基于支持向量回归的台湾旅游短期客流量预测模型研究

改进的LS-SYM算法在入境旅游客流量预测上的应用张朝元;陈丽【摘要】近年来,各地入境游客流量的迅速发展引起了各级政府和旅游事业的极大重视.而对未来旅游客流量及时准确的预测成为规划旅游政策的重要依据.针对游客流量的特点,提出了采用改进的最小二乘支持向量机方法来建立旅游客流量的时间序列预测模型.实验预测结果表明该模型具有较高的预测精度,可以为各地旅游客流量预测提供了一条新的途径.【期刊名称】《湖南工程学院学报（自然科学版）》【年(卷),期】2011(021)001【总页数】3页(P41-43)【关键词】LS-SVM法;旅游客流量;预测【作者】张朝元;陈丽【作者单位】大理学院,数学与计算机学院,大理,671003;大理学院,工程学院,大理,671003【正文语种】中文【中图分类】TP391.75随着社会的不断发展和旅游资源的不断开发,各地入境游客流量得到了迅速发展,这引起了各级政府和旅游事业的极大重视.为了应对迅速发展的旅游流量和跟上国际旅游事业步伐,采用先进的方法及时准确地掌握未来游客流量就变得尤其重要.对各地游客流量的及时了解是各地旅游事业决策经营、宏观管理的重要基础工作,具有十分重要的意义.通过对各地旅游未来时期旅游客流量的预测,可以科学地估算旅游的需求规模,便于对旅游形势做出应变策略和行动方案,以促进各地旅游业的发展.国内对旅游力量的预测研究还起步比较晚,以前大多数采用的是传统的统计学方法,但是预测精度不是很高.本文提出采用改进的最小二乘支持向量机方法来建立旅游流量的时间序列预测模型.近年来,最小二乘支持向量机器法(Least Squares Support Vector Machine,简记为LSSVM法)被提出来并被用于分类问题[1、2]和非线性函数的估计问题[3],LS-SVM法将SVM法中的不等式约束修改为等式约束,并将误差平方和(Sum Squared Error,简记为SSE)损失函数作为训练集的经验损失.但是,LS-SVM法有其自身的缺点[3],文献[3]提出了一种修正的LS-SVM法以克服其缺点.尽管LSSVM法有缺点,但用于函数估计仍然是一种十分可行的方法.然而,用于函数估计的标准LS-SVM在求解大规模问题时存在学习速度过慢的问题.因此,如何减少计算时间和存储空间成为用于函数估计的 LSSVM学习算法的研究热点[4].由于O.L.Mangasari等人提出的用于模式识别的SOR(Successive Over Relaxation for Support Vector Machine)算法[5]适合迭代求解并能用于解决大规模问题.因此,本文考虑将这一方法推广到函数估计问题中,对用于函数估计的LS-SVM算法的优化式加以改造,得到了一种函数估计的LS-SVM的改进算法.这一新的算法具有能减少计算复杂性、提高学习速度和在一定程度上能提高回归估计的精度性等方面的优点.1 标准的LS-SVM函数估计设被估计的未知函数为 f(x),由 f(x)给定数据点量,y k∈R为输出变量,且yk=f(xk),k=1,…,N.函数估计问题就是在这些给定的数据上寻找一个函尽可能地“接近”.函数估计问题最终就是求解待估计的未知函数f(x).作非线性映射:φ:Rn→H,其中φ称为特征映射,H为特征空间(一般,H为高维空间或无穷维空间),则被估计函数 f(x)有如下形式:y=f(x)=w Tφ(x)+b,其中w为空间H 中的权向量,b∈R为偏值.于是,LS-SVM法估计非线性函数为如下特征空间中的最优问题:一般地,由于w可能为无限维的,于是直接计算规划(1)是非常困难的,因此将这一规划问题转化到其对偶空间中.定义Lagrange函数这些条件除了αk=γek之外,与标准的SVM 最优条件很相似.其中αk=γek使得LS-SVM 不再具有SVM所具有的稀疏性.利用(3)消去w与ek得规划(1)的解的方程:注意到(4)为一线性方程组,利用(4)可求得α与b的值,于是获得被估计函数 f(x)的表达式为:2 改进的LS-SVM函数估计本文将O.L.Mangasari等人提出的用于模式识别的SOR算法推广到函数估计问题中,对目标函数(1)进行简单的改进得到如下优化问题:注意到(9)为一线性方程组,利用(9)可求得α的值,于是获得被估计函数 f(x)的表达式为:我们可以看出,改进得到的方程组(9)式明显比改进前的方程组(4)要简单,而且很容易求解,在某种意义上就是提高了速度、减少了复杂性.同时,得到了估计函数表达式(10)与(5)比较也可以看出,估计函数也变得简单明了.3 基于改进的LS-SVM的入境旅游客流量预测预测的目的就是试图寻找一个函数以确定未来值与过去值之间的关系,也就是说预测问题与函数逼近和估计问题在本质上是等价的[6].本文将选择利用云南省大理州入境旅游客流量为例来进行预测.一般而言,每年游客的流量都与前几年的游客流量紧密联系在一起的.因此,可以认为游客当年的流量应是游客前一年、前两年、…、前若干年的流量的函数,故有如下预测模型.假设游客流量x t,xt-1,…,xt-m分别表示第 t年、第 t-1年、…、第 t-m 年的游客流量,其中参数m的确定可参考文献[7].令输入为出为y=取l个连续的样本构成训练集=R,i=1,2,…,l;现在我们的问题就是要找到y=f(x)的关系,以便预测i=l+1,l+2,…,l+n时的y,其中n是预测长度.易知这是一个典型的非线性回归问题,可用改进的最小二乘支持向量算法来求解.注意到,算出 f(x)后,可入到 f(x),求此时的就是第l+1年的预测值.同理,令次类推,不难求得xl+3,xl+4,…,xl+n.表1 预测所得各项误差指标误差指标 mrerr(%)marerr(%)mxarer(%)rmrerr(%) EC结果 0.45 3.47 9.06 4.58 0.9780图1 预测结果和真实结果的比较曲线图本文利用上面建立的改进的最小二乘支持向量机模型来对大理州旅游客流量进行预测和模拟.本文选择m=2,γ=2,000和核函数取径向基核函数,以大理州1998-2006年的入境旅游客流量为基础进行了预测和模拟.应用MATLAB编程实现,并对数据进行计算分析.预测结果和误差指标[6]值见预测结果误差表1和曲线图1.表1中的误差指标值(marerr)也显示出了较低的平均误差为3.47%,而且表中的误差指标值EC达到了0.9780的高拟合度.可见,基于改进的最小二乘支持向量机方法的游客流量预测能取得较好的效果.4 结论基于O.L.Mangasari等人提出的用于模式识别的SOR算法,本文对用于函数估计的LS-SVM算法加以改造,得到了一种新的函数估计的LSSVM算法.该算法具有能减少计算复杂性、提高学习速度且能提高函数估计的精确度等方面的优点.本文以大理州旅游客流量为例建立了基于改进的LS-SVM的入境游客流量的预测模拟模型.仿真结果表明,该模型比较全面的反映了游客的变化特征,并对游客的未来状态特征具有较高的预测精度,可以作为各地入境游客流量预测的有效工具.这一方法有望在旅游客流量时间序列预测模拟方面得到广泛的推广和应用.参考文献【相关文献】[1]Vapnik V N.The Natureof Statistical Learning Theory[M].New York:Springer,1995..[2]Vapnik V N.Statistical Learning Theory[M].New York:Wiley,1998.[3]J.A.K.Suykens,J.De.Brabanter,L.Lukas and J.Vandewalle.Weighed Least Squares Support Vector Machines:Robustness and Sparse Approximation[J].Neurocomputing.2002,48:85-105.[4]杜树心,吴铁军.用于回归估计的支持向量机方法[J].系统仿真学报,2003,15(11):1580-1585.[5]O L Mangasarian,David grangian Support Vector Machine[J].Journal of Machine Learning Research,2001,(1):161-177.[6]张朝元,胡光华.支持向量机改进的神经网络的函数逼近[J].昆明理工大学学报(理工版),2004,29(6):148-152.[7]张朝元,陈丽.基于LS-SVM的大理州入境游客流量时间序列预测[J].科学技术与工程,2008,8(20):5694-5696.。

基于线性模型的民航客运量影响因素与预测研究
随着我国经济的发展和低空交通发展的不断壮大，民航运输在我国的重要性越来越受
到重视。

因此，掌握民航客运量的影响因素，对于民航运输管理和未来规划具有重要意义。

本文基于线性模型，研究了民航客运量的影响因素及其预测。

首先，本文收集了2010年至2019年我国民航客运量及其相关因素的数据，包括GDP、旅游人数、燃油价格、航线数量、机场数量等。

对于变量选择，本文采用相关性分析和逐
步回归的方法，得出了影响因素为GDP、旅游人数、航线数量和机场数量。

这些因素与民
航客运量的关系呈现出线性相关性。

接着，本文利用多元线性回归模型对影响因素进行分析。

模型的结果表明，影响民航
客运量的最显著因素是GDP，其次是旅游人数和航线数量。

在机场数量的影响上，与预期
不同，其影响程度较小。

在预测方面，本文使用了回归模型的方法，预测了未来3年的民航客运量。

预测结果
表明，未来3年我国民航客运量将保持高速增长态势。

其中，2020年预测值为6.27亿人次，2021年预测值为6.91亿人次，2022年预测值为7.58亿人次。

这也进一步验证了本文建立的模型的可靠性和准确性。

综上所述，本文基于线性模型，通过对影响民航客运量的因素进行分析和预测，提出
了一些对于民航管理和未来规划的建议。

其中，对于政府部门，应该加大对于民航运输基
础设施建设的投入，以保障日益增长的市场需求；对于航空公司，则应该根据市场需求，
加强航线的拓展和优化服务，提高核心竞争力。

基于机器学习的旅游景区日客流量预测方法研究国内外文献综述目录基于机器学习的旅游景区日客流量预测方法研究国内外文献综述 (1)1 国内研究现状 (1)1.1 旅游客流量预测问题研究现状 (1)1.2 深层神经网络在时间序列预测方面的研究现状 (3)2 国外研究现状 (4)2.1 旅游客流量预测问题研究现状 (4)2.2 深层神经网络在时间序列预测方面的研究现状 (4)参考文献 (5)1 国内研究现状1.1 旅游客流量预测问题研究现状早期对于旅游需求预测的研究主要集中在长期和中期预测，如年度、季度、以及月度客流的预测。

韩兆洲等人构建了以消费者预期指数、城镇居民人均可支配收入、接待过夜游客数量三个指标滞后值为输入变量的GA-LSSVR 模型和季节调整的ARIMA 模型以及基于GIOWHA 算子的组合模型，对广东省接待的过夜游客流量进行预测[1]。

此外，灰色预测方法在旅游需求的预测方面也得到了大量的研究和应用，其主要思想是通过分析和挖掘时间序列之间的内在关联性，建立微分方程组来进行预测。

相比于传统的Box-Jenkins 方法，灰色预测方法的限制条件少，计算较快，且不需要进行平稳性检验和白噪声检验。

在对旅游需求的预测和计算方面，周廷慰利用数列灰预测方法和经过改进的灰色马尔科夫模型预测了安徽入境的旅游人数及其外汇收入，并对结果进行了详细的分析和对比[2]；李丹建立了基于灰色系统组合模型优化后的平常日客流量预测模型，以安徽黄山景区的平常日客流量数据为例进行预测，取得了较好的预测效果[3]；赵欢采用分形自回归滑动平均（ARFIMA）模型，结合灰色预测FGM(1,1)模型，对2001 年到2018 年的广东省游客人数数据集进行了分析和预测，发现该预测方法的应用能显著提高长期预测结果的可靠性和准确度[4]。

不过，这些比较经典的时间序列预测方法主要集中在数据内在变化规律的回归分析以及对时间序列变化趋势的预测和外推上，没有充分考虑可能影响游客量的各种相关因素，并且对非线性系统的数据处理和分析能力也比较差。

支持向量机在旅游预测中的应用支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，其在旅游预测中的应用也越来越受到关注。

旅游业是一个庞大的产业，涉及到旅游目的地的选择、旅游需求的预测等多个方面。

而支持向量机作为一种强大的分类和回归算法，可以在旅游预测中发挥重要作用。

首先，支持向量机在旅游目的地选择中的应用。

选择一个合适的旅游目的地是旅游者在旅行规划中的重要环节。

支持向量机可以通过对历史旅游数据的学习，建立一个分类模型，根据旅游者的偏好、需求和目标，为其推荐合适的旅游目的地。

通过对旅游者的个人信息、旅游经验和偏好进行分析，支持向量机可以将旅游者分为不同的群体，并为每个群体推荐最适合的旅游目的地。

这样，旅游者可以更加准确地选择自己感兴趣的目的地，提高旅行的满意度。

其次，支持向量机在旅游需求预测中的应用。

旅游需求预测是旅游业中的一个重要问题，它可以帮助旅游企业和政府制定合理的旅游发展策略。

支持向量机可以通过对历史旅游数据的分析，建立一个回归模型，预测未来旅游需求的变化趋势。

通过对旅游者的个人信息、旅游经验和需求进行分析，支持向量机可以预测不同群体旅游需求的变化，从而为旅游企业和政府提供决策依据。

例如，如果支持向量机预测到某个旅游目的地的需求将大幅增加，旅游企业可以提前增加该目的地的旅游资源和服务，以满足旅游者的需求。

此外，支持向量机还可以在旅游推荐系统中发挥作用。

旅游推荐系统是一个为旅游者提供个性化旅游推荐的系统，它可以根据旅游者的个人信息、偏好和需求，为其推荐最合适的旅游产品和服务。

支持向量机可以通过对旅游者的个人信息和历史旅游数据的学习，建立一个分类模型，根据旅游者的特征和需求，为其推荐最适合的旅游产品和服务。

通过支持向量机的优化算法，旅游推荐系统可以不断提升推荐的准确性和个性化程度，提高旅游者的满意度和体验。

综上所述，支持向量机在旅游预测中的应用是多方面的，包括旅游目的地选择、旅游需求预测和旅游推荐系统等。

基于支持向量机回归算法的旅游短时客流量数据预测模型顾芳芳;江可申
【期刊名称】《自动化技术与应用》
【年(卷),期】2023(42)2
【摘要】传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。

为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。

首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。

然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。

实验结果表明:该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。

【总页数】4页(P14-16)
【作者】顾芳芳;江可申
【作者单位】南京航空航天大学经济与管理学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于小波包与长短时记忆融合的铁路旅客流量预测模型
2.基于支持向量机回归算法的航空公司客流量预测研究
3.基于支持向量机回归的短时交通流预测模型
4.基
于支持向量回归的台湾旅游短期客流量预测模型研究5.基于EMD优化NAR动态神经网络的地铁客流量短时预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。

D O I :10.3969/j.i s s n .1001-5337.2023.3.031 *收稿日期:2023-03-07基金项目:2022年呼伦贝尔学院科研资助项目(2022F D Y B 03);内蒙古自治区高等学校科学技术研究项目(N J Z Y 19231).作者简介:张娟,女,1986-,硕士,讲师;研究方向:经济分析与预测;E -m a i l :h l b e z h j@163.c o m .基于L O F -S S A -P S O -L S S V M 模型的旅游客流量预测*张 娟(呼伦贝尔学院数学与统计学院,021008,内蒙古自治区呼伦贝尔市) 摘要:针对月度旅游客流量影响因素复杂,时间序列数据中可能存在异常值和噪声的特点,提出了一个基于局部异常因子(L O F )和奇异谱分析(S S A )的L O F -S S A -P S O -L S S VM 预测模型.数据预处理阶段,对原始序列运用X 12季节加法模型消除季节性的影响,采用L O F 方法检测季节调整后序列的异常值,并使用线性插值和最小二乘支持向量机(L S S VM )方法来修正异常值,新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段,首先采用奇异谱分析(S S A )方法来剔除新的待预测序列中的噪声,然后采用P S O -L S S VM 方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例,通过与A R I MA ㊁L S S VM 等模型比较,表明L O F -S S A -P S O -L S S VM 模型能有效提高旅游客流量的预测精度和稳定性.关键词:旅游客流量预测;局部异常因子;最小二乘支持向量机;粒子群寻优;奇异谱分析中图分类号:F 592;T P 391 文献标识码:A 文章编号:1001-5337(2023)03-0031-060 引 言旅游业具有 无烟产业 和 永远的朝阳产业 的美称,是非贸易外汇收入的主要来源之一.根据国家旅游局统计数据,2018年我国旅游总收入5.97万亿元,同比增长10.5%,旅游业对全国G D P 的综合贡献为9.94万亿元,占全国G D P 总量的11.04%.旅游客流量是旅游业发展水平的重要指标,科学合理地预测旅游客流量,对于旅游资源高效利用及地方经济的发展规划具有重要指导意义和实践价值.在旅游客流量的预测方法上,国内外学者已经进行了大量研究.涉及到的预测模型主要有时间序列模型[1,2]㊁计量经济模型[3]和人工智能模型[4,5]等.由于支持向量机模型(S VM )[6]在小样本㊁非线性条件下的明显优势,它已成为非线性时间序列预测的一种重要方法.最小二乘支持向量机(L S S VM )是基于支持向量机的改进模型,被广泛应用于多种预测领域[7,8].L S S VM 模型中参数的选择直接影响到其预测精度,因此,粒子群算法(P S O )[9]㊁布谷鸟算法(C S)[10]等方法被广泛应用于其参数优化.多位学者的实证结果表明,相比较L S S VM 方法,基于P S O 和C S 方法参数寻优的L S S VM 模型预测精度更高.在实际预测问题中,由于时间序列的固有复杂性,针对序列的不同特征采用相应的预处理方法便显得尤为重要.对于月度旅游客流量的数据,主要包含3个数据特征:1)由于受到旅游资源和旅游活动的影响,旅游业具有明显的季节性.对于具有季节效应的时间序列,常用的预处理方法为X 12季节分解[11],即剔除季节效应影响后,提取出季节调整后序列做进一步分析.2)对于原始数据而言,由于容易受到大的经济因素(比如金融危机㊁世博会等事件)影响,使得时间序列数据中包含有一定的异常值,而异常值的出现会增大时间序列的预测误差,因此,异常值检测和修正成为序列预处理的一个重要步骤.常用的方法是局部异常因子算法[12](l o c a lo u t l i e r f a c t o r ,L O F ).3)数据本身可能包含噪声,如果不加处理而直接进行建模预测,模型的预测精度第49卷 第3期2023年7月 曲阜师范大学学报J o u r n a l o f Q u f u N o r m a l U n i v e r s i t yV o l .49 N o .3J u l y 2023也会大大降低.常用的剔除噪声的方法有小波分解[13,14](WT)㊁经验模态分解[15](e m p i r i c a l m o d e d e c o m p o s i t i o n,E M D)和奇异谱分析[16](s i n g u l a r s p e c t r u ma n a l y s i s,S S A)等.梁小珍等[17]通过对我国航空客流量的预测研究,发现在序列去噪方面, S S A方法的去噪效果明显优于E M D方法.以上研究的主要问题是,对于旅游客流量序列,缺乏综合季节性㊁异常值㊁噪声项3种因素的全面研究.基于上述分析,结合月度旅游客流量的数据特征,本文构建了一种以X12季节分解㊁L O F异常值检测㊁S S A分解重构为序列预处理方法的P S O参数寻优下的L S S VM预测模型.针对原始数据具有季节效应的特点,首先采用X12季节分解,通过L O F异常值检测方法识别出异常值并进行修正,利用S S A方法剔除了待预测序列中的噪声.最后为了保证模型精度,使用P S O方法对L S S VM中的参数进行寻优,并利用参数结果进行L S S VM预测.同时,将原始单一模型㊁仅S S A处理的模型㊁仅L O F修正的模型与L O F-S S A-L S S VM模型的预测结果做对比分析,以期找出更为精确的预测模型.本文结构安排如下:第1节介绍本文使用的主要方法和模型框架;第2节以上海月度旅游客流量为例,进行了实证研究;最后一节总结全文研究结论. 1模型设计本文基于L O F异常值检测的L O F-S S A-P S O-L S S VM模型对上海月度旅游客流量进行预测分析,模型框架如图1,具体步骤如下.(1)对原始序列进行X12季节调整,得到季节因子(S F)和季节调整后序列(S A).(2)采用L O F异常值检测方法针对季节调整后序列(S A)进行异常值检测,得到异常值点所在的位置.(3)使用插值修正和L S S VM预测修正方法对序列中异常值点进行修正,得到修正后的季节调整序列.(4)修正后的季节调整序列与季节因子相加,得到新的待预测序列.(5)通过对4)中的月度数据进行S S A分解和重构,得到去噪后的新的待预测序列.(6)采用P S O-L S S VM方法对去噪后的新的待预测序列进行预测,从而得到预测值.图1L O F-S S A-P S O-L S S VM预测模型框架2模型预测效果检验2.1数据来源及评价准则本文采用2004年1月至2018年12月上海市月度旅游客流量(即接待过夜游客人数)为研究数据,共180个观测值,数据来自于‘上海统计年鉴“.由图2可以看出,上海月度旅游客流量呈整体上升趋势,且具有明显的季节变动规律.某些月份的客流量数值明显异于周边数据,可能为异常值所在位置.为了保证实证结果的可靠性,根据模型要求,本文进行了3组滚动预测.第一组以2004年1月 2015年12月数据(144个观测值)为训练样本对模型进行训练,2016年1月 12月的12个数据作为测试样本来检验模型预测精度.第二组以2004年1月 2016年12月数据(156个观测值)预测2017年1月 12月的数据.第三组以2004年1月 2017年12月数据(168个观测值)预测2018年1月 12月的数据.图22004年1月 2018年12月上海旅游客流量序列图23曲阜师范大学学报(自然科学版)2023年为了评价不同模型之间的预测准确度,本文采用平均绝对误差(MA E)和平均绝对百分误差(MA P E)作为评价指标.2.2预测效果检验2.2.1 L O F检测针对上海旅游客流量具有明显季节性和趋势性的特点,为了避免周期性的季节变化对模型预测准确度的影响,首先采用X12季节加法模型对原序列进行分解,得到了季节调整后序列(S A)和季节因子(S F).其次依据季节调整后序列(S A)考察数据的异常变动,采用L O F异常值检测的方法,取k=10,计算每月客流量数据的L O F值,并以L O F临界值为1.5判断数据的异常性.图3为180个训练数据的L O F值,根据约定的阈值共检验出16个异常值,异常数据对应的具体位置如表1所示.图3训练样本的L O F10值序列表1 L O F异常值检测结果月份L O F10月份L O F102004-121.5232010-104.4572005-021.7112010-112.3392005-061.5192011-012.6202006-012.3342013-052.6062009-082.1392014-012.0592010-021.7132015-022.1172010-042.4172016-021.9882010-095.8892018-022.565为了考察16个异常值出现的原因,结合特殊事件对上海旅游客流量的影响,经过分析可得,2009-08的异常数据受到了当年金融危机的影响;2010-04㊁2010-09㊁2010-10㊁2010-11的异常数据受到了上海世博会的影响;2005-02㊁2006-01㊁2010-02㊁2011-01㊁2014-01㊁2015-02㊁2016-02㊁2018-02这几年2月份前后的异常数据,主要是受到旅游周期的影响;2004-12㊁2005-06㊁2013-05的异常数据可能是随机干扰所造成的.异常数据的存在会影响预测模型中的参数估计,从而增大预测误差,因此对其进行修正是非常必要的.2.2.2线性插值及L S S VM修正季节调整序列根据表1提取出的异常数据位置,对季节调整序列进行修正,具体方法为:对于单一的异常数据点,比如2005-06㊁2009-08㊁2013-05等,采用临近点线性插值法来修正异常数据;对于成片的异常数据点,比如2010-09㊁2010-10㊁2010-11等,以当前异常值之前的数据序列为基础,使用L S S VM方法进行预测来修正异常数据.修正前后的数据对比如图4,可以看出,相比较原始序列,异常值修正后的季节调整序列具有更好的平稳性和规律性.图4 L O F修正前后的季节调整序列2.2.3S S A对新的待预测序列进行降噪将异常值修正后的季节调整序列与之前得到的季节因子序列(S F)相加,即得到了新的待预测序列.在剔除了原始序列的异常值之后,对于新的待预测序列中的噪声项,使用S S A分解和重构方法来完成去噪.S S A方法的一个重要步骤是嵌入维数L的选择,由于L一般不超过序列长度的1/3,且最好为周期的整数倍,以训练集2004年1月 2015年12月(共144个观测值)为例,选择嵌入维数L=48.图5是前20个特征值对应的特征值曲线图,从特征值变化趋势中可以看出,从第15个特征值开始,曲线下降速度缓慢,且经过计算前15个分量的方差累积贡献率达到96.15%.所以,提取前15个分量对原始序列进行重构,以得到新的重构后序列.剩余的重构分量构成原始序列的噪声序列.图6显示了原始旅游客流量序列和去噪后的新的待预测序列的对比结果,可以看出,经过异常值修正和降噪处理后的数据,序列更加光滑.33第3期张娟:基于L O F-S S A-P S O-L S S VM模型的旅游客流量预测图5 S S A 重构分量对应的特征值 图6 原始旅游客流量序列和去噪后的新的待预测序列2.2.4 模型预测效果对比为了验证L O F -S S A -P S O -L S S VM 方法预测效果的有效性,针对2004 2015年㊁2004 2016年㊁2004 2017年3组训练集,本文对比了A R I MA ㊁L S S VM ㊁P S O -L S S VM 这3个单一模型㊁仅去噪的单一模型㊁仅异常值修正的单一模型㊁既异常值修正又去噪的单一模型的预测结果,各模型的MA E ㊁MA P E 汇总结果如表2所示,可以得出以下结论.表2 L O F -S S A -P S O -L S S VM 与其他预测模型的预测结果对比测试集模型2004 2015年2004 2016年2004 2017年MA EMA P E /%MA EMA P E /%MA EMA P E /%A R I MA7.59810.9788.98614.0068.81012.927L S S VM7.58010.9768.79711.1748.18712.003P S O -L S S VM7.31410.7222.8124.4527.43011.483S S A -A R I MA 7.80510.9104.2485.5064.5137.173S S A -L S S VM7.15710.7743.3404.9134.4356.829S S A -P S O -L S S VM 6.94310.3723.1264.0393.9146.221L O F -A R I MA 7.60310.5227.96511.1837.92910.920L O F -L S S VM 6.9249.8495.4027.6934.5505.996L O F -P S O -L S S VM 6.6079.3764.6636.4824.3365.672L O F -S S A -A R I MA6.1868.6986.0128.3674.4845.964L O F -S S A -L S S VM3.8295.3992.7904.4313.7875.099L O F -S S A -P S O -L S S VM3.1204.5492.6583.6103.1954.201 注:L S S VM 和P S O -L S S VM 的嵌入维数均为12,即用前12期的数据来预测下一期的数据值,S V R 核函数为R B F 函数.A R I MA 模型阶数以A I C 最小化原则来选取,最终使用的A R I MA 模型为A R I MA (3,1,3).P S O 算法中粒子群个数为20,粒子速度范围为[-5,5],学习因子c 1和c 2均为2.0,惯性权重ω=1,最大迭代次数为100.用P S O 算法来优化L S S VM 模型中的参数γ和σ,参数的取值范围为[0.01,100]. (1)3个单一模型(A R I MA ㊁L S S VM ㊁P S O -L S S VM )对比可以发现,传统的时间序列模型A R I -MA 相比较人工智能模型L S S VM 和P S O -L S S -VM ,预测误差更大精度更低,这是因为A R I MA 模型主要用来刻画序列的线性特征,对于非线性的上海旅游客流量序列的预测精度是不足的.(2)比较L S S V M 和P S O -L S S V M 模型,使用了P S O 参数优化方法的P S O -L S S V M 模型预测结果更好,说明P S O 优化算法有利于寻找全局最优,能够为L S S V M 找出更合适的参数并达到优化参数的目的.(3)3个基于S S A 分解的集成模型(S S A -A R I -MA ㊁S S A -L S S VM ㊁S S A -P S O -L S S VM )与对应的单一模型A R I MA ㊁L S S VM ㊁P S O -L S S VM 对比发现,MA E 和MA P E 评价指标均有了一定程度的降低,说明序列分解去噪处理能有效提升预测模型的性能.43 曲阜师范大学学报(自然科学版) 2023年(4)3个基于L O F异常值检测的集成模型(L O F-A R I MA㊁L O F-L S S VM㊁L O F-P S O-L S S VM)与对应的单一模型A R I MA㊁L S S VM㊁P S O-L S S VM 对比可以发现,除了2004 2016年P S O-L S S VM 和L O F-P S O-L S S VM对比组外,其他组的预测精度均得到了不同程度的提升,说明对原始序列的异常值修正能有效提高预测精度.(5)对比考虑异常值修正和S S A分解去噪的3个模型L O F-S S A-A R I MA㊁L O F-S S A-L S S VM㊁L O F-S S A-P S O-L S S VM与相应的单一模型㊁仅去噪处理的单一模型㊁仅异常值修正处理的单一模型,发现同时进行异常值修正和去噪处理后的模型,预测结果MA E㊁MA P E均是最小的,说明构建预测模型之前对时间序列进行异常值修正和去噪处理对提高模型预测精度是有效的.(6)对比L O F-S S A-A R I MA㊁L O F-S S A-L S S-VM㊁L O F-S S A-P S O-L S S VM这3个模型发现,在3组训练集上,均满足L O F-S S A-P S O-L S S VM模型预测精度最高.说明对于上海月度旅游客流量数据,L O F-S S A-P S O-L S S VM作为预测模型是最优的.3结论旅游客流量序列往往受到经济发展等多种因素的影响而产生异常值.本文以我国重点旅游城市上海市2004年1月至2018年12月旅游客流量月度数据为实例,采用X12季节分解方法消除原始序列的季节性影响,借助基于密度的异常值检测算法L O F对序列中可能存在的异常值进行检测,同时运用插值及L S S VM进行异常值修正,此外,引入S S A 分解对修正后的时间序列进行降噪处理.最后使用L O F-S S A-P S O-L S S VM模型对旅游客流量进行了滚动预测,结论如下.(1)由于受到特殊事件的影响,时间序列数据中可能包含异常值和噪声项,会影响到预测模型的参数估计,导致预测模型的预测精度下降.实证研究的预测误差表明,时间序列中异常值的检测和修正以及使用S S A方法对时间序列进行降噪处理能有效降低预测误差,改进模型的预测性能.(2)L O F-S S A-P S O-L S S VM模型综合了异常值修正㊁噪声提取㊁P S O参数寻优和L S S VM非线性处理能力的优势,相比线性模型A R I MA和未参数优化的模型L S S VM,能有效提升模型预测精度,更适合预测短期的旅游客流量.本文综合考虑了旅游客流量序列中季节性㊁异常值㊁噪声项对预测精度的干扰,并建立P S O参数寻优条件下的L S S VM人工智能模型,这为复杂旅游客流量序列的预测提供了一个新的思路和方法.根据上海旅游客流量的季节性特点,可针对不同季节制定相应的资源管理和调度措施,为游客提供优质的服务保障.模型后续的改进方向,可从互联网数据的角度拓展旅游客流量的数据来源,结合已有的旅游客流量预测模型,进一步提高模型预测精度,从而为旅游市场提供更好的指导意义.参考文献:[1]T S U IW,B A L L IH O,G I L B E Y A,e t a l.F o r e c a s t i n g o fH o n g K o n g a i r p o r t's p a s s e n g e r t h r o u g h p u t[J].T o u r i s m M a n a g e m e n t,2014,42:62-76.[2]F I L D E SR,W E IY,I S MA I LS.E v a l u a t i n g t h e f o r e c a s-t i n gp e r f o r m a n c e o f e c o n o m e t r i cm o d e l s o f a i r p a s s e n g e r t r a f f i c f l o w su s i n g m u l t i p l e e r r o rm e a s u r e s[J].I n t e r n a-t i o n a l J o u r n a l o fF o r e c a s t i n g,2011,27(3):902-922.[3]周力.构建旅游消费价格指数对城乡居民旅游消费预测的实证分析 基于V A R模型的检验[J].价格月刊, 2019(6):1-5.[4]梁昌勇,马银超,陈荣,等.基于S V R-A R MA组合模型的日旅游需求预测[J].管理工程学报,2015,29(1): 122-127.[5]Y A N G H H,C H E NSH,HU N GJY,e t a l.U t i l i z a t i o n o f g e n e t i c p r o g r a mm i n g t oe s t a b l i s hd e m a n d f o r e c a s t i n T a i w a n i n t e r n a t i o n a l f l i g h t s[C]//2n d I n t e r n a t i o n a l C o n-f e r e n c eo nI n f o r m a t i o nE n g i n e e r i n g a n dC o m p u t e rS c i-e n c e.I E E E,2010:1-4.[6]陈荣,梁昌勇.基于季节S V R的节假日旅游客流量预测[J].统计与决策,2013(9):82-84.[7]王晓光,张弢,周慧.基于L S-S VM的管道腐蚀速率灰色组合预测模型[J].数学的实践与认识,2014,44(7): 82-87.[8]刘文颖,门德月,梁纪峰,等.基于灰色关联度与L S S VM 组合的月度负荷预测[J].电网技术,2012,36(8):228-232.[9]S U N W,L I U X Y.A p p l i c a t i o nr e s e a r c ho fP S O-L S S-VM i nc a r b o ne m i s s i o n p r e d i c t i o ni n H e b e iP r o v i n c e [C]//P r o c e e d i n g s o f20194t hI n t e r n a t i o n a lC o n f e r e n c e o n A d v a n c e s i n E n e r g y a n d E n v i r o n m e n t R e s e a r c h(I C A E E R2019).香港环球科研协会,2019:1136-1138.[10]赵坤,覃锡忠,贾振红,等.基于C S算法改进E L M的时间序列预测[J].计算机工程与设计,2018,39(8):53第3期张娟:基于L O F-S S A-P S O-L S S VM模型的旅游客流量预测2649-2653.[11]L I A N Y,W E IH,WA N GJS,e t a l.C h r o m o s o m e-l e v e lr e f e r e n c e g e n o m e o fX12,ah i g h l y v i r u l e n t r a c eo f t h e s o y b e a n c y s t n e m a t o d eh e t e r o d e r a g l y c i n e s[J].M o l e c-u l a rE c o l o g y R e s o u r c e s,2019,19(6):1637-1646. [12]刘德彪,李夕兵,李响,等.基于L O F的K-m e a n s聚类方法及其在微震监测中的应用[J].中国安全生产科学技术,2019,15(6):81-87.[13]S U N Y X,L E N GB,G U A N W.An o v e lw a v e l e t-S VMs h o r t-t i m e p a s s e n g e r f l o w p r e d i c t i o n i nB e i j i n g s u b w a y s y s t e m[J].N e u r o c o m p u t i n g,2015,166:109-121.[14]I G HO RSDS,C A R L O SR,HA L LB,e t a l.M u l t i-r e s-o l u t i o nw a v e l e t a n a l y s i s f o rn o i s e r e d u c t i o n i n i m p u l s ep u n c t u r e v o l t a g e m e a s u r e m e n t s[J].M e a s u r e m e n t, 2020,153:107416.[15]Z HA N G X,Y U L,WA N GS Y,e t a l.E s t i m a t i n g t h ei m p a c t o f e x t r e m e e v e n t s o nc r u d eo i l p r i c e:A nE M D-b a s e de v e n ta n a l y s i s m e t h o d[J].E n e r g y Ec o n o m i c s,2009,31(5):768-778.[16]郭战坤,梁小珍,杨明歌,等.基于异常值检测的港口集装箱吞吐量预测模型[J].数学的实践与认识,2019,49(17):26-34.[17]梁小珍,郭战坤,张倩文,等.基于奇异谱分析的航空客运需求分析与分解集成预测模型[J].系统工程理论与实践,2020,40(7):1844-1855.T o u r i s t f l o w p r e d i c t i o nb a s e do nL O F-S S A-P S O-L S S V M m o d e lZ HA N GJ u a n(C o l l e g e o fM a t h e m a t i c s a n dS t a t i s t i c s,H u l u n b u i rC o l l e g e,021008,H u l u n b u i r,I n n e rM o n g o l i a,P R C)A b s t r a c t:I nv i e wo f t h e c o m p l e x i t y o f t h e i n f l u e n c e f a c t o r s o fm o n t h l y t o u r i s t t r a f f i c a n d t h e c h a r a c t e r-i s t i c s o f p o s s i b l eo u t l i e r sa n dn o i s ei nt h et i m es e r i e sd a t a,aL O F-S S A-P S O-L S S VM p r e d i c t i o n m o d e lb a s e do n l oc a l a n o m a l y f a c t o r(L O F)a nd s i n g u l a r s pe c t r a l a n a l y s i s(S S A)i s p r o p o s e d.I n t h e d a t a p r e p r o-c e s s i n g s t a g e,t h eo r i g i n a ls e q u e n c ei sde c o m p o s e db y X12s e a s o na d d i t i o n m o d e l t oe l i m i n a t es e a s o n a l ef f e c t s,t h e o u t l i e r o f t h e s e a s o n a l l y a d j u s t e d s e q u e n c e i s d e t e c t e d b y L O Fm e t h o d,a n d t h e o u t l i e r i s c o r r e c-t e db y i n t e r p o l a t i o na n d l e a s t s q u a r e s u p p o r t v e c t o rm a c h i n e(L S S VM)m e t h o d.T h en e w p r e d i c t a b l e s e-q u e n c e i s a d d e db y t h e r e v i s e d s e a s o n a l a d j u s t m e n t s e q u e n c ew i t h t h e s e a s o n a l f a c t o r s e q u e n c e.I n t h e p r e-d i c t i o n p h a s e,t h e s i ng u l a r s p e c t r a l a n a l y s i s(S S A)m e th o di s u s e d t o e l i m i n a t e t h e n o i s e i n t h e n e w p r e d i c-t i o n s e q u e n c e,a n d t h e nt h eP S O-L S S VM m e t h o d i su s e dt o p r e d i c t i t.T a k i n g t h e f o r e c a s to f t h e t o u r i s t t r a f f i c s e q u e n c e f r o mJ a n u a r y2004t oD e c e m b e r2018i nS h a n g h a i a s a n e x a m p l e,i t i s s h o w n t h a t t h eL O F-S S A-P S O-L S S VM m o d e l c a ne f f e c t i v e l y i m p r o v e t h e p r e d i c t i o na c c u r a c y a n ds t a b i l i t y o f t o u r i s t t r a f f i cb y c o m p a r i s o nw i t hA R I MAa n dL S S VM m o d e l s.K e y w o r d s:t o u r i s t t r a f f i c f o r e c a s t;l o c a l a n o m a l y f a c t o r;m i n i m u mt w o-w a y s u p p o r tv e c t o r m a c h i n e; p a r t i c l e g r o u p e x c e l l e n c e;s i n g u l a r s p e c t r a l a n a l y s i s63曲阜师范大学学报(自然科学版)2023年。

基于支持向量回归的旅游短期客流量预测模型研究的开题报告一、研究背景及意义旅游业作为一种文化交流、经济合作和认识世界的重要方式，已成为全球化时代的重要组成部分，对促进国民经济发展、推动社会进步、增强民族文化软实力等方面具有重要的贡献和作用。

为了更好地满足旅游客流需求，提高旅游效益，预测旅游客流量成为一个重要的研究方向。

旅游短期客流量预测是指根据已有的历史客流数据和其他相关因素，预测未来一段时间的客流量，以支持旅游经营者的活动和制定旅游区或景点的管理策略。

准确预测旅游短期客流量对于旅游业在规划、管理、会展和营销等方面具有重要的意义。

目前，旅游客流量预测方法主要分为强化学习、深度学习、机器学习等。

其中，机器学习方法是一种基于数据的预测分析方法，广泛应用于各个领域。

在旅游短期客流量预测领域，机器学习方法也有很好的应用前景。

支持向量回归是一种基于结构风险最小化理论和核函数的非线性回归方法，具有较高的预测精度和泛化能力，已成功应用于许多领域的数据建模和预测中。

因此，本研究将基于支持向量回归理论，探究如何建立一种高精度的旅游短期客流量预测模型，以期为旅游管理和决策提供有力的支撑。

二、研究内容与思路本研究主要研究内容如下：1. 支持向量回归理论与方法研究：介绍支持向量回归理论与方法，包括支持向量机基础、支持向量回归及其核函数等。

2. 旅游短期客流量预测模型建立：在对旅游短期客流数据进行归一化处理后，引入支持向量回归模型，通过选择合适的核函数及调整支持向量机的参数，对旅游短期客流量进行预测建模。

3. 模型实验与验证：使用相关的数据集进行实验分析，通过对比不同模型的预测准确率及误差情况，验证本研究提出的支持向量回归预测模型的优越性。

4. 研究结论与展望：总结研究成果，进一步完善旅游短期客流量预测模型，探讨如何将该模型应用于旅游管理决策实践中，并提出未来研究展望。

三、预期成果本研究旨在建立一种基于支持向量回归的旅游短期客流量预测模型，预期成果包括：1. 探究支持向量回归理论与方法，为旅游短期客流量预测提供基础理论支撑；2. 建立高精度的旅游短期客流量预测模型，提高旅游管理的决策支撑能力；3. 实验验证模型性能，对比不同的预测算法，评估预测误差，为旅游管理提供可参考的决策指导；4. 研究成果可应用于旅游业实践中，推动旅游业可持续发展。

旅游行业中的游客流量预测与优化技术研究一、引言随着社会的发展和人们休闲需求的增加，旅游行业逐渐成为国民经济的重要组成部分。

然而，旅游景点的游客流量高低直接影响旅游行业的经济效益和游客的体验感受。

因此，对游客流量进行准确预测，并采取相应的优化技术，能够提高旅游行业的运营效率和游客的满意度。

二、游客流量预测技术1. 基于统计分析的方法基于统计分析的方法是通过历史数据和数学模型来预测游客流量。

这种方法使用过去的游客流量数据进行分析，并构建数学模型来进行未来流量的预测。

常用的统计方法包括时间序列分析、回归分析等。

此外，还可以利用ARIMA模型、灰色模型等来预测游客流量。

2. 基于机器学习的方法机器学习技术在游客流量预测中得到了广泛应用。

通过收集大量的游客历史数据，采用机器学习算法来发现数据中的规律，并根据这些规律进行游客流量的预测。

常见的机器学习算法有神经网络、决策树、支持向量机等。

此外，还可以利用时间序列预测模型结合机器学习算法来提高预测的准确性。

3. 基于人工智能的方法人工智能技术在游客流量预测中也有很大的潜力。

利用深度学习、强化学习等技术，可以对复杂的游客流量数据进行建模，从而提高预测的精确度。

人工智能算法能够自动发现数据中的规律，并根据这些规律来进行游客流量的预测。

此外，人工智能技术还可以通过自动学习和迭代优化来提高预测效果。

三、游客流量优化技术1. 路线优化游客流量优化的一个重要方面是优化游客的旅游路线。

通过分析游客的偏好和历史数据，可以为游客提供最佳的旅游路线和景点推荐。

在大型景区中，可以利用智能导航系统来帮助游客规划最佳路线，减少游客拥堵现象，提高游客的体验感受。

2. 资源优化为了满足游客的需求，景区需要有效地管理和优化资源。

通过合理安排资源的使用，如停车场、餐饮服务、公共设施等，可以提高景区的运营效率和游客的满意度。

同时，还可以利用物联网技术和大数据分析来监测和管理游客流量，及时调配资源，避免资源浪费和拥堵现象的发生。

海南省入境旅游需求建模分析——以台湾、香港、澳门市场为例作者：余艳玲来源：《旅游纵览·行业版》 2018年第11期2009年开始我国建设国际旅游岛，海南省旅游业的发展成为国家战略，旅游业蓬勃发展。

入境旅游市场规模和收入是体现旅游目的地国际化程度的指标之一，开拓好入境旅游市场是提升海南省旅游业国际化程度的重要环节。

目前，国内学者对海南省入境旅游市场已有研究关注，主要研究领域集中在区位研究、空间结构分析优化、规模预测、市场结构、季节变化特征、消费结构特征、旅游偏好和对策研究等方面。

如杨静怡（2011）对海南省入境旅游客源市场进行了区位研究。

唐健雄等（2017）对海南省旅游空间结构进行全面的分析，并提出了相应的优化策略。

宋祎（2006）通过对海南省1987年至2005年入境旅客客流量数据的特征分析，在统计学习理论和结构风险最小化准则的基础上，建立了基于支持向量机的海南省入境旅游客流量预测模型。

郭琦、许海平（2013）根据200-2011年海南省接待国内外旅游人数，引入灰色系统预测方法并借助Matlab软件创建了海南省旅游客源市场规模灰色GM（1，1）预测模型，对模型进行了残差检验和后验差检验，证明模型适用于海南省旅游客源市场的中短期预测。

陈善士、方世敏（2014）分析海南省2000-2012年入境旅游的相关数据，研究了入境客源的变动和外汇收入；通过使用亲景度研究了不同客源对海南的偏爱程度；使用竞争态指标分析了海南省入境客源市场的竞争格局。

陈芸、田良（2013）利用2006-2010年海南入境旅游资料，采用旅游月日指数、季节性集中指数，研究了海南入境旅游季节性特征。

蔡静、黄建宏（2010）采用SSM分析法，并结合海南2002-2007年入境旅游相关数据，对海南入境旅游客源市场及其竞争地位的变化进行了量化分析。

刘晓明（2006）对海南省入境旅游市场进行分析，并提出发展对策。

徐致云、陆林（2004）对海南省海外客源市场消费结构特征进行了研究。