第四章 旅游者需求预测（）.pptxVIP

一、旅游需求预测趋势外推模型 假定： 历史趋势延续性 曲线拟合回归、时间序列模型 结构模型 多元回归： 仿真模型 系统方程 系统动力学 定性模型 特尔菲法表4.7 四种模型的比较水平时间序列模型： 一次滑动平均模型；加权平均; 一次指数平滑模型。趋势需求模型： 线形趋势模型： 线形回归模型； 二次滑动平均模型 非线形趋势模型： 二次回归模型； 三次指数平滑模型季节性需求模型： 季节性水平模型； 季节性交乘趋势模型Box — Jenkins模型1、趋势外推模型 （1）简单回归分析 一元线性回归： T＝b0 + b1t P58 图4.1注意： 外推时间不宜过长 趋势线预测法三种最常用的趋势线：① 直线型趋势线yt=a+bt② 指数型趋势线yt=abt ③ 抛物线型趋势线yt=a+bt+ct2 这三种趋势线方程中系数的求解可以用回归分析方法的最小二乘法实现 水平需求图形 趋势需求图形 季节性需求图形需求图形2、时间序列模型时间序列的含义： 分析地理要素（变量）随时间变化的历史过程; 揭示其发展变化规律，并对其未来状态进行预测 时间单位： 年 季 月 周 日 时序数据特点：趋势 季节 循环 偶然季节变化（季节波动）： 以年为周期，以月、季为时段预测过程： 曲线拟合 ? ? ? ?估计未来1400001200001000008000060000989900010203Y平滑预测法1）移动平均法设某一时间序列为y1，y2，…，yt，则下一期（t+1时刻）的预测值：? 为t点的移动平均值，n为移动时距（点数）用最近几个时期数据值的平均数作为下一个时期的预测值 2) 加权滑动平均模型其中作用：消除干扰，显示序列的趋势性变化；并通过加权因子的选取，增加新数据的权重，使趋势预测更准确最近n个时期数值的加权平均数作为预测值；最近时期的观测值应取得最大的权数，而比较远的时期权数应依次递减 2) 滑动平均法计算公式： ? 为t点的滑动平均值， 为单侧平滑时距（点数）。 滑动平均法的计算结果优于移动平均法；三点滑动平均法的计算结果与原始数据的误差较小 3) 指数平滑法指数平滑法可以分为一次指数平滑和高次指数平滑一次指数平滑：① 计算公式 α为平滑系数。② 平滑系数的确定▲ 若时间序列较平稳，数据波动较小，α取值可小一些 一般取α∈（0.05 , 0.3）；▲ 若时间序列数据起伏波动比较大，α应取较大的值 一般取α∈（0.7 , 0.95）；具体应用时可通过经验或试算，以误差尽可能的小为最好 季节性水平模型 = *（i=1，2，……，T）式中， 为平均数； 为季节指数 T为季节周期的长度适用条件：适用于只有季节变动， 无明显的趋势变动的时间序列 建模： 计算； 求解。季节性交乘模型时间序列可分解： 长期趋势（T）、季节变动（S）、 循环变动（C）和不规则变动（I）四种时间序列分析的模型：▲ 加法模型 Y=T+S+C+I 假设四种因素相互独立 ▲ 乘法模型 Y=T×S×C×I 假定各因素之间存在交错互动影响 在地理统计时序分析中，乘法模型更为常用。对乘法模型进行变换可以对长期趋势、季节变动、循环变动及不规则变动进行测定 季节性交乘趋向模型 = （a + bt）* （i=1，2，……，T） 式中， =（a + bt）为趋势部分 为季节指数 T为季节周期的长度 适用条件： 适用于既有季节变动， 又有趋势变动 且波动幅度不断变化的时间序列 建模：建立趋势方程 求各期趋势值 求样本季节指数 求理论季节指数基本步骤① 将原时间序列求移动平均 以消除季节变动和不规则变动，保留长期趋势② 将原序列y除以其对应的趋势方程值（或平滑值） 以分离出季节变动（含不规则变动） 即 季节系数= TSCI/趋势方程值（TC或平滑值）=SI 一般用序列中若干年的季节系数之平均值作为季节系数的改进值； ③季节性指标 将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标；④ 进行预测如果欲求下一年度的预测值： 简单地延长趋势线即可若要求各月（季）的预测值： 只需以趋势值乘以各月份（季度）的季节性指标求季节变动预测的数学模型（以直线为例）为 yt+l是由（t到l）预测值，at、bt为方程系数（参数），θT为T周期的季节系数 例：某市1995～1999年各季度游客流量yi（104人次）如表1所示，试预测该市2000年各季的客流量。① 求表1序列的三次滑动平均值② 用三次指数平滑法求预测模型系数其中，S1=S2=S3=y1。t的编号为t=1对应于1995年的1季度，…，t=20对应于1999年的第4季度。平滑系数的确定是预测成功与否的关键，经过多次尝试选择后