謝天保, 趙 萌

(西安理工大學(xué) 經(jīng)濟(jì)與管理學(xué)院, 西安 710054)

近年來(lái), 伴隨旅游業(yè)蓬勃發(fā)展的同時(shí), 游客普遍反映旅游體驗(yàn)在逐漸變差. 究其根本, 主要源于在旅游高峰期, 景點(diǎn)接待能力與涌入的游客量不匹配. 各地著名景區(qū)在節(jié)假日期間往往游客爆棚、人滿(mǎn)為患, 管理難度大幅度提升導(dǎo)致超出了景區(qū)管理人員的可控范圍,使得游客的游玩體驗(yàn)受到嚴(yán)重影響, 游客的人身財(cái)產(chǎn)安全也難以保證. 因此, 如果能實(shí)現(xiàn)對(duì)未來(lái)一段時(shí)間尤其是旅游旺季的游客量預(yù)測(cè), 管理者就可以結(jié)合實(shí)際的承載能力提前制定有效的防范措施, 確保服務(wù)質(zhì)量和景區(qū)安全, 具有極強(qiáng)的現(xiàn)實(shí)意義.

1 研究現(xiàn)狀分析

傳統(tǒng)的旅游人數(shù)預(yù)測(cè)研究采用的主要方法有時(shí)間序列模型[1]、灰色系統(tǒng)理論[2]以及人工神經(jīng)網(wǎng)絡(luò)[3]等,但這些研究采用的歷史數(shù)據(jù)存在較大延遲性, 時(shí)間粒度也很大, 大都集中于國(guó)家或省級(jí)層面的年度入境人數(shù)預(yù)測(cè). 隨著大數(shù)據(jù)時(shí)代的到來(lái)以及基于網(wǎng)絡(luò)數(shù)據(jù)的經(jīng)濟(jì)社會(huì)類(lèi)行為預(yù)測(cè)研究的廣泛開(kāi)展, 在研究旅游行為相關(guān)問(wèn)題時(shí), 越來(lái)越多的研究人員將目光投向了網(wǎng)絡(luò)搜索數(shù)據(jù). 文獻(xiàn)[4]發(fā)現(xiàn)我國(guó)部分3A級(jí)旅游景區(qū)客流量與網(wǎng)絡(luò)關(guān)注度密度具有明顯呼應(yīng)的關(guān)系; 文獻(xiàn)[5]證實(shí)網(wǎng)絡(luò)關(guān)注度和旅游人數(shù)存在長(zhǎng)期均衡關(guān)系和Granger因果關(guān)系; 文獻(xiàn)[6–10]等關(guān)系研究均表明網(wǎng)絡(luò)搜索數(shù)據(jù)包含著許多有價(jià)值的行為信息, 對(duì)現(xiàn)實(shí)游客量存在前兆效應(yīng), 具有一定的預(yù)測(cè)能力. 文獻(xiàn)[11]基于谷歌趨勢(shì)構(gòu)建了一般的ARIMA模型及加入網(wǎng)絡(luò)數(shù)據(jù)作為自變量的預(yù)測(cè)模型, 發(fā)現(xiàn)后者擬合效果和預(yù)測(cè)精度更高, 但關(guān)注的仍是全國(guó)入境人數(shù)這種大范圍預(yù)測(cè);文獻(xiàn)[12]發(fā)現(xiàn)加入百度關(guān)鍵詞作為解釋變量的模型相比傳統(tǒng)的ARMA模型, 預(yù)測(cè)精度提高了14.5%, 但依然存在較大誤差; 文獻(xiàn)[13]采用直接取詞法選取5個(gè)關(guān)鍵詞數(shù)據(jù)作為解釋變量分別建立了向量自回歸和BP神經(jīng)網(wǎng)絡(luò)模型, 發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)比回歸法預(yù)測(cè)精度略高, 但關(guān)鍵詞過(guò)少, 難免會(huì)因信息遺漏使模型與實(shí)際有一定偏離.

為實(shí)現(xiàn)更準(zhǔn)確、更具有時(shí)效性、地域針對(duì)性更強(qiáng)的預(yù)測(cè), 本文擬基于網(wǎng)絡(luò)搜索數(shù)據(jù), 結(jié)合多種機(jī)器學(xué)習(xí)算法建立游客量預(yù)測(cè)模型, 時(shí)間粒度選取為月度, 以提高預(yù)測(cè)的及時(shí)性和實(shí)用性, 同時(shí)考慮到組合預(yù)測(cè)法的思想, 即在諸種單一預(yù)測(cè)模型各異的情況下, 組合預(yù)測(cè)模型可能會(huì)得到比任何一個(gè)獨(dú)立預(yù)測(cè)值更好的預(yù)測(cè)值,顯著改進(jìn)預(yù)測(cè)效果[14], 進(jìn)一步構(gòu)建組合模型以?xún)?yōu)化預(yù)測(cè)結(jié)果.

2 網(wǎng)絡(luò)搜索關(guān)鍵詞的選取

首都北京在我國(guó)旅游城市排行中首屈一指, 本文選取北京市游客量作為研究對(duì)象, 收集了2011年1月至2016年12月期間, 每個(gè)月北京市所有旅游景區(qū)、景點(diǎn)接待的全部游客總量, 但模型也可推廣應(yīng)用至其他地區(qū)和省市.

搜索引擎能夠幫助游客從數(shù)以?xún)|計(jì)的網(wǎng)頁(yè)中快速定位到所需要的信息, 而關(guān)鍵詞搜索是游客在線(xiàn)信息搜索時(shí)最常用的策略[15], 所以基于網(wǎng)絡(luò)搜索數(shù)據(jù)的預(yù)測(cè)研究的第一步就是選取相關(guān)搜索關(guān)鍵詞. 本文中所用到的關(guān)鍵詞網(wǎng)絡(luò)搜索量來(lái)源于國(guó)內(nèi)應(yīng)用最為官方的搜索引擎的百度指數(shù).

2.1 選定核心關(guān)鍵詞

本文采用文本挖掘的方法, 結(jié)合旅游六要素, 即食、住、行、游、購(gòu)、娛, 對(duì)網(wǎng)絡(luò)上與北京旅游相關(guān)的新聞、文章、點(diǎn)評(píng)、分享交流等信息進(jìn)行查找收集,剔除掉一些無(wú)用信息后, 再使用NLPIR漢語(yǔ)分詞系統(tǒng)對(duì)原始文本集合進(jìn)行處理, 得到關(guān)鍵詞列表及其權(quán)重,權(quán)重越高, 越應(yīng)被選為核心關(guān)鍵詞. 最終選定了6個(gè)核心關(guān)鍵詞: “北京小吃”、“北京住宿”、“北京旅游地圖”、“北京旅游”、“北京特產(chǎn)”及“北京景點(diǎn)”.

2.2 核心關(guān)鍵詞搜索指數(shù)的預(yù)測(cè)能力分析

顯然網(wǎng)絡(luò)搜索數(shù)據(jù)和實(shí)際游客量數(shù)據(jù)都屬于時(shí)間序列, 平穩(wěn)性是時(shí)間序列數(shù)據(jù)統(tǒng)計(jì)推斷的基礎(chǔ). 檢查序列平穩(wěn)性的標(biāo)準(zhǔn)方法是各種單位根檢驗(yàn), 本文采用ADF (Augmented Dickey-Fuller Test)檢驗(yàn)對(duì)6個(gè)核心關(guān)鍵詞的搜索指數(shù)序列和實(shí)際游客人數(shù)序列的平穩(wěn)性進(jìn)行檢驗(yàn), 結(jié)果表明原序列中部分為非平穩(wěn)序列, 但在一階差分下所有變量均在1%的顯著性水平上拒絕原假設(shè)(原假設(shè)為序列至少有一個(gè)單位根, 即不平穩(wěn)), 即均為一階單整序列, 符合協(xié)整檢驗(yàn)的前提條件.

圖1 Johansen協(xié)整檢驗(yàn)結(jié)果

本文通過(guò)Johansen協(xié)整檢驗(yàn)來(lái)考察變量間的協(xié)整關(guān)系, 檢驗(yàn)結(jié)果如圖1所示, 可以發(fā)現(xiàn)特征根跡檢驗(yàn)和最大特征值檢驗(yàn)在5%的顯著性水平上都是拒絕原假設(shè)的, 說(shuō)明協(xié)整關(guān)系存在, 依據(jù)現(xiàn)代協(xié)整理論, 對(duì)于非平穩(wěn)時(shí)間序列, 只要各變量之間存在協(xié)整關(guān)系, 就可以直接建立VAR模型[16].實(shí)驗(yàn)收集了2011年至2016年共計(jì)72個(gè)月的月度數(shù)據(jù), 選取前5年(即前60個(gè))數(shù)據(jù)作為樣本集用于建模, 2016年1月至12月的數(shù)據(jù)則作為測(cè)試集用于模型驗(yàn)證. 建立VAR模型需要確定滯后階數(shù), 本文結(jié)合似然比LR、AIC、SC準(zhǔn)則等多種檢驗(yàn)方法, 最終確定建立VAR(3)模型. 如圖2所示, 該VAR模型所有特征根的倒數(shù)均落于單位圓內(nèi), 即均小于1, 模型穩(wěn)定. 應(yīng)用該模型預(yù)測(cè)樣本集外數(shù)據(jù), 結(jié)果如圖3所示.

圖2 VAR模型特征根位置圖

總體來(lái)說(shuō), 預(yù)測(cè)值與實(shí)際值的趨勢(shì)基本保持了一致, 說(shuō)明模型具有一定的預(yù)測(cè)能力, 關(guān)鍵詞指數(shù)的前期變化的確有助于解釋實(shí)際游客量的變化. 但是預(yù)測(cè)誤差明顯較大, 平均絕對(duì)百分比誤差(MAPE)高達(dá)12.24%,具體到每一個(gè)月的相對(duì)誤差基本在幾百萬(wàn)人次(圖3中游客人數(shù)單位為萬(wàn)人次), 顯然達(dá)不到精準(zhǔn)預(yù)測(cè)的要求.

圖3 2016年北京市實(shí)際旅游人數(shù)和預(yù)測(cè)人數(shù)的對(duì)比圖

因此, 僅僅基于這6個(gè)核心關(guān)鍵詞對(duì)游客人數(shù)進(jìn)行預(yù)測(cè)是不科學(xué)的, 選取核心關(guān)鍵詞的方法不完善或是核心關(guān)鍵詞的數(shù)量過(guò)少, 都會(huì)導(dǎo)致信息覆蓋不全面從而影響研究結(jié)果. 為了提高研究結(jié)果的準(zhǔn)確性, 應(yīng)該對(duì)核心關(guān)鍵詞進(jìn)行大范圍拓展和進(jìn)一步擇優(yōu), 才能保障模型中所加入的自變量能盡可能的涵蓋會(huì)影響到因變量變化的所有信息.

2.3 關(guān)鍵詞的拓展與擇優(yōu)

拓展的目標(biāo)是圍繞少數(shù)的核心關(guān)鍵詞, 拓展出數(shù)量更多的相關(guān)關(guān)鍵詞. 拓展的依據(jù)和方法有多種, 本文綜合使用了長(zhǎng)尾關(guān)鍵詞拓展法、百度需求圖譜以及網(wǎng)頁(yè)相關(guān)搜索推薦, 建立了一個(gè)包含79個(gè)關(guān)鍵詞的初始詞庫(kù).

通過(guò)判定各個(gè)關(guān)鍵詞與研究對(duì)象的關(guān)聯(lián)關(guān)系, 篩選出合適數(shù)目的最優(yōu)關(guān)鍵詞是提升模型預(yù)測(cè)準(zhǔn)確度的關(guān)鍵. 因?yàn)椴⒉皇敲總€(gè)關(guān)鍵詞都與實(shí)際游客量存在相關(guān)關(guān)系, 多個(gè)詞之間也可能存在共線(xiàn)性, 導(dǎo)致信息重疊,不利于模型建立. 本文首先根據(jù)Spearman秩相關(guān)檢驗(yàn)篩選出相關(guān)系數(shù)大于0.6的搜索關(guān)鍵詞, 共計(jì)38個(gè). 然后采用時(shí)差相關(guān)分析確定上一步篩選出的關(guān)鍵詞搜索指數(shù)與北京市游客量的時(shí)滯階數(shù), 并選取同行關(guān)鍵詞指標(biāo)(網(wǎng)絡(luò)搜索作為一種即時(shí)性行為, 游客一般都會(huì)在出行當(dāng)月搜索相關(guān)的旅游信息). 最后篩選出的同行關(guān)鍵詞及其相關(guān)系數(shù), 共計(jì)25個(gè). 如表1所示.

表1 同行關(guān)鍵詞spearman秩相關(guān)系數(shù)

VAR模型本質(zhì)就是把系統(tǒng)中每一個(gè)變量描述為系統(tǒng)中所有變量的滯后值的線(xiàn)性函數(shù), 當(dāng)變量多達(dá)25個(gè)時(shí), 難以保證各變量之間僅僅存在線(xiàn)性關(guān)系. 因此, 對(duì)于解釋變量眾多、平穩(wěn)性和協(xié)整關(guān)系難以保證、可能存在非線(xiàn)性關(guān)系等情況, 應(yīng)用適應(yīng)性更為廣泛的機(jī)器學(xué)習(xí)算法建立預(yù)測(cè)模型比傳統(tǒng)的VAR模型更為合適.

3 單一預(yù)測(cè)模型的構(gòu)建

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

理論上已經(jīng)證明三層神經(jīng)網(wǎng)絡(luò)可以無(wú)限逼近任意連續(xù)函數(shù), 本文建立單隱藏層的BP神經(jīng)網(wǎng)絡(luò)模型, 再對(duì)模型隱藏層的節(jié)點(diǎn)數(shù)目和迭代次數(shù)進(jìn)行優(yōu)化, 以確定出最優(yōu)的模型誤判率.

實(shí)驗(yàn)發(fā)現(xiàn), 訓(xùn)練集誤差跟隨隱藏層節(jié)點(diǎn)數(shù)的增加而下降, 但測(cè)試集誤差先下降后面反而上升, 這是由于模型中隱藏層節(jié)點(diǎn)數(shù)增加而引起的模型過(guò)度擬合導(dǎo)致的, 考慮到預(yù)測(cè)模型應(yīng)注重模型的推廣能力, 當(dāng)隱藏層節(jié)點(diǎn)數(shù)為4時(shí), 測(cè)試集MAE值最小且訓(xùn)練集誤差也在接受范圍內(nèi), 因此確定最優(yōu)的隱藏層節(jié)點(diǎn)數(shù)為4. 同時(shí),當(dāng)訓(xùn)練周期達(dá)到300以后, 訓(xùn)練集和測(cè)試集的MAE均趨于平穩(wěn)且已經(jīng)達(dá)到了較小的值, 因此最終確定出一個(gè)隱藏層節(jié)點(diǎn)數(shù)為4, 訓(xùn)練周期為300的單隱藏層BP神經(jīng)網(wǎng)絡(luò)模型.

3.2 支持向量回歸模型

支持向量機(jī)最初是根據(jù)分類(lèi)問(wèn)題發(fā)展起來(lái)的, 但也可應(yīng)用于回歸問(wèn)題. 建立SVR(支持向量回歸機(jī))模型, 需要確定分類(lèi)方式和核函數(shù)的組合方式, 針對(duì)數(shù)值型變量的分類(lèi)方式主要有兩種(eps-regression和nuregression), 核函數(shù)則有四類(lèi)(linear, polynomial,radial和sigmoid).

實(shí)驗(yàn)發(fā)現(xiàn), 按照MAE值最小原則無(wú)論是測(cè)試集預(yù)測(cè)還是訓(xùn)練集擬合均應(yīng)選擇eps-regression和radial的組合. 在此基礎(chǔ)上對(duì)懲罰因子cost和gamma參數(shù)進(jìn)行優(yōu)化, 同樣按照MAE值最小原則確定出測(cè)試集cost取1, gamma取0.1, 訓(xùn)練集則cost取10, gamma取1.

3.3 隨機(jī)森林模型

在構(gòu)建隨機(jī)森林模型的過(guò)程中有兩個(gè)重要參數(shù):一是樹(shù)節(jié)點(diǎn)預(yù)選的變量個(gè)數(shù)mtry, 決定著單棵決策樹(shù)的情況; 二是隨機(jī)森林中樹(shù)的個(gè)數(shù)ntree, 決定著整片森林的總體規(guī)模.

實(shí)驗(yàn)發(fā)現(xiàn)當(dāng)mtry= 5時(shí), 模型對(duì)變量的解釋率最高, 為86.05%, 殘差平方均值最小, 所以節(jié)點(diǎn)上變量個(gè)數(shù)確定為5. 接著確定整片森林的規(guī)模, 實(shí)驗(yàn)發(fā)現(xiàn)模型誤差隨決策樹(shù)數(shù)量的增多逐漸降低并趨于平穩(wěn), 當(dāng)決策樹(shù)數(shù)量約大于1300之后, 模型誤差基本穩(wěn)定, 因此將ntree值確定為1300.

以上三種模型預(yù)測(cè)誤差如表2(見(jiàn)4.2節(jié))所示, 從MAPE值來(lái)看, 支持向量回歸最優(yōu), 隨機(jī)森林次之,BP神經(jīng)網(wǎng)絡(luò)則相對(duì)較差. 但總體來(lái)說(shuō), 這三種單一模型的預(yù)測(cè)準(zhǔn)確度和穩(wěn)定性都優(yōu)于前述的VAR模型, 這一方面說(shuō)明了關(guān)鍵詞拓展的必要性, 另一方面也說(shuō)明網(wǎng)絡(luò)搜索指數(shù)與實(shí)際游客量之間存在部分非線(xiàn)性關(guān)系,因此機(jī)器學(xué)習(xí)在這種預(yù)測(cè)方面更具優(yōu)勢(shì).

4 基于機(jī)器學(xué)習(xí)算法的組合預(yù)測(cè)模型

4.1 建立GBDT組合預(yù)測(cè)模型

以往研究中使用頻率較高的是簡(jiǎn)單便捷的定權(quán)組合法(如等權(quán)平均法、方差倒數(shù)法), 但其實(shí)籠統(tǒng)的賦予定值權(quán)重, 對(duì)于提高預(yù)測(cè)準(zhǔn)確度是不理想的, 因?yàn)椴煌瑔我荒Ｐ驮诓煌瑫r(shí)刻的預(yù)測(cè)誤差是不一樣的, 如果按照時(shí)刻和預(yù)測(cè)誤差的變化賦予各個(gè)模型動(dòng)態(tài)變化的權(quán)值, 效果會(huì)更佳, 本文提出基于GBDT的組合預(yù)測(cè)模型.

GBDT (Gradient Boosting Decision Tree)是一種梯度提升的決策樹(shù)算法, 核心思想是將損失函數(shù)的負(fù)梯度在當(dāng)前模型的值作為回歸問(wèn)題提升樹(shù)算法中的殘差的近似值, 擬合一個(gè)回歸數(shù). 將三種單一模型訓(xùn)練集的擬合序列作為新的訓(xùn)練集, 將單一模型測(cè)試集的預(yù)測(cè)序列作為新的測(cè)試集建立GBDT模型, 模型中賦予各個(gè)單一模型的權(quán)重系數(shù)應(yīng)是隨時(shí)間點(diǎn)不同而變化的.算法流程如下文.

(b) 對(duì)rmi擬合一個(gè)回歸樹(shù), 得到第m棵樹(shù)的葉節(jié)點(diǎn)區(qū)域?yàn)?/p>

Step 4. 得到回歸樹(shù):

要對(duì)各參數(shù)進(jìn)行優(yōu)化, 包括損失函數(shù)、學(xué)習(xí)速率、迭代次數(shù)等. 損失函數(shù)選擇回歸問(wèn)題中最常用的Gaussian分布, 學(xué)習(xí)速率取0.05, 使用交叉驗(yàn)證確定最佳迭代次數(shù)為2518. 最終根據(jù)此模型得到一組新的組合預(yù)測(cè)結(jié)果.

4.2 模型預(yù)測(cè)結(jié)果評(píng)價(jià)

為了有效和直觀的衡量不同模型的預(yù)測(cè)能力, 本文選取均方誤差(MSE)、平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)這三個(gè)指標(biāo)來(lái)評(píng)估預(yù)測(cè)結(jié)果,各模型預(yù)測(cè)結(jié)果如表2.

表2 各模型預(yù)測(cè)結(jié)果比較

從表2可以看出, 無(wú)論從MSE、MAE還是MAPE來(lái)說(shuō), 組合模型的預(yù)測(cè)效果均有顯著優(yōu)勢(shì), 相比單一模型大幅度提高了預(yù)測(cè)準(zhǔn)確度. 各模型的預(yù)測(cè)值與實(shí)際值對(duì)比如圖4所示.

由圖4可知, 其中圖4(a)和圖4(d)清晰直觀的表現(xiàn)出了效果最差的單一模型與效果最好的組合模型在預(yù)測(cè)準(zhǔn)確度上的明顯差異(由于游客量數(shù)據(jù)周期性很強(qiáng), 每一年走勢(shì)基本一致, 因此僅展示2014～2016年的數(shù)據(jù)), BP神經(jīng)網(wǎng)絡(luò)模型通過(guò)學(xué)習(xí)訓(xùn)練基本能預(yù)測(cè)出游客量一年的走勢(shì), 但對(duì)峰值敏感度較低, 訓(xùn)練集擬合效果也較差, 而GBDT組合模型的訓(xùn)練集擬合效果很好,峰值敏感度和測(cè)試集預(yù)測(cè)效果也更優(yōu).

5 結(jié)束語(yǔ)

本文以北京市游客量為研究對(duì)象, 選定核心關(guān)鍵詞后, 對(duì)其進(jìn)行數(shù)據(jù)檢驗(yàn)和預(yù)測(cè)能力分析, 證明網(wǎng)絡(luò)搜索數(shù)據(jù)的確有助于預(yù)測(cè)實(shí)際游客量, 為提高預(yù)測(cè)的科學(xué)性和自變量信息的完善性, 進(jìn)一步拓展核心關(guān)鍵詞并擇優(yōu)篩選, 基于同行相關(guān)關(guān)鍵詞的百度搜索指數(shù), 分別建立了三種單一預(yù)測(cè)模型, 為提高預(yù)測(cè)準(zhǔn)確度又建立了基于GBDT的組合模型, 模型預(yù)測(cè)結(jié)果顯著體現(xiàn)出了組合預(yù)測(cè)的優(yōu)越性. 統(tǒng)計(jì)局統(tǒng)計(jì)數(shù)據(jù)的發(fā)布至少存在兩個(gè)月的滯后期, 而本文提出的基于同行網(wǎng)絡(luò)數(shù)據(jù)的組合預(yù)測(cè)模型可以即時(shí)預(yù)測(cè)當(dāng)月人數(shù), 具有很強(qiáng)的現(xiàn)實(shí)意義. 模型的進(jìn)一步推廣應(yīng)用與可靠性檢驗(yàn)是接下來(lái)的研究方向.

圖4 各模型預(yù)測(cè)效果圖