互聯(lián)網(wǎng)環(huán)境下基于消費(fèi)者搜索的旅游需求預(yù)測(cè)研究.pdf

1、科學(xué)的旅游需求預(yù)測(cè)是旅游學(xué)界研究的熱點(diǎn)問(wèn)題之一，也是旅游景區(qū)安全與應(yīng)急管理中的關(guān)鍵環(huán)節(jié)，可為旅游相關(guān)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(duì)突發(fā)事件等外部因素敏感，旅游需求曲線呈現(xiàn)出復(fù)雜的非線性特征;另一方面，我國(guó)旅游業(yè)發(fā)展相對(duì)較晚，可用的數(shù)據(jù)樣本容量較少。因此，傳統(tǒng)非線性預(yù)測(cè)技術(shù)無(wú)法充分捕捉旅游需求的動(dòng)態(tài)特征信息。
　　隨著互聯(lián)網(wǎng)的普及，消費(fèi)者信息搜索所產(chǎn)生的大量網(wǎng)絡(luò)搜索數(shù)據(jù)為解決這類問(wèn)題提供了新的思路。本文基于

2、網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)旅游需求進(jìn)行預(yù)測(cè)，主要研究?jī)?nèi)容如下:
　　(1)通過(guò)對(duì)旅游需求預(yù)測(cè)方法的演進(jìn)脈絡(luò)以及基于網(wǎng)絡(luò)搜索數(shù)據(jù)的旅游需求預(yù)測(cè)進(jìn)行梳理與總結(jié)，指出國(guó)內(nèi)外已有旅游需求預(yù)測(cè)方法的合理性與尚需改進(jìn)之處，以此為基礎(chǔ)提出本文需要解決的問(wèn)題。
　　(2)對(duì)游客動(dòng)機(jī)理論以及游客信息搜索行為理論進(jìn)行總結(jié)與分析的基礎(chǔ)上提出了網(wǎng)絡(luò)信息搜索、旅游者旅游決策與旅游需求的實(shí)現(xiàn)之間的動(dòng)態(tài)關(guān)系，利用統(tǒng)計(jì)分析等方法系統(tǒng)建立網(wǎng)絡(luò)搜數(shù)據(jù)的獲取與實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)

3、造方法，并構(gòu)建了實(shí)證研究框架。
　　(3)為系統(tǒng)探索消費(fèi)者信息搜索與旅游需求之間的潛在關(guān)系，以全國(guó)30個(gè)旅游城市為研究對(duì)象進(jìn)行面板分析。根據(jù)旅游六要素進(jìn)行分類，將獲得的搜索數(shù)據(jù)構(gòu)造成旅游要素搜索指數(shù)，同時(shí)加入相關(guān)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(shí)證分析結(jié)果表明:與“吃”、“游”以及“娛”相關(guān)的信息搜索較為穩(wěn)健，均對(duì)目的地游客流量有顯著的正的影響;而與“住”、“行”以及“購(gòu)”相關(guān)的信息搜索對(duì)被解釋變量的影響不顯

4、著;目的地門票價(jià)格指數(shù)對(duì)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(jià)格指數(shù)之間呈現(xiàn)倒“U”型的非線性關(guān)系，當(dāng)樣本限制為法定節(jié)假日時(shí)，價(jià)格指數(shù)對(duì)游客流量的影響不顯著。最后，初步驗(yàn)證了網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)游客流量的預(yù)測(cè)作用，基于訓(xùn)練集的擬合值和測(cè)試集的偽樣本外預(yù)測(cè)結(jié)果表明，網(wǎng)絡(luò)搜索數(shù)據(jù)的加入具有提高模型預(yù)測(cè)精度的潛力。
　　(4)針對(duì)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(yù)測(cè)模

5、型，嘗試?yán)孟M(fèi)者搜索數(shù)據(jù)(Consumer Search Data，簡(jiǎn)記為CS)構(gòu)造模型的輸入集。其中，蝙蝠算法(Bat Algorithm，簡(jiǎn)記為BA)用于優(yōu)化支持向量回歸(Support Vector Regression，簡(jiǎn)記為SVR)的自由參數(shù)，符號(hào)“&”旨在強(qiáng)調(diào)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(shí)證分析結(jié)果表明，所建立模型的預(yù)測(cè)性能明顯優(yōu)于BA-SVR、PSO-SVR&CS以及

6、GA-SVR&CS三個(gè)基準(zhǔn)模型，證實(shí)了BA與粒子群算法(Particle Swarm Optimization，簡(jiǎn)記PSO)以及遺傳算法(Genetic Algorithm，簡(jiǎn)記GA)相比，BA具有良好的參數(shù)優(yōu)化能力，同時(shí)證實(shí)了網(wǎng)絡(luò)搜索數(shù)據(jù)的加入能有效提高模型預(yù)測(cè)精度。
　　(5)旅游需求季節(jié)性波動(dòng)對(duì)模型預(yù)測(cè)結(jié)果會(huì)造成一定影響，而單一的非線性預(yù)測(cè)技術(shù)無(wú)法較好的對(duì)季節(jié)性波動(dòng)明顯的旅游需求進(jìn)行精確的預(yù)測(cè)。另一方面，與SVR類似，相關(guān)向

7、量機(jī)(Relevance Vector Machine，簡(jiǎn)記為RVM)具備良好的小樣本非線性預(yù)測(cè)能力，并且在預(yù)測(cè)復(fù)雜度以及預(yù)測(cè)輸出等方面有其獨(dú)特的優(yōu)勢(shì)。針對(duì)上述情況，建立SI-BA-RVM&CS混合預(yù)測(cè)技術(shù)對(duì)北京星級(jí)旅游飯店入住率進(jìn)行預(yù)測(cè)。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(jiǎn)記為SI）對(duì)季節(jié)性波動(dòng)造成的預(yù)測(cè)偏差進(jìn)行事后糾正，CS用于構(gòu)造模型的輸入集。預(yù)測(cè)結(jié)果表明SI的加入能有效糾正季節(jié)性

8、導(dǎo)致的預(yù)測(cè)偏差，CS的加入能顯著提高模型預(yù)測(cè)性能;另外，基于預(yù)測(cè)精度的顯著性檢驗(yàn)結(jié)果表明所建立混合預(yù)測(cè)模型與SI-BA-SVR&CS模型之間的預(yù)測(cè)能力沒有顯著差異。
　　(6)短期旅游需求預(yù)測(cè)能夠彌補(bǔ)中長(zhǎng)期預(yù)測(cè)所存在的一些不足，為決策的制定提供更為實(shí)時(shí)全面的信息。但短期旅游需求對(duì)一些外部事件更為敏感，使得單一的非線性模型無(wú)法對(duì)其進(jìn)行充分的擬合。另外，旅游官網(wǎng)點(diǎn)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(duì)上述情況，首次引入多模態(tài)

9、網(wǎng)絡(luò)數(shù)據(jù)(Multi-Modal Web Data，簡(jiǎn)記為MD)并建立BA-RVM-ARIMA&MD混合預(yù)測(cè)模型。其中，MD用以構(gòu)造模型的輸入集;ARIMA模型用于對(duì)BA-RVM&MD預(yù)測(cè)的殘差序列進(jìn)一步進(jìn)行擬合，然后將擬合值與BA-RVM&MD的預(yù)測(cè)值求和得到最終預(yù)測(cè)值。以九寨溝為例，對(duì)其日度游客流量進(jìn)行預(yù)測(cè)，結(jié)果表明所構(gòu)建的混合預(yù)測(cè)方法能有效擬合短期游客流量，與基準(zhǔn)模型相比，ARIMA以及多模態(tài)網(wǎng)絡(luò)數(shù)據(jù)的加入均能顯著改善模型的預(yù)測(cè)性