科学的旅游需求预测是旅游学界研究的热点问题之一,也是旅游景区安全与应急管理中的关键环节,可为旅游相关行业的决策制定提供必要的参考。然而,受季节性的影响以及对突发事件等外部因素敏感,旅游需求曲线呈现出复杂的非线性特征;另一方面,我国旅游业发展相对较晚,可用的数据样本容量较少。因此,传统非线性预测技术无法充分捕捉旅游需求的动态特征信息。随着互联网的普及,消费者信息搜索所产生的大量网络搜索数据为解决这类问题提供了新的思路。本文基于网络搜索数据对旅游需求进行预测,主要研究内容如下:(1)通过对旅游需求预测方法的演进脉络以及基于网络搜索数据的旅游需求预测进行梳理与总结,指出国内外已有旅游需求预测方法的合理性与尚需改进之处,以此为基础提出本文需要解决的问题。(2)对游客动机理论以及游客信息搜索行为理论进行总结与分析的基础上提出了网络信息搜索、旅游者旅游决策与旅游需求的实现之间的动态关系,利用统计分析等方法系统建立网络搜数据的获取与实验数据集的构造方法,并构建了实证研究框架。(3)为系统探索消费者信息搜索与旅游需求之间的潜在关系,以全国30个旅游城市为研究对象进行面板分析。根据旅游六要素进行分类,将获得的搜索数据构造成旅游要素搜索指数,同时加入相关控制变量。基于全样本和以节假日为依据划分的样本区间上的实证分析结果表明:与“吃”、“游”以及“娱”相关的信息搜索较为稳健,均对目的地游客流量有显著的正的影响;而与“住”、“行”以及“购”相关的信息搜索对被解释变量的影响不显著;目的地门票价格指数对游客的旅游决策在不同的样本下差异很大,在全样本中,景区游客流量与价格指数之间呈现倒“U”型的非线性关系,当样本限制为法定节假日时,价格指数对游客流量的影响不显著。最后,初步验证了网络搜索数据对游客流量的预测作用,基于训练集的拟合值和测试集的伪样本外预测结果表明,网络搜索数据的加入具有提高模型预测精度的潜力。(4)针对游客流量的非线性特征以及可用的数据样本容量较少的情况,建立BA-SVR&CS混合预测模型,尝试利用消费者搜索数据(Consumer Search Data,简记为CS)构造模型的输入集。其中,蝙蝠算法(Bat Algorithm,简记为BA)用于优化支持向量回归(Support Vector Regression,简记为SVR)的自由参数,符号“&”旨在强调CS与SVR整合。基于海南旅游景区2009年1月至2016年10月的游客流量数据的实证分析结果表明,所建立模型的预测性能明显优于BA-SVR、PSO-SVR&CS以及GA-SVR&CS三个基准模型,证实了BA与粒子群算法(Particle Swarm Optimization,简记PSO)以及遗传算法(Genetic Algorithm,简记GA)相比,BA具有良好的参数优化能力,同时证实了网络搜索数据的加入能有效提高模型预测精度。(5)旅游需求季节性波动对模型预测结果会造成一定影响,而单一的非线性预测技术无法较好的对季节性波动明显的旅游需求进行精确的预测。另一方面,与SVR类似,相关向量机(Relevance Vector Machine,简记为RVM)具备良好的小样本非线性预测能力,并且在预测复杂度以及预测输出等方面有其独特的优势。针对上述情况,建立SI-BA-RVM&CS混合预测技术对北京星级旅游饭店入住率进行预测。其中,BA用于优化RVM的自由参数,并采用季节因子法(Seasonal Index,简记为SI)对季节性波动造成的预测偏差进行事后纠正,CS用于构造模型的输入集。预测结果表明SI的加入能有效纠正季节性导致的预测偏差,CS的加入能显著提高模型预测性能;另外,基于预测精度的显著性检验结果表明所建立混合预测模型与SI-BA-SVR&CS模型之间的预测能力没有显著差异。(6)短期旅游需求预测能够弥补中长期预测所存在的一些不足,为决策的制定提供更为实时全面的信息。但短期旅游需求对一些外部事件更为敏感,使得单一的非线性模型无法对其进行充分的拟合。另外,旅游官网点击率数据一定程度上反映了游客的潜在旅游需求。针对上述情况,首次引入多模态网络数据(Multi-Modal Web Data,简记为MD)并建立BA-RVM-ARIMA&MD混合预测模型。其中,MD用以构造模型的输入集;ARIMA模型用于对BA-RVM&MD预测的残差序列进一步进行拟合,然后将拟合值与BA-RVM&MD的预测值求和得到最终预测值。以九寨沟为例,对其日度游客流量进行预测,结果表明所构建的混合预测方法能有效拟合短期游客流量,与基准模型相比,ARIMA以及多模态网络数据的加入均能显著改善模型的预测性能。