1. 毕业设计（论文）主要目标：
2. 毕业设计（论文）主要内容：
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。在本文中拟将国内旅游收入数据作为旅游需求的代表进行研究并进行预测。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旅游需求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。 通过对旅游需求的预测，深入分析了我国旅游产业发展的趋势，可以更好抓住发展旅游的决定要素并为有关部门提出更加合理的建议，从而实现国内旅游业的高速发展和优质发展。
3. 主要参考文献
[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] 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.[3] 夏丽. 基于ARIMA模型及回归分析的区域用电量预测方法研究[D]. 南京理工大学, 2013.[4] 李志龙, 陈志钢, 覃智勇. 基于支持向量机旅游需求预测[J]. 经济地理, 2010, 30(12):2122-2126.[5] 陈蔚. 基于线性ARIMA与非线性BP神经网络组合模型的进出口贸易预测[J]. 统计与决策, 2015(22):47-49.[6] 翟静, 曹俊. 基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 统计与决策, 2016(4):29-32.[7] 雷可为, 陈瑛. 基于BP神经网络和ARIMA组合模型的中国入境游客量预测[J]. 旅游学刊, 2007, 22(4):20-25.[8] 张仁发, 曾惠芳, 叶佑林, 索秀花. 基于ARIMA-BP模型的我国城镇登记失业率分析与预测[J]. 统计与决策, 2010(23):78-80.[9] 秦珊珊. 悬浮颗粒物PM10与PM2.5的统计分析与预测[D]. 兰州大学, 2014.[10] 潘弘. 矿产品价格预测模型及应用研究[D]. 中南大学, 2012.[11] 杨盼. 基于灰色系统和神经网络的旅游需求预测[D]. 东华理工大学, 2012.[12] 亓小臻. 山东省旅游需求预测分析[D].山东师范大学,2018.[13] Song H , Witt S , Li G . Modelling and forecasting the demand for Thai tourism[J]. International Journal of Hospitality Management, 2003, 22(4):435-451.[14] Cho V . A comparison of three different approaches to tourist arrival forecasting[J]. Tourism Management, 2003, 24(3):323-330.[15] Khashei M , Bijari M , Raissi Ardali G A . Improvement of Auto-Regressive Integrated Moving Average models using Fuzzy logic and Artificial Neural Networks (ANNs)[J]. Neurocomputing, 2009, 72(4):956-967.[16] Khashei M , Bijari M . An artificial neural network (p, d, q) model for timeseries forecasting[J]. Expert Systems with Applications, 2010, 37(1):479-489.[17] Khashei M , Bijari M . A novel hybridization of artificial neural networks and ARIMA models for time series forecasting[J]. Applied Soft Computing Journal, 2011, 11(2):2664-2675.[18] Khashei M , Bijari M . A new class of hybrid models for time series forecasting[J]. Expert Systems with Applications, 2012, 39(4):4344-4357.[19] Zou P , Yang J , Fu J , et al. Artificial neural network and time series models for predicting soil salt and water content[J]. Agricultural Water Management, 2010, 97(12):2009-2019.[20] Claveria O , Torra S . Forecasting tourism demand to Catalonia: Neural networks vs. time series models[J]. Economic Modelling, 2014, 36:220-228.[21] Liu H , Tian H Q , Li Y F . Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction[J]. Applied Energy, 2012, 98: 415-424[22] Jiang F , Yang X , Li S . Comparison of Forecasting India’s Energy Demand Using an MGM, ARIMA Model, MGM-ARIMA Model, and BP Neural Network Model[J]. Sustainability, 2018, 10 ,doi:10.3390/su10072225[23] Li S , Yang X , Li R . Forecasting Coal Consumption in India by 2030: Using Linear Modified Linear (MGM-ARIMA) and Linear Modified Nonlinear (BP-ARIMA) Combined Models[J]. Sustainability, 2019, 11, doi:10.3390/su11030695
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
