| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 研究内容与数据来源 | 第10-14页 |
| 1.2.1 主要研究内容 | 第10-13页 |
| 1.2.2 数据来源 | 第13-14页 |
| 1.3 研究创新点 | 第14-16页 |
| 2 国内外研究现状及基本理论综述 | 第16-28页 |
| 2.1 文献回顾与评述 | 第16-22页 |
| 2.1.1 传统的游客量预测研究 | 第16-17页 |
| 2.1.2 网络搜索数据与经济社会类行为预测研究 | 第17-19页 |
| 2.1.3 网络搜索数据与游客量的关系及预测研究 | 第19-20页 |
| 2.1.4 组合预测模型研究 | 第20-22页 |
| 2.2 各类预测方法概述 | 第22-25页 |
| 2.2.1 时间序列分析 | 第22-23页 |
| 2.2.2 机器学习算法 | 第23-24页 |
| 2.2.3 组合预测法 | 第24-25页 |
| 2.3 百度指数含义 | 第25-28页 |
| 3 概念框架与核心关键词预测能力分析 | 第28-42页 |
| 3.1 网络搜索数据与游客量关联的概念框架 | 第28-30页 |
| 3.2 核心关键词的选择 | 第30-34页 |
| 3.2.1 常用的核心关键词选取方法 | 第31-32页 |
| 3.2.2 基于文本挖掘选定核心关键词 | 第32-34页 |
| 3.3 核心关键词搜索指数的预测能力分析 | 第34-42页 |
| 3.3.1 数据预处理与数据检验 | 第34-38页 |
| 3.3.2 模型建立与结果分析 | 第38-42页 |
| 4 网络搜索关键词拓展与模型变量选择 | 第42-54页 |
| 4.1 拓展核心关键词 | 第42-44页 |
| 4.2 基于Adaptive-Lasso的变量选择 | 第44-48页 |
| 4.2.1 变量选择的重要性 | 第44-45页 |
| 4.2.2 相关系数及时差分析 | 第45-47页 |
| 4.2.3 Adaptive-Lasso方法的基本原理 | 第47-48页 |
| 4.3 实证分析 | 第48-54页 |
| 4.3.1 关键词初步筛选 | 第48-50页 |
| 4.3.2 模型变量选择 | 第50-51页 |
| 4.3.3 结果讨论 | 第51-54页 |
| 5 基于机器学习的多种游客量预测模型 | 第54-74页 |
| 5.1 ELM神经网络模型 | 第54-60页 |
| 5.1.1 ELM神经网络算法原理 | 第54-56页 |
| 5.1.2 ELM神经网络模型的建立及优化 | 第56-60页 |
| 5.2 支持向量回归模型 | 第60-66页 |
| 5.2.1 支持向量机与SVR算法原理 | 第60-62页 |
| 5.2.2 支持向量回归模型的建立及优化 | 第62-66页 |
| 5.3 随机森林模型 | 第66-71页 |
| 5.3.1 随机森林算法原理 | 第66-68页 |
| 5.3.2 随机森林模型的建立及优化 | 第68-71页 |
| 5.4 各模型性能对比 | 第71-74页 |
| 6 进一步研究——组合预测模型 | 第74-84页 |
| 6.1 两种简单的定权组合 | 第74-75页 |
| 6.2 基于GRNN与GBDT的变权组合 | 第75-81页 |
| 6.2.1 GRNN变权组合模型构建 | 第75-78页 |
| 6.2.2 GBDT变权组合模型构建 | 第78-81页 |
| 6.3 组合模型预测结果评价 | 第81-84页 |
| 7 总结与展望 | 第84-88页 |
| 7.1 研究结论 | 第84-85页 |
| 7.2 研究应用与政策建议 | 第85-86页 |
| 7.3 不足与展望 | 第86-88页 |
| 致谢 | 第88-90页 |
| 参考文献 | 第90-96页 |
| 在校期间发表论文情况 | 第96页 |