Please wait a minute...
浙江大学学报（理学版）
浙江大学学报（理学版）  2020, Vol. 47 Issue (6): 753-761    DOI: 10.3785/j.issn.1008-9497.2020.06.014
旅游学     
一种基于百度指数的城市日游客规模预测方法
任欢1,2, 刘婷1, 康俊锋3, 潘宁4, 李敏靓1, 艾顺毅1
1.杭州师范大学 理学院，浙江 杭州 311121
2.首都师范大学 资源环境与旅游学院，北京 100048
3.江西理工大学 建筑与测绘工程学院，江西 赣州 341000
4.郑州旅游职业学院，河南 郑州 450000
A prediction method of urban daily tourist scale based on Baidu index
REN Huan1,2, LIU Ting1, KANG Junfeng3, PAN Ning4, LI Minliang1, AI Shunyi1
1.College of Science, Hangzhou Normal University,Hangzhou 311121, China
2.College of Resource Environment and Tourism Capital Normal University, Beijing 100048, China
3.School of Architectural and Surveying & Mapping Engineering,Jiangxi University of Science and Technology, Ganzhou 341000, Jiangxi Province, China
4.Zhengzhou Tourism College, Zhengzhou 450000, China
 全文: PDF(4259 KB)   HTML  
摘要： 百度指数数据为预测游客规模提供了新思路。以杭州市为例，首先研究新浪微博签到数据与统计年鉴中实际游客量的关系，用新浪微博签到人数模拟实际旅游人数，建立杭州市日游客规模自回归移动平均（auto regressive moving average,ARMA）模型，并进行预测；然后结合计量经济学中的协整检验和格兰杰因果关系检验，分析百度指数与微博签到人数之间的关系，利用百度指数空间分布特征及主成分分析后提取的3个解释变量构建向量自回归（vector auto regression,VAR）模型；最后比较了2个模型的预测精度。结果显示，百度指数存在地理空间属性，且与新浪微博签到人数互为格兰杰因果关系，存在1~23 d的滞后期。此外，相比ARMA模型，考虑了百度指数地理属性的VAR模型在样本期内的预测精度提高了13.1%，在样本期外的预测精度提高了27.9%。研究表明，百度指数的时间和空间属性对游客规模预测有重要意义和价值。
关键词： 地理空间属性;  VAR模型;  游客规模预测;  百度指数;  ARMA模型    
Abstract: Baidu index data contains rich information and can be used for tourist scale prediction.Taking Hangzhou as an example,this paper first studies the relationship between Sina Weibo check-in data and the actual number of tourists in the statistical yearbook,and simulates the actual number of tourists with Sina Weibo check-in data,then establishes and forecasts Hangzhou daily tourist scale auto regressive moving average (ARMA) model.Combined with the co-integration theory in econometrics and Granger causality test,the relationship between Baidu index and Weibo check-in data is analyzed.The vector auto regression (VAR) model is constructed by using three explanatory variables extracted based on the spatial distribution characteristics of Baidu index and principal component analysis.Finally,the prediction accuracy of the two models is compared.The results show that Baidu index has geo-spatial attribute,and there is a Granger causality between Baidu index and Sina Weibo check-in data,with a lag of 1 to 23 days.In addition,compared with the ARMA model,the VAR model considering the geographical attributes of Baidu index improves the prediction accuracy by 13.1% during the sample period and 27.9% outside the sample period.This research shows that the temporal and space attributes of Baidu index are of great significance and has great value in the prediction of tourist scale.
Key words: Baidu index    geospatial attributes    VAR model    tourists scale prediction    ARMA model
收稿日期: 2019-05-15 出版日期: 2020-11-25
CLC:  F590  
基金资助: 浙江省大学生科技创新活动计划项目(2018R413033).
通讯作者: ORCID:http://orcid.org/0000-0003-0389-2553，E-mail:yats521@163.com.     E-mail: yats521@163.com
作者简介: 任欢(1999—)，ORCID:https://orcid.org/0000-0001-5114-6366，女，硕士生，主要从事旅游大数据研；
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　
任欢
刘婷
康俊锋
潘宁
李敏靓
艾顺毅

引用本文:

任欢, 刘婷, 康俊锋, 潘宁, 李敏靓, 艾顺毅. 一种基于百度指数的城市日游客规模预测方法[J]. 浙江大学学报（理学版）, 2020, 47(6): 753-761.

REN Huan, LIU Ting, KANG Junfeng, PAN Ning, LI Minliang, AI Shunyi. A prediction method of urban daily tourist scale based on Baidu index. Journal of Zhejiang University (Science Edition), 2020, 47(6): 753-761.

链接本文:

https://www.zjujournals.com/sci/CN/10.3785/j.issn.1008-9497.2020.06.014    或    https://www.zjujournals.com/sci/CN/Y2020/V47/I6/753

1 黄先开，张丽峰，丁于思.百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例［J］.旅游学刊，2013，28（11）：93-100. DOI：10.3969/j.issn. 1002-5006.2013.011.011 HUANG X K，ZHANG L F，DING Y S.Study on the predictive and relationship between tourist attractions and the Baidu index：A case study of the Forbidden City［J］.Tourism Tribune，2013，28（11）：93-100. DOI：10.3969/j.issn.1002-5006.2013.011.011
2 胡庆武，王明，李清泉.利用位置签到数据探索城市热点与商圈［J］.测绘学报，2014，43（3）：314-321. DOI：10.13485/j.cnki.11-2089.2014.0045 HU Q W，WANG M，LI Q Q.Urban hotspot and commercial area exploration with check-in data［J］.Acta Geodaetica Sinica，2014，43（3）：314-321. DOI：10.13485/j.cnki.11-2089.2014.0045
3 陈名娇.基于微博数据的深圳市居民生活空间研究［D］.深圳：深圳大学，2017. DOI：10.1088/1755-1315/310/3/032041 CHEN M J.Research on Living Space of Shenzhen Residents Based on Weibo Data［D］.Shenzhen：Shenzhen University，2017. DOI：10.1088/1755-1315/310/3/032041
4 GINSBERG J，MOHEBBI M H，PATEL R S，et al.Detecting influenza epidemics using search engine query data［J］.Nature，2009，457（7232）：1012-1014. DOI：10.1038/nature07634
5 GOEL S，HOFMAN J M，LAHAIE S，et al.Predicting consumer behavior with web search［J］.Proceedings of the National Academy of Sciences，2010，107（41）：17486-17490.
6 PREIS T，MOAT H S，STANLEY H E.Quantifying trading behavior in financial markets using Google trends［J］.Scientific Reports，2013，3：1-6. DOI：10.1038/srep01684
7 MCLAREN N，SHANBHOGUE R.Using internet search data as economic indicators［J］.Bank of England Quarterly Bulletin，2011，51（2）：134-140. DOI：10.2139/ssrn.1865276
8 路紫，刘娜.澳大利亚旅游网站信息流对旅游人流的导引：过程、强度和机理问题［J］.人文地理，2007，22（5）：88-93. DOI：10.3969/j.issn.1003-2398.2007. 05.018 LU Z，LIU N.The guiding effect of information flow of Australian tourism website on tourist flow：Process，intensity and mechanism［J］.Human Geography，2007，22（5）：88-93. DOI：10.3969/j.issn.1003-2398. 2007.05.018
9 路紫，赵亚红，吴士锋，等.旅游网站访问者行为的时间分布及导引分析［J］.地理学报，2007，62（6）：621-630. DOI：10.3321/j.issn：0375-5444.2007.06.007 LU Z，ZHAO Y H，WU S F，et al.The time distribution and guide analysis of visiting behavior of tourism website user［J］.Acta Geographica Sinica，2007，62 （6）：621-630. DOI：10.3321/j.issn：0375-5444.2007.06.007
10 李山，邱荣旭，陈玲.基于百度指数的旅游景区络空间关注度：时间分布及其前兆效应［J］.地理与地理信息科学，2008，24（6）：102-107. DOI：10.3724/SP.J.1011.2008.00482 LI S，QIU R X，CHEN L.Cyberspace attention of tourist attractions based on Baidu index：Temporal distribution and precursor effect［J］.Geography and Geo-Information Science，2008，24（6）：102-107. DOI：10.3724/SP.J.1011.2008.00482
11 孔小琴.基于百度指数的旅游关注度时空特征及其驱动机制研究——以西藏林芝为例［J］.无锡商业职业技术学院学报，2017，17（3）：39-45. DOI：10.3969/j.issn.1671-4806.2017.03.008 KONG X Q.Spatial-temporal characteristics and driving mechanism of tourist attention based on Baidu indexes：A case study of Linzhi，Tibet ［J］.Journal of Wuxi Vocational Institute of Commerce，2017，17（3）：39-45. DOI：10.3969/j.issn.1671-4806.2017. 03.008
12 邹梦，冯晓兵.基于百度指数的旅游景区网络时空关注度比较研究——以九寨沟与黄龙景区为例［J］.科技和产业，2019，19（2）：56-65. ZOU M，FENG X B.Comparative study on spatial and temporal concerns of scenic spots network based on Baidu index：A case study of Jiuzhaigou and Huanglong scenic spots［J］.Science Technology and Industry，2019，19（2）：56-65.
13 PADHI S S，PATI R K.Quantifying potential tourist behavior in choice of destination using Google trends［J］.Tourism Management Perspectives，2017，24（10）：34-47. DOI：10.1016/j.tmp.2017.07.001
14 孙烨，张宏磊，刘培学，等.基于旅游者网络关注度的旅游景区日游客量预测研究——以不同客户端百度指数为例［J］.人文地理，2017，32（3）：152-160. SUN Y，ZHANG H L，LIU P X，et al.Forecast of tourism flow volume of tourist attraction based on degree of tourist attention of travel network：A case study of Baidu index of different clients［J］.Human Geography，2017，32（3）：152-160.
15 任乐，崔东佳.基于网络搜索数据的国内旅游客流量预测研究——以北京市国内旅游客流量为例［J］.经济问题探索，2014（4）：67-73. DOI：10.3969/j.issn.1006-2912.2014.04.011 REN L，CUI D J.Prediction research of domestic tourist volume based on internet search data：A case study of domestic tourist volume of Beijing［J］.Inquiry into Economic Issues，2014（4）：67-73. DOI：10.3969/j.issn.1006-2912.2014.04.011
16 高铁梅.计量经济分析方法与建模EVIEWS应用及实例［M］.北京：清华大学出版社，2006： 115-117，133-143，146，155-156. GAO T M.The Econometric Analysis Method and Modeling of EVIEWS Application and Example［M］.Beijing：Tsinghua University Press，2006：115-117，133-143，146，155-156.
17 陆慧玲.基于微指数和百度指数的上证综指收益率预测研究［D］.成都：西南交通大学，2018. LU H L.Research on the Forecast of SSE Composite Index Return Based on Micro Index and Baidu Index［D］.Chengdu：Southwest Jiaotong University，2018.
[1] 袁利,孙根年. 出境旅游网络关注度时空演变及影响因素研究[J]. 浙江大学学报（理学版）, 2023, 50(1): 1-15.
[2] 卢璐, 孙根年. 2008年—2018年我国大陆地区入境旅游的危机周期及市场归因[J]. 浙江大学学报（理学版）, 2021, 48(3): 377-390.
[3] 李君轶, 任涛, 陆路正. 游客情感计算的文本大数据挖掘方法比较研究[J]. 浙江大学学报（理学版）, 2020, 47(4): 507-520.
[4] 李中建, 孙根年. 中日关系、国民好感度及对旅游互动的影响[J]. 浙江大学学报（理学版）, 2019, 46(4): 493-502.
[5] 程娇娇, 陈志钢, 袁超, 高欣美. 旅游企业主移民的生活满意度与地方认同关系研究——以丽江古城为例[J]. 浙江大学学报（理学版）, 2018, 45(5): 634-641.
[6] 吴宝清, 吴晋峰, 周芳如, 杨春华. 旅游目的地形象清晰度及测评方法——以西安为例[J]. 浙江大学学报（理学版）, 2018, 45(3): 379-390.
[7] 王盼盼, 严艳, 陈悦悦, 吴俏. 基于跨文化视角的旅游地视觉表征差异分析——以中美游客镜头下的西藏为例[J]. 浙江大学学报（理学版）, 2018, 45(2): 242-250,260.
[8] 黄显勇, 毛明海. 运用层次分析法对水利旅游资源进行定量评价[J]. 浙江大学学报（理学版）, 2016, 43(7): 327-332.
[9] 刘军胜, 马耀峰. 1995~2014年西北5省旅游流与区域交通的耦合过程与格局[J]. 浙江大学学报（理学版）, 2017, 44(5): 606-615.
[10] 任珮瑶, 赵振斌, 赵青阳, 禇玉杰. 基于游客留言内容分析的古镇旅游体验研究——以丽江束河古镇为例[J]. 浙江大学学报（理学版）, 2017, 44(3): 354-362.
[11] 袁超, 陈志钢. 不同类型旅游移民的地方认同建构研究——以丽江古城为例[J]. 浙江大学学报（理学版）, 2017, 44(2): 235-242.
[12] 周芳如, 吴晋峰, 吴潘, 李佳丽, 杨春华, 吴宝清. 旅游者感知距离的影响因素分析[J]. 浙江大学学报（理学版）, 2016, 43(5): 616-624.
[13] 林文辉, 毛峰, 何虹, 赵文彪, 欧阳娟, 刘婷, 张登荣. 杭州市景点旅游流空间网络分析[J]. 浙江大学学报（理学版）, 2016, 43(4): 458-464.
[14] 包富华, 陈瑛. 中国大陆外商直接投资与入境商务旅游的空间错位研究[J]. 浙江大学学报（理学版）, 2016, 43(4): 465-475.
[15] 吴潘, 吴晋峰, 周芳如, 李佳丽. 目的地内部旅游交通通达性评价方法研究——以西安为例[J]. 浙江大学学报（理学版）, 2016, 43(3): 345-356.