EEMD-DBN模型预测旅游需求：结合Google趋势

"这篇论文是关于使用基于EEMD(经验模型分解)和DBN(深度信念网络)的Google趋势预测旅游流量需求的研究，发表在2020年的《Engineering》期刊上，作者包括Yi Xiao、Xueting Tian、John J. Liu、Gaohui Cao和Qingxing Dong。论文探讨了噪声干扰问题，并提出了一种新的混合模型，旨在提高旅游需求预测的准确性。" 在旅游管理领域，准确预测旅游流量需求是一项关键任务，它有助于资源的合理分配，避免因过度拥挤导致的旅游问题。论文提出的方法是将Google趋势数据与EEMD和DBN相结合，创建了一个新颖的预测模型。首先，通过位错加权综合方法将Google趋势整合到搜索综合指数中，这一指数反映了公众对特定旅游目的地的兴趣。接着，EEMD被用来对整合后的序列进行去噪处理，有效地分离出信号中的高频噪声。 EEMD是一种自适应的非线性数据分析方法，它能够从复杂的时间序列中分解出多个独立的分量，这对于识别和去除噪声非常有效。在此过程中，EEMD从原始序列中提取高频噪声，保留低频部分，这些低频成分通常与旅游需求的长期趋势相关。之后，经过预处理的低频序列被输入到DBN中进行预测。DBN是一种深度学习模型，擅长处理非线性关系，能从大量数据中自动学习特征，从而进行精确的序列预测。 论文以上海的入境旅游数据为例，训练并验证了EEMD-DBN模型，结果显示，该模型在预测未来12个月的入境游客人数方面，其误差显著低于传统模型如ARIMA(自回归积分滑动平均模型)、GM(1,1)(灰色模型)、FTS(季节性自回归分数移动平均模型)、SVM(支持向量机)、CES(条件期望函数模型)以及仅使用DBN的基线模型。这表明，结合EEMD进行噪声处理可以显著提升预测的精确度，EEMD-DBN模型因此成为一种更为有效的旅游需求预测工具。 这项研究为旅游需求预测提供了新的思路，即利用大数据源（如Google Trends）结合先进的数据分析技术（如EEMD和DBN），可以提高预测的准确性，对于旅游行业的规划和决策具有重要意义。