| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文的研究背景和意义 | 第9-11页 |
| 1.2 收益管理和需求预测 | 第11-13页 |
| 1.2.1 收益管理的定义 | 第11页 |
| 1.2.2 收益管理系统 | 第11-12页 |
| 1.2.3 预测模块 | 第12-13页 |
| 1.3 国内外需求预测的方法及研究现状 | 第13-16页 |
| 1.3.1 相关术语 | 第13-14页 |
| 1.3.2 主流的需求预测方法 | 第14页 |
| 1.3.3 历史预定模型(Historical Booking Models) | 第14-16页 |
| 1.3.4 改进预定模型(Advanced Booking Models) | 第16页 |
| 1.3.5 结合模型(combined models) | 第16页 |
| 1.4 本文的研究内容和组织架构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 酒店间夜量异常点检测与修正 | 第17-27页 |
| 2.1 异常点及其产生的原因 | 第17-18页 |
| 2.2 时间序列中异常点的检测与处理 | 第18-19页 |
| 2.3 基于统计方法的异常点检测及修正 | 第19-23页 |
| 2.3.1 数据准备 | 第19-20页 |
| 2.3.2 修正方法 | 第20-23页 |
| 2.4 实验验证 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于酒店间夜预定数据的日期分类 | 第27-37页 |
| 3.1 分类的意义及依据 | 第27-28页 |
| 3.2 有监督学习和无监督学习的分类 | 第28-29页 |
| 3.2.1 有监督学习(supervised learning) | 第28-29页 |
| 3.2.2 无监督学习(unsupervised learning) | 第29页 |
| 3.3 分类方法和距离函数 | 第29-33页 |
| 3.3.1 k最近邻分类算法(k-Nearest Neighbor , kNN) | 第29-30页 |
| 3.3.2 k均值算法(k-means) | 第30-31页 |
| 3.3.3 支持向量机(Support Vector Machine, SVM) | 第31-32页 |
| 3.3.4 距离函数 | 第32-33页 |
| 3.4 酒店间夜量预定数据 | 第33-34页 |
| 3.5 实验验证 | 第34-36页 |
| 3.5.1 人工分类 | 第34页 |
| 3.5.2 选取合适的分类算法 | 第34-35页 |
| 3.5.3 实验结果 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于日期分类的改进预定模型 | 第37-50页 |
| 4.1 数据形式 | 第37-39页 |
| 4.1.1 累积预定矩阵 | 第37-38页 |
| 4.1.2 预定增量矩阵 | 第38页 |
| 4.1.3 预定增比矩阵 | 第38-39页 |
| 4.1.4 数据形式的选择依据 | 第39页 |
| 4.2 模型概述 | 第39-43页 |
| 4.2.1 基于最小二乘的权重确定 | 第40-41页 |
| 4.2.2 基于线性回归的权重确定 | 第41-42页 |
| 4.2.3 针对筛选数据的权重确定 | 第42-43页 |
| 4.3 数值实验 | 第43-44页 |
| 4.3.1 统计数据 | 第43页 |
| 4.3.2 实验方案 | 第43-44页 |
| 4.4 结果及分析 | 第44-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结和展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 附录 | 第53-62页 |
| 附录1 历史预定模型 | 第53-54页 |
| 附录2 改进预定模型 | 第54-56页 |
| 附录3 结合模型 | 第56-60页 |
| 附录4 矩阵化的kNN搜寻 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |
