情绪因素对网络搜索预测的影响研究:以旅游市场为例

Tourist arrivals prediction is an important part of tourism marketing and operations, but it's difficult for traditional forecasting model to capture the latest market movement. In recent 3 years, improvement was made on the defect of traditional forecasting model by adding Internet search variables, which discover market hotspots and reflect its attention-degree timely, whereas this method has its limits in lacking of emotion factors like emotional tendency. "Sanya Overcharge Event" showed that the tendency, feelings and other emotional factors have significant impact on future market trends, so it is necessary to consider the role of emotional factor in Tourist arrivals forecast. It has been showed that the microblog-data implies the sentiment of numerous users and has significant predictive ability by the latest studies. This research would establish the correlation model of search behavior, emotional interaction behavior and tourist decision-making behavior, on the basis of forecast model of Internet search data, explore to mining the emotion indicators from the'Microblog Emotion Database'， further analyze the impact of emotion factors on the Internet search-based prediction model. On these bases, this research would explore new prediction method of combining search data and microblog data to make the advantages of these two distinct data complementary with each other, and establish the hybrid model to predict the Tourist arrivals. This study would not only enrich the tourism consumer behavior theory from a new perspective, which has creative value in the Tourist arrivals forecast, but also provide timely and reliable evidence for relevant administrative institutions to make decision and managerial policy.

客流量预测是旅游营销和运营的重要环节，针对传统预测模型难以捕获当前市场最新动态的缺陷，近3年兴起的基于网络搜索数据的预测方法能够弥补该不足，及时发现市场热点并反映关注强度，但同时也存在不能体现倾向性等情绪因素的局限性。三亚"宰客门"案例表明，倾向性等情绪因素对未来市场走势产生重要影响，预测客流量必须考虑情绪因素的作用。最新研究表明，微博数据蕴涵了众多用户的情绪信息，且具有显著预测能力。本课题拟建立搜索行为、情绪互动行为、旅游决策之间的关联模型，在网络搜索预测建摸的基础上，探索从微博"情绪数据库"中挖掘旅游倾向性等情绪指标，进一步研究情绪因素对搜索预测模型效果的修正作用，在此基础上，探索实现搜索数据和微博数据优势互补的新方法，并建立混合模型对旅游客流量进行预测。本研究从一个新视角丰富了旅游消费行为理论，在客流量预测方面具有创新价值，也可以为相关管理部门提供及时、可靠的决策依据。

客流预测是旅游运营的重要环节，传统预测模型难以捕获当前市场最新动态，互联网数据能够及时发现市场热点，反映游客的关注强度和情绪变化，为客流预测开辟了新的空间。本课题以中文网络多源数据为基础，选择中国旅游市场为研究对象，尝试通过网络多源数据刻画旅游决策行为并对客流量展开预测，具体做了如下工作：.第一，网络行为与游览行为的关联机制分析。从消费购买决策理论、信息行为理论等出发，构建了旅游市场中网络行为与游览行为的关联机制概念模型，分析了二者之间的逻辑关系与关联机理。.第二，网络多源数据的特征及关系分析。首先分析了网络浏览数据、网络搜索数据、微博数据、客流量数据等多源数据的来源、获取和特点；然后针对多源、海量、异构的网络数据形成了一套标准、有效的预处理方法体系：在中文搜索数据处理上提出了CLSI（合成领先搜索指数法），应用该方法可以建立旅游关键词词库、筛选有预测能力的关键词、构建具有领先性的搜索指数；在微博数据处理上形成了文本分析、倾向性判断、情绪挖掘方法，可以得出不同维度的微博情绪指标；最后分析了浏览数据、网络搜索数据、微博数据、客流量数据等不同数据指标之间的关系。.第三，网络数据噪声处理和有效信号提取。本研究从网络行为的幂律分布特征出发，应用以中心词为起点的搜索链提取技术，显著降低了工作量和计算复杂度，并提高了预测精度。对于噪声干扰的处理，利用HHT和GAM的方法识别和分离噪声层，避免了噪声干扰的影响.第四，基于搜索数据与微博数据的混合预测研究。基于搜索指数变量和微博情绪变量，分析并比较了时间序列模型、线性回归模型、机器学习的随机森林、支持向量机、神经网络模型、以及广义加性模型的预测效果。.第五，研究成果在旅游市场的应用及其他领域的拓展。本课题提出的研究方法在海南旅游、九寨沟旅游、北京园博会等客流预测中取得较为满意的效果，得出了数据驱动的游客抱怨分析及改进策略，相关研究成果得到了北京园博会组委会的认可。在经济预测领域，与百度公司合作开发了“百度中小企业景气指数”，能够分地区、分行业反映我国中小企业经营状况和景气程度，该指数领先于国家统计局发布的宏观经济先行指数3个月，于2014年在百度大数据平台上线，在业内产生了一定影响力。.综上，本课题丰富了客流行为及预测的相关理论，也为相关企业、政府管理部门的科学决策提供了依据。