基于LS—SVM方法的景区客流中期预测研究.pdfVIP

旅 游 学刊 第 28卷 2013年第4期 基于LS—SVM方法的景区客流中期预测研究 余向洋，胡善风 ，朱 国兴，李德 明 (黄山学院旅游学院，安徽 黄 山245021) [摘 要]受到季节性、外部冲击和经济周期等因素作用的 规划、旅游市场资源优化配置、旅游企业战略计划和 景区客流波动幅度大，其预测一直是旅游学研究中的难题 ， 决策制定等方面有着极为重要的作用 J。因而，旅 尤其是 中长期预测。文章采用当前使用极为广泛的最小二 游客流预测一直是旅游研究中的热点，但又是旅游 乘支持向量机方法 (1eastsquaressupportvectormachines，LS· 学界面对的难点课题 。 SVM)对黄 山风景区客流月度数据(1987年 1月 ～2010年 12 在 1960～2002年间，世界上与旅游相关的70 月)进行了2年时间尺度的预测，结果表明：采用LS—SVM 方法进行景区客流 中期预测 ，其预测的各项性能指标均 明显 种研究刊物中，出版了旅游预测方面文献420篇 J。 优于 BP神经网络 (BackPropagationNeuralNetwork)、X一12 宋和李(SongLi)对 2000～2007年的 121篇旅游 一 ARIMA(AutoregressiveIntegratedMovingAverageMode1)、 需求预测方面的文献进行了详尽的综述研究，分析 经验模 态分解 (empiricalmodedecomposition，EMD)与 LS— 了当前国际上旅游需求预测研究态势：研究方法上 SVM组合预测方法，即EMD—LSSVM方法，预测效果理想，并 主要有非因果性时间序列和因果性计量分析方法两 且具有训练时间短、精度高等优点。其较为准确的预报能力 大类，并且呈现出日益多样化的趋势，在以时间序列 能够为景区规划管理和战略决策提供科学依据，具有较高的 模型(其中72篇采用该方法)和经济计量模型 (71 实用价值 。 篇出现该方法)为主体的同时，出现了人工智能方 [关键词]景区客流；最小二乘支持向量机；中期预测；黄山 风景 区 法 、人工神经网络、粗糙集方法、遗传算法、模糊时间 [中图分类号]F59 序列等方法；在数据选择上，游客接待人数仍然是研 [文献标识码]A 究的主流，其中，58篇使用年度数据、30篇使用季度 [文章编号]1002—5006(2013)04—0075—08 数据、30篇使用月度数据 ，数据选择之所 以会 出现 Doi：10．3969／j．issn．1002—5006．2013．04．008 年度数据为主的现象，主要 由数据的可获取性所决 定，但从其使用效果上来看，年度数据的使用并不能 1 引 言 适应景区管理者和政府决策的需要 J。对于众多 旅游需求预测在国家旅游发展政策制定和战略 预测方法的优劣 ，众说纷纭 ，无法找到明确 的证 据表 明某一种方法比其他方法更具优越性_2， 。但 [基金项 目]本研究受国家 自然科学基金 、安徽 提高预测精度的努力从未停止，以至于近期在旅游 省教育厅人文社科重点项 目(SK2012A118)和黄山学院科研 项 目(2011xkjqO01)资助。[This