| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 研究背景及意义 | 第13-19页 |
| 1.1.1 背景分析 | 第13-17页 |
| 1.1.2 研究意义 | 第17-19页 |
| 1.2 研究范围、研究内容、预期目标及解决的关键问题 | 第19-22页 |
| 1.2.1 研究范围 | 第19-20页 |
| 1.2.2 研究内容 | 第20-21页 |
| 1.2.3 研究目标 | 第21-22页 |
| 1.2.4 解决的关键问题 | 第22页 |
| 1.3 研究思路与论文框架 | 第22-23页 |
| 1.4 主要创新点 | 第23-25页 |
| 第2章 文献综述 | 第25-44页 |
| 2.1 传统旅游需求预测方法研究现状 | 第25-31页 |
| 2.1.1 经典时间序列模型 | 第25-27页 |
| 2.1.2 经济计量方法 | 第27-29页 |
| 2.1.3 人工神经网络技术 | 第29-30页 |
| 2.1.4 粗糙集方法、模糊时间序列以及灰色理论 | 第30页 |
| 2.1.5 支持向量回归与相关向量机 | 第30-31页 |
| 2.2 综合性预测技术 | 第31-33页 |
| 2.2.1 组合预测方法 | 第31-32页 |
| 2.2.2 集成预测方法 | 第32页 |
| 2.2.3 混合预测技术 | 第32-33页 |
| 2.3 基于网络搜索数据的社会经济行为预测 | 第33-39页 |
| 2.3.1 公共健康及疾病监测 | 第33-36页 |
| 2.3.2 其它社会经济行为预测 | 第36-39页 |
| 2.4 基于网络搜索数据的旅游需求预测 | 第39-41页 |
| 2.4.1 基于网络搜索数据的游客流量预测 | 第39-40页 |
| 2.4.2 基于网络搜索数据的旅游饭店需求预测 | 第40页 |
| 2.4.3 基于网络搜索数据的其它旅游需求预测 | 第40-41页 |
| 2.5 总结与评价 | 第41-44页 |
| 第3章 理论基础与实证研究框架的构建 | 第44-55页 |
| 3.1 理论基础 | 第44-49页 |
| 3.1.1 游客动机相关理论 | 第44-46页 |
| 3.1.2 游客信息搜索行为理论 | 第46-47页 |
| 3.1.3 网络信息搜索、旅游决策与旅游需求实现的动态关系 | 第47-49页 |
| 3.2 实证研究框架的构建 | 第49-54页 |
| 3.2.1 网络搜索数据的获取与实验数据集的构造程序 | 第49-53页 |
| 3.2.2 实证研究框架的构建 | 第53-54页 |
| 3.3 本章小结 | 第54-55页 |
| 第4章 互联网环境下消费者信息搜索与旅游需求 | 第55-71页 |
| 4.1 引言 | 第55-56页 |
| 4.2 模型设定、变量说明、数据来源与变量的统计性分析 | 第56-62页 |
| 4.2.1 模型的设定 | 第56-57页 |
| 4.2.2 变量说明 | 第57-59页 |
| 4.2.3 数据来源与旅游要素关键词选择方法 | 第59-60页 |
| 4.2.4 旅游要素指数的构建及变量的统计性分析 | 第60-62页 |
| 4.3 计量分析与讨论 | 第62-66页 |
| 4.3.1 基于全样本的分析 | 第62-65页 |
| 4.3.2 基于法定节假日划分的样本分析 | 第65-66页 |
| 4.4 基于伪样本外预测的模型检验 | 第66-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 基于网络搜索数据的国内游客流量预测 | 第71-92页 |
| 5.1 引言 | 第71-72页 |
| 5.2 支持向量回归算法原理 | 第72-76页 |
| 5.2.1 统计学习理论的产生背景 | 第72-73页 |
| 5.2.2 支持向量机的基本思想 | 第73-74页 |
| 5.2.3 非线性支持向量回归算法的基本原理 | 第74-76页 |
| 5.3 支持向量回归超参数的优化方法 | 第76-79页 |
| 5.3.1 自由参数对预测的影响及参数优化方法 | 第76-78页 |
| 5.3.2 蝙蝠优化算法的基本原理 | 第78-79页 |
| 5.4 BA-SVR&CS混合模型预测程序 | 第79-80页 |
| 5.5 实证检验 | 第80-90页 |
| 5.5.1 实验数据与模型输入集的构造 | 第80-83页 |
| 5.5.2 模型预测性能度量指标的选取 | 第83-85页 |
| 5.5.3 实证结果与讨论 | 第85-89页 |
| 5.5.4 稳健性分析 | 第89-90页 |
| 5.6 本章小结 | 第90-92页 |
| 第6章 基于网络搜索数据的星级旅游饭店入住率预测 | 第92-108页 |
| 6.1 引言 | 第92-93页 |
| 6.2 相关向量机算法 | 第93-96页 |
| 6.2.1 相关向量机基本原理 | 第93-95页 |
| 6.2.2 混合核函数的构造及自由参数优化方法的选择 | 第95-96页 |
| 6.3 季节指数调整方法 | 第96-97页 |
| 6.3.1 旅游季节性产生的原因 | 第96页 |
| 6.3.2 旅游季节性调整方法的选择 | 第96-97页 |
| 6.4 SI-BA-RVM&CS混合模型预测流程 | 第97-98页 |
| 6.5 实证检验 | 第98-106页 |
| 6.5.1 实验数据与模型输入集的构造 | 第98-101页 |
| 6.5.2 实证结果与讨论 | 第101-106页 |
| 6.6 本章小结 | 第106-108页 |
| 第7章 基于多模态网络数据的短期游客流量预测 | 第108-122页 |
| 7.1 引言 | 第108-109页 |
| 7.2 预测方法的构造 | 第109-111页 |
| 7.2.1 ARIMA基本原理 | 第109-110页 |
| 7.2.2 基于ARIMA的混合预测模型 | 第110页 |
| 7.2.3 BA-RVM-ARIMA&MD混合模型预测流程 | 第110-111页 |
| 7.3 实证检验 | 第111-121页 |
| 7.3.1 实验数据与模型输入集构造 | 第111-116页 |
| 7.3.2 结果与讨论 | 第116-121页 |
| 7.4 本章小结 | 第121-122页 |
| 第8章 总结与展望 | 第122-126页 |
| 8.1 主要研究结论 | 第122-124页 |
| 8.2 政策建议 | 第124-125页 |
| 8.3 研究不足与展望 | 第125-126页 |
| 参考文献 | 第126-145页 |
| 附录A 各章节图表 | 第145-148页 |
| 附录B 主要MATLAB程序 | 第148-164页 |
| 致谢 | 第164-165页 |
| 个人简历 在读期间发表的学术论文与研究成果 | 第165-166页 |
