基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析

靳鑫元+羅珊

【摘要】本文基于百度指數(shù)進(jìn)行旅游關(guān)鍵詞的挖掘，運(yùn)用決策樹、bagging、隨機(jī)森林和支持向量機(jī)四種算法模型對(duì)旅游關(guān)鍵詞與平遙古城游客流量關(guān)系進(jìn)行分析，并比較了各模型的擬合度、穩(wěn)定性及預(yù)測(cè)效果。實(shí)證研究發(fā)現(xiàn)，隨機(jī)森林模型穩(wěn)定性最好，SVM模型擬合和預(yù)測(cè)效果最好，因此SVM模型可以作為最終的平遙古城客流量預(yù)測(cè)模型。

【關(guān)鍵詞】平遙古城 百度指數(shù) 機(jī)器學(xué)習(xí) 預(yù)測(cè)

一、引言

近年來，我國旅游產(chǎn)業(yè)規(guī)模不斷擴(kuò)大，平遙古城作為中國境內(nèi)保存最完整的古代縣城與票號(hào)文化發(fā)源地，游客量快速增長，逐年增加的游客對(duì)古城承載力及景區(qū)建設(shè)提出了更高要求。與此同時(shí)，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展以及大數(shù)據(jù)時(shí)代的到來，旅游信息傳播形式、游客信息搜索方式、旅游消費(fèi)行為等均發(fā)生了巨大改變。許多旅游經(jīng)營者、旅游企業(yè)及政府機(jī)構(gòu)都通過互聯(lián)網(wǎng)平臺(tái)發(fā)布旅游信息，隨之互聯(lián)網(wǎng)平臺(tái)也成為廣大游客出游的重要信息來源，相應(yīng)產(chǎn)生的網(wǎng)絡(luò)搜索數(shù)據(jù)則逐漸成為高質(zhì)量的游客旅游搜索行為數(shù)據(jù)庫。2011年百度推出的百度指數(shù)可以直接、客觀地反映某特定時(shí)間段內(nèi)的社會(huì)熱點(diǎn)、用戶興趣和需求，并且實(shí)證表明利用百度指數(shù)這一網(wǎng)絡(luò)搜索指數(shù)進(jìn)行預(yù)測(cè)克服了傳統(tǒng)預(yù)測(cè)中存在的數(shù)據(jù)滯后以及數(shù)據(jù)量不足的缺陷，結(jié)果更為準(zhǔn)確、更具時(shí)效性。因此，本文依托百度指數(shù)的時(shí)效性，挖掘旅游網(wǎng)絡(luò)關(guān)注度和實(shí)際旅游需求的關(guān)系，預(yù)測(cè)景區(qū)客流量，對(duì)指導(dǎo)旅游管理部門做出科學(xué)、合理的決策安排，促進(jìn)旅游可持續(xù)發(fā)展具有重要意義。

二、指標(biāo)選取與數(shù)據(jù)

（一）指標(biāo)選取

根據(jù)指標(biāo)選取理論的分析可知，用戶搜索行為反映了用戶近期行為，但由于搜索用戶的異質(zhì)性，不同用戶對(duì)某一事物的關(guān)注度有所不同，從而使得搜索關(guān)鍵詞也具有多樣性，且關(guān)鍵詞應(yīng)包含與目標(biāo)事物相關(guān)的各個(gè)方面。因此，本文在已有文獻(xiàn)基礎(chǔ)上，根據(jù)相關(guān)旅游經(jīng)驗(yàn)及人們外出旅行時(shí)的主要考慮因素，即衣、食、住、行、游5個(gè)方面，通過百度指數(shù)“趨勢(shì)研究”和“需求圖譜”兩個(gè)模塊來進(jìn)行關(guān)鍵詞的提取，這5個(gè)方面涵蓋了平遙天氣、平遙牛肉、平遙古城住宿、平遙古城門票、平遙古城旅游攻略等多方面信息。本文將這5個(gè)方面的相關(guān)詞作為初始關(guān)鍵詞，運(yùn)用百度關(guān)鍵詞挖掘進(jìn)行關(guān)鍵詞搜索，從而得到最終的關(guān)鍵詞指標(biāo)。

（二）數(shù)據(jù)說明

本文的關(guān)鍵詞數(shù)據(jù)是利用網(wǎng)絡(luò)爬蟲技術(shù)從百度指數(shù)網(wǎng)頁源代碼中提取得到的。在利用初始詞進(jìn)行關(guān)鍵詞搜索過程中，剔除沒有數(shù)據(jù)對(duì)應(yīng)和數(shù)據(jù)量很少的關(guān)鍵詞，最終得到57個(gè)關(guān)鍵詞從2011年12月到2014年12月共162周的數(shù)據(jù)。平遙古城旅游客流量數(shù)據(jù)來自山西省旅游局，選取的時(shí)間區(qū)間為2011年12月至2014年12月，共37個(gè)數(shù)據(jù)。由于我們得到的關(guān)鍵詞數(shù)據(jù)為周度數(shù)據(jù)，而本文研究的是月度數(shù)據(jù)，所以要對(duì)關(guān)鍵詞數(shù)據(jù)進(jìn)行處理，將周度數(shù)據(jù)轉(zhuǎn)化為月度數(shù)據(jù)，即按照日歷中各月周數(shù)進(jìn)行加總，將每月最后幾天數(shù)據(jù)按所在周的天數(shù)作為權(quán)重，將該周的數(shù)據(jù)按權(quán)重分配到相鄰月中，最終得到37個(gè)月的搜索指數(shù)數(shù)據(jù)。

三、實(shí)證分析

首先對(duì)模型擬合和預(yù)測(cè)有兩點(diǎn)說明：一是擬合樣本區(qū)間為2011年12月到2014年10月，共35個(gè)數(shù)據(jù)，用于預(yù)測(cè)檢驗(yàn)的樣本區(qū)間為2014年的11月到12月2個(gè)月的數(shù)據(jù)。二是在模型擬合效果的比較上，本文引入MSE和NMSE兩個(gè)指標(biāo)，分別代表模型的穩(wěn)定性和擬合度。

（一）搜索關(guān)鍵詞確定

首先，利用簡單手動(dòng)篩選，觀察所有關(guān)鍵詞數(shù)據(jù)，將趨勢(shì)變化不明顯或幾乎無變化趨勢(shì)的剔除；然后，利用Pearson相關(guān)系數(shù)篩選，分別計(jì)算各關(guān)鍵詞與因變量的Pearson相關(guān)系數(shù)，將相關(guān)系數(shù)小于0.6的剔除；最后，利用線性回歸篩選，并診斷回歸的多重共線性和自相關(guān)，利用逐步回歸及AIC準(zhǔn)則選出最終的4個(gè)關(guān)鍵詞：平遙古城旅游攻略、平遙古城地圖、山西旅游景點(diǎn)大全、平遙住宿。

（二）模型估計(jì)

在篩選關(guān)鍵詞過程中，我們構(gòu)建了一個(gè)線性回歸方程，回歸估計(jì)如下：

從回歸結(jié)果看，總體擬合效果較好，變量系數(shù)均通過顯著性檢驗(yàn)，因此該線性模型似乎具有較好預(yù)測(cè)效果。但為進(jìn)一步考察模型假設(shè)是否成立，我們進(jìn)行殘差的Shapiro-Wilk正態(tài)性檢驗(yàn)，并且刻畫了因變量直方圖及對(duì)應(yīng)的線性分布圖，檢驗(yàn)結(jié)果均表明因變量不服從正態(tài)分布，因此本文利用線性回歸進(jìn)行模型模擬時(shí)并不能滿足其對(duì)因變量分布的假定，從而會(huì)產(chǎn)生較大誤差，影響擬合和預(yù)測(cè)效果。

故本文采用了對(duì)數(shù)據(jù)分布沒有任何假定且結(jié)果可用交叉驗(yàn)證方法來評(píng)判的四種機(jī)器學(xué)習(xí)方法進(jìn)行模型擬合及預(yù)測(cè)，并比較了決策樹、bgging、隨機(jī)森林、支持向量機(jī)這四種算法模型的擬合度、穩(wěn)定性與預(yù)測(cè)效果。

（三）模型結(jié)果分析

使用以上四種算法估計(jì)模型，計(jì)算出各模型的MSE和NMSE，結(jié)果見表1。

從模型的擬合度和穩(wěn)定性來看，回歸樹和Bagging都存在明顯不足，其MSE和NMSE 值均大于另外兩個(gè)模型，回歸樹模型在所有模型中擬合效果最差。而隨機(jī)森林和支持向量機(jī)（SVM）這兩種模型的效果較好，其中隨機(jī)森林的擬合度和穩(wěn)定性最佳，SVM模型的擬合度較好，但模型穩(wěn)定性不佳。最后分別用以上算法模型對(duì)樣本期外兩個(gè)月的客流量進(jìn)行預(yù)測(cè)，并將其與真實(shí)值對(duì)比，計(jì)算其平均誤差率，結(jié)果見表2。

如表2所示，模型擬合效果較差的回歸樹和bagging的預(yù)測(cè)效果仍不理想，平均誤差率分別達(dá)到了11.55%和7.18%，與真實(shí)客流量數(shù)據(jù)相比存在較大偏差。同時(shí)，擬合效果最佳的隨機(jī)森林預(yù)測(cè)效果并不理想，其平均誤差率達(dá)8.54%，甚至差于bagging。而SVM模型的平均誤差率僅有1.46%，具有較好的預(yù)測(cè)效果。分析原因，筆者認(rèn)為可能是由于bagging、回歸樹、隨機(jī)森林三種算法模型的分類原理本質(zhì)上源于歸納算法，這類模型在結(jié)構(gòu)復(fù)雜的數(shù)據(jù)集上學(xué)習(xí)能力和適應(yīng)性不夠強(qiáng)，有效性和伸縮性不足，而SVM則采取了與傳統(tǒng)模型不同的思想，具有較強(qiáng)的泛化能力，所以預(yù)測(cè)結(jié)果與實(shí)際較為接近。

四、結(jié)論

本文在分析旅游客流量和百度搜索指數(shù)關(guān)系的基礎(chǔ)上，運(yùn)用一系列方法篩選出與旅游客流量相關(guān)性最高的四個(gè)關(guān)鍵詞，并運(yùn)用回歸樹、bagging、隨機(jī)森林和SVM四種機(jī)器學(xué)習(xí)算法模型對(duì)客流量數(shù)據(jù)進(jìn)行了擬合和預(yù)測(cè)。研究具體結(jié)論主要有三點(diǎn)，一是主要或潛在游客主要通過對(duì)“平遙古城旅游攻略”、“平遙古城地圖”、“山西旅游景點(diǎn)大全”、“平遙住宿”等關(guān)鍵詞的搜索來獲取平遙古城旅游信息。二是回歸樹、bagging、隨機(jī)森林和SVM模型中，擬合效果最好的是隨機(jī)森林和SVM模型，穩(wěn)定性最好的為隨機(jī)森林模型，回歸樹、bagging的擬合度和穩(wěn)定性都較差；預(yù)測(cè)效果最好的為SVM。因此，綜合擬合度、穩(wěn)定性和預(yù)測(cè)效果可知，SVM模型的整體效果最好，可以作為最終的平遙古城旅游客流量預(yù)測(cè)模型。三是利用關(guān)鍵詞的百度指數(shù)來對(duì)平遙古城旅游客流量進(jìn)行預(yù)測(cè)，可以在每月月底得到較為準(zhǔn)確的數(shù)據(jù)，這比相關(guān)部門公布的數(shù)據(jù)提前了15天左右，具有較高的時(shí)效性。

參考文獻(xiàn)

[1]Choi H，Varian H.Predicting the Present with Google Trends[J].Economic Record，2009，88（s1）：2-9.

[2]黃先開，張麗峰.百度指數(shù)與旅游景區(qū)游客量的關(guān)系及預(yù)測(cè)研究——以北京故宮為例[J].旅游學(xué)刊，2013，28（11）：93-100.

[3]殷杰，鄭向敏.基于VECM模型的景區(qū)網(wǎng)絡(luò)關(guān)注度與旅游人數(shù)的關(guān)系研究——以鼓浪嶼為例[J].福建農(nóng)林大學(xué)學(xué)報(bào)，2015，18（5）：68-75.

作者簡介：靳鑫元（1991-），女，漢族，河北保定人，碩士，山西財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)院研究生，研究方向：應(yīng)用統(tǒng)計(jì)、數(shù)據(jù)挖掘；羅珊（1992-），女，漢族，貴州遵義人，碩士，貴州大學(xué)經(jīng)濟(jì)學(xué)院研究生，研究方向：商業(yè)銀行經(jīng)營與管理。