基于时间序列模型与灰色模型的广东省旅游人数预测研究

发布时间：2023-06-05 04:21

　　当前,随着国民经济水平的提高以及人们思想观念的改变,越来越多的人把外出旅游作为休闲娱乐的一种,庞大的人流量给旅游市场带来巨大经济效益的同时,也给景区的交通、生态环境造成压力。因而,提前对游客流量进行预测以便采取相应措施显得尤为重要。在众多对游客流量进行预测的方法中,时间序列分析法和灰色模型预测法是最常见的两种方法。单个模型通常不能考察到数据的所有特点,可能会对预测产生误差。因此,结合不同模型特点的组合模型是处理预测的一个重要课题。本文主要是针对时间序列模型和灰色模型方法对广东省游客流量预测的应用研究。本文的工作可归纳如下:1)利用三种时间序列分析预测模型(即:包括具有短记忆性的求和自回归滑动平均(ARIMA)模型和季节性差分自回归滑动平均(SARIMA)模型,具有长记忆性的分形自回归滑动平均(ARFIMA)模型),对2001年到2018年的广东省游客人数数据集进行测试。测试结果表明,在长期预测中,ARFIMA模型的预测效果较好,在短期预测中,ARIMA模型的预测效果最差,偏离真实值较远,SARIMA模型与ARFIMA模型的预测效果相近。2)针对长记忆ARFIMA模型,本文利用二项式和矩...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究成果及现状
        1.3.1 国外研究成果及现状
        1.3.2 国内研究成果及现状
    1.4 主要贡献
    1.5 论文结构
第二章 预备知识
    2.1 时间序列分析基本概念
    2.2 平稳性检验与纯随机性检验
        2.2.1 平稳性检验
        2.2.2 纯随机性检验
    2.3 基本的短记忆时间序列模型
        2.3.1 ARMA(p,q)模型
        2.3.2 ARIMA(p,q)模型
        2.3.3 SARIMA(p,d,q)模型
    2.4 信息准则与参数估计
    2.5 显著性检验
    2.6 模型预测效果的评价指标
    2.7 本章小结
第三章 长记忆ARFIMA模型
    3.1 长记忆性的概念
    3.2 数据的平稳化处理
    3.3 ARFIMA模型定义
    3.4 ARFIMA(p,d,q)模型建立步骤
    3.5 长记忆性的检验方法
    3.6 分数阶差分
        3.6.1 分数阶差分的意义
        3.6.2 分数阶差分推导过程
    3.7 本章小结
第四章 改进的FGM(1,1)-ARFIMA预测模型
    4.1 GM(1,1)模型
    4.2 改进的FGM(1,1)模型
    4.3 FGM(1,1)-ARFIMA模型建立思路
    4.4 FGM(1,1)-ARFIMA建模步骤
    4.5 本章小结
第五章 广东省游客人数的实证分析
    5.1 数据来源
    5.2 ARIMA模型的实证分析
        5.2.1 建模步骤
        5.2.2 实验过程与结果分析
    5.3 ARFIMA(p,d,q)模型的实证分析
        5.3.1 建模步骤
        5.3.2 实验过程与结果分析
    5.4 SARIMA模型的实证分析
        5.4.1 建模步骤
        5.4.2 实验过程与结果分析
    5.5 改进的FGM(1,1)-ARFIMA模型实证分析
    5.6 模型结果对比
    5.7 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3831673