基于向量自回归模型的旅游热门景点预测方法研究

发布时间：2021-10-25 13:12

　　常规的预测方法变量之间的皮尔逊相关值较低,造成预测的结果出现偏差,为此,设计基于向量自回归模型的旅游热门景点预测方法。综合不同的搜索引擎数据,计算旅游景点关键词网络搜索指数,对其进行预处理并筛选出与旅游景点热度相关性较强的关键词,利用向量自回归模型对变量进行均值化处理,确定影响最大的网络搜索指数,实现对旅游热门景点的预测。实验结果表明:与常规的灰度预测方法和SVR模型预测方法相比,基于向量自回归模型的预测方法的皮尔逊相关值能够保持在0.8～1.0之间,变量之间具有极强的相干性,适合应用在旅游热门景点预测中。 

【文章来源】：现代电子技术. 2020,43(03)北大核心

【文章页数】：4 页

【文章目录】：
0 引言
1 基于向量自回归模型的旅游热门景点预测方法
    1.1 计算关键词搜索指数
    1.2 数据预处理及变量筛选
    1.3 利用向量自回归模型实现热门景点预测
2 仿真实验
    2.1 实验环境
    2.2 实验数据
    2.3 实验内容
    2.4 结果及分析
3 结语


【参考文献】：
期刊论文
[1]微博非结构化数据的情绪挖掘方法及在旅游预测中的应用[J]. 梅梅,刘颖,唐小利,张玢.  情报资料工作. 2019(01)
[2]中国文化产业与旅游业发展的交互动态响应分析[J]. 徐翠蓉,张广海.  统计与决策. 2018(23)
[3]基于熵权法混合模型的贵州省旅游人数预测研究[J]. 陈美璘,何清龙.  数学的实践与认识. 2018(21)
[4]最优组合预测线性模型在旅游需求预测中的应用——以中国大陆赴澳门游客量预测为例[J]. 汪威.  数学的实践与认识. 2018(12)
[5]基于大数据分析的旅游景点承载力模型设计[J]. 刘飞,李柯青,项清,何杰.  现代电子技术. 2018(12)
[6]基于VAR模型的旅游业与区域经济发展动态关系研究——以广西为例[J]. 陈文捷,高雪.  广西社会科学. 2018(02)
[7]消费需求与国内旅游消费需求的周期性波动同步吗——基于MS-VAR模型时变特征的分析[J]. 李维维,虞虎,王新歌,马晓龙.  商业经济与管理. 2018(01)
[8]以旅游功能为主的城市轨道交通线路客流预测方法[J]. 郭旭东,刘永平,王远回.  城市轨道交通研究. 2018(01)
[9]基于Bernstein Copula函数的中国入境旅游需求预测[J]. 朱亮,张建萍.  旅游学刊. 2017(11)
[10]基于支持向量机的旅游需求量预测模型[J]. 胡晓琴.  现代电子技术. 2017(15)



本文编号：3457471