| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究进展 | 第13-16页 |
| 1.2.1 国内外对旅游需求预测的研究 | 第13-14页 |
| 1.2.2 国内外人工神经网络应用综述 | 第14-16页 |
| 1.3 研究思路与论文组织 | 第16-18页 |
| 1.3.1 研究思路 | 第16页 |
| 1.3.2 论文组织 | 第16-18页 |
| 第二章 预测理论与方法 | 第18-34页 |
| 2.1 回归分析预测法 | 第18-19页 |
| 2.1.1 多元线性回归模型建立 | 第18-19页 |
| 2.1.2 回归系数求解 | 第19页 |
| 2.1.3 多元回归模型检验 | 第19页 |
| 2.2 时间序列预测法 | 第19-21页 |
| 2.2.1 自回归(AR)模型基本原理 | 第20页 |
| 2.2.2 移动平均(MA)模型基本原理 | 第20页 |
| 2.2.3 自回归滑动平均(ARMA)模型基本原理 | 第20-21页 |
| 2.3 灰色预测法 | 第21-22页 |
| 2.3.1 灰色模型建立 | 第21-22页 |
| 2.3.2 模型的检验 | 第22页 |
| 2.4 传统预测方法对比 | 第22-23页 |
| 2.5 人工神经网络理论 | 第23-26页 |
| 2.5.1 人工神经网络概念提出及发展 | 第23-25页 |
| 2.5.2 人工神经网络特点 | 第25-26页 |
| 2.6 BP神经网络理论 | 第26-28页 |
| 2.5.1 BP算法基本理论 | 第26-28页 |
| 2.5.2 BP神经网络的局限性 | 第28页 |
| 2.7 径向基函数神经网络 | 第28-29页 |
| 2.8 支持向量机回归算法 | 第29-31页 |
| 2.9 GA-SVM算法 | 第31-34页 |
| 第三章 基于人工神经网络的入境旅游需求预测建模 | 第34-44页 |
| 3.1 特征向量的构建 | 第34-40页 |
| 3.1.1 入境旅游需求旅游分析 | 第34-36页 |
| 3.1.2 影响因子的选择 | 第36-38页 |
| 3.1.3 样本数据获取 | 第38页 |
| 3.1.4 构建特征向量 | 第38-40页 |
| 3.2 入境旅游需求预测模型的选择 | 第40-42页 |
| 3.2.1 BP神经网络的设计与实现 | 第40页 |
| 3.2.2 RBF神经网络的设计与实现 | 第40-41页 |
| 3.2.3 SVM神经网络的设计与实现 | 第41页 |
| 3.2.4 基于GA-SVM神经网络的设计与实现 | 第41-42页 |
| 3.3 模型性能评价指标 | 第42-44页 |
| 第四章 实证研究—以我国入境旅游为例 | 第44-58页 |
| 4.1 我国入境旅游需求分析 | 第44-47页 |
| 4.1.1 我国入境旅游市场 | 第44-45页 |
| 4.1.2 我国的国际旅游客源市场 | 第45-47页 |
| 4.2 训练与测试结果分析 | 第47-58页 |
| 4.2.1 基于BP神经网络的训练与测试结果 | 第47-49页 |
| 4.2.2 基于RBF神经网络的训练与测试结果 | 第49-50页 |
| 4.2.3 基于SVM神经网络的训练与测试结果-40- | 第50-51页 |
| 4.2.4 基于GA-SVM神经网络的训练与测试结果 | 第51-52页 |
| 4.2.5 预测模型仿真精度对比分析 | 第52-53页 |
| 4.2.6 基于GA-SVM神经网络的入境旅游需求趋势预测 | 第53-58页 |
| 第五章 研究结论与展望 | 第58-60页 |
| 5.1 研究结论 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
