ARIMA-ATT-LSTM在旅游客流量預(yù)測中的應(yīng)用研究
發(fā)布時間:2024-06-02 07:31
現(xiàn)如今,經(jīng)濟(jì)不斷向好發(fā)展,物質(zhì)生活條件也日益改善,人們的物質(zhì)需求得到滿足的同時對于精神文化的需求也在不斷提高。旅游成為人們放松心情、游玩享受的首選,旅游業(yè)也由此得到了蓬勃的發(fā)展。與此同時,高峰期旅客爆滿、景區(qū)擁堵、環(huán)境破壞、安全隱患、淡季旅游資源閑置等問題也隨之凸顯。為避免以上問題,通過對旅客客流量實現(xiàn)精準(zhǔn)預(yù)測,能夠幫助景區(qū)管理人員制訂合理規(guī)劃,提前做好應(yīng)急預(yù)案,從而實現(xiàn)對景區(qū)科學(xué)的管理和決策。然而傳統(tǒng)的旅客客流量預(yù)測,主要依賴官方的發(fā)布的缺乏時效性的季度或者年度歷史數(shù)據(jù),具有滯后性,也嚴(yán)重掣肘政府或景區(qū)管理者進(jìn)行科學(xué)理性的規(guī)劃和決策?萍甲兏锊粩嗤七M(jìn),“互聯(lián)網(wǎng)+大數(shù)據(jù)”時代已經(jīng)到來。大眾的消費行為習(xí)慣也隨著互聯(lián)網(wǎng)技術(shù)的不斷更新發(fā)展而發(fā)生改變,在進(jìn)行某項決策時人們往往會通過在網(wǎng)絡(luò)搜索引擎搜索關(guān)鍵詞來獲取相關(guān)信息。當(dāng)人們產(chǎn)生旅游需求時,會體現(xiàn)在旅游產(chǎn)業(yè)和互聯(lián)網(wǎng)上,旅游產(chǎn)業(yè)的變化表現(xiàn)為旅游客流量的變化,而對于互聯(lián)網(wǎng)來說,則表現(xiàn)為旅游相關(guān)關(guān)鍵詞網(wǎng)絡(luò)搜索指數(shù)的改變。由此可見,旅游客流量和網(wǎng)絡(luò)搜索關(guān)鍵詞指數(shù)之間存在一定的相關(guān)性。于是為了實現(xiàn)對旅游客流量的精準(zhǔn)預(yù)測,幫助景區(qū)進(jìn)行合理科學(xué)的決策,本文...
【文章頁數(shù)】:60 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景
1.2 研究意義
1.3 國內(nèi)外研究現(xiàn)狀
1.3.1 傳統(tǒng)旅客客流量預(yù)測研究
1.3.2 應(yīng)用網(wǎng)絡(luò)搜索數(shù)據(jù)的預(yù)測研究
1.3.3 組合模型的預(yù)測研究
1.4 研究內(nèi)容和創(chuàng)新點
1.4.1 研究內(nèi)容
1.4.2 創(chuàng)新點
2 基礎(chǔ)理論
2.1 傳統(tǒng)時間序列模型
2.1.1 ARIMA時間序列模型
2.2 機(jī)器學(xué)習(xí)預(yù)測模型
2.2.1 支持向量機(jī)
2.2.2 GBRT算法
2.2.3 LSTM神經(jīng)網(wǎng)絡(luò)
3 預(yù)測模型優(yōu)化改進(jìn)
3.1 注意力機(jī)制
3.2 基于注意力機(jī)制的LSTM改進(jìn)模型
3.3 優(yōu)化模型的組合預(yù)測模型
3.3.1 ARIMA-ATT-LSTM模型
4 客流量數(shù)據(jù)與關(guān)鍵詞分析
4.1 客流量獲取與數(shù)據(jù)預(yù)處理
4.2 關(guān)鍵詞分析
4.2.1 初選核心關(guān)鍵詞
4.2.2 擴(kuò)展核心關(guān)鍵詞
4.2.3 篩選核心關(guān)鍵詞
4.3 百度指數(shù)獲取
4.4 客流量數(shù)據(jù)以及網(wǎng)絡(luò)搜索數(shù)據(jù)描述性分析
5 旅游客流量預(yù)測研究
5.1 ARIMA模型擬合及預(yù)測研究
5.2 結(jié)合網(wǎng)絡(luò)搜索數(shù)據(jù)的模型預(yù)測研究
5.2.1 預(yù)測模型輸入數(shù)據(jù)
5.2.2 SVR模型
5.2.3 GBRT模型
5.2.4 ATT-LSTM模型
5.3 優(yōu)化組合模型ARIMA-ATT-LSTM預(yù)測研究
5.4 模型的綜合分析結(jié)果比較
5.5 九寨溝數(shù)據(jù)實證分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號:3987015
【文章頁數(shù)】:60 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景
1.2 研究意義
1.3 國內(nèi)外研究現(xiàn)狀
1.3.1 傳統(tǒng)旅客客流量預(yù)測研究
1.3.2 應(yīng)用網(wǎng)絡(luò)搜索數(shù)據(jù)的預(yù)測研究
1.3.3 組合模型的預(yù)測研究
1.4 研究內(nèi)容和創(chuàng)新點
1.4.1 研究內(nèi)容
1.4.2 創(chuàng)新點
2 基礎(chǔ)理論
2.1 傳統(tǒng)時間序列模型
2.1.1 ARIMA時間序列模型
2.2 機(jī)器學(xué)習(xí)預(yù)測模型
2.2.1 支持向量機(jī)
2.2.2 GBRT算法
2.2.3 LSTM神經(jīng)網(wǎng)絡(luò)
3 預(yù)測模型優(yōu)化改進(jìn)
3.1 注意力機(jī)制
3.2 基于注意力機(jī)制的LSTM改進(jìn)模型
3.3 優(yōu)化模型的組合預(yù)測模型
3.3.1 ARIMA-ATT-LSTM模型
4 客流量數(shù)據(jù)與關(guān)鍵詞分析
4.1 客流量獲取與數(shù)據(jù)預(yù)處理
4.2 關(guān)鍵詞分析
4.2.1 初選核心關(guān)鍵詞
4.2.2 擴(kuò)展核心關(guān)鍵詞
4.2.3 篩選核心關(guān)鍵詞
4.3 百度指數(shù)獲取
4.4 客流量數(shù)據(jù)以及網(wǎng)絡(luò)搜索數(shù)據(jù)描述性分析
5 旅游客流量預(yù)測研究
5.1 ARIMA模型擬合及預(yù)測研究
5.2 結(jié)合網(wǎng)絡(luò)搜索數(shù)據(jù)的模型預(yù)測研究
5.2.1 預(yù)測模型輸入數(shù)據(jù)
5.2.2 SVR模型
5.2.3 GBRT模型
5.2.4 ATT-LSTM模型
5.3 優(yōu)化組合模型ARIMA-ATT-LSTM預(yù)測研究
5.4 模型的綜合分析結(jié)果比較
5.5 九寨溝數(shù)據(jù)實證分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號:3987015
本文鏈接:http://www.lk138.cn/jingjifazhanlunwen/3987015.html
最近更新
教材專著