基于EEMD-ARIMA的酒店入住率预测研究

发布时间：2017-10-27 22:19

  本文关键词：基于EEMD-ARIMA的酒店入住率预测研究

  更多相关文章： 时间序列 总体经验模式分解 需求预测 信号分解频谱分析

【摘要】：旅游业是第二次世界大战以后发展最快的产业之一,由于它具有“无烟产业”的特点,且对经济的拉动力巨大,世界各个国家和地区对其发展都非常重视。但同时,旅游业也是非常脆弱的产业,经常受到自然环境、经济环境、人文环境、政策、自然灾害等因素的影响。凡事预则立,旅游业相关的监管部门、运营者除了加强对旅游业的监督、管理之外,还应该重视旅游需求预测,以便合理地配置资源,规避风险。准确预测旅游需求一直是旅游研究的重要议题之一,但是由于旅游市场不稳定的特性以及影响因素的复杂性,对旅游市场进行精准预测相对困难。而旅游市场持续、稳定的发展离不开精确旅游需求预测的支持。作为旅游的三大支柱产业之一,住宿业的发展对旅游业的影响巨大,酒店的管理、经营则需要精准的预测来支持。本文从旅游需求预测的角度切入,利用EEMD和ARIMA构建新的预测模型,以美国Charleston地区酒店为研究案例,进行实证研究,并对Charleston地区与其辖的两个区域(East Cooper地区与North Charleston地区)的酒店入住率进行预测。研究以自回归积分滑动平均模型(ARIMA)为基础,首先利用R语言,构建三个地区酒店的ARIMA预测模型,分析其52周的预测结果。用ARIMA模型的预测结果为研究的基准,笔者引入了一种新的自适应频谱分析法——总体经验模式分解(EEMD),利用EEMD的滤波特性,将酒店入住率信号分解为多个本征模态函数(IMF),以研究酒店入住率数据内部的波动规律。将EEMD分解出的IMF区分高频波动、低频波动和趋势项,采用“分解与集合”的理念,分别对它们进行结合,将原始信号最终分解为三个信号,依次对3个信号构建ARIMA预测模型最后将预测值求和。最终研究结果证明,使用EEMD-ARIMA结合的模型进行预测后,中期长度的预测(26周)的结果比单独使用ARIMA模型的结果更加准确。用衡量模型优劣的指标MAPE与RMSE检测显示,在中期预测中,EEMD-ARIMA模型分别在MAPE中减少了31.25%、14.9%与1.67%的误差,在RMSE中减少31.03%、19.7%和4.1%的误差。而长期预测中,EEMD-ARIMA模型在Charleston地区减少了MAPE的9.67%与RMSE的16.4%的误差,提高了酒店入住率的预测准确度。通过研究,具体得出以下几点结论：(1)ARIMA模型对中期(26周)及长期(52周)的预测效果尚可,但单一的ARIMA模型对非线性、波动剧烈的时间序列无法进行完整的信息捕捉。通过对三个地区的酒店入住率的时间序列进行ARIMA模型建立,得出了一般的时间序列预测模型,模型检验工具MAPE与RMSE显示ARIMA模型对中期及长期的预测都有不错的效果,但ARIMA在建模中受到噪声的影响,对信息的捕捉有一定困难,因此在预测效果上还有待提高。(2)通过EEMD对数据的分解,能够从酒店入住率的非线性波动中准确地提取出波动的信息。这不仅能帮助研究者分析不同频率的波动规律及影响因素,还能够通过趋势项获知数据内在的走势与发展规律。研究显示,三个地区酒店入住率的内部发展规律与经济发展状况基本一致。(3) EEMD-ARIMA模型对酒店入住率的中期预测能力有显著的提高。结合EEMD方法深度分解数据的优势,用“分解与集合”的思想建立的EEMD-ARIMA模型能够在“分解”酒店入住率这一复杂的波动信号的基础上,平缓波动,再将其按频率分类“集合”成高频、低频、趋势三个信号,规范数据的一致性。最后建立的EEMD-ARIMA模型在MAPE与RMSE检验中证实,在三个实证案例分析中,EEMD-ARIMA模型对酒店入住率的中期预测能力都有显著的提高。本文的创新点在于：(1)本研究在传统ARIMA模型的基础上将时间序列研究深入到了信号分解的领域,拓宽了研究方法的范围,丰富了时间序列的研究内容；(2)本文将总体经验模式分解法(EEMD)首次引入旅游行业经济时间序列分析的研究中,这种方法尤其在酒店入住率研究中尚为空白。利用EEMD可以深入探索时间序列的内在运行规律和趋势。在以传统时间序列为基础的前提下,加入EEMD方法,提出了一种新的预测模型EEMD-ARIMA。根据提出的新模型,在已有的模型理论基础上综合本研究中信号分解结果的特殊性,将理论应用于实践,并得出结论证实新模型能够对传统时间序列研究的预测进行优化。
【关键词】：时间序列 总体经验模式分解 需求预测 信号分解频谱分析
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F719.2
【目录】：

• 摘要3-5
• Abstract5-11
• 第1章 绪论11-17
• 1.1 研究背景11-13
• 1.1.1 旅游业的快速发展11
• 1.1.2 旅游产业的需求11-12
• 1.1.3 酒店精细管理的需求12-13
• 1.2 研究意义13-14
• 1.2.1 理论意义13
• 1.2.2 现实意义13-14
• 1.3 研究目标与内容14-15
• 1.3.1 研究目标14
• 1.3.2 研究内容14-15
• 1.4 研究技术路线15-17
• 第2章 研究综述17-25
• 2.1 旅游需求预测研究综述17-19
• 2.1.1 旅游需求预测研究现状17-18
• 2.1.2 时间序列方法的局限性18-19
• 2.2 基于时间序列方法的旅游需求预测研究19-20
• 2.3 基于经验模式分解的旅游需求预测相关研究20-21
• 2.4 旅游需求预测的其他相关研究21-24
• 2.5 本章小结24-25
• 第3章 理论基础与数据来源25-39
• 3.1 自回归积分滑动平均(ARIMA)模型25-31
• 3.1.1 基本概念25-30
• 3.1.2 季节性ARIMA模型30-31
• 3.2 经验模式分解理论31-35
• 3.2.1 EMD基本概念31-32
• 3.2.2 EMD算法32-35
• 3.3 总体经验模式分解35-36
• 3.3.1 EMD的改进35
• 3.3.2 加入白噪声的准则35
• 3.3.3 EEMD方法中总平均次数35-36
• 3.3.4 EEMD分解主要步骤36
• 3.4 模型检验工具36-37
• 3.4.1 平均绝对百分误差(Mean Absolute percentage error,MAPE)36-37
• 3.4.2 均方根百分比误差(Root Mean Square Error,RMSE)37
• 3.5 数据来源37-38
• 3.6 本章小结38-39
• 第4章 基于ARIMA模型的酒店入住率预测39-53
• 4.1 平稳性检验39-40
• 4.1.1 描述性统计39-40
• 4.1.2 单位根检验40
• 4.2 自相关函数检验40-41
• 4.3 基于EVIEWS的ARIMA模型识别与定阶41-43
• 4.4 基于R语言的模型定阶43-46
• 4.5 EAST COOPER地区与NORTH CHARLESTON地区ARIMA模型构建46-51
• 4.6 本章小结51-53
• 第5章 基于EEMD的ARIMA模型优化研究53-71
• 5.1 酒店入住率的EEMD分解53-54
• 5.2 IMF与T分析54-59
• 5.3 基于EEMD-ARIMA的预测模型构建59-66
• 5.4 EAST COOPER与NORTH CHARLESTON地区的预测对比66-69
• 5.5 本章小结69-71
• 第6章 结论与讨论71-75
• 6.1 结论71-72
• 6.2 创新点72-73
• 6.3 讨论与展望73-75
• 参考文献75-81
• 附录 EEMD运算程序81-85
• 致谢85-87
• 攻读硕士学位期间科研成果87

【相似文献】

中国期刊全文数据库 前10条

1 卞晓灵;;ARIMA模型在设备故障预测中的应用[J];科技信息(学术研究);2008年08期

2 付宇涵;;基于ARIMA模型的我国财产险保费收入的预测研究[J];统计教育;2010年10期

3 王永宏;饶继广;;基于ARIMA模型自动预测我国保险行业保费收入的应用和实践[J];软件产业与工程;2010年06期

4 陈雪娇;;我国消费者信心指数趋势分析及预测——基于ARIMA模型[J];东方企业文化;2011年10期

5 翟明娟;;基于ARIMA模型的山西省人均实际GDP预测[J];长治学院学报;2012年05期

6 赵建锋;李冠军;;ARIMA模型在我国纺织品服装出口额预测中的应用[J];企业导报;2013年23期

7 石美娟;ARIMA模型在上海市全社会固定资产投资预测中的应用[J];统计与信息论坛;2003年06期

8 李佳萌,曾涛,王伟;ARIMA模型在天津港交通量预测中的应用[J];数理医药学杂志;2004年05期

9 梁来存;皮友静;;我国保费收入的ARIMA模型与预测[J];统计与决策;2006年07期

10 王新华;;ARIMA模型在武汉市全社会固定资产投资预测中的应用[J];统计与决策;2006年08期

中国重要会议论文全文数据库 前10条

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三届中国控制会议论文集（下册）[C];2004年

2 王建锋;高歌;陈立凌;李红美;张明芝;王艾丽;;ARIMA模型及其在江苏省卫技人员数预测中的应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年

3 李君华;王志坚;张立杰;陈雪;;基于小波理论及ARIMA模型的短期棉花价格预测[A];中国棉花学会2012年年会暨第八次代表大会论文汇编[C];2012年

4 陈兴荣;;ARIMA模型和GM(1,1)在我国白银消费需求预测应用中的比较研究[A];第25届全国灰色系统会议论文集[C];2014年

5 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

6 刘军;柴洪洲;陈轲;刘先冬;;ARIMA模型预报电离层VTEC研究[A];第一届中国卫星导航学术年会论文集（下）[C];2010年

7 ;Economic Design of Integrating SPC and APC with Quality Constraints[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 任家福;张f ;周宗放;;基于ARIMA和BP神经网络的组合预测模型及应用研究[A];第三届（2008）中国管理学年会——技术与创新管理分会场论文集[C];2008年

9 ;Modeling Chronobiologic Data: An Introduction to Time Series Analysis[A];2004全国时间生物医学学术会议论文集[C];2004年

10 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六届中国控制会议论文集[C];2007年

中国重要报纸全文数据库 前1条

1 ;基于数量化方法对未来经济增长趋势的预测[N];第一财经日报;2009年

中国硕士学位论文全文数据库 前10条

1 梁佳琦;ARIMA模型同MAXENT模型在自然保护区内口蹄疫疫情风险预警中的应用研究[D];东北林业大学;2015年

2 张海东;基于论坛的热点话题识别与趋势预测研究[D];上海师范大学;2015年

3 雍永强;基于ARIMA和BPNN的组合预测模型在血糖预测中的应用[D];郑州大学;2015年

4 张敏;基于ARIMA的组合模型问题研究[D];大连海事大学;2015年

5 桂林;退耕还林与生态环境改善的关系研究与分析[D];西安建筑科技大学;2015年

6 钱丽萍;基于ARIMA模型的儿童医院门诊量预测研究[D];苏州大学;2015年

7 于婷;基于ARIMA模型的股价的研究[D];大连海事大学;2015年

8 程浩;武汉第三产业总量时间序列研究[D];华中师范大学;2015年

9 陈天舒;基于ARIMA与GPR组合模型的人民币汇率预测[D];山东大学;2015年

10 袁磊;基于ARIMA-LSSVM混合模型的股指预测研究[D];哈尔滨工业大学;2015年

，

本文编号：1105451