《旅游者需求预测》PPT课件

《《旅游者需求预测》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第四章旅游者需求预测（一）教学重点与难点：1、趋势外推模型2、时间序列模型学习目的与要求：1、理解趋势外推模型2、理解几种常见时间序列分析方法3、掌握季节交乘预测方法一、旅游需求预测趋势外推模型假定：历史趋势延续性曲线拟合回归、时间序列模型结构模型多元回归：仿真模型系统方程系统动力学定性模型特尔菲法表4.7四种模型的比较水平时间序列模型：一次滑动平均模型；加权平均;一次指数平滑模型。趋势需求模型：线形趋势模型：线形回归模型；二次滑动平均模型非线形趋势模型：二次回归模型；三次指数平滑模型季节性需求模型：季节性水平模型；季节性交乘趋势模型Box—Jenkins模型1、趋势外推模型（1）简单回归

2、分析一元线性回归：T＝b0+b1tP58图4.1注意：外推时间不宜过长趋势线预测法三种最常用的趋势线：①直线型趋势线yt=a+bt②指数型趋势线yt=abt③抛物线型趋势线yt=a+bt+ct2这三种趋势线方程中系数的求解可以用回归分析方法的最小二乘法实现2、时间序列模型时间序列的含义：分析地理要素（变量）随时间变化的历史过程;揭示其发展变化规律，并对其未来状态进行预测时间单位：年季月周日时序数据特点：趋势季节循环偶然季节变化（季节波动）：以年为周期，以月、季为时段预测过程：曲线拟合估计未来需求图形水平需求图形趋势需求图形季节性需求图形6000080000100000120000

3、140000989900010203Y平滑预测法1）移动平均法设某一时间序列为y1，y2，…，yt，则下一期（t+1时刻）的预测值：为t点的移动平均值，n为移动时距（点数）用最近几个时期数据值的平均数作为下一个时期的预测值2)加权滑动平均模型作用：消除干扰，显示序列的趋势性变化；并通过加权因子的选取，增加新数据的权重，使趋势预测更准确其中最近n个时期数值的加权平均数作为预测值；最近时期的观测值应取得最大的权数，而比较远的时期权数应依次递减2)滑动平均法计算公式：为t点的滑动平均值，为单侧平滑时距（点数）。滑动平均法的计算结果优于移动平均法；三点滑动平均法的计算结果与原始数据的误差较小3

4、)指数平滑法指数平滑法可以分为一次指数平滑和高次指数平滑一次指数平滑：①计算公式α为平滑系数。②平滑系数的确定▲若时间序列较平稳，数据波动较小，α取值可小一些一般取α∈（0.05,0.3）；▲若时间序列数据起伏波动比较大，α应取较大的值一般取α∈（0.7,0.95）；具体应用时可通过经验或试算，以误差尽可能的小为最好季节性水平模型=*（i=1，2，……，T）式中，为平均数；为季节指数T为季节周期的长度适用条件：适用于只有季节变动，无明显的趋势变动的时间序列建模：计算；求解。季节性交乘模型时间序列可分解：长期趋势（T）、季节变动（S）、循环变动（C）和不规则变动（I）四种时间序列分析的模

5、型：▲加法模型Y=T+S+C+I假设四种因素相互独立▲乘法模型Y=T×S×C×I假定各因素之间存在交错互动影响在地理统计时序分析中，乘法模型更为常用。对乘法模型进行变换可以对长期趋势、季节变动、循环变动及不规则变动进行测定季节性交乘趋向模型=（a+bt）*（i=1，2，……，T）式中，=（a+bt）为趋势部分为季节指数T为季节周期的长度适用条件：适用于既有季节变动，又有趋势变动且波动幅度不断变化的时间序列建模：建立趋势方程求各期趋势值求样本季节指数求理论季节指数基本步骤①将原时间序列求移动平均以消除季节变动和不规则变动，保留长期趋势②将原序列y除以其对应的趋势方程值（或平滑值）以分离出季

6、节变动（含不规则变动）即季节系数=TSCI/趋势方程值（TC或平滑值）=SI一般用序列中若干年的季节系数之平均值作为季节系数的改进值；③季节性指标将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标；④进行预测如果欲求下一年度的预测值：简单地延长趋势线即可若要求各月（季）的预测值：只需以趋势值乘以各月份（季度）的季节性指标求季节变动预测的数学模型（以直线为例）为yt+l是由（t到l）预测值，at、bt为方程系数（参数），θT为T周期的季节系数例：某市1995～1999年各季度游客流量yi（104人次）如

7、表1所示，试预测该市2000年各季的客流量。①求表1序列的三次滑动平均值②用三次指数平滑法求预测模型系数其中，S1=S2=S3=y1。t的编号为t=1对应于1995年的1季度，…，t=20对应于1999年的第4季度。平滑系数的确定是预测成功与否的关键，经过多次尝试选择后，最后确定为=0.3。预测模型为=at+btT+ctT2③求预测模型根据表3算出at、bt、ct，后得预测模型为④求季节性指标将原始数据分别除以平滑