On the Prediction of Tourist Volume Based on Network Search Index and EMD-ARIMA-BP Combination Model：A Case Study of Zhangjiajie

doi:10.13438/j.cnki.jdxb.2019.01.017

Abstract

Abstract: Scientific prediction of tourist volume is helpful to perfect the early warning system of tourism security and optimize the allocation system of tourism resources.In order to further improve the accuracy of tourist volume prediction,a combination model of EMD-ARIMA-BP neural network based on web search index is proposed to explore the new rules of travel behavior of tourism consumers in the Internet age.The model firstly synthesizes the web search behavior data exponentially,using the EMD algorithm to deal with the noise of the visitor volume and the web search behavior data,combining the econometric prediction model and the BP neural network model to predict tourist volume.The empirical analysis takes the prediction of tourist volume in Zhangjiajie as an example.The results are as follows:(1) it is feasible to predict the travel behavior of tourism consumers by using web search behavior data,and real-time network data can greatly improve the timeliness of prediction;(2) after de-noising the data of tourist volume and web search behavior with EMD de-noising method,the prediction accuracy of tourist volume is improved to a great extent;(3) the prediction error based on the combination of network search index and EMD-ARIMA-BP neural network model is significantly lower than the three benchmark models of ARIMA time series,econometric prediction model and BP neural network.

Key words: network search index, ARIMA model, EMD algorithm, BP neural network；prediction of tourist volume

LU Lijun. On the Prediction of Tourist Volume Based on Network Search Index and EMD-ARIMA-BP Combination Model：A Case Study of Zhangjiajie[J]. Journal of Jishou University（Social Sciences）, DOI: 10.13438/j.cnki.jdxb.2019.01.017.

References

[1] 国家发展和改革委员会.2017年中国居民消费发展报告[R].北京：人民出版社,2018：3-5. [2] Haiyan Song,Gang Li,Tourism demand modeling and forecasting—A review of recent research[J].Tourism Management,2008(2)：203-220. [3] 李丹,赵媛.对中国国际入境旅游市场的滚动样本预测——基于季节效应ARIMA模型[J].经济问题,2008(6)：124-126. [4] 刘霁雯,梁峰,向华.基于GARCH族模型的中国旅游酒店板块指数收益率波动分析[J].统计与信息论坛,2010(4)：63-68. [5] 吴良平,张健,王汝辉.基于SARIMA模型的汶川大地震对四川省旅游业影响研究[J].旅游论坛,2012(3)：56-60；86. [6] 杜勇宏,王汝芳.季节时间序列理论发展综述[J].技术经济与管理研究,2009(6)：3-9. [7] 周成,冯学钢.上海入境旅游市场的季节特征、波动周期与发展趋势——基于X-12-ARIMA和HP滤波法[J].旅游科学,2016(6)：39-53. [8] 王领,苟晓敏.中国游客赴日旅游消费的影响因素研究——基于X12-ARIMA模型的分析[J].山东财经大学学报,2018(2)：86-95；104. [9] 吴良平,张健.中国入境客流区域集散的结构差异与转移规律研究[J].旅游科学,2017(6)：14-29. [10] 魏瑾瑞,崔浩萌.基于网络搜索行为数据的区域旅游指数及其微观动态:以西安为例[J].系统科学与数学,2018(2)：177-194. [11] 李维维,马晓龙.国内旅游经济周期与宏观经济周期同步吗?——基于MS-VAR模型时变特征的验证[J].旅游学刊,2017(11)：49-59. [12] 古冰.基于投入产出法及ANN模型的文化产业和旅游产业融合分析[J].商业经济研究,2017(18)：170-173. [13] 陈荣,梁昌勇,谢福伟,等.基于自适应GA-SVR的旅游景区日客流量预测[J].中国管理科学,2012(S1)：61-66. [14] 邓祖涛,陆玉麒.BP神经网络在我国入境旅游人数预测中的应用[J].旅游科学,2006(4):49-53. [15] Bates J M,Granger C W J.The combination of forecasts[J].Journal of the Operational Research Society,1969,20(4)：451-468. [16] 谈正达,唐琳,胡海鸥.我国国际资本流动与货币冲销的有效性研究:1999—2010[J].国际金融研究,2011(12)：29-37. [17] 王国新,杨晓娜.基于AIDS模型的入境旅游者消费结构和消费选择分析——以杭州市为例[J].旅游论坛,2014(6)：23-31. [18] 雷可为，陈瑛.基于BP神经网络和ARIMA组合模型的中国入境游客量预测[J].旅游学刊，2007（4）:20-25. [19] 梁昌勇,马银超,陈荣,等.基于SVR-ARMA组合模型的日旅游需求预测[J].管理工程学报,2015(1)：122-127. [20] Pan B,MacLaurin T,Crotts J C.Travel blogs and the implications for destination marketing [J].Journal of Travel Research,2007,46(1)：35-45. [21] Ginsberg J,Mohebbi M H,Patel R S,et al.Detecting influenza epidemics using search engine query data[J].Nature,2009,457(7232)：1012. [22] 张崇,吕本富,彭赓,等.网络搜索行为数据与CPI的相关性研究[J].管理科学学报,2012(7)：50-59，70. [23] 刘颖,吕本富,彭赓.网络搜索对股票市场的预测能力:理论分析与实证检验[J].经济管理,2011(1)：172-180. [24] 张捷,刘泽华,解杼,等.中文旅游网站的空间类型及发展战略研究[J].地理科学,2004(4)：493-499. [25] 孙烨,张宏磊,刘培学,等.基于旅游者网络关注度的旅游景区日游客量预测研究——以不同客户端百度指数为例[J].人文地理,2017(3)：152-160. [26] Smeral E.Tourism Forecasting Performance Considering the Instability of Demand Elasticities[J].Journal of Travel Research,2017,56(7)：913-926. [27] Li X,Pan B,Law R,et al.Forecasting tourism demand with composite search index[J].Tourism management,2017,59：57-66. [28] 董现垒,Bollen Johan,胡蓓蓓.基于网络搜索行为数据的中国消费者信心指数的测算[J].统计与决策,2016(5)：9-13. [29] 孙毅,吕本富,陈航,等.基于网络搜索行为的消费者信心指数构建及应用研究[J].管理评论,2014(10)：117-125. [30] 刘涛雄,徐晓飞.互联网搜索行为能帮助我们预测宏观经济吗?[J].经济研究,2015(12)：68-83. [31] Song H,Witt S F,Jensen T C.Tourism Forecasting:Accuracy of Alternative Econometric Models[J].International Journal of Forecasting,2003,19(1)：123-141. [32] Athanasopoulos G,Song H,Sun J A.Bagging in Tourism Demand Modeling and Forecasting[J].Journal of Travel Research,2018,57(1)：52-68. [33] 马丽君,孙根年,王洁洁.基于本底趋势线与小波函数的中国旅游成长及多周期分析[J].旅游科学,2009(6)：21-27. [34] 陈玲玲,杨慧.我国入境旅游客源与旅游外汇收入的多尺度对比研究——EMD方法的新应用[J].地域研究与开发,2011(6)：94-97. [35] 李晓炫,吕本富,曾鹏志,等.基于网络搜索和CLSI-EMD-BP的旅游客流量预测研究[J].系统工程理论与实践,2017(1)：106-118. [36] 蔡跃洲,张钧南.信息通信技术对中国经济增长的替代效应与渗透效应[J].经济研究,2015(12)：100-114. [37] Witt S F,Moutinho L,Huarng K H,et al.Tourism demand modelling and forecasting[M]∥CABI Publishing,Strategic management in tourism,2018：45-72. [38] Ye Q,Song H,Li T,et al.Tourism Management Perspectives[J].Tourism Management,2018,26：89-96. [39] 黄炜,孟霏,徐月明.游客环境态度对其环境行为影响的实证研究——以世界自然遗产地张家界武陵源风景区为例[J].吉首大学学报(社会科学版),2016(5)：101-108. [40] 任乐,崔东佳.基于网络搜索行为数据的国内旅游客流量预测研究——以北京市国内旅游客流量为例[J].经济问题探索,2014(4)：67-73. [41] 卢洪涛.面向信息分析与预测的网络搜索关键词集中度和相关度研究[D].武汉：武汉大学,2013. [42] 黄先开,张丽峰,丁于思.百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例[J].旅游学刊,2013(11)：93-100. [43] 马丽君,郭留留.基于网络关注度的北京市居民对5A级景区旅游需求时空特征分析[J].干旱区资源与环境,2017(10)：203-208. [44] 麻学锋,杨雪.张家界旅游产品开发的空间演化与乡村振兴分析[J].吉首大学学报(社会科学版),2018(3)：48-58.