基于多模态网络数据挖掘的景区游客流量预测与预警研究

Vistor flow forecasting of scenic spot is significant for tourism safety and emergency management. Searching travel related information on the Web becomes popular and inspires new ideas for tackling forecasting problem. Based on the comprehensive analysis of the factors affecting the vistor flow and the features reflecting searching behaviors of vistors, this research project proposes to study the problem from the following aspects: 1) analyzing the correlation of the Web search data and vistor behavior by using multi-modal data mining technology, and extracting useful information reflecting vistor flow for particular scenic spot; 2) introducing Web search data as explanatory variable in the vistor flow forecasting model to improve the accuracy and timeliness of vistor forecasting; 3) based on the forecasting result and previous research approach on captical flow monitoring and early warning, studying the real-time and dynamic monitoring of vistor flow and emergency management of scenic spot by constructing safety evaluation index system, synthesizing vistor flow pressure index, and defining warning level and warning threshold and developing a comprehensive scenic spot early warning system. The contributions of this project are as follows: 1) theoretically, proposing association algorithms and forecasting models based on the multi-modal data mining; 2) practically, providing tourism department evidence and technical support for developing safety monitoring and emergency management policies.

科学预测景区游客流量是旅游安全和应急管理中亟需解决的重要问题，而游客网上搜索行为的普及，为解决这一问题提供了新的思路。本项目在对游客流量影响因素及游客网上搜索行为特征进行全面分析的基础上，建立预测模型和预警系统。主要研究内容包括：1）采用多模态网络数据挖掘的方法分析研究网络信息与旅游者行为的关联性，挖掘出能反映景区客流量的有效信息；2）基于多模态网络数据挖掘信息，引入网络数据合成指数，有效提高预测模型的精度，特别是预测模型的时效性；3）基于预测结果和借鉴资本流动监测与预警的研究方法，构建景区安全评估指标体系，合成"客流压力指标"、确定预警分级和阈值等，开展景区游客流量实时动态监控和应急管理的研究，建立旅游景区预警系统。本项目的研究意义：1）理论上，提出基于多模态数据挖掘的关联算法和预测模型，丰富和发展预测理论与技术；2）应用上，为景区和行业管理部门制订安全监测和应急管理政策提供决策依据。

科学的旅游需求预测是旅游学界研究的热点问题之一，也是旅游景区安全与应急管理中的关键环节，可为旅游相关行业的决策制定提供必要的参考。然而，受季节性的影响以及对突发事件等外部因素敏感，旅游需求曲线呈现出复杂的非线性特征;另一方面，我国旅游业发展相对较晚，可用的数据样本容量较少。因此，传统非线性预测技术无法充分捕捉旅游需求的动态特征信息。.随着互联网的普及，消费者信息搜索所产生的大量网络搜索数据为解决这类问题提供了新的思路。本文基于网络搜索数据对旅游需求进行预测，主要研究内容如下:.（1）通过对旅游需求预测方法的演进脉络以及基于网络搜索数据的旅游需求预测进行梳理与总结，指出国内外己有旅游需求预测方法的合理性与尚需改进之处，以此为基础提出本文需要解决的问题。.(2)对游客动机理论以及游客信息搜索行为理论进行总结与分析的基础上提出了网络信息搜索、旅游者旅游决策与旅游需求的实现之间的动态关系，利用统计分析等方法系统建立网络数据的获取与实验数据集的构造方法，并构建了实证研究框架。.(3)为系统探索消费者信息搜索与旅游需求之间的潜在关系，以全国30个旅游城市为研究对象进行面板分析。根据旅游六要素进行分类，将获得的搜索数据构造成旅游要素搜索指数，同时加入相关控制变量。经过实证分析，验证了网络搜索数据对游客流量的预测作用，网络搜索数据的加入具有提高模型预测精度的潜力。.(4)针对游客流量的非线性特征以及可用的数据样本容量较少的情况，建立BA-SVR&CS混合预测模型，利用消费者搜索数据构造模型的输入集。其中，蝙蝠算法(Bat Algorithm，简记为BA)用于优化支持向量回归(Support Vector Regression，简记为SVR)的自由参数，符号“&”旨在强调CS与SVR整合。基于海南旅游景区2009年1月至2016年10月的游客流量数据的实证分析结果表明，BA具有良好的参数优化能力，同时证实了网络搜索数据的加入能有效提高模型预测精度。.本研究为景区游客流量预测与预警的研究奠定了坚实的基础。项目资助发表国内外高水平论文23篇，申请受理专利1项，登记软件著作权2项。项目投入经费58万元，支出10.9411万元，支出相比预算略有调整。