旅游需求预测方法与模型评述
旅游管理中的市场需求预测与调整
旅游管理中的市场需求预测与调整在旅游业的发展中，市场需求的预测和调整是非常重要的一环。
只有准确预测市场需求，并及时调整旅游产品和服务，才能满足游客的需求，提供更好的旅游体验，实现旅游业的可持续发展。
本文将探讨旅游管理中市场需求预测与调整的重要性和方法。
一、市场需求预测的重要性市场需求预测是旅游管理中的一项关键工作。
通过准确预测市场需求，旅游企业可以合理安排资源，提前准备，避免资源浪费和滞销问题的发生。
同时，市场需求预测还能帮助企业抓住市场机会，制定相应的市场推广策略，提高市场竞争力。
市场需求预测还有助于优化旅游产品和服务。
通过了解市场需求的变化趋势，旅游企业可以及时调整产品和服务，以满足游客的需求。
例如，当市场需求向健康养生方向转变时，旅游企业可以增加健康养生类旅游产品，提供更多健康饮食和运动设施，从而吸引更多游客。
二、市场需求预测的方法市场需求预测需要依据可靠的数据和分析方法。
以下是几种常用的市场需求预测方法。
1. 历史数据分析法：通过分析历史数据，了解市场需求的发展趋势和周期性变化。
例如，通过分析过去几年的旅游数据，可以发现某个旅游目的地在某个季节或节假日的游客数量呈现上升趋势，从而预测未来的市场需求。
2. 问卷调查法：通过向潜在游客发放问卷，了解他们的旅游需求和偏好。
问卷调查可以包括对旅游目的地、旅游产品和服务的评价，以及对未来旅游计划的意向等。
通过分析问卷结果，可以得出游客的需求特点和未来市场需求的趋势。
3. 现场调研法：通过实地调研，观察和记录游客的行为和需求。
例如，旅游企业可以派出调研团队前往热门旅游目的地，观察游客的消费行为和偏好，了解他们对旅游产品和服务的需求。
通过现场调研，可以更加准确地预测未来市场需求。
三、市场需求调整的方法市场需求预测只是旅游管理中的一部分，及时调整旅游产品和服务也是非常重要的。
以下是几种常用的市场需求调整方法。
1. 产品创新：根据市场需求的变化，不断创新旅游产品和服务。
解析旅游行业的旅游数据分析与市场预测
解析旅游行业的旅游数据分析与市场预测旅游行业一直是全球经济发展中的重要组成部分之一，也是一项涉及众多领域的复杂产业。
为了更好地规划和运营旅游业务，数据分析和市场预测成为了不可或缺的工具。
本文将通过解析旅游行业的旅游数据分析与市场预测的方法和意义，展示其在旅游业中的重要性和应用。
一、旅游数据分析的方法和工具旅游数据分析是利用统计学和数据科学的方法来研究旅游行业中的信息和趋势。
通过收集、整理和分析大量的旅游相关数据，可以帮助决策者了解旅游市场的实际情况，为业务发展提供科学依据。
以下是几种常见的旅游数据分析的方法和工具：1. 数据收集和整理：旅游数据的收集可以通过多种途径实现，例如调查问卷、数据库查询、网络爬虫等。
收集到的数据需要进行整理和清洗，以确保数据的准确性和一致性。
2. 数据可视化：将数据转化为可视化图表是理解和解读数据的重要工具。
通过制作饼图、柱状图、折线图等图表，可以更直观地展示旅游市场的趋势和特点。
3. 预测模型和算法：利用统计学和机器学习的方法，可以构建旅游市场的预测模型。
常见的预测算法包括时间序列分析、回归分析、神经网络等。
这些模型可以利用历史数据来预测未来的市场趋势和需求。
二、旅游数据分析的意义和应用1. 了解客户需求：通过对旅游数据的分析，可以了解客户的喜好、偏好和需求。
例如，通过分析游客的选择偏好，旅游企业可以针对不同的目标客户提供个性化的产品和服务，从而提高客户满意度和忠诚度。
2. 拓展市场份额：通过分析旅游市场的规模、增长率和竞争情况等因素，可以为企业制定合理的市场拓展策略。
同时，通过对竞争对手的数据进行分析，也可以制定有效的竞争策略，提升企业在市场中的竞争力。
3. 提高营销效果：通过数据分析，可以了解不同营销渠道和策略的效果。
例如，分析不同广告渠道的转化率和ROI，可以优化广告投放的成本和效果，提高市场推广的效益。
4. 风险管理：旅游行业涉及到多种风险，包括自然灾害、政治风险、健康风险等。
基于大数据的旅游需求分析与预测模型设计
基于大数据的旅游需求分析与预测模型设计随着大数据技术的快速发展和互联网的普及，旅游行业逐渐意识到大数据对于旅游需求分析和预测的重要性。
通过分析和挖掘大数据，能够帮助旅游行业更好地了解游客的需求和喜好，提供个性化的旅游产品和服务，提高竞争力。
因此，基于大数据的旅游需求分析与预测模型设计成为了旅游行业的研究热点。
一、旅游需求分析1. 数据采集与处理为了进行旅游需求分析，首先需要采集和处理各类相关数据。
这些数据可以来自于旅游网站、在线旅游平台、社交媒体、酒店预订系统、导航软件等。
通过收集游客的行为数据、喜好偏好数据、评论数据、地理位置数据等多种数据源，可以全面了解游客的需求和行为习惯。
2. 数据挖掘与分析数据挖掘是通过运用统计学、机器学习和人工智能等方法，对大量的数据进行模式发现和规律挖掘的过程。
在旅游需求分析中，可以利用数据挖掘技术，识别出游客的兴趣爱好、旅游动机、出行周期、旅游产品偏好等信息。
例如，通过关联分析可以得知某些旅游景点与特定年龄段游客的偏好相关，通过聚类分析可以将游客划分为不同的群体，通过分类算法可以推测游客的出行意图。
3. 可视化与报告旅游需求分析的结果需要以可视化的方式呈现，以便于管理者和决策者理解和利用。
通过使用各种图表、地图和图形等可视化工具，可以清晰而直观地展示游客的需求和市场趋势。
同时，还可以生成详细的报告，对旅游市场进行深入分析，为旅游企业的战略决策提供依据。
二、旅游需求预测模型设计1. 建立数据模型在旅游需求预测中，可以通过建立各种数据模型，对未来一段时间内的旅游需求进行预测。
常用的模型包括时间序列模型、回归分析模型、神经网络模型等。
这些模型可以利用历史数据，分析时间序列的趋势和周期性，识别影响旅游需求的关键因素，进行趋势预测和预测误差分析。
2. 数据特征选取在建立预测模型时，需要针对旅游需求相关的各种特征进行选取。
这些特征可以包括季节性、气候、人口密度、经济发展水平、政策环境等因素。
第4章_旅游需求预测(1)
计算机设施要 求
合适预测水平
小到中 短期
中 短到中期
高 长期
低 长期
要求预测时间 短期
短期到长期 长期
中期到长期
最适宜解决的 问题
简单稳定或周 期性问题
有几个已知稳 定的关系变量 的中等复杂问 题
有定量关系和 反馈复杂问题
定性关系不稳 定性因子的复 杂问题
第四节、趋势外推模型
一、简单回归分析
另一个特点是每一个旅游地都有自己相 对固定的客源地。从数量上度量旅游需求随时 间的变化和客源地的空间变化对旅游规划和经 营是有帮助的。
一、旅游需求的时间集中性
1.季节强度指数
12
R ( xi 8.33)2 / 12 i 1 式中：R-旅游需求的时间分布强度指数；xi-各月游客量占全年 的比重(%)。 R最小值为0，其值越接近于0，旅游需求的季节性越弱。
定性模型趋势外推趋势外推结构结构仿真仿真定性定性专业技术要求专业技术要求低到中低到中高高低到中低到中数据要求或理数据要求或理性认识模型性认识模型时间系列时间系列某时段数据加某时段数据加上原因关系上原因关系时间系列时时间系列时段数据原因段数据原因关系关系专家和有经验专家和有经验数据精度要求数据精度要求高高高高计算机设施要计算机设施要求求小到中小到中合适预测水平合适预测水平短期短期短到中期短到中期长期长期长期长期要求预测时间要求预测时间短期短期短期到长期短期到长期长期长期中期到长期中期到长期最适宜解决的最适宜解决的问题问题简单稳定或周简单稳定或周期性问题期性问题有几个已知稳有几个已知稳定的关系变量定的关系变量的中等复杂问的中等复杂问有定量关系和有定量关系和反馈复杂问题反馈复杂问题定性关系不稳定性关系不稳定性因子的复定性因子的复杂问题杂问题第四节趋势外推模型一简单回归分析二时间序列模型引力模型的发展克郎篷cramponlj1966第一个清楚地证明了引力模型在旅游研究中的作用
旅游行业中的大数据分析与旅游预测模型研究
旅游行业中的大数据分析与旅游预测模型研究随着科技的发展和互联网的普及，大数据分析在各行各业中的应用越来越广泛，尤其在旅游行业中，大数据分析已经成为提高效率、优化服务和预测市场需求的重要工具。
本文将探讨旅游行业中大数据分析的应用和旅游预测模型的研究。
旅游行业是一个庞大的产业，涵盖了航空、酒店、旅行社等多个领域。
这些领域都产生了大量的数据，包括用户行为数据、交通数据、消费数据等。
通过分析这些数据，旅游企业可以了解用户的消费习惯、趋势和偏好，从而优化服务、提高满意度和实现精准营销。
大数据分析在旅游行业中的应用主要包括以下几个方面：一、用户画像分析通过收集用户在旅游过程中的行为数据，如搜索记录、浏览路径、订单信息等，可以对用户进行画像分析。
通过分析用户的购买倾向、出行偏好和消费能力，旅游企业可以精准推荐产品和个性化定制服务，提高用户黏性和满意度。
二、市场需求预测通过分析大量的市场数据，如交通状况、天气预报、节假日安排等，可以预测旅游市场的需求。
例如，在长假期间，热门旅游景点可能会出现人满为患的情况，通过大数据分析，旅游企业可以提前预测到这种情况，调整行程安排和资源分配，提供更好的服务。
三、航班和酒店价格优化通过分析航空公司和酒店的历史数据，如订票量、选座情况、入住率等，可以优化航班和酒店的价格策略。
例如，通过大数据分析，航空公司可以根据航班预订情况和竞争对手的价格变化，调整机票价格，实现收益最大化。
四、航空安全管理航空行业是一个高度安全敏感的行业，通过分析航班数据、机场安检数据和乘客信息，可以提前预测和排查潜在的安全风险。
例如，通过大数据分析，可以发现乘客的异常行为和行李X光图像中的可疑物品，及时采取措施，确保航空安全。
在旅游行业中，旅游预测模型是进行大数据分析的重要工具。
旅游预测模型通过分析历史数据、市场趋势和相关变量，预测未来的旅游需求和市场走向。
常用的旅游预测模型包括时间序列分析、回归分析和时间序列回归分析。
关于旅游需求预测模型
（ ）
由 GM（1，1）灰微分方程（1）所对应的白化微分方程：
(1 ) dx 0 (1 ) + ax 0 (t ) = b dt b b (1) (0) ⇒ x0 ( k + 1) = ( x 0 (1) − ) e − ak + ，(k=1,2,3, …) a a b ( 0) (0) ⇒ x0 ( k + 1) = ( x 0 (1) − ) e − ak (1 − e a ) a
r ⎧ dx ⎧ dx x2 = rx − ⎪ ⎪ = αx − βx2 ⇒ xm ⎨ dt ⎨ dt ⎪ ⎪ x (0) = x 0 x (0 ) = x 0 ⎩ ⎩
其解为：
（ ）
x (t ) =
xm ⎛x ⎞ 1 + ⎜ m − 1 ⎟ e − rt ⎝ x0 ⎠
xm =
α β
（ ）
（ ）
2.2 模型 II
2.2.1 模型建立 在 GM（1，1）模型中，我们只考虑了一个因子对旅游需求的预测。为使预测数据更精 准，我们把北京的宾馆数、人口、居民物价指数、城市交通等多个因素对旅游需求的影响也 考虑到模型中，可进一步建立各因素 xi 对因子 x0 的 GM（1，N）模型（模型 II） ：
2.3 模型 III
2.3.1 模型建立 灰色系统模型虽然能较好的预测旅游需求， 但也存在一个缺点——预测结果可能随着时 间的推移而趋向无穷。显然，实际生活中一个城市能容纳的人数是有限的，这就说明灰色系 统模型并不完全适用于旅游需求的预测。 为此，我们借鉴 Logisitic 模型的思想，利用人口预测模型来预测旅游需求[6]。 模型 III： 设 x ( t ) 表示第 t 年北京市接待的旅游人数， r 为旅游人数的增长率， xm 表示北京市所 能容纳的最大人数：
第四章 旅游需求预测1
分析杭州、桂林昆明的主要国际客源 地地理分布
分析表4.6
第三节、旅游需求预测模型
旅游需求模型可以分为四类： 趋势外推模 型；结构模型、仿真模型、定性模型。 一、 趋势外推模型 趋势外推模型利用一系列资料来推测未来 的形势。包括简单回归模型，二次方程模 型、幂函数模型及时间序列模型。
1、季节性强度指数： 反映旅游需求的时间分布集中性.
R
(x
i
8.33) / 12
2
式中：R为旅游需求的时间分布强度指数 Xi为各月游客量占全年的比重 R 值越接近于零，旅游需求时间分配越均匀；R 值越 大，时间变动越大，旅游淡旺季差异越大。 案例：深圳锦绣中华表4.4
我国入境游客的时间分布集中性
200 系列1
趋势需求图形
250
150
100
200
50
150
系列1
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
50
季节性需求图形
1 2 3 4 5 6
0
水平需求图形
常用的季节时间序列模型
水平时间序列模型 线性趋势模型 季节时间序列模型 ★季节性趋势交乘模型 季节性叠加趋势模型 Box——Jekins 模型 自回归模型 ：AR模型 滑动平均模型：MA模型 自回归滑动平均模型：ARMA模型
2
第四步：建立预测模型
y=a+bx
第五步 预测游客量
利用模型预测1986——1990年颐和园的游客
量（利用表4.10的资料） 式中年份x取1981年第一度为1，1981年第二 季度为2…
旅游需求时间序列预测
旅游需求时间序列预测简介时间序列预测是一种通过对历史数据进行分析和建模，来预测未来事件发展趋势的方法。
在旅游需求领域，时间序列预测可以用来分析旅游行业的需求变化，并帮助旅游从业者做出决策。
本文将介绍时间序列预测在旅游需求中的应用，以及一些常用的时间序列预测方法。
1. 数据收集与准备在进行时间序列预测之前，需要收集旅游需求的历史数据。
这些数据可以包括旅游目的地的访问量、预订量、销售额等指标。
收集数据的方式可以通过统计机构发布的数据报告、企业内部的销售记录等多种渠道。
在收集数据之后，需要对数据进行清洗和预处理。
这包括去除异常值、处理缺失值、调整数据的时间间隔等。
清洗和预处理的目的是保证数据的质量和一致性，以便进行后续的分析和建模。
2. 数据分析与探索在进行时间序列预测之前，需要对数据进行分析和探索，以了解数据的特征和规律。
常用的数据分析和探索方法包括数据可视化、自相关性分析、周期性分析等。
通过数据可视化，可以直观地观察数据的趋势和季节性变化。
自相关性分析可以帮助判断数据是否存在相关性，以及选择合适的时间序列模型。
周期性分析可以帮助发现数据的季节性规律，以及预测未来的季节性变化。
3. 时间序列模型建立时间序列预测的关键是选择合适的时间序列模型。
常用的时间序列模型包括ARIMA模型、指数平滑模型、神经网络模型等。
ARIMA模型是一种广泛应用于时间序列预测的模型，它将时间序列分解为趋势、周期性和随机性三个部分，并通过建立AR和MA模型分别对这三个部分进行建模。
指数平滑模型是一种基于加权平均的模型，通过对历史数据进行加权平均来预测未来的值。
神经网络模型是一种通过训练神经网络来预测时间序列的模型，它可以学习到数据的非线性特征。
在选择模型之前，需要对数据进行进一步的分析和评估。
可以使用一些评估指标，如均方根误差（RMSE）和平均绝对误差（MAE）来评估模型的拟合程度和预测效果。
4. 模型参数调优与预测在选择了合适的时间序列模型之后，需要对模型进行参数调优。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2008年9月甘肃省经济管理干部学院学报Sep te mber 2008第21卷第3期Journal of Gansu Econom ic Manage ment I nstituteVol 121 No 13旅游需求预测方法与模型评述3殷书炉,杨立勋(西北师范大学经济管理学院,甘肃兰州 730070)摘 要:对旅游需求预测研究始于上世纪60年代,绝大多数研究成果出现于80年代以后,然而对此类研究进行整理和述评的论文较少。
因此,文章系统论述了各种方法与模型在旅游需求预测中的应用,并对其预测效果做了简略评价,同时指出了将来的研究重点和发展趋势。
关键词:旅游需求;预测模型;发展趋势中图分类号:F224.9;F59 文献标识码: A 文章编号:100924830(2008)0320042204 一、引言随着经济全球化和国际交流的不断深化,国际旅游业得到了长足的发展。
旅游业对于平衡国际收支,改善贸易结构具有不可替代的作用,同时又是扩大对外开放、促进对外交流的重要手段。
因此在过去20年里旅游研究也得到了前所未有的发展,而旅游需求模型与预测更是研究的重点。
本文在综合介绍旅游需求预测中各种模型运用的基础之上,对这些模型的优缺点做出相应的评价,同时分析了今后旅游预测的研究重点和发展趋势。
二、旅游需求预测中模型的应用(一)计量模型经济预测方法常用的有两类,一类是解释性预测方法,即找出预测变量的相关影响因素,建立回归模型,进行分析和预测。
另一类是时间序列分析方法,它只依赖于预测变量的历史观测数据和其背后的规律,通过相应的数学模型拟合出变化趋势,从而进行预测。
Kulendran et al .(2000)[1]研究发现误差修正模型EC M (Err or Correcti on Model )优于天真1(Naive 1)和季节性自回归移动平均法(S AR I M A )。
L i etal .(2006)[2]将误差修正模型EC M 和T VP (Ti m eVarying Para meter )两者的优点相结合而提出T VP -EC M ,并验证了比其他单一的分析方法有更好的预测效果。
线性回归L (L inear )和滞后线性模型LL (Lag L inear )在许多旅游预测中都有应用,但预测效果都不甚理想。
近乎理想需求方法A I D S (A l m ost I deal De mand Syste m )有很好的经济学理论基础,它特别适合于旅游需求的弹性分析。
L i,Song,W itt (2006)[3]将T VP 分别和EC M -LA I D S 与长期线性近乎理想需求方法LR -LA I D S 组成T VP -EC M -LA I D S,T VP -LR -LA I D S,并且证明这种组合模型的预测能力更好。
联立方程组主要强调的是各单个方程之间的内在联系,在社会管理方面应用较多,比如对G DP 、电力需求的预测。
Turner,W itt (2001)[4]运用联立方程组探讨了假日游、商务游和探亲游的内在关联,并对旅游需求做了分析与预测。
(二)时间序列模型由于旅游业存在着明显的季节性,因而季节这个显著特征变量成了重要的考察因素。
融合季节性的自回归移动平均法(S AR I M A )也就得到了广泛研究和运用。
Goh ,La w (2002)[5]在对香港的旅游预测中,选用了多种时间序列模型,分别是天真法Na 2ive 、移动平均法MA 、指数平滑法ES 、自回归移动平—24—3 收稿日期:2008-04-01作者简介:殷书炉(1982-),男,安徽太湖人,西北师范大学经济管理学院研究生,研究方向:数量经济学; 杨立勋(1965-),男,甘肃武山人,西北师范大学教授,研究方向:宏观经济统计分析及国民经济核算。
均法(AR I M A)、季节性自回归移动平均法(S AR I2 MA)、带干扰分析的自回归移动平均法。
通过对预测的准确性比较分析发现,S AR I M A方法预测效果最好。
然而S meral et al.(2005)[6]通过实证研究发现天真法1反而优于自回归移动平均法(AR I M A)和季节性自回归移动平均法(S AR I M A)。
多因素自回归移动平均法(MAR I M A)是相对于自回归移动平均法,它是在自回归移动平均法原有的基础上增加额外的信息以期获得更佳的预测效果。
Goh,La w(2005)[7]研究表明融合季节性的多因素自回归移动平均法(S MAR I M A)优于其他的时间序列模型;而Chu(1998)[8]通过研究比较发现,在天真1、天真2、指数平滑(ES)、回归模型(L)、正弦波动时间序列非线性回归、单因素自回归移动平均法(AR I M A)、多因素自回归移动平均法(MA2 R I M A)几个模型中,单因素自回归移动平均法(AR I M A)预测效果最为理想。
向量自回归(VAR)和广义条件异方差模型(G ARCH)也在旅游需求预测上取得了广泛的应用, Margarida De Mell o(2001)用受限制的集成向量自回归模型、A I D S来分析英国旅游者的长期旅游需求行为和对目的地市场份额进行预测,发现VAR模型具有良好的预测能力。
Wong(2006)[9]通过引进限制条件而提出贝叶斯向量自回归模型(Bayesian),发现比单一的VAR模型有更好的预测精度。
(三)人工智能方法人工智能方法近些年越来越多地被应用到旅游预测,最大优点是对数据的概率分布等额外信息没有严格的要求,有更好的包容性和适应能力。
1.粗糙集方法(Rough Sets)。
粗糙集理论是1982年波兰学者Z.Pa w lak提出的,它能有效地分析不精确,不一致,不完整等各种不完备的信息。
Au,La w(2002)[10]运用粗糙集理论分别对旅游购物、餐饮、观光支出进行了研究分析。
粗糙集理论更注重的是分类机制,而非传统分析方法的准确预测,因而可以作为一种可行的辅助手段。
2.遗传算法(Genetic A lgorithm s)。
遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
Montserrat(2005)[11]用结合跃迁概率矩阵的遗传算法来进行旅游需求预测,研究发现这种组合模型比单一的遗传算法有更好的预测精度。
Montserrat和Burger等都认为遗传算法更适合于解释旅游需求组合的变化。
3.模糊时间序列(the Fuzzy ti m e-series)。
模糊时间序列是从动态的角度出发,综合分析这种模糊化的时间序列数据的结构特征,从而达到预测和分析的目的。
模糊时间序列对于短期预测有很好的效果,W ang(2004)[12]用模糊时间序列、灰色模型和马可夫链改进模型对台湾地区的旅游做了预测,并通过误差分析发现模糊时间序列适合于中国香港到台湾地区的预测,灰色模型更适合于美国和中国香港到台湾地区的入境旅游预测,而马可夫链改进模型更适合于德国到台湾地区的旅游需求估计。
4.灰色理论(Grey theory)。
灰色理论认为在客观世界中,大量存在的不是白色系统(信息完全明确)也不是黑色系统(信息完全不明确),而是介于两者之间的灰色系统。
灰色理论中的数据处理不去寻找其统计规律和概率分布,而是对原始数据作一定处理后,使其成为有规律的时间序列数据,在此基础上建立数学模型。
朱晓华,杨秀春(2004)[13]以中国1978～2001年入境客源为例,定量分析线性回归、移动平均、指数平滑以及灰色模型的应用及其差异问题。
并发现线性回归模型的绝对误差最大,随着序列数据的减少,指数平滑绝对误差整体相对变大,而灰色模型绝对误差整体相对变小。
可见序列较短时灰色预测模型有较好的预测效果。
5.人工神经网络(ANN)。
人工神经网络,是一种理论化的人脑神经网络数学模型,在对人脑或自然神经网络的某些行为特征的抽象和模拟基础上,建立的一种信息处理系统。
La w,Au(1999)[14]运用了5种不同方法对日本到中国香港的旅游进行预测(表1)。
从表可以看出,神经网络模型在预测精度、标准化相关系数上显然优于其他模型。
表1预测结果比较Forecasting model MAPE Z RNeural net w ork10.59800.9851Naive18.29500.9712 Multi p le regressi on21.77300.9330Exponential s moothing22.14400.9605Moving average(3)27.35400.9382 神经网络模型以其并行处理能力、自学习、自组织、自适应能力和较好的容错性,从而适应了旅游数据信息不完整,影响因素多和非线性等诸多问题,弥补了传统预测方法的不足。
ANN没有像传统方法对变量的约束和数据的严格要求,它无需事先知道自变量和因变量之间潜在规则。
但也存在着自身的缺点:首先,模型预测过程像是一个“黑盒”,展示的内在经济涵义信息较少,不如解释性预测和时间序列预测丰富。
其次,容易受网络本身的拓扑结构复杂性和数据的复杂性影响,易出现过学习现象,从而导致低的泛化能力。
—34—6.支持向量回归(Support vect or regressi on)。
支持向量机(S VM)是20世纪90年代末期Vapnik 提出的一种新型机器学习方法,并在回归分析、经济预测诸多领域取得了成功的运用。
Kuan(2007)[15]用结合遗传算法的支持向量回归,人工神经网络,AR I M A对旅游进行预测。
从表2中可以看出三种模型都有较好的预测精度,相关系数都非常高。
而结合遗传算法的支持向量回归的预测精度最好。
表2预测结果比较Model MAPE(%)NMSE RG A-S VR2.4570.2260.999598BP NN2.7180.2450.999571AR I M A3.5930.6040.999532 通过诸多学者的研究比较发现支持向量回归克服了神经网络的缺陷,有更强的推广能力,更好的计算精度,预测结果的相对误差明显小于人工神经网络和其他传统方法。
较好地解决了小样本、非线性、高维数、局部极小点等实际问题。
除了上面的一些方法外,还有许多分析技术也应用到旅游预测中来,比如决策支持系统(DSS)、协整理论(C I)和Compertz方法等。
通过他们的研究发现这些方法在旅游预测中都有良好的预测效果。
三、模型应用效果及发展趋势(一)模型应用效果评价借助于模型的实证分析能对经济现象做出很好的解释和预测,而对于旅游这种数据难以获取,随机性大的分析对象,就需要清楚了解各种模型的要求和适用范围,这样才能取得预期的效果。