论文部分内容阅读
旅游人数的增加在促进旅游业蓬勃发展的同时也要求旅游相关管理部门提升自身的管理水平和业务能力,让旅游者的游览体验和人身安全得到保障。基于旅游趋势预测模型的预测结果,在波峰时期通过提前增加服务人员数量来提升游客的游览体验,而在波谷时期则基于长远的预测结果开展景区基础设施建设,有利于景区的旅游品质得到不断的提升,以赢得持续发展。因此,开展旅游趋势预测研究对提升旅游相关管理部门的科学管理水平具有促进作用。本文提出了一个基于变量时空特征和组合模型的旅游趋势预测框架,通过对九寨沟的旅游趋势进行预测,确定该预测框架具有可行性和优秀的预测能力。实证研究选择“九寨沟”的百度指数作为解释变量的来源,九寨沟每日旅游人数作为被解释变量的来源,通过分析百度指数与旅游人数的时空特征,依据数据的时空特征分别构建出具有空间结构的解释变量和时间特征更鲜明的被解释变量,使得解释变量的解释能力得到提升的同时降低被解释变量的预测难度。本文的实证研究由以下部分构成:(1)对分地区收集到的百度指数采用标准差椭圆来分析空间分异特征,再使用结合经济距离的空间聚类方法进行聚类;(2)对空间聚类结果使用主成分分析法,直接使用分地区收集到的百度指数作为解释变量会产生严重的多重共线性问题,使用主成分作为解释变量能让解释变量的数量和相关关系减弱,以实现削弱多重共线性的目的;(3)对九寨沟每日旅游人数数据采用时间序列分解法进行处理,分解后得到时间变化特征更鲜明和简洁的趋势分量、周期分量和余项分量,使用趋势分量和余项分量作为被解释变量,依据分量所具有的时间变化特征针对性的采用不同预测方法进行预测,有助于降低被解释变量的预测难度;(4)使用线性和非线性回归方法构建组合模型对旅游趋势进行预测,使得组合模型对具有复杂变化特征的预测对象具备优秀的趋势预测能力。组合模型使用岭回归方法对趋势分量进行预测,使用XGBoost方法预测余项分量,实现了线性和非线性的组合,预测值和周期分量的累加和就是九寨沟旅游趋势的预测结果。同时经过计算确定“九寨沟”百度指数与九寨沟旅游趋势之间存在2天的滞后期,使得九寨沟旅游趋势预测模型可以提前2天得到预测结果,增加了旅游趋势预测模型的可用性。线性和非线性组合模型对九寨沟旅游趋势的部分预测评分如下:训练集的R~2得分为0.88,RMSE得分为3202;验证集的R~2得分为0.76,RMSE得分为4762。组合模型的训练集与测试集的评分体现出组合模型具有优秀的拟合和样本期外预测能力。组合模型能对旅游趋势波峰和波谷的出现时间和持续时间实现准确预测,使得组合模型能识别出旅游趋势变化的转折点,让组合模型能在景区接待能力调节和游客分流上发挥决策支持作用。通过对九寨沟旅游趋势分别单独使用岭回归、XGBoost和ARIMA模型进行预测,对比不同模型的预测结果确定组合模型具有最优秀的预测能力,体现出组合模型相比基于单一方法的预测模型更具优势性。本文与过往的研究相比存在以下创新性:1)以省级行政区为空间范围分别收集搜索引擎数据,研究了搜索引擎数据的空间特征并依据空间特征来增强搜索引擎数据对旅游趋势变化的解释能力;2)对旅游人数数据进行时间序列分解得到分量数据,采用时间特征更鲜明的分量数据作为被解释变量,降低了预测难度,并对线性和非线性的预测方法进行组合,采用组合模型预测旅游趋势的变化,预测结果显示组合模型对具有复杂变化的旅游趋势有优秀的拟合能力和预测能力。