school
Macau Periodical Index (澳門期刊論文索引)
- Author
- 王俊皓；苑皓；阮智豪
- Title
- 澳門旅遊需求研究——基於機器學習及互聯網搜索熱度
- Journal Name
- 澳門研究
- Pub. Info
- 2022年12月, 總第105期, 第4期, 第23-40頁
- Link
- https://www.macaudata.mo/showbook?bno=j360105
- Keyword
- 互聯網搜索熱度；長短期記憶網絡；卷積長短期記憶神經網絡；旅遊需求；機器學習
- Abstract
- 本研究提出了四種模型，分別是傳統的時間序列模型ARIMA 以及機器學習類模型隨機森林、LSTM 以及CNN-LSTM，分別對澳門2008年1月至2019年12月的入境總人數序列進行分析，並基於互聯網搜索熱度數據(百度指數、谷歌趨勢)，比較不同的搜索引擎熱度代表的海內外遊客搜索偏好的數據。研究結果表明了在結合谷歌和百度搜索熱度下的CNN-LSTM 模型的性能最優，且CNN-LSTM 模型並不對數據的預處理過程有嚴格的要求，更加適合本研究的場景，即澳門旅遊需求預測。 段落標題： 1. 研究背景及意義 1.1. 研究背景 1.2. 研究意義 2. 文獻綜述 3. 研究方法及評價指標 4. 研究設計 4.1. 數據收集 4.2. 互聯網搜索熱度指標的處理 5. 實證分析 5.1. ARIMA 模型對澳門旅遊需求預測 5.1.1. ADF 單位根檢驗 5.1.2. 預測分析 5.2. 隨機森林模型對澳門旅遊需求預測 5.3. LSTM 模型對澳門旅遊需求預測 5.4. CNN-LSTM 模型對澳門旅遊需求預測 5.5. 比較不同模型研究對澳門旅遊需求預測的性能 5.6. 穩定性分析 6. 結論 附表： 1. 24個基礎關鍵詞 2. 百度指數篩選後關鍵詞 3. 谷歌趨勢篩選後關鍵詞 4. 谷歌趨勢部分關鍵詞與旅遊人數相關係數 5. 百度指數部分關鍵詞與旅遊人數相關係數 6. 澳門入境總人數單位根檢驗結果 7. 澳門入境總人數的對數單位根檢驗結果 8. 四個隨機森林模型訓練變量分配 9. 四個LSTM模型訓練變量分配 10. 四個CNN-LSTM 模型訓練變量分配 11. 十三個模型的預測結果評價指標 12. 四組LSTM 模型和四組CNN-LSTM 模型在不同測試數據集下的指標標準差 附圖： 1. 澳門旅遊人數與百度、谷歌搜索熱度之序列圖 2. 澳門旅遊人數差分後的各類指標 3. 澳門旅遊人數的自相關和偏自相關 4. ARIMA 模型對澳門旅遊總人數的預測結果 5. 四個隨機森林模型預測結果 6. 四個LSTM模型預測結果 7. 四個CNN-LSTM模型預測結果