基于网络搜索数据的北京市旅游区客流量预测研究——基于五折交叉验证法的不同预测模型比较

本文以百度的整体搜索指数为网络搜索数据基础,采用直接取词法和范围取词法对北京市旅游的网络搜索关键词进行初选,并采用时差相关系数法和皮尔森相关系数法在初选的关键词中选择核心关键词。接着,选用逐步回归模型、分类回归树模型(classification and regression tree model)、随机森林模型(random forest model)、BP神经网络模型(back propagation neural network model)和支持向量机模型(support vector vachinemodel),采用五折交叉验证法,对北京市旅游区客流量进行预测分析。测试集的平均绝对百分误差(mean absolute percentage error,MAPE)和标准化均方误差(normalized mean square error, NMSE)值结果显示,五个预测模型中随机森林模型的预测效果最佳。与传统的预测方法相比,基于网络搜索数据的北京市旅游区客流量预测能够较好地解决拐点预测问题,同时预测的时效性更强,比官方统计调查数据的公布至少提前一个月。

基于NRS-SVM的商品住宅投资风险评价研究

针对目前风险评价中普遍存在的样本需求量大、评价主观性强、预测准确性低的问题,在国际上首次将邻域粗糙集与支持向量机相结合建立商品住宅投资风险评价模型。将邻域粗糙集与支持向量机结合使用,可以直接从样本本身出发,在小样本前提下分析各项商品住宅投资风险因素对总体投资风险影响权重,简化决策表,建立商品住宅投资风险预测模型。通过案例分析可知,治安环境风险与工艺革新风险对商品住宅投资总体风险无影响,且在仅有40个样本的条件下,商品住宅投资风险预测模型预测相对误差控制在3%以内。由此表明,邻域粗糙集与支持向量机相结合的方法可以较好地解决风险评价中普遍存在的问题,对风险因素具有较强的解释能力,对总体风险具有较好的预测效果。