全文总字数：6608字

1. 研究目的与意义及国内外研究现状

旅游需求预测是研究旅游产业走向的决定性要素之一，而其也通常被认为是旅游管理中最复杂的部分。只有准确把握预测趋势，准确把握能够预测旅游产业规模、方向和未来的发展模式，政府和私营部门才能够更好的制定旅游战略，并为游客提供更好的基础设施，同时也能够发展合适的营销策略从而获益^[1]。

正因旅游产业的不断发展，统计学上研究出很多种分析预测的方法，包括应用时间序列分析、应用回归分析、多元统计分析、系统分析法、灰色系统模型、人工智能、神经网络、遗传算法、支持向量机理论、非线性方法等。而影响旅游需求方面的要素有很多，确切来讲任何事物的发展都会受到包括具有线性和非线性特征的要素制约，使用单一模型进行预测时往往会造成预测结果误差较大的后果。在进行旅游需求预测时，单一模型很难保证同时涉及到这两种特性对数据产生的变化。组合模型预测本质上是先利用各种单一模型来拟合原始数据里不同片段上的信息，再通过某种手段将这些单一模型组合在一起，从而有效避免单个预测特有的不确定性所造成的信息分散，最终减少拟合模型的不确定性^[2]实现预测精度的提升。

为了提高预测精度，本文提出了一种基于arima和bpnn的组合模型来对我国国内旅游收入进行研究并尝试短期预测。运用arima模型的线性拟合优势和bpnn模型的非线性映射能力对时间序列的线性部分和非线性部分即残差项进行预测，并将两者的预测值结合起来，通过一系列的分析最终得出该组合模型具有较高拟合精度和较好预测效果的结论。同时，通过应用灰色关联分析法对影响国内旅游收入的一些要素进行关联分析(关联度大小排序)，从而推断出其主要影响要素。

2. 研究的基本内容

本文基于1994-2018年的国内旅游收入数据，建立了arima-bpnn组合模型并对2019-2021年进行预测，同时通过灰色关联分析总结了国内旅游收入的主要影响要素。

首先通过分析1994-2016年的序列值，可以拟合出不同的arima模型，利用最小信息量检验可以判断出最优模型。再利用拟合好的模型来预测2018-2021年的序列值，其中2017-2018年的预测值可通过与2017-2018年的真实值比较来初步判断arima模型的拟合效果，同时对2019-2021年的旅游收入进行初步预测。

其次，利用多层前反馈误差反向传播神经网络(bpnn模型)来对arima模型真实值和预测值的差值即残差项来进行网络训练，从而得到最优的bpnn模型。再利用模型拟合各期的的残差值，并对未来几期的残差值进行了预测。

3. 实施方案、进度安排及预期效果

实行方案：

通过查阅书籍、期刊及网络上的一些共享资源，在老师、同学的帮助指导下，运用所学的统计软件完成数据的处理，分析arima-bpnn组合模型的预测效果。

进度安排：

4. 参考文献

[1] shahrabi j , hadavandi e , asadi s . developing a hybrid intelligent model for forecasting problems: case study of tourism demand time series[j]. knowledge-based systems, 2013, 43:112-122.

[2] 张江昆,常太华,孟洪民,刘白杨,胡阳,张超.基于arima与elman神经网络的短期风速组合预测方法[j].电子世界,2013(18):79-80.

[3] 王纯阳, 黄福才. 基于“一般到简单”建模法的入境旅游需求研究[j]. 统计研究, 2010, 27(5): 87-95.