基于支持向量回歸的旅游短期客流量預(yù)測(cè)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(zhǎng)，給旅游景區(qū)造成極大沖擊。近年來(lái)由于游客擁擠、超載等問(wèn)題造成的安全事故頻發(fā)，給旅游景區(qū)造成了巨大的負(fù)面影響。準(zhǔn)確的旅游短期客流量預(yù)測(cè)能夠?yàn)槁糜喂芾碚咛崆皼Q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(guó)，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(jī)性等復(fù)雜特點(diǎn)，傳統(tǒng)的預(yù)測(cè)方法往往難以實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)，因此建立科學(xué)合理的短期客流

2、量預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)旅游景區(qū)不同時(shí)期的短期客流量預(yù)測(cè)，對(duì)旅游景區(qū)尤其是熱門景區(qū)乃至整個(gè)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(jì)學(xué)習(xí)理論的新的機(jī)器回歸分析方法，由于具有處理非線性、小樣本等問(wèn)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(jī)性等問(wèn)題，為復(fù)雜的短期客流量預(yù)測(cè)提供了一種新的選擇。
　　本文以旅游景區(qū)為研究對(duì)象，以科學(xué)準(zhǔn)確預(yù)測(cè)旅游景區(qū)短期客

3、流量為目標(biāo)，根據(jù)旅游短期客流量在不同時(shí)期表現(xiàn)出的特點(diǎn)，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(shí)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(yù)測(cè)問(wèn)題。
　　本文的主要研究?jī)?nèi)容如下:
　　1)對(duì)國(guó)內(nèi)外旅游客流量預(yù)測(cè)方法進(jìn)行了系統(tǒng)綜述，指出目前國(guó)內(nèi)外在旅游客流量預(yù)測(cè)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(chǔ)，提出本文研究的研究?jī)?nèi)容。
　　2)對(duì)短期客流量的主要影響因素進(jìn)行系統(tǒng)分析，進(jìn)

4、一步分析旅游短期客流量在不同時(shí)期的客流量特點(diǎn)，通過(guò)對(duì)旅游短期客流量不同時(shí)期客流量特點(diǎn)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(shí)期客流量。
　　3)針對(duì)平常日客流量非線性突出的特點(diǎn)，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(duì)SVR自由參數(shù)進(jìn)行選擇，并將該方法與BPNN模型進(jìn)行對(duì)比?；邳S山風(fēng)景區(qū)的有代表性的平常日短期客流量等相關(guān)數(shù)據(jù)驗(yàn)證表明

5、:GA-SVR模型較BPNN模型預(yù)測(cè)誤差更小，準(zhǔn)確性更高。
　　4)針對(duì)每年節(jié)假日客流量呈現(xiàn)的明顯季節(jié)性特點(diǎn)，提出基于季節(jié)調(diào)整的自適應(yīng)遺傳算法(Adaptive Genetic Algorithm，AGA)支持向量回歸模型，即季節(jié)指數(shù)調(diào)整(Seasonal Exponential Adjustment，SEA)的AGA-SVR預(yù)測(cè)模型(SEA-AGA-SVR)和季節(jié)因子調(diào)整(Seasonal index Adjustment，SI

6、)的AGA-SVR預(yù)測(cè)模型(AGA-SSVR)。其中SEA-AGA-SVR主要對(duì)短期客流量的季節(jié)性進(jìn)行事前調(diào)整后再進(jìn)行預(yù)測(cè);而AGA-SSVR重在事后對(duì)預(yù)測(cè)值進(jìn)行季節(jié)因子調(diào)整。來(lái)自黃山風(fēng)景區(qū)2008-2012年節(jié)假日的客流量數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，兩種季節(jié)調(diào)整方法均能有效的去除季節(jié)性成分，預(yù)測(cè)效果均優(yōu)于AGA-SVR方法，但是由于SEA-AGA-SVR直接對(duì)原始時(shí)間序列數(shù)據(jù)進(jìn)行季節(jié)性處理，預(yù)測(cè)效果優(yōu)于事后調(diào)整的AGA-SSVR模型，同時(shí)預(yù)測(cè)

7、時(shí)間也大大縮短。
　　5)針對(duì)旅游突發(fā)事件的突發(fā)性、無(wú)法預(yù)見(jiàn)性而導(dǎo)致的客流量高度不確定性、隨機(jī)性特點(diǎn)，提出基于混沌粒子群（Chaos Particle swarm optimization，CPSO）的SVR和自回歸移動(dòng)求和平均(Autoregressive Integrated Moving Average，ARIMA)相結(jié)合的混合模型即CPSO-SVR-ARIMA模型。先通過(guò)CPSO對(duì)SVR模型進(jìn)行尋優(yōu)，再用SV對(duì)突發(fā)事件時(shí)期