基于支持向量回归的旅游短期客流量预测模型研究

声明

致谢

摘要

英文摘要

目录

第一章 绪论

1．1 研究背景和意义

1．2 国内外旅游客流量研究方法现状

1．2．1 旅游客流量经典时间序列预测方法

1．2．2 旅游客流量预测计量经济学方法

1．2．3 旅游客流量预测人工神经网络方法

1．2．4 旅游客流量预测支持向量回归方法

1．3 国内外旅游客流量研究内容分析

1．3．1 目的地-客源地客流量预测

1．3．2 中长期预测

1．3．3 预测方法的选择

1．4 本文主要研究内容

1．4 本文结构安排

第二章 旅游短期客流量影响因素、特点及分类

2．1 问题分析

2．2 旅游短期客流量主要影响因素

2．2．1 国外旅游需求影响因素分析

2．2．2 国内旅游需求影响因素分析

2．2．3 旅游短期客流量主要影响因素

2．3 旅游短期客流量特点

2．3．1 非线性

2．3．2 季节性

2．3．3 随机性

2．4 旅游短期客流量分类

2．5 本章小结

第三章 基于SVR的平常日客流量预测模型

3．1 问题分析

3．2 支持向量机理论

3．2．1 统计学习理论

3．2．2 支持向量回归原理

3．3 自由参数最优化方法选择

3．3．1 自由参数影响

3．3．2 自由参数最优化准则和方法选择

3．3．3 遗传算法基本原理

3．4 基于SVR的平常日客流量预测模型

3．4．1 基于GA的SVR参数寻优

3．4．2 GA-SVR模型算法过程

3．5 实验过程和结果讨论

3．5．1 数据来源

3．5．2 GA-SVR预测模型实验过程

3．5．3 BPNN预测方法比较

3．5．4 评价指标

3．5．5 实验结果讨论

3．6 本章小结

第四章 基于季节SVR的节假日客流量预测模型

4．1 问题分析

4．2 旅游季节性

4．2．1 季节性和旅游季节性的内涵

4．2．2 旅游季节性形成原因

4．3 旅游季节性处理方法

4．3．1 旅游季节性测量方法

4．3．2 季节调整方法

4．4 基于季节SVR的节假日客流量预测模型

4．4．1 基于AGA的SVR参数寻优

4．4．2 季节AGA-SVR模型算法过程

4．5 实验过程和结果讨论

4．5．1 数据来源

4．5．2 季节AGA-SVR预测模型实验过程

4．5．3 评价指标

4．5．4 实验结果讨论

4．6 本章小结

第五章 基于SVR-ARIMA的旅游突发事件客流量预测模型

5．1 问题分析

5．2 旅游突发事件客流量预测现状

5．2．1 突发事件和旅游突发事件的内涵

5．2．2 旅游突发事件客流量预测现状

5．3 混合预测模型研究现状

5．4 基于SVR-ARIMA的旅游突发事件客流量混合预测模型

5．4．1 基于CPSO的SVR参数寻优

5．4．2 ARIMA模型原理

5．4．3 CPSO-SVR-ARIMA混合模型算法过程

5．5 实验过程和结果讨论

5．5．1 数据来源

5．5．2 CPSO-SVR-ARIMA混合模型实验过程

5．5．3 实验方法及结果

5．5．4 评价指标

5．5．5 实验结果讨论

5．5．6 预测模型的局限性

5．6 本章小结

第六章 总结和展望

6．1 本文总结

6．2 展望

参考文献

在读期间参加的科研工作和发表论文

相关知识

基于机器学习的落叶松毛虫发生面积预测模型
基于气象因子的森林病虫鼠害发生率预测模型研究
基于支持向量机的花生苗期抗旱指标筛选
基于气象环境条件和LSSVM的水稻病虫害预测研究
病虫害预测模型比较
病虫害预测模型
R语言与支持向量机SVM应用实例
基于生态位模型研究血吸虫病在中国的潜在传播风险
基于大数据的山东省十字花科蔬菜虫害特征数据采集与预警模型构建.pptx
【泛22】基于SVM的病虫害发生量预测与昆虫识别

网址: 基于支持向量回归的旅游短期客流量预测模型研究 https://www.huajiangbk.com/newsview454285.html