排序方式: 共有6条查询结果,搜索用时 250 毫秒
1
1.
旅游季节性测度框架及其实证研究 总被引:1,自引:0,他引:1
针对旅游季节性研究缺乏深入细致的长期纵向跟踪研究和测度方法众多等问题,利用黄山风景区长达10年的日接待数据,在归纳出旅游季节性测度框架的基础上,将熵测度方法及其组合分析方法用于旅游季节性测度,深入分析黄山风景区旅游季节性。研究发现:①旅游季节性模式方面。运用图示和以均值为核心的描述统计方法,能够直观地体现季节性的峰谷形态、周末效应和假日效应。②季节性均衡程度(离散程度)方面,季节变动指数测度出年内的旺季、平季和淡季,能为管理者提供概念性管理工具。③在模型测度方面,熵测度方法具有较大优势,运用年、月、周熵冗余指数分析年内、月内和周内的季节性,与其它方法相比较,更加深入细致,政策指导意义更强;熵分解方法,能够剖析历年季节性变化的内在根源,能进一步提升政策指导意义。 相似文献
2.
受到季节性、外部冲击和经济周期等因素作用的景区客流波动幅度大,其预测一直是旅游学研究中的难题,尤其是中长期预测。文章采用当前使用极为广泛的最小二乘支持向量机方法(least squares support vector machines,LS-SVM)对黄山风景区客流月度数据(1987年1月~2010年12月)进行了2年时间尺度的预测,结果表明:采用LS-SVM方法进行景区客流中期预测,其预测的各项性能指标均明显优于BP神经网络(Back Propagation Neural Network)、X-12-ARIMA(Autoregressive Integrated Moving Average Model)、经验模态分解(empirical mode decomposition,EMD)与LS-SVM组合预测方法,即EMD-LSSVM方法,预测效果理想,并且具有训练时间短、精度高等优点。其较为准确的预报能力能够为景区规划管理和战略决策提供科学依据,具有较高的实用价值。 相似文献
3.
基于月度数据的景区客流预测优化研究——以黄山风景区为例 总被引:1,自引:0,他引:1
采用当前使用极为广泛的9种方法,利用黄山风景区24年(1987年1月—2010年12月)的月度客流数据进行2年时间尺度的预测,并采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和希尔不等系数(TIC)等4个预测性能指标对预测模型进行比较优化,发挥旅游客流预报对于景区管理者的决策支持作用。研究结果表明:ARIMA方法在预测性能4个指标中有3个最优,LS-SVM方法的MAPE表现最优。而其他方法在本研究中则未表现出明显的优势。 相似文献
4.
5.
基于旅游者行为的游客满意度实证研究——以屯溪老街为例 总被引:4,自引:0,他引:4
本研究在已有研究成果的基础上,以屯溪老街为例,从旅游者的属性变量和旅游行为变量的视角,运用单因素方差分析和多元虚拟回归分析方法,探讨游客满意度的差异性。研究认为,在旅游者属性变量方面,老街游客满意度评价差异性不显著;在旅游行为变量方面,旅游者的同伴性质、游览时间和购物花费的不同因子水平上旅游者的总体满意度差异显著。团体旅游者满意度最高,并且随着旅游时间的延长和旅游花费的增加,游客满意度有所增加。最后,根据研究结论,对于屯溪老街的旅游发展提出了一些建议。 相似文献
6.
1