| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 选题背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 旅游客流量预测问题研究现状 | 第10-12页 |
| 1.2.2 深层神经网络在时间序列预测方面的研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 相关理论介绍 | 第16-26页 |
| 2.1 随机森林 | 第16-17页 |
| 2.2 支持向量回归 | 第17-18页 |
| 2.3 特征选择与降维 | 第18-21页 |
| 2.3.1 特征选择 | 第18-19页 |
| 2.3.2 特征降维 | 第19-21页 |
| 2.4 人工神经网络 | 第21-24页 |
| 2.4.1 循环神经网络 | 第21-22页 |
| 2.4.2 长短时记忆神经网络 | 第22-23页 |
| 2.4.3 卷积神经网络 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 3 旅游景区日客流量的分布特征及影响因素分析 | 第26-34页 |
| 3.1 问题分析 | 第26页 |
| 3.2 旅游景区日客流量的分布特征 | 第26-29页 |
| 3.2.1 非线性 | 第27页 |
| 3.2.2 周期性 | 第27-28页 |
| 3.2.3 淡旺季分布不均衡 | 第28-29页 |
| 3.2.4 节假日与非节假日分布不均衡 | 第29页 |
| 3.3 旅游景区日客流量的影响因素分析 | 第29-32页 |
| 3.3.1 历史客流量 | 第30页 |
| 3.3.2 周末 | 第30-31页 |
| 3.3.3 节假日 | 第31页 |
| 3.3.4 空气污染程度 | 第31-32页 |
| 3.3.5 天气状况 | 第32页 |
| 3.3.6 气温 | 第32页 |
| 3.4 本章小结 | 第32-34页 |
| 4 基于SPCA-LSTM的旅游景区日客流量预测模型 | 第34-46页 |
| 4.1 问题分析 | 第34页 |
| 4.2 数据预处理 | 第34-37页 |
| 4.2.1 缺失值处理 | 第34页 |
| 4.2.2 特征选择 | 第34-36页 |
| 4.2.3 数据集划分及归一化 | 第36-37页 |
| 4.3 SPCA-LSTM模型构建过程 | 第37-42页 |
| 4.3.1 稀疏主成分分析 | 第37-38页 |
| 4.3.2 LSTM网络结构 | 第38-39页 |
| 4.3.3 网络参数选取 | 第39-42页 |
| 4.4 评价指标 | 第42-43页 |
| 4.5 实验过程及结果分析 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 基于SPCA-CNNLSTM的旅游景区日客流量预测模型 | 第46-56页 |
| 5.1 问题分析 | 第46页 |
| 5.2 数据预处理 | 第46页 |
| 5.3 SPCA-CNNLSTM模型构建过程 | 第46-51页 |
| 5.3.1 稀疏主成分分析 | 第46-47页 |
| 5.3.2 CNN-LSTM网络结构 | 第47-48页 |
| 5.3.3 网络参数选取 | 第48-51页 |
| 5.4 评价指标 | 第51-52页 |
| 5.5 实验过程及结果分析 | 第52-54页 |
| 5.6 本章小结 | 第54-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 全文总结 | 第56-57页 |
| 6.2 未来展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间主要研究成果 | 第64页 |
