基于MATLAB的国内旅游发展预测
论文题目：基于MATLAB的国内旅游业发展预测基于MATLAB的国内旅游业发展预测摘要本文主要对国内旅游业市场收入以及发展进行预测和研究，从问题一二的特点出发，分别用一元多项式回归分析、指数模型、多元线性回归、多元非线性回归、灰色理论GM(1，N)以及BP神经网络，预测和分析国内旅游业的市场收入和发展。
针对问题一，根据相关数据，首先从简到难分别采取一元多项式回归、指数曲线对往年数据进行拟合，并对未来5年的旅游人数进行预测。
为了改进时间模型只考虑了时间这一单一变量的不足以及更好的反映和规划出旅游市场的发展，为此我们引入多元回归的分析，通过分析国内旅游人数，城镇居民人均旅游支出，农村居民人均旅游支出，公路里程，铁路里程相关变量对国内旅游收入的影响，建立多元非线性回归模型和多元线性回归模型，并改进，最后进行统计意义检验和经济意义检验。
通过分析，得出农村居民人均旅游支出对国内旅游业市场收入具有显著影响，且国内旅游市场收入在未来几年仍将持续增长，并有蓬勃发展的趋势。
针对问题二，在问题一的基础上以及分析相关度后，引入新的影响因素旅行社数量和星级酒店数量，进一步完善对国内旅游业市场的分析和预测，并再次建立多元线性回归模型，对以上影响因素进行参数检验和估计。
同时选择合适的影响因素建立灰色理论GM（1，N）模型，然后引进BP神经网络模型，由误差分析的结果可知，BP神经网络模型的预测结果是比较可信的。
最后通过比较这些模型的MAPE(绝对平均误差)，并对优缺点给出了客观的评价，进一步从预测和决策的的角度分析和选取对国内旅游收入这一问题适合的模型，并推广到其他领域。
本文的亮点是基于Matlab建立多种模型进行分析和预测，并进行统计意义检验和经济意义检验，最后用平均相对误差，来衡量各个模型的预测精度。
关键字：旅游收入Matlab 多元回归分析灰色理论GM（1,N）BP神经网络一、问题提出1.问题背景：改革开放以来，我国的旅游业呈现蓬勃的发展趋势，旅游业已成为中国社会新的经济增长点，在我国的经济建设中发挥了巨大的作用。
随着经济的发展和人民生活水平的进一步提高，相关旅游基础设施建设的完善，大众旅游时代已经悄然而至。
农村居民也正在成为整个旅游人群的主要组成部分，我们正迎来“大众旅游”的时代。
因此对旅游也经济收入的合理分析和正确预测，对促进旅游业的发展和规划有着十分重要的意义。
2.需解决的问题：（1）以国内旅游业为研究对象，收集近21年的相关数据，建立我国国内旅游收入的回归模型，并预测未来5年内国内旅游收入的情况。
（2）考虑其他国内旅游市场收入的影响因素，建立多种定量预测模型。
结合若干性能评价指标对这些模型进行对比分析，比较各模型的预测效果。
二、模型假设1. 假设统计的数据真实可信；2. 假设所建立的模型中，个别偏差太大的数据可据题适当调整；3. 国内旅游的变化主要受本文所研究的若干个因素影响；4. 旅游业发展相对平稳；5. 社会相对稳定，国家的旅游政策短时间内没有重大变化三、符号说明四、 问题一的模型与求解4.1数据的处理和拟合首先，对给定的1994-2014年的原始数据（见附件1），进行初步处理，利用MATLAB 编程(程序见附录2)，画出时间与各个因素的散点图并进行拟合，以及残差分析。
其中国内旅游人数的时间序列拟合(如错误！未找到引用源。
错误！未找到引用源。
)，城镇居民人均旅游支出的时间序列拟合(如图2图2城镇居民人均旅游支出的时间序列拟合)，农村居民人均旅游支出的时间序列拟合(如图3)，公路里程的时间序列拟合(如图4)，铁路里程的时间序列拟合(如图5)。
图1国内旅游人数的时间序列拟合图2城镇居民人均旅游支出的时间序列拟合图3农村居民人均旅游支出的时间序列拟合图4公路里程的时间序列拟合图5铁路里程的时间序列拟合为了更好的反映个因素和时间的关系，通过拟合曲线，建立各影响因素与时间序列的一元多项式回归模型：1...21+++++=m a t a t a a x m m通过Matlab 求解得到，该模型一元三次多项式，其中为了更好的拟合x 4建立一元二次多项式，分别为：553.0623.5841.98410.3774231++-=t t t x 363.0263.9893.59760.0926232++-=t t t x 28.79867.7196.54630.2257233-+-=t t t x67.57413.5350.296924++=t t x5.6680.31710.0280.0012235++-=t t t x最后，将2015年到2019年的时间的序号t 中22、23、24、25、26依次分别代入以上各影响因素与时间序列的一元多项式回归模型中利用Matlab 进行求解,得到未来五年的各个因素的值。
见表1表1各影响因素2015-2019年预测值4.2 一元多项式回归在建立旅游市场的预测模型中，运用回归分析的方法建立回归模型是较为常用的一种方法。
回归分析模型主要有线性回归模型和非线性回归模型两大类，在线性模型中叉可分为一元线性回归模型、多元线性回归模型和多项式回归模型。
简单的回归分析模型，即一元线性回归模型，是趋势外推模型中最为简单和实用的一种模型，在对旅游收入建立较复杂的多元回归模型之前，先用简单回归分析法对旅游收入的模型预测进行探讨。
根据相关数据，绘制出国内旅游收入随时间的散点图进行拟合。
（如图6） 建立一元多项式回归模型：1...21+++++=m a x a x a a y m m利用Matlab 自带的拟合工具箱进行多项式拟合，综合预测精度高、分析方便，等因素考虑，通过Matlab 求解得到，该模型一元三次多项式为：59.55513129.1768798.823-+-=x x x y图6国内旅游收入时间序列拟合绘制残差图（如图7），得到残差模 = 1.8365e-11并且由残差图可以很明确的看出，一元三次多项式很好的拟合了原来的数据。
图7一元三次多项式拟合残差图由该模型预测的2015-2019年的旅游收入如表2：表2一元多项式回归模型预测未来5年旅游市场收入4.3 指数模型根据国内旅游收入时间序列的散点图，大致看出它的发展趋势，符合指数曲线的模型，因此建立指数模型，来拟合数据，然后根据这个模型来预测未来五年的旅游收入情况。
1994-2014年国内旅游市场收入的散点图如图8图8国内旅游市场收入1994-2014年散点图由matlab 计算得到回归方程：由该模型预测的2015-2019年的旅游收入如表311046.416)1994(2147.0+=-t e y表3指数模型预测2015-2019年国内旅游市场收入值综合以上分析，对旅游市场收入的预测模型研究都是基于一个自变量，即时间序号来进行的，因此都是一元回归模型。
通常这些回归模型都具有较好的拟合度，都能用于旅游收入的短期预测，而且通过模型还可以进行诊断分析、异常点检验、强影响点检验等多种更高级的统计分析，和指数模型相同，都可以较好的解决问题，但是随着时间的序列的递增，其预测值一直上升，并且没有考虑其他因素的影响，为此我们引入多个变量，建立多元非线线性规划。
4.4 非线性线性回归模型由于旅游业的综合性和易波动性等特征，影响旅游市场收入的因素往往有很多，综合前面的分析我们针对国内旅游市场收入建立多元非线性回归模型：2524232221ex dx cx bx ax y ++++=利用Matlab(程序见附件1.2)进行求解得到该多元非线性回归模型：25242322218292.10078.00237.00021.00015.0x x x x x y ++++=从模型可以看出充分的考虑了，各因素对国内旅游市场收入的影响，并结合各因素未来5年的拟合值，分析并结合各因素拟合值，预测未来5年的收入。
表4多元非线性回归模型在matlab 通过逐步回归分析对5个变量进行引入和移除的动态分析，逐步回归分析如图9所示：图9逐步回归分析通过逐步分析，可以看出相关系数R 2=0.996，从拟合优度的角度看，在多元非线性回归中用R 2作为修正的可决系数反映模型解释实际问题的能力有多大，其值越接近 1，表明模型的拟合程度就越高。
在上述模型中R 2=0.996，说明模型的拟合优度非常好。
且显著性水平为F=859.51，误差RMSE=594.51，在进行综合考虑后，决定保留这5个因素。
4.5 多元线性回归模型在考虑多因素的情况下，为了使模型简化，并且利于分析和决策，将非线性模型进行线性分析，并建立旅游收入的多元线性回归模型。
设影响因变量y 的自变量个数为m 个，多元线性模型是指这些自变量对y 的影响是线性的，即关系式εβββββ++++++=m m x x x x y ....5322110（１）其中：m ββββ....,,210 是1+m 个未知参数，0β为常数项，m βββ,...,,21 称为回归系数；m x x x x ,...,,,321 是m 个可得到精确值并能够控制的一般变量，称为解释变量，称ｙ为对自变量m x x x x ,...,,,321的线性回归函数，是随机误差，通常认为()2,0~σεN 。
则⎪⎪⎩⎪⎪⎨⎧+++++=+++++=+++++=εββββεββββεββββnmp n n n m p m p x x x y x x x y x x x y (22110222221102112211101)， 其中，n i ,...,2,1=，这个模型称为多元线性回归模型。
ε⎪⎪⎪⎪⎪⎪⎭⎫⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=nm n n m m m n x x x x x x x x x x x x X y y y Y ...1......1...1...1,2133231222211121121 ，⎪⎪⎪⎪⎪⎭⎫⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=n m εεεεββββ2110,则上述模型的矩阵形式为：εβ+=X Y 。
综上，记y 为国内旅游收入，国内旅游人数1x ，城镇居民人均旅游收入2x ，农村居民人均旅游收入3x ，公路里程4x ，铁路里程5x 。
则建立出5元回归模型εββββββ++++++=55443322110x x x x x y ，其中ε是随机误差服从正态分布N(0,δ),i β（i=0,1…5）为回归系数。
通过Matlab 进行求解（程序见附件1.3）,得到多元线性回归方程如下：54321221.5018.187.823.0910.34-3219.63x x x x x y +-+-+=由方程可知，国内旅游人数，农村居民人均旅游支出对国内旅游收入的影响较大，其中旅游人数对旅游收入影响最大，同时可以看出，城镇居民人均旅游支和铁路里程对旅游收入的影响较小，而公路里程对旅游收入是负影响。
基于统计回归matlab的上海城市公园数量预测模型
基于统计回归matlab的上海城市公园数量预测模型上海作为我国经济发达城市之一，人口密集，城市化程度高，城市规划和建设一直备受关注。
城市公园是城市居民休闲娱乐、健身锻炼的重要场所，也是缓解城市压力、改善城市环境的重要载体。
研究上海城市公园数量预测模型，对合理规划城市公园布局，满足城市居民休闲需求，提高城市生活质量具有重要意义。
1. 研究背景上海城市公园的建设和数量分布一直备受关注。
随着城市化进程的不断加快，城市人口持续增长，城市面积不断扩大，城市公园的数量和空间布局面临着新的挑战。
基于统计回归matlab的上海城市公园数量预测模型的研究具有重要意义。
2. 数据收集为了建立上海城市公园数量预测模型，首先需收集上海城市公园的相关数据，包括公园数量、面积、位置分布等信息。
还需要收集上海城市人口数据、城市用地数据、环境质量数据等相关数据，用于构建、验证模型。
3. 模型建立在收集了相关数据后，需要借助统计回归分析的方法，利用matlab等工具，建立上海城市公园数量的预测模型。
在建模过程中，需要分析公园数量与城市人口、用地规划、环境质量等因素之间的关系，选择合适的自变量，并进行回归分析，得到预测模型。
4. 模型验证建立预测模型后，需要对模型进行验证。
可以通过历史数据比对预测值与实际值的差异，评估模型的准确性和可靠性。
还可以采用交叉验证、自举法等方法对模型进行验证，提高模型的稳定性和适用性。
5. 模型优化在模型验证的基础上，可以对模型进行优化。
可以通过引入新的变量、调整模型参数、改进模型算法等方式，提高模型的预测能力和适应性，使模型更加符合实际情况。
6. 结论与展望通过基于统计回归matlab的上海城市公园数量预测模型的研究，可以得出合理的模型预测结果，为上海城市公园的规划建设提供科学依据。
该研究也为其他城市和地区的城市公园规划提供了借鉴和参考。
基于统计回归matlab的上海城市公园数量预测模型的研究，对于指导城市公园建设规划、提高城市生活质量具有重要意义。
基于SVM的山西省旅游需求预测与分析
扣： １
（） ４
Ｓ ＶＭ 主要 基于 如下 思想 ： 先选 择一 非线 性 映射 首
ｚ 把 ｎ维 样 本 向量 （ ｌ ） … ，ｚ ， ｆ ∈Ｒ ×Ｒ 从 ） ｚ ， ， （ ｆＹ ） １
２ 对 山西 旅 游需 求 预测 的支 撑 向量机 模 型设 计
参 考 文 献
２０ ０ ２年 ，０ ４年 ～ ２ ０ ２０ ０ ９年 ） Ｙ轴 为 对 应 的旅 游 人 ，
数（ 单位 ： 人次 ） 圆圈为 测试数 据结果 。使 用神 经 网 万 ，
其 中 嘶 为拉格 朗 日乘 子 ， 一步通 过 求解 原 问题 进
的对偶 问题式 （ ） 获得解 。 ３来
ｍｎ （ 一 嘶 Ｅ ｉ ・ ｉ 口 一１ ａ ｊ ） ｉ， ａ （ ）
口≥ Ｏ ｉ １ … ， ｆ ，＝ ， Ｚ
１ Ｓ ＶＭ 理 论
Ｓ ＶＭ 是 基 于 由 Ｖａ ｎｋ １ 立 的统 计 学 习 理 论 ， ｐ ｉ［ 建 通 过 结 构 风 险最 小 化 原 理 来 提 高 泛 化 能力 的 一 种 方
８６ ０ ２
３ 预 测 实 验
在 预 测 国内和 国外 旅 游人 数 实验 中 ， 取 了 ６个 选
裹 ２ 运 用神 经 网 络 方 法 进 行 国 际旅 游 需 求预 测
训练数据集如下 （ 单位 ｔ 万人次） 。
训 练 数据 ， ３个测 试 数据 ， 别使 用 Ｓ 分 ＶＭ 方 法 和神 经
基于 Ｓ ＶＭ 的 山西 省旅 游需 求 预 测 与 分 析
文 覃 编 号 ：０ ３５ ５ （ ０ １ ０－ ０ ２０ １０ － ８０ ２ １ ）９０ ３ －２
基 于 Ｓ Ｍ 的 山西 省 旅 游 需 求预 测与 分析 Ｖ
基于MATLAB的中国入境旅游六大典型区域的时空差异研究
空间分布差异［ ； ５ 崔郁等人 以八大经济区为基 础，
利用标 准差 和变异 系数 对 中国国 际旅游 经济 区域 差
异进行分 析 ； 根 年 等 人 划 分 出 七 大旅 游 区 ， 孙 分 析 中国入境旅 游地域结 构时空 动态演变 过程 ［ｌ ７。
以往学者们 的研究 ， 多利用行政 区划或经济 区 划 的视 角来研究 旅 游差 异 ， 即多偏 重 于对 面状 区域
第２ ５卷第 ２ 期
Ｖ０． ５ Ｎｏ ２ １２ ．
统 计 与 信 息 论 坛
Ｓ ａｉｔ ｓ＆ Ｉｆ ｒ ｔ ｎ Ｆ ｒ ｍ ｔｔｓｉ ｃ ｎ ｏｍａｉ ｏ ｕ ｏ
２１ 年 ２ ００ 月
Ｆｅ ． ２ １ ｂ ．０ ０
【 统计应用研究】
基 于 ＭＡ Ａ ＴＬ Ｂ的
中国入境旅游六大典型区域 的时空差异研究
金项 目 基于客流跟踪 的旅华游客 目的地意象认知研究／４９１７）陕西省 自然科学基金项 目《 《 （ ００７ ； ０ 基于图像 的数
字陕西景 区虚拟旅游研究》２ ０ ￡ ３ （０ ６ Ｏ ） 作者简介 ： 郑
７ ８
鹏（９ ０ ， ， １８ 一）男 山西长治人 ， 博士生 ， 研究方 向： 旅游市场与开发 。
的划分 与探讨 。然 而 ， 国入 境旅 游 流 主要是 在 热 中 点旅游 城市结点 之 间进 行 的 ， 这些 主 要旅 游城 市 的 入境旅 游人 次数 一 直 保持 在 占全 国 ７ ％ 以上 的 比 ０ 例 。旅 游城市是 旅 游者 旅 游 活动 的 聚集 、 分散 和 中 转地 ， 旅 游 流 空 间 网 络 中发 挥 着 重 要 的作 用 在 ８。 换言之 ， 入境旅 游者 的旅 游 外 在 吸引 力是 来 自于 著
基于MATLAB的层次分析法在旅游决策问题中的应用
ｊ 一＂
环节 ， 可 以由多个层次组成 ， 即为所需考虑 的准则 、 子准则 。 是层 次 结构模 型的 中间层 。 ③方案层 Ｐ ： 它是为实 现 目标而供选择 的各种 措施 、 决策方案等 ， 是层 次结构模型 的最低层 。 ２ ． ２构造 成 对 比较矩 阵 成对 比较矩阵 是表示本层所有 因素针对上一层 的某个 因素 的相对 重要性 ， 矩阵 Ａ 中元素 ａｆ ｆ 的值反映 了人们对 因素关于 目标 的相对重要性的认识。 例如在 准则层 中所有因素 中每 次取两个因素
目标屡 ０
表 ２ 随 机 一 致 性指 标 Ｒ， 的数 值
Ｉ ０ ｌ ０ ｌ ０ 。 ５ ８ １ ０ ． ９ ０ Ｉ． １ １ ２ １ １ ． ２ ４ Ｉ １ ． ３ ２ ｌ １ ４ １ ｌ １ ． ４ ５ Ｉ １ ． ４ ９ Ｉ １ ． ５ １
３ ５ ７
９
ｒ，
ｃ 比ｃ 的影响 稍强 ｅ比 ｃ ， 的影响强 Ｃ ， 比Ｃ ＋ 的影响明显的强
Ｃ ， 比ｃ 的影响绝对的强
２ ． ４层 次总排 序 及其 一 致性 检验
层次总排序是计算 同一层次所有 因素对于 目标层相对重要性 的排序权重向量 ， 这一过程是 自上而下逐层进行 的。 若准则层 Ｃ包
应 用 研 究
黪 救广 字ｉ
一
黪
基于 ＭＡ Ｔ Ｌ Ａ Ｂ的层次 分析法在旅游决策 问题 中的应用
齐 圆华
（ 海南软件职业技术学院 海南琼海 ５ ７ １ ４ ０ ０ ）
摘要： 利用层次分析法解决实际问题时涉及到一些大量繁琐的计算， 不能及时做出决策。 运用ＭＡ Ｔ Ｌ Ａ Ｂ 编程， 使层次分析法的计算变得简单可
Matlab神经网络预测旅游人口、失业率等
s=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;527 668 841;668 841 526;841 526 480;526 480 567;480 567 685];p=s';t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];%数据归一化处理%mapminmax函数默认将数据归一化到[-1,1][normInput,ps]=mapminmax(p);[normTarget,ts]=mapminmax(t);%将输入的15组数据的20%，即3组，用来作为测试数据；% 样本的20%，即3组，用来作为变化数据；%另外9组用来正常输入，用来训练；testPercent=0.20; % Adjust as desiredvalidatePercent=0.20; % Adust as desired[trainSamples,validateSamples,testSamples]=dividevec(normInput,normTarget,valida tePercent,testPercent);% 设置网络参数for j=1:200NodeNum1=20; % 隐层第一层节点数NodeNum2=40; % 隐层第二层节点数TypeNum=1; % 输出维数TF1='tansig';TF2='tansig';TF3='tansig';%各层传输函数，TF3为输出层传输函数%如果训练结果不理想，可以尝试更改传输函数，以下这些是各类传输函数%TF1 = 'tansig';TF2 = 'logsig';%TF1 = 'logsig';TF2 = 'purelin';%TF1 = 'tansig';TF2 = 'tansig';%TF1 = 'logsig';TF2 = 'logsig';%TF1 = 'purelin';TF2 = 'purelin';net=newff(minmax(normInput),[NodeNum1,NodeNum2,TypeNum],{TF1 TF2 TF3},'traingdx');%网络创建% 设置训练参数net.trainParam.epochs=10000;%训练次数设置net.trainParam.goal=1e-6;%训练目标设置net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛% 指定训练参数%---------------------------------------------------% net.trainFcn = 'traingd'; % 梯度下降算法% net.trainFcn = 'traingdm'; % 动量梯度下降算法%% net.trainFcn = 'traingda'; % 变学习率梯度下降算法% net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法%% (大型网络的首选算法)% net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小%% (共轭梯度算法)% net.trainFcn = 'traincgf'; % Fletcher-Reeves修正算法% net.trainFcn = 'traincgp'; % Polak-Ribiere修正算法,内存需求比Fletcher-Reeves 修正算法略大% net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大%% (大型网络的首选算法)%net.trainFcn = 'trainscg'; % Scaled Conjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多% net.trainFcn = 'trainbfg'; % Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快% net.trainFcn = 'trainoss'; % One Step Secant Algorithm,计算量和内存需求均比BFGS 算法小,比共轭梯度算法略大%% (中型网络的首选算法)%net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法,内存需求最大,收敛速度最快% net.trainFcn = 'trainbr'; % 贝叶斯正则化算法%% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm' net.trainfcn='traingdm';[net,tr] = train(net,trainSamples.P,trainSamples.T,[],[],validateSamples,testSamples); [normTrainOutput,Pf,Af,E,trainPerf] = sim(net,trainSamples.P,[],[],trainSamples.T);%正常输入的9组p数据，BP得到的结果t[normValidateOutput,Pf,Af,E,validatePerf] = sim(net,validateSamples.P,[],[],validateSamples.T);%用作变量3的数据p，BP得到的结果t[normTestOutput,Pf,Af,E,testPerf] = sim(net,testSamples.P,[],[],testSamples.T);%用作测试的3组数据p，BP得到的结果ttrainOutput = mapminmax('reverse',normTrainOutput,ts);%正常输入的9组p数据，BP 得到的归一化后的结果ttrainInsect = mapminmax('reverse',trainSamples.T,ts);%正常输入的9组数据t validateOutput = mapminmax('reverse',normValidateOutput,ts);%用作变量3的数据p，BP得到的归一化的结果tvalidateInsect = mapminmax('reverse',validateSamples.T,ts);%用作变量3的数据t testOutput = mapminmax('reverse',normTestOutput,ts);%用作变量3组数据p，BP得到的归一化的结果ttestInsect = mapminmax('reverse',testSamples.T,ts);%用作变量3组数据t%绝对误差计算absTrainError = trainOutput-trainInsect;absTestError = testOutput-testInsect;error_sum=sqrt(absTestError(1).^2+absTestError(2).^2+absTestError(3).^2);All_error=[absTrainError absTestError error_sum];eps=90;%其为3组测试数据的标准差，或者每个数据偏差在一定范围内而判别if((abs(absTestError(1))<=30 )&(abs(absTestError(2))<=30)&(abs(absTestError(3))<=3 0)|(error_sum<=eps))save mynetdata netbreakendjendjMin_error_sqrt=min(All_error)testOutputtestInsect%---------------------------------------------------% 数据分析和绘图%---------------------------------------------------figureplot(1:12,[trainOutput validateOutput],'b-',1:12,[trainInsect validateInsect],'g--',13:15,testOutput,'m*',13:15,testInsect,'ro');title('o为真实值，*为预测值')xlabel('各组');ylabel('交通量（辆次/昼夜）');figurexx=1:length(All_error);plot(xx,All_error)title('误差变化图')。
基于Matlab的国内旅游消费的影响因素分析
ｒ ｅ ｒｅ ｇ ｓ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｍｒ ａ ｌ ｙ ｓ ｉ ｓ（ Ｐ Ｃ Ａ］ ａ ｒ ｅ ｕ ｓ ｅ ｄ ｔ ｏ ｒ ｅ ｄ ｕ ｃ ｅ ｍｕ ｌ ｔ ｉ ｃ ｏ ｌ ｌ ｉ ｎ ｃ ａ ｒ ｉ ｔ ｙ ａ ｎ ｄ ｏ ｐ ｔ ｉ ｍｉ ｚ ｅ ｔ ｈ ｅ ｍｏ ｄｅ ｌ ， ｗ ｈ ｉ ｃ ｈ ｍａ ｋ ｅ ｔ ｈ ｅ ｍｏ ｄ －
旅游 业 改 革 ，推 进 国内 旅游 市 场 的健 康 发展 长期 以来 ． 入 境旅 游旅 游是 我 国旅 游业 的 主要 部 分 ，受到 政 府 和企 业 的 广 泛 关注 。而近 年来 ， 国内旅 游迅速 发
一
、
引言
国际旅 游 收入 【 １ Ｉ ． 成 为 了 拉动 国 民经 济
的 重要 力 量 ．在 我 国的 社会 发展 中 的
行 了探 究Ｉ Ｓ ］ 。 滕丽 等 对 不 同城 市 进行 了
全球 旅 游业 迅速 发展 ， 规模 逐步 增
分类 ． 并探 讨 了 四个 因素 对 城市 居 民旅
大 ，引 起 了广 大学 者的 关注 。在我 国 ． 随着 经 济 飞 速发 展 ．特 别 在 改 革 开放 以后 ． 实 现 了 跨越 式 的突 破 ， 人 民 收入 大 幅提 高 ， 加 大 了在 旅 游 消 费 的投 入 ， 促 进 了我 国 旅 游业 的 发展 ．对 提 升我 国经 济 的发 展速 度起 了重要作 用 。 ２ ０ ０ ９ 年， 国务 院颁 发 的《 国务 院 关 于加 快 发
售旅游商 品所获 得 的收入 ． 是 在 已经 创
造 的国民 收入 再次分 配 的一 部分 ｆ ７ １ 。用
基于MATLAB的中国入境旅游六大典型区域的时空差异研究
第25卷第2期Vol.25 No.2统计与信息论坛Statistics &Information Forum2010年2月Feb.,2010收稿日期:2009-09-16;修复日期:2009-12-12基金项目:国家自然科学基金项目《中国典型区域入境旅游东-西递进空间演化机理研究》(40771058);国家自然科学基金项目《基于客流跟踪的旅华游客目的地意象认知研究》(40901077);陕西省自然科学基金项目《基于图像的数字陕西景区虚拟旅游研究》(2006D03)作者简介:郑 鹏(1980-),男,山西长治人,博士生,研究方向:旅游市场与开发。
【统计应用研究】基于MA TLAB 的中国入境旅游六大典型区域的时空差异研究郑 鹏1,马耀峰1,李天顺1,孙天宇2(1.陕西师范大学旅游与环境学院,陕西西安710062;2.西北工业大学理学院,陕西西安710072)摘要:从中国主要旅游城市中选取出具有代表性的38个城市组成六大典型区域,以城市为基本空间单元,采用MA TLAB7.0软件,运用Theil 系数阶段嵌套分解法定量研究了六大典型区域入境旅游的时空差异特征变化情况。
结果表明:在空间尺度上,六大典型区域入境旅游发展存在非均衡性,总体差异主要来源于区域间差异的贡献;环渤海、长三角、珠三角区域与成渝、云贵、泛西安-丝路区域之间的差异较大;六大典型区域内差异都偏低,但环渤海和长三角区域内差异相对较高。
在时间尺度上,受区域间差异影响,六大典型区域总体差异演变呈波动状上升发展,凹形谷分别出现在1997年、2000年和2003年。
关键词:Theil 系数;MA TLAB ;时空差异;六大典型区域;入境旅游中图分类号:F590 文献标志码:A 文章编号:1007-3116(2010)02-0078-06一、问题的提出改革开放以来,中国的旅游事业蓬勃发展,现已成为全球第四入境旅游大国,世界上增长最快的旅游目的地国,公认的最佳旅游目的地之一。
基于数学模型对游乐园游玩路线的分析和设计
基于数学模型对游乐园游玩路线的分析和设计姜高亮;李俊锋【摘要】针对游乐场的游园规划问题,着重点在个人的游玩体验上.在此,采取协调控制方法,从个人游玩体验出发构建了项目协调模型,该模型综合反映了对游客偏好、项目拥挤情况和道路阻抗因素的平衡.首先通过matlab随机生成了某游客对各个项目的偏好程度,并结合matlab编程求解出了该游客游玩的最优路线.与此同时提出了Logit路径分配方案和Floyd最短路径方案,对游玩线路进一步优化.通过该模型选取了个人最理想的项目,并给出了初步的游玩路线.【期刊名称】《承德石油高等专科学校学报》【年(卷),期】2019(021)003【总页数】4页(P54-57)【关键词】数学模型;MATLAB;路线规划【作者】姜高亮;李俊锋【作者单位】郑州大学化工与能源学院,河南郑州 450001;郑州大学化工与能源学院,河南郑州 450001【正文语种】中文【中图分类】TU984近年来，随着中国经济的快速发展，中国额旅游业增长迅猛，许多著名景区人满为患。
游乐园作为假期家庭的娱乐休闲场所，其无处不在的新奇、刺激和冒险游乐项目，带给人们无数的快乐和欢笑，吸大多数游客。
1 研究背景在游乐园中，随处可见大量游客，使得原本项目众多的游乐园变得异常拥挤，与此同时，游客排队等待耗费许多游玩时间，严重影响游园者的体验。
在游玩过程中，由于游乐园面积很大，很多游客往往会因为没有规划好合理的路线而玩的不尽兴，这就需要我们制定合理的游玩路线，满足旅游需求，达到游玩更多项目的目的。
2 模型分析通过游客在迪士尼游玩项目的种类，项目排队时间，项目数量等等因素，可以建立游客游玩最佳体验目标函数，而对于不同游客对同一项目可能有不同的偏好度，可以通过随机偏好度来模拟不同人群，进而分析游客在不同项目游玩的排队时间，建立游客动态游览路线模型，得出仅有一天游玩时间的等待时间最优，游玩项目最优，游玩体验最优的策略。
3 模型假设1)假设游客一天内最多只游玩某个项目一次。
我国海外旅游人数预测
（二） 、误差分析 上述曲线拟合中都存在着大量的误差， 导致了预测后的数据并不是非常的
准确，下面我们将分析上述十二个曲线拟合的误差情况.一月份曲线拟合的误差 平方是 0.5214，这个误差是我们可以接受的，误差并不大.二月份曲线拟合的误 差平方是 45.84，这个误差就很大了，利用这个误差去预测未来几年的海外旅游 人口数是有些不对的， 从表中的数据中我们可以看出造成这样的误差主要原因是 这个月份的数据波动比较大. 三月份曲线拟合的误差平方是 1.647，这个误差是 我们可以接受的. 四月份曲线拟合的误差平方是 5.339，五月份曲线拟合的误差 平方是 16.28，六月份曲线拟合的误差平方是 10.92，七月份曲线拟合的误差平方 是 9.087. 八月份曲线拟合的误差平方是 3.756. 九月份曲线拟合的误差平方是 23.25,这个误差也是偏大的，十月份曲线拟合的误差平方是 13.42, 十一月份曲线 拟合的误差平方是 83，这个误差是非常大的不太适合用这个曲线拟合去预测以 后几年的我国海外旅游人数. 十二月份曲线拟合的误差平方是 2.348.
一月 9.33 9.75 10.21 10.89 11.95 13.57 15.90 19.11 23.38 28.86 35.72 44.14 54.27 66.28
二月 9.68 13.14 17.00 21.26 25.93 31.00 36.47 42.35 48.63 55.31 62.40 69.89 77.79 86.08
二、问题的提出
下表给出了自 1997 年至 2003 年来我国海外旅游人数的数据，单位：万人 年代 1997 1998 1999 2000 2001 2002 2003 1月 9.4 9.6 10.1 11.4 11.5 13.7 15.4 2 11.3 11.7 12.9 26 26.4 29.7 17.1 3 16.8 15.8 17.7 19.6 20.4 23.1 23.5 4 19.8 19.9 21 25.9 26.1 28.9 11.6 5 20.3 19.5 21 27.6 28.9 29 1.78 6 18.8 17.8 20.4 24.3 28 27.4 2.61 7 20.9 17.8 21.9 23 25.2 26 8.8 8 24.9 23.3 25.8 27.8 30.8 32.2 16.2 9 24.7 21.4 29.3 27.3 28.7 31.4 20.1 10 24.3 24.5 29.8 28.5 28.1 32.6 24.9 11 19.4 20.1 23.6 32.8 22.2 29.2 26.5 12 18.6 15.9 16.5 18.5 20.7 22.9 21.8
杭州市未来旅游需求的预测(数学建模)
杭州市旅游需求的预测预报摘要本文研究了杭州市入境旅游人数的预测问题。
作为国际风景旅游型城市之一，在下一个五年计划到来之际，对杭州未来旅游人数进行预测是很有意义的。
本文从环境、经济状况，交通、人口等因素出发，以时间序列模型，多元线性回归模型，灰色系统等三类模型入手，建立旅游需求的预测数学模型，并对其进行了预测的检验和模型的比较。
根据相关数据，我们首先以最简单的时间序列模型分别用一次、二次、三次、四次指数对往年数据进行拟合，发现二、三、四次指数拟合效果较好，并且拟合效果接近，为了表达式的简洁，我们选择二次指数作为预测模型对未来两年的旅游人数进行预测。
在模型二中，为了改进时间模型的滞后性，得到更精确的结果，将影响旅游人数的各个因素（包括经济实力，人口，环境以及交通状况）进行了多元线性回归，对实际值和预测值比较得出只有3.19%的较精准的相对误差率，并得出影响杭州旅游人数的主要因素在于人口、经济实力以及交通的结论。
进一步，考虑到时间模型在时间趋于无穷大时人数也趋与无穷大，显然不符合实际。
所以基于杭州市旅游人数不会发生巨大变化的假设，利用逐年的历史数据，用灰色模型理论预测其发展情况，根据灰色模型中对参数a的要求，得到的结果满足中长期预测。
另外，根据预测模型利用后验差法进行了检验，误差只有4.42%,综上，我们用灰色模型对未来十年进行预测预报。
但在检验中我们发现，2010年出现了7.84%的较大误差，这应该是和2010年在上海举办的世博会有关。
考虑到2011年杭州将举行全国第八届残疾人运动会，以及杭州市政府在“十二五”规划下对旅游业的高度重视，我们认为2010年将是杭州旅游业的一个转折点，未来杭州市旅游人数将持续强劲增长，所以我们没有剔除2010的数据。
最后，我们对模型对比分析了优缺点，同时进行了简单的推广。
并根据预测结果对提升杭州旅游收益提供了相关意见。
关键字：旅游需求预测、时间序列模型、多元回归模型、灰色模型，政策建议。