据驱动的旅游需求预测研究

合理预测景区客流量不仅可以为景区提供参考,更是旅游治理体系和治理能力现代化建设的内在要求。基于九寨沟风景区官网于2012年5月至2021年5月披露的每日客流量数据,运用Python爬取与九寨沟旅游相关的搜索行为数据和九寨沟每日平均气温,构建ARIMA、SVR模型和加入百度搜索指数与日平均气温的LSTM神经网络模型,对九寨沟风景区客流量进行拟合和预测。结果表明,LSTM神经网络模型预测精度高于ARIMA和SVR模型,加入百度搜索指数和日平均气温的LSTM神经网络模型可以显著提升客流量预测精度。

基于网络搜索数据的北京市旅游需求预测

我国旅游业经过40年的高速度发展,现在进入了高质量发展新阶段。同时,随着疫情防控进入常态化和旅游市场逐步回暖,“互联网 + 旅游”新业态发展迅猛,海量网络搜索数据潜在反映着人们的旅游需求。因此,本文利用网络搜索数据(Internet search data, IS)用于北京市旅游需求预测。首先,利用Python爬取在线旅游网站的游记攻略,使用NLPIR分词系统提取高频词汇,并结合旅游六要素确定初始关键词词库。其次,采用需求图谱、百度指数相关词热度推荐、北京旅游网推荐等7种方法拓展关键词,经过Adaptive Lasso等方法筛选得到9个最佳预测变量,并引入季节性虚拟变量,然后结合网络搜索关键词和随机森林算法、极限梯度提升算法及支持向量回归算法对北京市旅游需求进行建模和训练。最后,借助多个预测性能指标,确定支持向量回归模型为最优模型。研究结果表明:网络搜索数据与旅游需求显著相关,具有很强的时效性,并且支持向量回归模型能够很好地解决突发事件和小样本问题,用于短期旅游需求预测是高效可行的。

基于疫情影响构建的旅游需求预测模型

鉴于旅游业对环境波动的高度敏感性,提出了考虑疫情影响的旅游需求预测框架。首先,收集目标城市的过夜游客人数作为旅游需求数据。其次,基于数据在疫情发生前后的数据波动,提出疫情影响构建和核心信息提取方法,该方法基于BHT-ARIMA算法,能够有效提取数据中潜藏的疫情影响特征,并有效剔除了数据冗余。最后,基于CNN-GRU模型进行模型训练和预测,得到最终的预测结果。为了验证提出框架的有效性,在旅游城市三亚的过夜游客人数数据集上进行了实验。实证结果表明,与其他基准模型相比,所提出的框架具有显著的预测性能,预测误差低至0.0991。

人工智能在旅游需求预测上的应用

基于网络信息技术和计算机科学技术的不断研究,人工智能技术得到迅速发展。本文利用文献综述法,对人工智能在旅游需求预测的应用进行分析研究,并对现有方法存在的问题及面临的难题进行总结,为今后旅游需求预测方法提供了新的思路。

面向多源数据细粒度情感挖掘的旅游需求预测

数字经济时代,消费者基于互联网社交媒体平台产生的搜索与评论等内容拓展了旅游需求预测的数据来源.虽然已有研究聚焦消费者对旅游目的地整体情感倾向的挖掘,但是少有研究考虑消费者对餐饮、住宿、交通和服务等细粒度层面的差异化评价对需求预测的影响.本文以九寨沟景区客流量预测为例,采用基于机器学习的细粒度情感分析方法对携程、去哪儿网、大众点评和美团等多源数据进行文本分析,构建涵盖八个维度的细粒度情感指数,对客流量开展一步和多步预测,并与包含搜索引擎指数及整体情感指数的模型进行对比.结果表明:在基于时间序列、机器学习和深度学习三种不同类型的预测模型中,包含细粒度情感指数的模型均能显著提高旅游需求预测的准确性.在样本外预测中,所构建的包含细粒度情感指数的模型较包含搜索引擎指数和整体情感指数的模型,预测精度平均提升17.78%和6.53%.本研究为数字经济时代多维数据驱动的旅游需求预测提供创新研究方法.

基于支持向量机旅游需求预测

针对旅游预测中常存在旅游因子难以确定、样本容量小等特点,探讨了一种新的预测方法——支持向量机回归算法(SVR)在旅游需求时间序列预测中的应用。以2004年1月至2007年4月的中国入境旅游人数月度数据为样本,建立了入境旅游需求预测的SVR模型。通过对模型的检验并与神经网络模型(BPNN)的比较,其结果表明SVR模型更优于BPNN模型。