基于支持向量回歸的旅游短期客流量預測模型研究.pdf

1、隨著旅游業(yè)的快速發(fā)展，居民外出旅游人數(shù)急劇增長，給旅游景區(qū)造成極大沖擊。近年來由于游客擁擠、超載等問題造成的安全事故頻發(fā)，給旅游景區(qū)造成了巨大的負面影響。準確的旅游短期客流量預測能夠為旅游管理者提前決策提供直接信息，最大限度的避免這種情況的發(fā)生。然而在我國，由于受到自然氣候、特有的休假制度、旅游突發(fā)事件等諸多外部因素影響，旅游短期客流量表現(xiàn)出非線性、季節(jié)性、隨機性等復雜特點，傳統(tǒng)的預測方法往往難以實現(xiàn)準確預測，因此建立科學合理的短期客流

2、量預測模型，實現(xiàn)對旅游景區(qū)不同時期的短期客流量預測，對旅游景區(qū)尤其是熱門景區(qū)乃至整個旅游行業(yè)意義重大。
　　支持向量回歸(Support Vector Regression，SVR)作為一種基于統(tǒng)計學習理論的新的機器回歸分析方法，由于具有處理非線性、小樣本等問題能力，能較好地解決旅游短期客流量的非線性、季節(jié)性和隨機性等問題，為復雜的短期客流量預測提供了一種新的選擇。
　　本文以旅游景區(qū)為研究對象，以科學準確預測旅游景區(qū)短期客

3、流量為目標，根據(jù)旅游短期客流量在不同時期表現(xiàn)出的特點，將其分成平常日客流量、節(jié)假日客流量、旅游突發(fā)事件時期客流量三種不同類型，分別研究這三種不同類型的短期客流量預測問題。
　　本文的主要研究內容如下:
　　1)對國內外旅游客流量預測方法進行了系統(tǒng)綜述，指出目前國內外在旅游客流量預測研究上取得成果及在方法、尺度等方面存在的一些局限性，以此為基礎，提出本文研究的研究內容。
　　2)對短期客流量的主要影響因素進行系統(tǒng)分析，進

4、一步分析旅游短期客流量在不同時期的客流量特點，通過對旅游短期客流量不同時期客流量特點的分析，將短期客流量的研究分成平常日客流量、節(jié)假日客流量以及突發(fā)事件時期客流量。
　　3)針對平常日客流量非線性突出的特點，提出基于遺傳算法(Genetic Algorithm，GA)的支持向量回歸模型即GA-SVR模型，利用GA對SVR自由參數(shù)進行選擇，并將該方法與BPNN模型進行對比?；邳S山風景區(qū)的有代表性的平常日短期客流量等相關數(shù)據(jù)驗證表明

5、:GA-SVR模型較BPNN模型預測誤差更小，準確性更高。
　　4)針對每年節(jié)假日客流量呈現(xiàn)的明顯季節(jié)性特點，提出基于季節(jié)調整的自適應遺傳算法(Adaptive Genetic Algorithm，AGA)支持向量回歸模型，即季節(jié)指數(shù)調整(Seasonal Exponential Adjustment，SEA)的AGA-SVR預測模型(SEA-AGA-SVR)和季節(jié)因子調整(Seasonal index Adjustment，SI

6、)的AGA-SVR預測模型(AGA-SSVR)。其中SEA-AGA-SVR主要對短期客流量的季節(jié)性進行事前調整后再進行預測;而AGA-SSVR重在事后對預測值進行季節(jié)因子調整。來自黃山風景區(qū)2008-2012年節(jié)假日的客流量數(shù)據(jù)的實驗結果表明，兩種季節(jié)調整方法均能有效的去除季節(jié)性成分，預測效果均優(yōu)于AGA-SVR方法，但是由于SEA-AGA-SVR直接對原始時間序列數(shù)據(jù)進行季節(jié)性處理，預測效果優(yōu)于事后調整的AGA-SSVR模型，同時預測

7、時間也大大縮短。
　　5)針對旅游突發(fā)事件的突發(fā)性、無法預見性而導致的客流量高度不確定性、隨機性特點，提出基于混沌粒子群（Chaos Particle swarm optimization，CPSO）的SVR和自回歸移動求和平均(Autoregressive Integrated Moving Average，ARIMA)相結合的混合模型即CPSO-SVR-ARIMA模型。先通過CPSO對SVR模型進行尋優(yōu)，再用SV對突發(fā)事件時期