陳榮梁昌勇葛立新

(1.蚌埠學(xué)院經(jīng)濟(jì)與管理學(xué)院，安徽蚌埠233030;

2.合肥工業(yè)大學(xué)管理學(xué)院，安徽合肥230009;3.蚌埠學(xué)院理學(xué)院，安徽蚌埠233030)

基于SEA的AGA-SVR節(jié)假日客流量預(yù)測方法研究

陳榮1梁昌勇2葛立新3

(1.蚌埠學(xué)院經(jīng)濟(jì)與管理學(xué)院，安徽蚌埠233030;

2.合肥工業(yè)大學(xué)管理學(xué)院，安徽合肥230009;3.蚌埠學(xué)院理學(xué)院，安徽蚌埠233030)

節(jié)假日旅游客流量由于游客在短期內(nèi)大量集中于同一地點(diǎn)、不同節(jié)假日休假時間長短、所處季節(jié)等不同，呈現(xiàn)復(fù)雜非線性特征和明顯季節(jié)性特點(diǎn)。本文提出一種基于季節(jié)指數(shù)調(diào)整(Seasonal Exponential Adjustment，SEA)的自適應(yīng)遺傳算法(Adaptive Genetic Algorithm，AGA)－支持向量回歸(Support Vector Regression，SVR)預(yù)測模型，即基于SEA的AGA-SVR模型，并用國內(nèi)著名5A級風(fēng)景區(qū)黃山2008～2012年節(jié)假日客流量數(shù)據(jù)對模型進(jìn)行驗證。研究結(jié)果表明，基于SEA的AGA-SVR預(yù)測模型能夠準(zhǔn)確處理節(jié)假日旅游客流量預(yù)測中的非線性和季節(jié)性問題，較AGA-SVR和GASVR等方法具有更高的預(yù)測精度，在旅游預(yù)測領(lǐng)域應(yīng)用前景廣闊。

季節(jié)指數(shù)調(diào)整;支持向量回歸;自適應(yīng)遺傳算法;節(jié)假日旅游客流量預(yù)測

0 引言

2008年我國實行新的休假制度，將每年節(jié)假日休假定為元旦、春節(jié)、清明節(jié)、端午節(jié)、勞動節(jié)、中秋節(jié)和國慶節(jié)，每年休假天數(shù)共計29天。新休假制度的實施帶動了假日經(jīng)濟(jì)、假日旅游的興起，成為我國國民經(jīng)濟(jì)新的增長點(diǎn)，但同時也帶來一系列問題:大量游客在同一時間集中于同一地點(diǎn)，造成景區(qū)超載、交通擁擠、住宿緊張、服務(wù)質(zhì)量下降、安全隱患增多等問題。近年來九寨溝、華山、張家界、黃山等景區(qū)頻繁發(fā)生的節(jié)假日游客擁堵事件，給旅游景區(qū)造成了很大的負(fù)面影響。準(zhǔn)確的節(jié)假日客流量預(yù)測能夠使景區(qū)管理部門提前決策，有效避免此類事件發(fā)生。但是由于各節(jié)假日所處季節(jié)不同、休假時間長短不同，節(jié)假日旅游客流量除了由一年四季等自然因素形成的自然季節(jié)性外，還存在由節(jié)假日等制度因素而造成制度季節(jié)性。兩種季節(jié)性的疊加對節(jié)假日客流量的準(zhǔn)確預(yù)測產(chǎn)生很大的影響(Song，Li，2008)。因此如何進(jìn)行季節(jié)調(diào)整、實現(xiàn)準(zhǔn)確預(yù)測一直是文獻(xiàn)研究關(guān)注的重點(diǎn)。

目前季節(jié)調(diào)整的方法，一種是以自回歸移動平均模型(Autoregressive Integrated Moving Average，ARIMA)為基礎(chǔ)的季節(jié)處理方法，如季節(jié)自回歸移動平均模型(Seasonal Autoregressive Integrated Moving Average，SARIMA)方法，Huang和Min (2002)利用該種方法實現(xiàn)了對季節(jié)性的處理;此外，X-11-ARIMA和X-12-ARIMA等方法也常被用來進(jìn)行季節(jié)調(diào)整(Shiskin，et al.，1967;Findley，et al.，1998)。該類方法主要通過差分的方式來消除季節(jié)性的影響，但實踐證明，差分只對消除線性趨勢的季節(jié)性有效(Nelson，Plosser，1982)，對非線性趨勢明顯的季節(jié)性，以ARIMA為基礎(chǔ)的方法預(yù)測精度明顯不足;而且以ARIMA為基礎(chǔ)的季節(jié)處理方法，缺乏明確的關(guān)于原時間序列的分解模型，必須要事先設(shè)定好模型形式，因而在實際運(yùn)用過程中，無法知道數(shù)據(jù)的真正形成過程，不能正確把握客流量性質(zhì)(Zhang，Qi，2005)。季節(jié)調(diào)整的另一種方法為季節(jié)指數(shù)調(diào)整方法(Seasonal Exponential Adjustment，SEA)，這是一種對原始數(shù)據(jù)直接進(jìn)行季節(jié)處理(data deseasonalization)的方法，它通過季節(jié)指數(shù)來修正原始數(shù)據(jù)及預(yù)測結(jié)果，使其更符合實際數(shù)據(jù)變化的客觀規(guī)律。通過SEA，原始數(shù)據(jù)的季節(jié)性得到調(diào)整及消除。Gardne和McKenzie(1989)、翁鋼民和李凌雁(2014)通過研究發(fā)現(xiàn)，利用該方法對數(shù)據(jù)進(jìn)行季節(jié)處理，預(yù)測的準(zhǔn)確性大大提高;Tseng等人(2002)的研究顯示，當(dāng)SEA方法和其他預(yù)測方法組合進(jìn)行預(yù)測時，預(yù)測效果均好于不使用SEA方法。

另一方面，節(jié)假日旅游客流量除了季節(jié)性特點(diǎn)之外，非線性趨勢明顯。傳統(tǒng)時間序列預(yù)測方法對具有線性特征的旅游客流量有較好的預(yù)測效果，但對于復(fù)雜的非線性旅游客流量預(yù)測往往難以實現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)為非線性旅游客流量預(yù)測提供了一種方法，但難以克服自身局部最優(yōu)等缺點(diǎn)，且ANN方法往往需要大樣本訓(xùn)練，國內(nèi)各大景區(qū)由于實現(xiàn)數(shù)字信息化時間短，難以獲得所需要的大量樣本，因此ANN方法往往達(dá)不到所需的預(yù)測精度。SVR作為一種統(tǒng)計學(xué)習(xí)理論方法，克服了傳統(tǒng)時間序列預(yù)測方法和ANN的上述缺點(diǎn)，在解決非線性、小樣本旅游客流量預(yù)測方面表現(xiàn)出許多特有的優(yōu)勢，逐漸成為學(xué)者們預(yù)測旅游客流量的一種重要工具，預(yù)測效果明顯優(yōu)于ARIMA、ANN等方法(Chen，Wang，2007;Cai，et al.，2009;Chen，2011)。雖然SVR在非線性預(yù)測方面表現(xiàn)出特有優(yōu)勢，但在處理季節(jié)性方面仍有一定不足。因此建立一個科學(xué)準(zhǔn)確的、能夠同時處理季節(jié)性和非線性的節(jié)假日客流量預(yù)測模型，可為旅游景區(qū)在節(jié)假日旅游高峰期分流游客、科學(xué)調(diào)度提供直接信息，對旅游風(fēng)景區(qū)尤其是熱門景區(qū)乃至整個旅游行業(yè)意義重大。

由于SVR預(yù)測精度受其自由參數(shù)(C，ε，σ)影響，Chen等(2007)將遺傳算法(Genetic Algorithm，GA)和SVR結(jié)合實現(xiàn)客流量預(yù)測，效果雖優(yōu)于反向傳播神經(jīng)絡(luò)(Back-Propagation Neural Network，BPNN)方法，但是GA存在過早收斂、局部最優(yōu)等問題。AGA克服了GA的缺陷，已有研究表明，將AGA和SVR結(jié)合可以實現(xiàn)準(zhǔn)確預(yù)測(Zhang，et al.，2014)。因此，本文引入AGA實現(xiàn)對SVR參數(shù)的自適應(yīng)尋優(yōu)，將SEA、AGA和SVR這3種工具結(jié)合，建立基于SEA的AGA-SVR預(yù)測模型，實現(xiàn)對季節(jié)性、非線性的節(jié)假日旅游客流量的預(yù)測。

1 基于SEA的AGA-SVR模型原理

1.1SEA過程

步驟1在時間t的客流量xt可表示為季節(jié)成分與趨勢成分的乘積，則季節(jié)指數(shù)Is為:

步驟2用每一個周期中xi的均值作為趨勢成分近似值，重新對數(shù)據(jù)集x1，x2，…，xT排列為:x1l，x2l，…，x1l，…;xk1，xk2，…，xkl，…;xm1，xm2，…，xml。k=1，2，…，m;s=1，2，…，l;T=m×l，m為周期數(shù)，l為周期內(nèi)數(shù)據(jù)數(shù)目。

步驟3計算每個周期的均值，然后將數(shù)據(jù)xks標(biāo)準(zhǔn)化，計算季節(jié)指數(shù)Ij，即:

因為

所以季節(jié)指數(shù)Ij遵循標(biāo)準(zhǔn)化的定義。

步驟4利用季節(jié)指數(shù)Ij，消除過季節(jié)影響因素的新數(shù)據(jù)為:

再重新排列數(shù)據(jù)集x'11，x'12，…，x'1l，…;x'k1，x'k2，…，x'kl，…;x'm1，x'm2，…，x'ml得到了經(jīng)過季節(jié)指數(shù)調(diào)整的新數(shù)據(jù)集。具體流程如圖1所示(ave表示均值)。

圖1 季節(jié)指數(shù)調(diào)整(SEA)流程

1.2SVR原理

SVR主要原理是通過一個非線性變換x→(x)將訓(xùn)練樣本映射到高維空間，在高維空間通過核函數(shù)實現(xiàn)線性變換(Vapnik，2009)。設(shè)給定的訓(xùn)練樣本(xi，yi)，i=1，2，…，n;xi=Rn;yi∈R;xi為輸入向量;yi為xi相對應(yīng)的輸出值;n為訓(xùn)練樣本個數(shù)，SVR根據(jù)如下式子來對回歸函數(shù)進(jìn)行估計:

由結(jié)構(gòu)風(fēng)險最小化原則可知，下式即為尋求使風(fēng)險最小的f:

通過引入Lagrange函數(shù)和KKT(Karush-Kuhn-Tucker)條件(Vapnik，2009)，最后得到回歸函數(shù)f(x)的表達(dá)式為:

ai，為Lagrange乘子。根據(jù)節(jié)假日客流量非線性特點(diǎn)，本文選取Gaussian RBF為核函數(shù)，即:

上式中σ為核的寬度，xi為訓(xùn)練集輸入值，x為測試集輸入值。

1.3 AGA算法尋優(yōu)原理

AGA克服了經(jīng)典GA的無法收斂到全局最優(yōu)、染色體易丟失和過早收斂等問題(許光濘，等，2007)。它的主要原理是交叉和變異概率pc、pm隨種群適應(yīng)值自適應(yīng)變化(Srinivas，Patnaik，1994)。具體過程如下(王萬良，等，2004):

其中，favg表示為每代群體平均適應(yīng)值，fmax分別表示每代群體中個體最大適應(yīng)值，f為被選擇變異個體適應(yīng)值，f'為被選擇交叉的兩個個體中較大適應(yīng)值;pc2、pm2均非零，分別為群體中最大適應(yīng)值個體的交叉概率和變異概率。由(12)知，如f'=fmax，f=fmax，則pc= pc2，pm=pm2。算法采用精英保留策略，將每一代的優(yōu)良個體直接復(fù)制到下一代中。

1.4 基于SEA的AGA-SVR模型建模過程

步驟1歸一化季節(jié)指數(shù)調(diào)整數(shù)據(jù)。根據(jù)式(2)～(6)，按照圖1流程順序，對原始數(shù)據(jù)進(jìn)行季節(jié)指數(shù)調(diào)整，將消除季節(jié)因素的新數(shù)據(jù)進(jìn)行歸一化，再根據(jù)預(yù)測需要將新數(shù)據(jù)分為訓(xùn)練集、測試集，并分別輸入模型。

步驟2種群初始化。將SVR參數(shù)(C，ε，σ)編碼為染色體X，即X={C，ε，σ}，對其隨機(jī)初始化。

步驟3適應(yīng)值評估。用訓(xùn)練集對初始化的SVR參數(shù)對進(jìn)行訓(xùn)練，參數(shù)優(yōu)化準(zhǔn)則采用交叉驗證(Cross Validation，CV)。選取均方誤差(Mean Square Error，MSE)為適應(yīng)值函數(shù)(杜京義，侯媛彬，2006):

這里yi分別為實際值和預(yù)測值，n是測試樣本個數(shù)。通過(13)式計算SVR參數(shù)適應(yīng)值f，以f值作為選取參數(shù)的標(biāo)準(zhǔn)。同時根據(jù)輪盤賭方法選擇N個個體(N為偶數(shù))，計算群體favg、fmax。

步驟4交叉和突變。根據(jù)公式(12)計算自適應(yīng)pc和pm，以pc和pm分別進(jìn)行交叉和突變，隨機(jī)產(chǎn)生R(0，1)，若R小于pc、pm，則對SVR參數(shù)(C，ε，σ)進(jìn)行交叉和突變。

步驟5最優(yōu)策略。計算通過交叉、變異產(chǎn)生的新個體f值，新個體同父代共同組成新一代種群，若新種群產(chǎn)生的最小f值較老種群的小，則替換老的染色體。

步驟6停止準(zhǔn)則。若被執(zhí)行代數(shù)和指定代數(shù)相等(這里進(jìn)化代數(shù)設(shè)置為100)，則結(jié)束，同時將獲得的最優(yōu)參數(shù)(C，ε，σ)帶入SVR預(yù)測。否則轉(zhuǎn)向步驟3。

步驟7預(yù)測值季節(jié)調(diào)整。將AGA-SVR預(yù)測值乘以季節(jié)指數(shù)(Is)，得到經(jīng)過季節(jié)調(diào)整的預(yù)測值。具體的模型流程圖見圖2。

圖2 基于SEA的AGA-SVR模型流程圖

2 實例研究

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于黃山風(fēng)景區(qū)信息中心。數(shù)據(jù)顯示，2008～2012年，黃山風(fēng)景區(qū)節(jié)假日(元旦、春節(jié)、清明節(jié)、端午節(jié)、勞動節(jié)、中秋節(jié)和國慶節(jié))客流總量占全年客流總量的百分比分別為15.01%、13.05%、15.79%、18.71%和15.56%，客流量在短期內(nèi)聚集，多而集中，給景區(qū)的資源和調(diào)度等工作造成很大的壓力。因此本文選取黃山風(fēng)景區(qū)2008～2012年4年間每年所有節(jié)假日每日數(shù)據(jù)作為研究對象，具有重要的代表性。該數(shù)據(jù)集包括:每年所有節(jié)假日每日客流量、每年所有節(jié)假日每日上午8點(diǎn)前客流量和每年所有節(jié)假日每日人體舒適度指數(shù)(Human Comfort Index，HCI)，分別定義為{X1，X2，X3}，其中每個變量包含數(shù)據(jù)的個數(shù)為145。具體如圖3、圖4所示。

圖3 2008～2012年節(jié)假日每日客流量

圖4 2008～2012年節(jié)假日每日人體舒適度指數(shù)(HCI)

由圖3、圖4可知:

(1)不同的節(jié)假日休假時間長短不同，客流量的波動情況不同，每個節(jié)假日均呈現(xiàn)明顯“兩頭低中間高”現(xiàn)象，非線性趨勢明顯;

(2)由于氣候、消費(fèi)者每年相同旅游行為等因素影響，每年節(jié)假日客流量數(shù)據(jù)呈現(xiàn)出明顯的季節(jié)性和年度周期性的特征，大體表現(xiàn)為“三峰三谷”特點(diǎn);

(3)每日8點(diǎn)前客流量、每日人體舒適度指數(shù)對每日客流量產(chǎn)生重要影響，可將這兩個因素作為客流量的影響因素。

2.2 數(shù)據(jù)處理

按照圖2流程，首先對原始數(shù)據(jù)集進(jìn)行SEA處理，計算出每個節(jié)假日每天的季節(jié)調(diào)整指數(shù)(Is)(見表1)。然后根據(jù)(7)式，對2008～2012年節(jié)假日每日客流量、每日8點(diǎn)前上山客流量及每日人體舒適度指數(shù)進(jìn)行季節(jié)指數(shù)調(diào)整。調(diào)整后的數(shù)據(jù)如圖5、圖6所示?？梢钥闯?，經(jīng)過季節(jié)指數(shù)調(diào)整，每日客流量、每日8點(diǎn)前上山客流量及每日人體舒適度指數(shù)等數(shù)據(jù)波動幅度降低，數(shù)據(jù)集的季節(jié)性得到消除，呈現(xiàn)典型非線性特點(diǎn)。

表1 不同節(jié)假日季節(jié)指數(shù)(Is)

圖5 2008～2012年SEA調(diào)整后每日客流量、每日8點(diǎn)前客流量

圖6 2008～2012年SEA調(diào)整后每日人體舒適度指數(shù)

2.3 模型參數(shù)設(shè)置及預(yù)測過程

不同節(jié)假日休假時間長短對客流量產(chǎn)生明顯的影響，為了能夠體現(xiàn)出它們在客流量預(yù)測中的影響，引入虛擬變量(Kyriakides，Polycarpou，2007)，具體如下:

設(shè)季節(jié)調(diào)整處理后的新數(shù)據(jù)集為{X'1，X'2，X'3;D1，D2，…，D7}。將新數(shù)據(jù)集被分為訓(xùn)練集和測試集，其中訓(xùn)練集所選數(shù)據(jù)為2008～2011年黃山風(fēng)景區(qū)節(jié)假日客流量相關(guān)數(shù)據(jù)，樣本數(shù)目116個;測試集為2012年節(jié)假日客流量相關(guān)數(shù)據(jù)，樣本數(shù)目為29個，同時對數(shù)據(jù)進(jìn)行歸一化。

表2AGA參數(shù)設(shè)置

通過Matlab7.0(R2010b)試驗平臺，輸入歸一化后的新數(shù)據(jù)集，定義SVR自由參數(shù)初始化種群的粒子，然后對種群數(shù)量、進(jìn)化代數(shù)、學(xué)習(xí)因子、自適應(yīng)權(quán)重進(jìn)行反復(fù)取值測試，最終將AGA各參數(shù)設(shè)置為如表2所示。同時將交叉驗證的折數(shù)設(shè)為10。經(jīng)過AGA參數(shù)尋優(yōu)，最終獲得SVR模型的最優(yōu)參數(shù)值分別為:C=9.9427，σ2=9.1912，ε=0.0167;CVmse=0.0145%;支持向量個數(shù)為47，b=－0.6455。將獲得的最優(yōu)參數(shù)值帶入SVR模型進(jìn)行測試，得到模型預(yù)測值，將預(yù)測值乘以季節(jié)調(diào)整指數(shù)，即為2012年節(jié)假日客流量預(yù)測值。

2.4 實驗結(jié)果分析

為了驗證基于SEA的AGA-SVR預(yù)測的準(zhǔn)確性，本文將用AGA-SVR作為對比模型，同時為了證明本文所選取的AGA的有效性，將GA-SVR也作為對比方法。將沒有經(jīng)過季節(jié)處理的AGA-SVR預(yù)測值、GA-SVR預(yù)測值與實際值進(jìn)行比較，結(jié)果如圖7、表3所示。為了進(jìn)一步比較各模型預(yù)測結(jié)果與實際值的偏差程度，本文使用的評價指標(biāo)分別為平均絕對誤差(Mean Absolute Error，MAE)和均方根誤差(Root Mean Square Error，RMSE)(Hong，et al.，2011)、平均絕對百分誤差(Mean Absolute Percentage Error，MAPE)和相關(guān)系數(shù)R(Chen，Wang，2007)(見表4)。

由圖7、表3和表4可知:

(1)從圖7可以看出，基于SEA的AGA-SVR模型由于在預(yù)測之前有效地消除了原始數(shù)據(jù)的季節(jié)成分，使得消除季節(jié)成分后的數(shù)據(jù)更符合SVR預(yù)測的要求，且預(yù)測之后通過對預(yù)測值再次季節(jié)調(diào)整，使得預(yù)測值更接近于實際值，因此預(yù)測效果較AGA-SVR、GA-SVR更優(yōu)。

(2)通過表3可以看出，2012年節(jié)假日29天預(yù)測值中，基于SEA的AGA-SVR模型預(yù)測值最接近實際值的天數(shù)為15天，而AGA-SVR為9天，GA-SVR僅為5天，充分說明了本文提出的基于SEA的AGA-SVR模型預(yù)測效果優(yōu)于AGA-SVR、GASVR，尤其體現(xiàn)在每個節(jié)假日的人數(shù)高峰期如春節(jié)(第4、5天)、端午節(jié)(第2天)、中秋節(jié)(第2天)和國慶節(jié)(第2、3天)等，可能的原因在于:在節(jié)假日期間，客流量一般呈現(xiàn)出典型的“兩頭低中間高”季節(jié)性趨勢，該模型對處理這種季節(jié)趨勢明顯的客流量相對更有效。這對旅游景區(qū)有極大的實際意義，因為這些時段游客最多，最容易發(fā)生擁堵等突發(fā)事件，提前預(yù)知客流量，為游客分流、減少門票售出等決策提供重要參考。

圖7 不同模型預(yù)測值比較

表3 不同模型預(yù)測值比較(歸一化后)

表4 不同模型評價指標(biāo)比較

(3)從預(yù)測偏差的角度可以看出(見表4)，基于SEA的AGA-SVR模型MAE、MAPE和RMSE值較AGA-SVR、GA-SVR最小，相關(guān)系數(shù)R最大，說明基于SEA的AGA-SVR模型預(yù)測的值最接近實際值，結(jié)果進(jìn)一步證明了經(jīng)過季節(jié)處理的SVR模型預(yù)測效果優(yōu)于未進(jìn)行季節(jié)處理模型。

(4)同時也可以發(fā)現(xiàn)，在3種模型中，基于SEA的AGA-SVR模型預(yù)測效果并不總是好于AGA-SVR和GA-SVR，這種情況多出現(xiàn)在節(jié)假日的最后1天，如勞動節(jié)、端午節(jié)、中秋節(jié)、國慶節(jié)及整個元旦期間，可能的原因在于:在節(jié)假日最后1天，客流量將會急劇的回落，這種情況更符合“旅游系統(tǒng)發(fā)展天然而穩(wěn)定的趨勢和時間規(guī)律”(Faulkner，Russell，1997)，人數(shù)波動較小，季節(jié)性趨勢不明顯，此時AGA-SVR和GA-SVR相對來說更有效些，也從另外一個側(cè)面說明了基于SEA的AGA-SVR模型對季節(jié)趨勢明顯的節(jié)假日客流量預(yù)測的有效性。

(5)在AGA-SVR和GA-SVR比較中，AGA-SVR的總體評價指標(biāo)較GA-SVR相對來說更有效些，說明了AGA克服了經(jīng)典GA的無法收斂到全局最優(yōu)、染色體易丟失和過早收斂等問題，自適應(yīng)尋優(yōu)參數(shù)能力較GA更有效。

綜合以上因素，基于SEA的AGA-SVR模型將季節(jié)指數(shù)調(diào)整、SVR及AGA有效結(jié)合，同時處理了節(jié)假日客流量預(yù)測中的季節(jié)性和非線性問題，預(yù)測精度最高，是進(jìn)行節(jié)假日客流量預(yù)測的有效方法。

3 結(jié)論

(1)由于節(jié)假日客流量季節(jié)性和非線性的雙重特征，單純某一種方法無法準(zhǔn)確預(yù)測。本文提出了一種基于SEA的AGA-SVR模型，將SEA對季節(jié)性的處理、SVR對非線性的預(yù)測及AGA對SVR參數(shù)的尋優(yōu)等3種優(yōu)勢結(jié)合起來，對節(jié)假日客流量進(jìn)行預(yù)測。來自黃山風(fēng)景區(qū)2008～2012年節(jié)假日的數(shù)據(jù)驗證結(jié)果表明:在和AGA-SVR及GA-SVR等方法比較中，基于SEA的AGA-SVR模型預(yù)測精度最高，誤差最小，是進(jìn)行節(jié)假日客流量預(yù)測的有效方法。

(2)本文提供的節(jié)假日客流量預(yù)測方法，對旅游景區(qū)管理者具有指導(dǎo)意義。節(jié)假日是客流量的集中爆發(fā)期，準(zhǔn)確的預(yù)測可為景區(qū)管理者在節(jié)假日資源統(tǒng)一管理和合理調(diào)度、分流游客等方面提供直接信息支持，這對旅游風(fēng)景區(qū)尤其是熱門景區(qū)乃至整個旅游行業(yè)意義重大。該方法同時在相關(guān)行業(yè)如航空、鐵路等交通部門及酒店等行業(yè)相關(guān)客流量預(yù)測中也具有很好的推廣應(yīng)用前景。

除了節(jié)假日客流量預(yù)測外，旅游業(yè)經(jīng)常會遇到各種突發(fā)事件，如自然災(zāi)害及突發(fā)公共衛(wèi)生事件等，這種突發(fā)事件會對客流量產(chǎn)生極大的沖擊，客流量的規(guī)律將會打破，因此，突發(fā)事件發(fā)生后客流量的預(yù)測問題將是我們下一步研究和關(guān)注的內(nèi)容。

致謝感謝黃山風(fēng)景區(qū)管理委員會信息中心為本文提供所有相關(guān)數(shù)據(jù)。

［1］杜京義，侯媛彬.基于遺傳算法的支持向量回歸機(jī)參數(shù)選?。跩］.系統(tǒng)工程與電子技術(shù)，2006(9):1430-1433.

［2］Vapnik V N.The Nature of Statistical Learning Theory［M］.許建華，張學(xué)工，譯.北京:電子工業(yè)出版社，2009.

［3］王萬良，吳啟迪，宋毅.求解作業(yè)車間調(diào)度問題的改進(jìn)自適應(yīng)遺傳算法［J］.系統(tǒng)工程理論與實踐，2004(2):58-62.

［4］翁鋼民，李凌雁.旅游客流量預(yù)測:基于季節(jié)調(diào)整的PSO-SVR模型研究［J］.計算機(jī)應(yīng)用研究，2014(3):692-695.

［5］許光濘，肖志勇，俞金壽.應(yīng)用自適應(yīng)遺傳算法解決集裝箱裝載問題［J］.控制與決策，2007(11):1280-1283.

［6］Cai Z J，Lu S，Zhang X B(2009).Tourism demand forecasting by support vector regression and genetic algorithm［C］.Computer Science and Information Technology，IEEE，144-146.

［7］Chen K Y(2011).Combining linear and nonlinear model in forecasting tourism demand［J］.Expert Systems with Applications，38(8)，10368-10376.

［8］Chen K Y，Wang C H(2007).Support vector regression with genetic algorithms in forecasting tourism demand［J］.Tourism Management，28(1):215-226.

［9］Faulkner B，Russell R(1997).Chaos and complexity in tourism:In search of a new perspective［J］.Pacific Tourism Review，1(2):93-102.

［10］Findley D F，Monsell B C，Bell W R，Otto M C，Chen B C(1998).New capabilities and methods of the X-12-ARIMA seasonal-adjustment program［J］.Journal of Business＆Economic Statistics，16(2)，127-152.

［11］Gardner J E S，McKenzie E(1989).Note-Seasonal Exponential Smoothing with Damped Trends［J］.Management Science，35(3)，372-376.

［12］Hong W C，Dong Y，Chen L Y，Wei S Y(2011).SVR with hybrid chaotic genetic algorithms for tourism demand forecasting［J］.Applied Soft Computing，11(2):1881-1890.

［13］Huang J H，Min C H J(2002).Earthquake devastation and recovery in tourism:The Taiwan case［J］.Tourism Management，23(2)，145-154.

［14］Kyriakides E，Polycarpou M(2007).Short Term Electric Load Forecasting:A Tutorial［J］.Trends in Neural Computation，35，391-418.

［15］Nelson C R，Plosser C R(1982).Trends and random walks in macroeconomic time series:some evidence and implications［J］.Journal of monetary economics，10(2)，139-162.

［16］Shiskin J，Young A H，Musgrave J C(1967).The X-11 Variant of the Census Method II Seasonal Adjustment Program［M］.US Department of Commerce，Bureau of the Census.

［17］Song H，Li G(2008).Tourism demand modeling and forecasting—A review of recent research［J］.Tourism Management，29(2)，203-220.

［18］Srinivas M，Patnaik L M(1994).Adaptive probabilities of crossover and mutation in genetic algorithms［J］.Systems，Man and Cybernetics，IEEE Transactions on，24(4)，656-667.

［19］Tseng F M，Yu H C，Tzeng G H(2002).Combining neural network model with seasonal time series ARIMA model［J］.Technological Forecasting and Social Change，69(1)，71-87.

［20］Zhang G P，Qi M(2005).Neural network forecasting for seasonal and trend time series［J］.European journal of operational research，160(2)，501-514.

［21］Zhang H，Wang M，Huang X，Roth H(2014).Application of adaptive genetic algorithm for the parameter selection of support vector regression［J］.International Journal of Modeling，Identification and Control，21(1):29-37.

A Study on the Forecasting Method of AGA-SVR Modeled Holiday Tourist Flows Based on SEA

CHEN Rong1，LIANG Changyong2，GE Lixin3
(1.Department of Economic and Management，Bengbu University，Bengbu，Anhui 233000，China;
2.School of Management，HeFei University of Technology，HeFei 230009，China;
3.Department of science，Bengbu University，Bengbu，Anhui 233000，China)

In virtue of tourists amassing at the same scenic spots in a short term and the different lengths of holidays and seasons，holiday tourist flow is found to present complicated nonlinear features and obvious seasonal characteristics.This paper proposed a forecasting model which combined seasonal exponential adjustment with adaptive genetic algorithm(AGA)and support vector regression(SVR)，and used the new holiday daily data from the famous 5A scenic spot Mount.Huangshan during 2008～2012 to verify its effectiveness.The results indicate that the model，superior to AGA-SVR and GASVR，is an effective way to forecast daily holiday tourist flow.

seasonal exponential adjustment;support vector regression(SVR);adaptive genetic algorithm(AGA);holiday daily tourist flow forecasting

TP 181

A

1006－575(2016)－05－0012－12

(責(zé)任編輯:車婷婷)

2015－10－29;

2016－05－18

國家自然科學(xué)基金重點(diǎn)項目“基于云的管理信息系統(tǒng)再造研究”(71331002);安徽高校自然科學(xué)研究重點(diǎn)項目“智慧景區(qū)背景下的旅游客流量預(yù)測方法研究”(KJ2015A143);安徽省教育廳2016年高校優(yōu)秀拔尖人才培育資助項目“高校優(yōu)秀青年骨干人才國內(nèi)外訪學(xué)研修重點(diǎn)項目”(gxfxZD2016283);國家自然科學(xué)基金面上項目“基于行為決策的隱性目標(biāo)決策模型與方法研究”(71271072)。

陳榮(1973－)，女，博士，蚌埠學(xué)院經(jīng)濟(jì)與管理學(xué)院副教授，研究方向為旅游需求預(yù)測，E-mail:chenrongustc@163.com。梁昌勇(1965－)，男，博士，合肥工業(yè)大學(xué)管理學(xué)院教授，博導(dǎo)，研究方向為管理信息系統(tǒng)、行為決策及云計算技術(shù)等。葛立新(1971－)，男，蚌埠學(xué)院理學(xué)院副教授，研究方向為數(shù)據(jù)仿真。