互聯(lián)網環(huán)境下基于消費者搜索的旅游需求預測研究.pdf

1、科學的旅游需求預測是旅游學界研究的熱點問題之一，也是旅游景區(qū)安全與應急管理中的關鍵環(huán)節(jié)，可為旅游相關行業(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)非線性預測技術無法充分捕捉旅游需求的動態(tài)特征信息。
　　隨著互聯(lián)網的普及，消費者信息搜索所產生的大量網絡搜索數(shù)據(jù)為解決這類問題提供了新的思路。本文基于

2、網絡搜索數(shù)據(jù)對旅游需求進行預測，主要研究內容如下:
　　(1)通過對旅游需求預測方法的演進脈絡以及基于網絡搜索數(shù)據(jù)的旅游需求預測進行梳理與總結，指出國內外已有旅游需求預測方法的合理性與尚需改進之處，以此為基礎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與分析的基礎上提出了網絡信息搜索、旅游者旅游決策與旅游需求的實現(xiàn)之間的動態(tài)關系，利用統(tǒng)計分析等方法系統(tǒng)建立網絡搜數(shù)據(jù)的獲取與實驗數(shù)據(jù)集的構

3、造方法，并構建了實證研究框架。
　　(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)構造成旅游要素搜索指數(shù)，同時加入相關控制變量?；谌珮颖竞鸵怨?jié)假日為依據(jù)劃分的樣本區(qū)間上的實證分析結果表明:與“吃”、“游”以及“娛”相關的信息搜索較為穩(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”相關的信息搜索對被解釋變量的影響不顯

4、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，初步驗證了網絡搜索數(shù)據(jù)對游客流量的預測作用，基于訓練集的擬合值和測試集的偽樣本外預測結果表明，網絡搜索數(shù)據(jù)的加入具有提高模型預測精度的潛力。
　　(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-SVR&CS混合預測模

5、型，嘗試利用消費者搜索數(shù)據(jù)(Consumer Search Data，簡記為CS)構造模型的輸入集。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)的實證分析結果表明，所建立模型的預測性能明顯優(yōu)于BA-SVR、PSO-SVR&CS以及

6、GA-SVR&CS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，同時證實了網絡搜索數(shù)據(jù)的加入能有效提高模型預測精度。
　　(5)旅游需求季節(jié)性波動對模型預測結果會造成一定影響，而單一的非線性預測技術無法較好的對季節(jié)性波動明顯的旅游需求進行精確的預測。另一方面，與SVR類似，相關向

7、量機(Relevance Vector Machine，簡記為RVM)具備良好的小樣本非線性預測能力，并且在預測復雜度以及預測輸出等方面有其獨特的優(yōu)勢。針對上述情況，建立SI-BA-RVM&CS混合預測技術對北京星級旅游飯店入住率進行預測。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)性波動造成的預測偏差進行事后糾正，CS用于構造模型的輸入集。預測結果表明SI的加入能有效糾正季節(jié)性

8、導致的預測偏差，CS的加入能顯著提高模型預測性能;另外，基于預測精度的顯著性檢驗結果表明所建立混合預測模型與SI-BA-SVR&CS模型之間的預測能力沒有顯著差異。
　　(6)短期旅游需求預測能夠彌補中長期預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)

9、網絡數(shù)據(jù)(Multi-Modal Web Data，簡記為MD)并建立BA-RVM-ARIMA&MD混合預測模型。其中，MD用以構造模型的輸入集;ARIMA模型用于對BA-RVM&MD預測的殘差序列進一步進行擬合，然后將擬合值與BA-RVM&MD的預測值求和得到最終預測值。以九寨溝為例，對其日度游客流量進行預測，結果表明所構建的混合預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)網絡數(shù)據(jù)的加入均能顯著改善模型的預測性