第四章-旅游者需求预测.pptx

一、旅游需求预测一、旅游需求预测趋势外推模型趋势外推模型趋势外推模型趋势外推模型 假定：假定：假定：假定：历史趋势延续性历史趋势延续性历史趋势延续性历史趋势延续性 曲线拟合回归、时间序列模型曲线拟合回归、时间序列模型曲线拟合回归、时间序列模型曲线拟合回归、时间序列模型 结构模型结构模型结构模型结构模型 多元回归：多元回归：多元回归：多元回归：仿真模型仿真模型仿真模型仿真模型 系统方程系统方程系统方程系统方程 系统动力学系统动力学系统动力学系统动力学 定性模型定性模型定性模型定性模型 特尔菲法特尔菲法特尔菲法特尔菲法表表4.7 四种模型的比较四种模型的比较水平时间序列模型水平时间序列模型：一次滑动平均模型；加权平均一次滑动平均模型；加权平均;一次指数平滑模型。一次指数平滑模型。趋势需求模型趋势需求模型：线形趋势模型：线形趋势模型：线形回归模型；线形回归模型；二次滑动平均模型二次滑动平均模型 非线形趋势模型：非线形趋势模型：二次回归模型；二次回归模型；三次指数平滑模型三次指数平滑模型季节性需求模型季节性需求模型：季节性水平模型；季节性水平模型；季节性交乘趋势模型季节性交乘趋势模型Box JenkinsBox Jenkins模型模型1、趋势外推模型趋势外推模型（1）简单回归分析）简单回归分析 一元线性回归：一元线性回归：Tb0+b1t P58 图图4.1注意：注意：外推时间不宜过长外推时间不宜过长 趋势线预测法趋势线预测法三种最常用的趋势线：三种最常用的趋势线：直线型趋势线直线型趋势线 y yt t=a+bt=a+bt 指数型趋势线指数型趋势线 y yt t=a=ab bt t 抛物线型趋势线抛物线型趋势线 y yt t=a+bt+ct=a+bt+ct2 2 这三种趋势线方程中系数的求解可以用回归分析方法的最这三种趋势线方程中系数的求解可以用回归分析方法的最小二乘法实现小二乘法实现 2 2 2 2、时间序列模型、时间序列模型、时间序列模型、时间序列模型时间序列的含义：时间序列的含义：分析地理要素（变量）随时间变化的历史过程分析地理要素（变量）随时间变化的历史过程;揭示其发展变化规律，并对其未来状态进行预测揭示其发展变化规律，并对其未来状态进行预测 时间单位：时间单位：年年 季季 月月 周周 日日 时序数据特点：趋势时序数据特点：趋势 季节季节 循环循环 偶然偶然季节变化（季节波动）：季节变化（季节波动）：以年为周期，以月、季为时段以年为周期，以月、季为时段预测过程：预测过程：曲线拟合曲线拟合 估计未来估计未来需求图形需求图形需求图形需求图形 水平需求图形 趋势需求图形 季节性需求图形6000080000100000120000140000989900010203Y平滑预测法平滑预测法1 1）移动平均法）移动平均法设某一时间序列为设某一时间序列为y y1 1，y y2 2，y yt t，则下一期（，则下一期（t+1t+1时刻）时刻）的预测值：的预测值：为为t t点的移动平均值，点的移动平均值，n n为移动时距（点数）为移动时距（点数）用最近几个时期数据值的平均数作为下一个时期的预测值用最近几个时期数据值的平均数作为下一个时期的预测值 2)加权滑动平均模型加权滑动平均模型作用：消除干扰，显示序列的趋势性变化；并通过加权因子的选取，增加新数据的权重，使趋势预测更准确其中最近最近最近最近n n个时期数值的加权平均数作为预测值；个时期数值的加权平均数作为预测值；个时期数值的加权平均数作为预测值；个时期数值的加权平均数作为预测值；最近时期的观测值应取得最大的权数，而比较远的时最近时期的观测值应取得最大的权数，而比较远的时最近时期的观测值应取得最大的权数，而比较远的时最近时期的观测值应取得最大的权数，而比较远的时期权数应依次递减期权数应依次递减期权数应依次递减期权数应依次递减 2)2)滑动平均法滑动平均法计算公式：计算公式：为为t t点的滑动平均值，点的滑动平均值，为单侧平滑时距（点数）。为单侧平滑时距（点数）。滑动平均法的计算结果优于移动平均法；滑动平均法的计算结果优于移动平均法；三点滑动平均法的计算结果与原始数据的误差较小三点滑动平均法的计算结果与原始数据的误差较小 3)3)指数平滑法指数平滑法指数平滑法可以分为一次指数平滑和高次指数平滑指数平滑法可以分为一次指数平滑和高次指数平滑一次指数平滑：一次指数平滑：计算公式计算公式 为平滑系数。为平滑系数。平滑系数的确定平滑系数的确定 若时间序列较平稳，数据波动较小，若时间序列较平稳，数据波动较小，取值可小一些取值可小一些 一般取一般取（0.05,0.30.05,0.3）；）；若时间序列数据起伏波动比较大，若时间序列数据起伏波动比较大，应取较大的值应取较大的值 一般取一般取（0.7,0.950.7,0.95）；）；具体应用时可通过经验或试算，以误差尽可能的小为最具体应用时可通过经验或试算，以误差尽可能的小为最好好 季节性水平模型 =*（i=1，2，T）式中，式中，为平均数；为平均数；为季节指数为季节指数 T T为季节周期的长度为季节周期的长度适用条件：适用于只有季节变动，适用条件：适用于只有季节变动，无明显的趋势变动的时间序列无明显的趋势变动的时间序列 建模：建模：计算；计算；求解。求解。季节性交乘模型季节性交乘模型时间序列可分解：时间序列可分解：长期趋势（长期趋势（T T）、季节变动、季节变动（S S）、）、循环变动（循环变动（C C）和不规则变动和不规则变动（I I）四种）四种时间序列分析的模型：时间序列分析的模型：加法模型加法模型 Y=T+S+C+IY=T+S+C+I 假设四种因素相互独立假设四种因素相互独立 乘法模型乘法模型 Y=TSCIY=TSCI 假定各因素之间存在交错互动影响假定各因素之间存在交错互动影响 在地理统计时序分析中，乘法模型更为常用。对乘法模在地理统计时序分析中，乘法模型更为常用。对乘法模型进行变换可以对长期趋势、季节变动、循环变动及不型进行变换可以对长期趋势、季节变动、循环变动及不规则变动进行测定规则变动进行测定 季节性交乘趋向模型季节性交乘趋向模型 =（a+bt）*（i=1，2，T）式中，式中，=（a+bt）为趋势部分）为趋势部分 为季节指数为季节指数 T为季节周期的长度为季节周期的长度 适用条件：适用条件：适用于既有季节变动，适用于既有季节变动，又有趋势变动又有趋势变动 且波动幅度不断变化的时间序列且波动幅度不断变化的时间序列 建模：建立趋势方程建模：建立趋势方程 求各期趋势值求各期趋势值 求样本季节指数求样本季节指数 求理论季节指数求理论季节指数基本步骤基本步骤 将原时间序列求移动平均将原时间序列求移动平均 以消除季节变动和不规则变动，保留长期趋势以消除季节变动和不规则变动，保留长期趋势 将原序列将原序列y y除以其对应的趋势方程值（或平滑值）除以其对应的趋势方程值（或平滑值）以分离出季节变动（含不规则变动）以分离出季节变动（含不规则变动）即即 季节系数季节系数=TSCI/=TSCI/趋势方程值（趋势方程值（TCTC或平滑值）或平滑值）=SI=SI 一般用序列中若干年的季节系数之平均值作为季节系数一般用序列中若干年的季节系数之平均值作为季节系数的改进值；的改进值；季节性指标季节性指标 将月度（或季度）的季节指标加总，以由计算误差导致的将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标；乘以季节性指标从而获得调整后季节性指标；进行预测进行预测如果欲求下一年度的预测值：如果欲求下一年度的预测值：简单地延长趋势线即可简单地延长趋势线即可若要求各月（季）的预测值：若要求各月（季）的预测值：只需以趋势值乘以各月份（季度）的季节性指标只需以趋势值乘以各月份（季度）的季节性指标求季节变动预测的数学模型（以直线为例）为求季节变动预测的数学模型（以直线为例）为 y yt+lt+l是由（是由（t t到到l l）预测值，）预测值，a at t、b bt t为方程系数（参数），为方程系数（参数），T T为为T T周期的季节系数周期的季节系数 例：某市例：某市1995199519991999年各季度游客流量年各季度游客流量y yi i（10104 4人次）如表人次）如表1 1所示，试预测该市所示，试预测该市20002000年各季的客流量。年各季的客流量。求表求表1 1序列的三次滑动平均值序列的三次滑动平均值 用三次指数平滑法求预测模型系数用三次指数平滑法求预测模型系数其中，其中，S S1 1=S=S2 2=S=S3 3=y=y1 1。t t的编号为的编号为t=1t=1对应于对应于19951995年的年的1 1季度，季度，t=20t=20对应于对应于19991999年的第年的第4 4季度。平滑系数的确定是预测成功与否的关季度。平滑系数的确定是预测成功与否的关键，经过多次尝试选择后，最后确定为键，经过多次尝试选择后，最后确定为 =0.3=0.3。预测模型为预测模型为 =a=at t+b+bt tT+cT+ct tT T2 2 求预测模型求预测模型根据表根据表3 3算出算出a at t、b bt t、c ct t，后得预测模型为后得预测模型为 求季节性指标求季节性指标将原始数据分别除以平滑值，得相应的季节系数。然后将原始数据分别除以平滑值，得相应的季节系数。然后再把各季节性系数平均得季节性指标再把各季节性系数平均得季节性指标季节性指标之和理论上应等于季节性指标之和理论上应等于4,4,现等于现等于4.0033,4.0033,需要进行调整需要进行调整调整方法：调整方法：求校正系数求校正系数 =4/4.0033=0.9992=4/4.0033=0.9992将表中的最后一行将表中的最后一行,分别乘以分别乘以,即得调整后的季节性指标即得调整后的季节性指标 求预测值求预测值根据预测模型求出根据预测模型求出20002000年各季度的客流量年各季度的客流量将上述将上述20002000年四个季度的客流量预测值乘以调整后的季节年四个季度的客流量预测值乘以调整后的季节性指标，即得性指标，即得20002000年各季度客流量的最后预测值年各季度客流量的最后预测值20002000年全年的客流量：年全年的客流量：y y20002000=1178.56+1200.37+972.29+973.33=4324.55=1178.56+1200.37+972.29+973.33=4324.55（10104 4人次）人次）季节性交乘趋势的应用季节性交乘趋势的应用 颐和园游客分月预测：颐和园游客分月预测：颐和园游客分月预测：颐和园游客分月预测：模型的应用加上科学的分析，能使预测更为准确有效，模型的应用加上科学的分析，能使预测更为准确有效，模型的应用加上科学的分析，能使预测更为准确有效，模型的应用加上科学的分析，能使预测更为准确有效，更好地为决策服务。更好地为决策服务。更好地为决策服务。更好地为决策服务。季节性迭加趋向模型季节性迭加趋向模型 =（a+bt）+（i=1，2，T）式中，式中，=（a+bt）为趋势部分）为趋势部分 为季节增量为季节增量 T 为季节周期的长度为季节周期的长度 适用条件：适用条件：适用于既有季节变动，适用于既有季节变动，又有趋势变动又有趋势变动 且波动幅度基本不变化的时间序列且波动幅度基本不变化的时间序列建模：建模：建立趋势方程建立趋势方程 求各期趋势值求各期趋势值 求样本季节增量求样本季节增量 求理论季节增量求理论季节增量小结旅游需求预测旅游需求预测 趋势外推模型趋势外推模型 时间序列模型时间序列模型（移动平均法、滑动平均法、季节交乘模型）（移动平均法、滑动平均法、季节交乘模型）思考题旅游需求的预测模型分为那几类？各类模型的特旅游需求的预测模型分为那几类？各类模型的特 点是什么点是什么