一种基于百度指数的城市日游客规模预测方法

发布时间：2024-03-05 05:33

　　百度指数数据为预测游客规模提供了新思路。以杭州市为例,首先研究新浪微博签到数据与统计年鉴中实际游客量的关系,用新浪微博签到人数模拟实际旅游人数,建立杭州市日游客规模自回归移动平均(auto regressive moving average,ARMA)模型,并进行预测;然后结合计量经济学中的协整检验和格兰杰因果关系检验,分析百度指数与微博签到人数之间的关系,利用百度指数空间分布特征及主成分分析后提取的3个解释变量构建向量自回归(vector auto regression,VAR)模型;最后比较了2个模型的预测精度。结果显示,百度指数存在地理空间属性,且与新浪微博签到人数互为格兰杰因果关系,存在1～23 d的滞后期。此外,相比ARMA模型,考虑了百度指数地理属性的VAR模型在样本期内的预测精度提高了13.1%,在样本期外的预测精度提高了27.9%。研究表明,百度指数的时间和空间属性对游客规模预测有重要意义和价值。

【文章页数】：9 页

【部分图文】：

图1基于百度指数的游客规模预测模型优化技术路线图

选择杭州为旅游目的地进行研究。杭州市位于我国东部，是浙江省的省会城市，旅游资源丰富，美丽的自然风光与独特的人文历史景观合而为一，为我国最佳旅游目的地城市之一。通过新浪微博应用程序接口（applicationprogramminginterface,API）抓取2012—201....

图2微博签到人数与“杭州旅游攻略”百度指数数据对比

在ARMA模型基础上，增加百度指数关键词“杭州旅游攻略”，并将其作为模型的解释变量以优化模型，为避免模型的共线性，降低对预测模型的干扰，需要根据百度指数的地理空间特征提取更合适的解释变量，以进一步提高预测精度。综合考虑地区人口数量、经济发展水平及出行距离，对34个省（直辖市、自治....

图3地区分类结果

由图3和图4可知，核心市场区域、一般市场区域和边缘市场区域最明显的差异是百度指数数据。为减少预测模型中的自变量，降低多重共线性的干扰，对3个市场区域的百度指数进行主成分分析。首先，分别计算3个市场区域中变量的KMO(KaiserMeyerOlkin）统计量，得到核心市场区域、....

图43个市场区域和3个主成分的“杭州旅游攻略”百度指数数据

图3地区分类结果2.3.2单位根检验和协整检验

本文编号：3919760