旅游作为绿色经济推动了地区经济社会的发展。本文以象鼻山景区为例,利用百度指数分析游客对该景点的网络关注度,并针对单一模型对景区日客流量预测精度不足的问题展开研究。提出将ARIMAX模型与GA-XGBoost模型采用残差法进行组合,将数理统计模型和机器学习模型组合,实现优势互补,提高预测精度;首先使用ARIMAX对数据进行预测分析,称预测结果为y1,再把ARIMAX模型的残差放入XBGoost模型进行学习,基于GA算法对XGBoost的超参数进行优化,解决了ARIMAX模型难以对非线性数据预测的问题,GA-XGBoost的预测结果为y2,组合模型的最终预测结果y=y1+y2。最后,根据预测误差评价指标对多个模型进行对比。研究结果表明,ARIMAX-GA-XGBoost组合模型预测精度更高,适应性及泛化能力更强,可为旅游相关管理部门的科学决策提供必要的参考,具有很高的经济效益与实际意义。Tourism, as a green economy, drives regional socioeconomic development. Taking Xiangbi Mountain Scenic Area as a case study, this paper analyzes the network attention of tourists towards this attraction using Baidu Index. To address the issue of insufficient prediction accuracy of single models for daily tourist flow forecasting in scenic areas, a hybrid modeling approach is proposed. By integrating the ARIMAX model with the GA-XGBoost model through residual combination methodology, this study combines mathematical-statistical modeling with machine learning techniques to achieve complementary advantages and enhance prediction accuracy. Specifically, the ARIMAX model is initially employed for data prediction (denoted as y1), followed by feeding its residuals into the XGBoost model for learning. The genetic algorithm (GA) optimizes XGBoost’s hyperparameters, effectively resolving ARIMAX’s limitations in handling nonlinear data prediction (GA-XGBoost prediction denoted as y2). The final combined model output is formulated as y=y1+y2. Comparative analysis of multiple models through prediction error evaluation metrics demonstrates that the ARIMAX-GA-XGBoost hybrid model exhibits superior prediction accuracy, enhanced adaptability, and stronger generalization capabilities. This research provides valuable decision-making references for tourism management authorities and holds significant economic benefits and practical implications.
混合模型方法(Mixture Model Method)是近年来提出的,对心理与教育测验中的异常作答进行处理的方法。与反应时阈值法,反应时残差法等传统方法相比,混合模型方法可以同时完成异常作答的识别和模型参数估计,并且,在数据污染严重的情况下...
详细信息
混合模型方法(Mixture Model Method)是近年来提出的,对心理与教育测验中的异常作答进行处理的方法。与反应时阈值法,反应时残差法等传统方法相比,混合模型方法可以同时完成异常作答的识别和模型参数估计,并且,在数据污染严重的情况下仍具有较好的表现。该方法的原理为根据正常作答和异常作答的特点,针对分类潜变量(即作答层面的分类)的不同类别,在作答反应和(或)反应时部分建立不同的模型,从而实现对分类潜变量,以及模型中其他题目和被试参数的估计。文章详细介绍了目前提出的几种混合模型方法,并将其与传统方法比较分析。未来研究可在模型前提假设违背,含有多种异常作答等情况下探索混合模型方法的稳健性和适用性,通过固定部分题目参数,增加选择流程等方式提高混合模型方法的使用效率。
暂无评论