基于时间序列的旅游需求预测模型.pdfVIP

基于时间序列的旅游需求预测模型 陈萍萍 (浙江旅游职业学院，杭州311231) 摘 要：文章基于G省某一旅游城市的旅游航班、运量及游客的月度数据，利用MAE(平均绝对误差)、RMSE (均方百分比误差)和MAPE(平均绝对百分比误差)来论述在旅游需求预测中这三种方法与模型的预测效果，并 做了简略评价。 关键词：时间序列；旅游需求；预测模型 中图分类号：F201 文献标识码：A 文章编号 ：1002—6487(2013)18—0011-03 式中，Ot表示水平的加权参数，其中0≤ ≤1；表示 0 弓I育 趋势的加权参数，0≤ ≤1：8表示季节的加权参数。当 仅越大时，当前的观测值就会被给与更大的权重，在水平 旅游业在平衡国际收支、扩大对外开放、改善贸易结 上则就会显示较快的提高；当仅越小时，以前的观测值就 构、促进对外交流等诸多方面发挥着重要的作用。因此， 会被给与更大的权重。当^y越大时，当前的斜率估计就会 准确地旅游需求预测对于区域和国家而言意义深远。本 被给与更大的权重；当^y越小时，以前的斜率估计就会给 文在时间序列的基础上，以G省某一旅游城市旅游航班、 与更大的权重。A和 两个参数之间又存在着一定的内 运量及游客的月度数据为研究资料，利用指数平滑(ES)、 在联系，当d较大， 一般就会较小；相反，当Ot较小时，^y 季节性 自回归移动平均法 (SARIMA)，Elman人工神经网 一 般就会较大。 络技术构建月度旅游需求预测模型。通过比较MAE(平均 用公式(1)表示时间序列中下一时刻(t+1)的预测值， 绝对误差)、RMSE(均方百分 比误差)和MAPE(平均绝对百 再用公式 (2)减去公式(4)就可以修正公式(1)中的时间序 分比误差)来论述在旅游需求预测中这三种方法与模型的 列，这样模型时间序列的季节性周期变化就能得到更加有 预测效果。最终的结论是Elman人工神经网络模型在G 效地反映。 省某一旅游城市旅游需求的时间波动性上的反应更为明 我们可以借助于SPSS数据分析软件的网格搜索技 显，更适合该旅游城市的旅游需求预测。同时提出在时间 术，来确定指数平滑(ES)模型中的仅、 和8，这样我们 序列的基础上，将上述三种方法进行变权重组合，综合实 可以很清楚的得到这三个参数最小的误差平方和(SSE) 现旅游需求预测的设想。 的参数组合，也就是最佳 、 和8取值。 1．2 季节性 自回归移动平均法(SARIMA)75LSARIMA模型 1 旅游需求的预测方法及预测模型 时间序列预测技术的另一种很常见的预测方法是 ARIMA模型预测法，现在在各种采用时间序列的分析的 1．1 指数平滑法 (Es)及ES模型 方法中已被广泛地应用。众所周知，旅游行业表现出非常 指数平滑法是一种把无规律变化和趋势变化分离开 明显的季节性，在不同的季节会出现不同的旅游热点，所 的预测方法。有研究人员发现：当我们描述的某一时间序 以本文将季节这个显著的变量作为我们研究的重要考察 列的各构成要素或部分随着时间呈现出缓慢变化时，指数 因素，在此我们利用季节性 自回归移动平均法(SARMIA1 平滑方法(Es)构建旅游需求预测模型效果最佳。其主要 来分析G省某一旅游城市旅游需求。 原理的数学表达思想如下：