我国滨海旅游业串联型趋势预测模型及应用

发布时间：2017-07-15 13:03

  本文关键词：我国滨海旅游业串联型趋势预测模型及应用

  更多相关文章： 串联型 组合预测 趋势外推法 指数平滑 ARIMA GM(1 1) LM-BPNN 滨海旅游

【摘要】：滨海旅游业发展受自然、经济、政策等因素影响,这些因素外部又受到不确定因素影响,使得我国滨海旅游系统复杂多变,难以确定其时间序列特性是线性还是非线性;其次,我国开始进行海洋经济统计的时间较晚,预测数据总量不多;再者,我国海洋经济核算体系经过多次变更,能应用于滨海旅游趋势预测的总量指标单一,统计数据口径不一,数据不平等性明显,造成总体预测数据质量不高。然已有的预测模型没有充分考虑到滨海旅游业的这些特性,更不要说找到一个统一范式(单项或组合预测模型)对其时间序列进行精确拟合,对其波动原因做出符合实际情况的稳定一致的解释。从已有文献中不难总结出,定性预测方法和定量预测方法各有其优缺点,但二者却是相互联系、相互补充的,不能简单因为某一模型的预测误差大就其弃之不用。同样,线性和非线性预测模型在处理各自领域的预测问题时都有不可比拟的优势,但在实际预测问题中我们很难确定一个时间序列潜在的发展趋势是线性还是非线性的,即找到不到一个通用模型可以适用于所有的预测情况。因此,更科学的做法是利用组合预测模型来综合利用各子模型的有用信息,尽量抓取时间序列的线性和非线性特征,减少单项预测模型中环境随机因素的影响。经实例检验,本论文提出的串联型趋势预测模型,充分考虑我国滨海旅游业“贫”数据、“差”数据的特性,能有效提取滨海旅游业时间序列的线性和非线性信息,解决传统方法只能对滨海旅游业部分变化进行预测的难题,一定程度上丰富了组合预测方法研究成果。本文主要逻辑结构:第一章,叙述本论文的选题背景与研究意义、论文结构和可能的创新点;第二章,回顾滨海旅游业和组合预测研究成果,提出现有预测模型可能的研究空白点;第三章,分析比较定性预测技术、定量预测技术的相关理论成果;第四章,详细分析我国滨海旅游业特点,并在此基础上提出能充分挖掘我国滨海旅游业时间序列特性的串联型趋势预测模型;第五章,选取适合我国滨海旅游业的单项模型(趋势外推法、指数平滑模型、ARIMA模型、GM(1,1模型)、基于LM法改进的BP神经网络模型(LM-BPNN)),通过P?f(L,N)??组合,对经过冗余筛选的新组合模型利用并联型和串联型两个方式进行组合,得到串联型趋势预测模型性能优于并联型趋势预测模型的结论,而后利用串联型趋势预测模型对我们滨海旅游业2015~2017年增加值进行预测;第六章,本文结论和展望,认为“构建评价滨海旅游业发展趋势综合评价指标体系”、“如何确定组合重数”是需要进一步研究的课题。
【关键词】：串联型 组合预测 趋势外推法 指数平滑 ARIMA GM(1 1) LM-BPNN 滨海旅游
【学位授予单位】：五邑大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F592
【目录】：

• 摘要6-8
• ABSTRACT8-10
• 第一章 绪论10-15
• 1.1 选题背景与研究意义10-12
• 1.1.1 选题背景10-11
• 1.1.2 研究意义11-12
• 1.2 论文结构12-13
• 1.2.1 主要内容12-13
• 1.2.2 技术路线13
• 1.3 可能的创新点13-15
• 第二章 滨海旅游业趋势研究概述15-27
• 2.1 滨海旅游业研究综述15-18
• 2.1.1 滨海旅游业研究与实践的关系15-16
• 2.1.2 海洋经济产业和旅游业预测研究16-17
• 2.1.3 滨海旅游业预测研究17-18
• 2.2 组合预测模型研究综述18-27
• 2.2.1 并联型组合预测模型研究综述19-24
• 2.2.2 串联型组合预测模型研究综述24-27
• 第三章 预测理论概述27-40
• 3.1 定性预测技术27-29
• 3.1.1 专家预测法27-28
• 3.1.2 主观概率法28
• 3.1.3 交叉影响法28-29
• 3.2 定量预测技术29-40
• 3.2.1 旅游引力模型29-30
• 3.2.2 时间序列预测法30-34
• 3.2.3 灰色预测法34-35
• 3.2.4 人工神经网络预测法35-38
• 3.2.5 支持向量机回归法38-40
• 第四章 我国滨海旅游业串联型趋势预测模型40-48
• 4.1 我国滨海旅游业发展现状40-41
• 4.2 我国滨海旅游业特点分析41-43
• 4.2.1 滨海旅游产业特点41-42
• 4.2.2 我国滨海旅游业数据特点42-43
• 4.3 串联型趋势预测模型43-48
• 4.3.1 基本原理44-46
• 4.3.2 冗余定理46-47
• 4.3.3 模型性能标准47-48
• 第五章 我国滨海旅游业趋势预测48-61
• 5.1 数据采集与分析48
• 5.2 预测模型的选择及P= f(L, N)+(?)组合48-57
• 5.2.1 基于LM算法的改进BPNN预测模型49-51
• 5.2.2 残差修正趋势外推法51-52
• 5.2.3 残差修正指数平滑法52-54
• 5.2.4 残差修正ARIMA模型54-55
• 5.2.5 残差修正灰色预测法55-57
• 5.3 组合模型冗余筛选57-58
• 5.4 我国滨海旅游业增加值预测58-61
• 5.4.1 并联型综合预测模型构建58-59
• 5.4.2 串联型综合预测模型构建59
• 5.4.3 预测结果及分析59-61
• 第六章 结论61-63
• 6.1 本文结论61
• 6.2 后续研究方向61-63
• 参考文献63-73
• 攻读学位期间学术成果73-75
• 致谢75

，

本文编号：543968