| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第20-32页 |
| 1.1 研究背景和意义 | 第20-22页 |
| 1.2 国内外旅游客流量研究方法现状 | 第22-27页 |
| 1.2.1 旅游客流量经典时间序列预测方法 | 第22-24页 |
| 1.2.2 旅游客流量预测计量经济学方法 | 第24-25页 |
| 1.2.3 旅游客流量预测人工神经网络方法 | 第25-26页 |
| 1.2.4 旅游客流量预测支持向量回归方法 | 第26-27页 |
| 1.3 国内外旅游客流量研究内容分析 | 第27-29页 |
| 1.3.1 目的地-客源地客流量预测 | 第27-28页 |
| 1.3.2 中长期预测 | 第28页 |
| 1.3.3 预测方法的选择 | 第28-29页 |
| 1.4 本文主要研究内容 | 第29-31页 |
| 1.5 本文结构安排 | 第31-32页 |
| 第二章 旅游短期客流量影响因素、特点及分类 | 第32-42页 |
| 2.1 问题分析 | 第32页 |
| 2.2 旅游短期客流量主要影响因素 | 第32-38页 |
| 2.2.1 国外旅游需求影响因素分析 | 第32-33页 |
| 2.2.2 国内旅游需求影响因素分析 | 第33页 |
| 2.2.3 旅游短期客流量主要影响因素 | 第33-38页 |
| 2.3 旅游短期客流量特点 | 第38-40页 |
| 2.3.1 非线性 | 第38-39页 |
| 2.3.2 季节性 | 第39页 |
| 2.3.3 随机性 | 第39-40页 |
| 2.4 旅游短期客流量分类 | 第40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于SVR的平常日客流量预测模型 | 第42-65页 |
| 3.1 问题分析 | 第42页 |
| 3.2 支持向量机理论 | 第42-51页 |
| 3.2.1 统计学习理论 | 第42-46页 |
| 3.2.2 支持向量回归原理 | 第46-51页 |
| 3.3 自由参数最优化方法选择 | 第51-53页 |
| 3.3.1 自由参数影响 | 第51-52页 |
| 3.3.2 自由参数最优化准则和方法选择 | 第52页 |
| 3.3.3 遗传算法基本原理 | 第52-53页 |
| 3.4 基于SVR的平常日客流量预测模型 | 第53-57页 |
| 3.4.1 基于GA的SVR参数寻优 | 第53-55页 |
| 3.4.2 GA-SVR模型算法过程 | 第55-57页 |
| 3.5 实验过程和结果讨论 | 第57-64页 |
| 3.5.1 数据来源 | 第57-59页 |
| 3.5.2 GA-SVR预测模型实验过程 | 第59-60页 |
| 3.5.3 BPNN预测方法比较 | 第60-61页 |
| 3.5.4 评价指标 | 第61-62页 |
| 3.5.5 实验结果讨论 | 第62-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第四章 基于季节SVR的节假日客流量预测模型 | 第65-82页 |
| 4.1 问题分析 | 第65页 |
| 4.2 旅游季节性 | 第65-67页 |
| 4.2.1 季节性和旅游季节性的内涵 | 第65-66页 |
| 4.2.2 旅游季节性形成原因 | 第66-67页 |
| 4.3 旅游季节性处理方法 | 第67-69页 |
| 4.3.1 旅游季节性测量方法 | 第67-68页 |
| 4.3.2 季节调整方法 | 第68-69页 |
| 4.4 基于季节SVR的节假日客流量预测模型 | 第69-74页 |
| 4.4.1 基于AGA的SVR参数寻优 | 第69-70页 |
| 4.4.2 季节AGA-SVR模型算法过程 | 第70-74页 |
| 4.5 实验过程和结果讨论 | 第74-81页 |
| 4.5.1 数据来源 | 第74-75页 |
| 4.5.2 季节AGA-SVR预测模型实验过程 | 第75-79页 |
| 4.5.3 评价指标 | 第79页 |
| 4.5.4 实验结果讨论 | 第79-81页 |
| 4.6 本章小结 | 第81-82页 |
| 第五章 基于SVR-ARIMA的旅游突发事件客流量预测模型 | 第82-96页 |
| 5.1 问题分析 | 第82页 |
| 5.2 旅游突发事件客流量预测现状 | 第82-83页 |
| 5.2.1 突发事件和旅游突发事件的内涵 | 第82页 |
| 5.2.2 旅游突发事件客流量预测现状 | 第82-83页 |
| 5.3 混合预测模型研究现状 | 第83页 |
| 5.4 基于SVR-ARIMA的旅游突发事件客流量混合预测模型 | 第83-89页 |
| 5.4.1 基于CPSO的SVR参数寻优 | 第84-87页 |
| 5.4.2 ARIMA模型原理 | 第87-89页 |
| 5.4.3 CPSO-SVR-ARIMA混合模型算法过程 | 第89页 |
| 5.5 实验过程和结果讨论 | 第89-95页 |
| 5.5.1 数据来源 | 第89-90页 |
| 5.5.2 CPSO-SVR-ARIMA混合模型实验过程 | 第90页 |
| 5.5.3 实验方法及结果 | 第90-93页 |
| 5.5.4 评价指标 | 第93页 |
| 5.5.5 实验结果讨论 | 第93-95页 |
| 5.5.6 预测模型的局限性 | 第95页 |
| 5.6 本章小结 | 第95-96页 |
| 第六章 总结和展望 | 第96-99页 |
| 6.1 本文总结 | 第96-97页 |
| 6.2 展望 | 第97-99页 |
| 参考文献 | 第99-116页 |
| 在读期间参加的科研工作和发表论文 | 第116页 |
