基于百度指數的旅游景區游客量預測研究
——對黃先開模型的改進

何一夫

(重慶市育才中學校，重慶 400050)

?

【經濟與管理】

基于百度指數的旅游景區游客量預測研究
——對黃先開模型的改進

何一夫

(重慶市育才中學校，重慶 400050)

節假日游客井噴已經威脅到景區的生態環境。精準的預測節假日游客量能夠為景區管理提供科學的支撐。黃先開等將網絡搜索數據引入時間序列游客量預測研究，構建了基于百度指數的景區游客量預測模型,實現了對景區日接待游客量的有效預測，具有很高的實用價值。但該模型存在使用無法獲取的預測當天網絡檢索變量和節假日景區接待游客量預測誤差等缺陷。本文在修正變量問題的基礎上，探討了引入節假日變量提升模型預測精度的可能性，構建了新的預測模型，并以九寨溝為例進行了測算。結果表明：加入節假日變量后，百度指數游客量預測模型的整體預測精度比修正后的黃先開模型高了12%，節日預測精度高了21.5%。

游客量預測；百度指數；黃先開模型；節假日變量

游客量的驟然增加給當地帶來經濟和社會效益的同時，也對景區的生態環境造成破壞[1]。如何保持生態環境的可持續性和游客體驗質量是景區管理亟待解決的問題。科學精準地預測節假日游客量能夠讓景區對游客的增加幅度有更為清晰的認識，進而合理地調配資源，安排旅游線路，實現生態保護的目的[2]。因此，尋找更為科學、精準的節假日景區游客量預測方法具有重要的現實意義。

一、黃先開游客量預測模型及其不足

(一)黃先開游客量預測模型

2013年，國內學者黃先開等發現網絡檢索數據與景區實際游客量之間存在顯著的正相關，并提出了基于百度指數的景區游客量預測模型，通過加入反映當天游客對景區關注程度的關鍵詞網絡日檢索變量(St)及其滯后項(St-j)，來提升模型的預測精度[3]。黃先開模型的結構如下：

(1)

預測模型由表示前i天景區實際日接待游客量的Pt-i，反映游客對景區關注度的關鍵詞日檢索變量(St)及其滯后項(St-j)，常數項(C)及誤差項(μt)構成。

(二)黃先開游客量預測模型的不足

雖然加入網絡檢索變量提升了模型的整體預測效果，但是黃先開模型還存在以下兩點不足：

(1)使用預測當天的網絡檢索變量降低了模型的預測精度。

Pt=3 390.9+26.5×GPt+4.3×BJt-2+0.1×

GGt-1+1.1×Pt-1+0.3×Pt-2

(2)

(2)模型的節假日游客量預測精度遠遠低于對工作日的游客量預測。

二、黃先開游客量預測模型的改進

(一)黃先開模型的修正

黃先開構建的百度指數游客量預測模型中使用了當期的關鍵詞百度指數，而該數據需要到次日才能生成，降低了實證結論的說服力。筆者對黃先開游客量預測模型中使用不可獲取的當期關鍵詞百度指數問題進行了修正，去除了模型設定中的當期關鍵詞百度指數變量。修正后的黃先開游客量預測模型結構如式(3)所示。

(3)

(二)節假日變量

構建新的預測模型之前，需要對新變量進行明確的界定，并考慮數據能否獲取，以及獲取數據的完整性等問題。為了保證研究的嚴謹性，文本給出如下關于節假日變量的說明：

節假日變量具體分為節日變量(H)和周末變量(W)，并且兩個變量的性質均為虛擬變量。相應的計算公式如下：

(4)

將節假日變量以調節變量的形式引入到黃先開模型中，構建了如下的預測模型：

Ht+Wt+μt

(5)

三、改進后景區游客量預測模型的實證分析

(一)數據來源及誤差評價指標

利用預測方程對2014年1月9日至2014年12月31日期間四川九寨溝景區日接待游客量進行了靜態預測。圖1為加入節假日變量模型的預測值(PF)與真實值(P)的對比圖，從中可以發現預測曲線對實際接待游客量曲線的擬合程度較高，模型的整體預測效果良好工作日的均方根誤差最低，只有1 926.990，說明模型對工作日景區接待游客量的預測效果最好，其次是周末，均方根誤差等于3 487.701，預測效果最差的是節日期間，均方根誤差高達4 188.369。均方根誤差的比較結果表明加入節假日變量的預測模型對工作日的預測效果最好，對節日景區接待游客量的預測效果最差，但是相比較黃先開模型節日比工作日的均方根誤差比值已經由2.5降至2左右。

圖1 加入節假日變量的模型預測人數與九寨溝景區2014年實際日接待游客數的對比

(二)加入節假日變量的預測模型與修正后的黃先開模型預測精度的對比分析

對2014年1月9日至2014年12月31日四川九寨溝接待游客量進行靜態預測。根據預測結果分別計算出黃先開模型和加入節假日變量的游客量預測模型在整體、工作日、周末和節日四個時期的均方根誤差值(RMSE)和平均絕對誤差值(MAE)。

表1 加入節假日變量的模型與修正后的黃先開模型預測精度比較

綜合而言，加入節假日變量的百度指數景區游客量預測模型比修正后的黃先開模型預測精度高出12%。節假日變量的引入對景區節日接待游客量的預測效果提升最為明顯，預測精度比修正后的黃先開模型高出21.5%；對工作日接待游客量的預測效果提升次之，預測精度提升了11.7%；預測效果提升最低的是對周末游客量的預測，預測精度提高只有6.1%(預測精度提升幅度參照均方根誤差變化)。加入節假日變量后，模型預測精度的提升，尤其是節日預測精度的提升，對于四川九寨溝景區管理方預測節日期間游客量，提前合理配置資源，保護景區生態環境有著重要的現實意義。

四、 結論與討論

(一)結論

文章探討了黃先開等提出的基于百度指數的景區游客量預測模型的缺陷，論證了引入節假日變量提升黃先開模型預測精度的可能性，建立了加入節假日變量的景區游客量預測模型，并以四川九寨溝為例，比較加入節假日變量前后的模型預測精度變化，得出以下主要結論：

第一，網絡搜索數據的引入實現了對景區日接待游客量的精準預測。

第二，節假日變量的引入顯著提升了黃先開模型的預測效果，尤其是對節日期間景區接待游客量的預測。

第三，需要額外就模型對節假日期間景區接待游客量的預測效果進行評估。

(二)討論

加入節假日變量的基于百度指數的景區游客量預測模型對于節假日游客量的預測誤差依舊高于對工作日接待游客量的預測。如何繼續提高模型對于節假日游客量的預測精度是研究所需要持續關注的問題。

改進后的黃先開模型對5A級的景區四川九寨溝的日接待游客量有很好的預測效果，但是我們并不清楚改進后的黃先開模型對其他景區是否還有同樣的預測效果。

網絡檢索數據已經被用于預測景區接待游客量，而簽到、酒店預定等行為所產生的網絡數據是否同樣能夠被用來預測景區游客量尚需研究。

[1] 熊鷹.生態旅游承載力研究進展及其展望[J].經濟地理,2013(5).

[2] 劉柱勝,卿芳雅,戈鵬,等.九寨溝風景區日游客量預測研究[J].旅游科學,2012,26(2):59-66.

[3] 黃先開,張麗峰,丁于思.百度指數與旅游景區游客量的關系及預測研究[J].旅游學刊,2013,28(11):93-100.

(責任編輯張佑法)

何一夫(2000—)，男，研究方向：互聯網大數據。

10.13769/j.cnki.cn50-1011/d.2016.12.018

何一夫.基于百度指數的旅游景區游客量預測研究——對黃先開模型的改進[J].重慶與世界，2016(12):54-55.

F592

A

1007-7111(2016)12-0054-02