当前位置:论文写作 > 论文大全 > 文章内容

数学计算科学学院毕业论文示例1-目录

主题:2017年高考人数预测 下载地址:论文doc下载 原创作者:原创作者未知 评分:9.0分 更新时间: 2024-03-03

简介:关于本文可作为预测人数方面的大学硕士与本科毕业论文预测人数论文开题报告范文和职称论文论文写作参考文献下载。

预测人数论文范文

2017年高考人数预测论文

目录

  1. 2017年高考人数预测:(必胜课)公论文范文——2017国考考试录取人数预测及公告最大变化独家解密分析

目 录

   摘 要 1

   关键词 1

   1.引言 1

   1.1国内旅游人数预测的意义: 1

   1.2国内旅游的相关规定: 1

   1.3国内旅游人数现状: 2

   2.国内旅游人数预测 3

   2.1.灰色预测模型GM(1,1)的基本原理 3

   2.2基于GM(1,1)模型的国内旅游人数预测 4

   2.3基于GM(1,1)模型的国内城镇居民旅游人数预测 7

   3.国内城镇居民季度旅游人数的预测 9

   3.1移动平均趋势剔除法 10

   3.2 GM(1,1)趋势剔除法 13

   3.3模型比较 17

   4. 总结 18

   参考文献 18

   Abstract 19

   Key Words 19

   中国国内旅游人数基于GM(1,1)的预测

   数学与计算科学学院 数学与应用数学专业

   吴丹

   学号:2002144031

   【摘 要】旅游人数的科学预测为各个相关旅游部门合理规划,制定各项工作有着重大意义.本文在介绍国内旅游人数现状的基础上,通过建立GM(1,1)模型,分别对国内旅游人数,国内城镇居民旅游人数进行了预测;以及运用移动平均趋势剔除法和GM(1,1)趋势剔除法对国内城镇居民季度旅游人数进行预测.经检验,GM(1,1)模型的预测精度更高,预测结果更为接近真实值,可以为实际的预测工作提供参考.

   【关键词】国内旅游人数;GM(1,1) 模型;移动平均;预测

   1.引言

   1.1国内旅游人数预测的意义

   旅游是整个经济发展到一定阶段的产物,随着经济的发展,人们可支配收入的增多,旅游业开始兴起,旅游市场呈迅速扩张态势.作为朝阳产业,旅游业对我国经济的发展产生日益明显的推动作用.在旅游业的经营过程中,能对旅游人数进行准确预测更是十分的重要.

   从宏观产业经济发展的角度讲,国内旅游人数预测为国家旅游经济主管部门制定未来旅游发展的总体规划提供了依据参考.从微观角度看,旅游企业需根据对国内旅游人数的预测进行合理的支配有限的资源以及最大限度降低风险和获得最大收益.同样为企业制定战略计划和日常经营管理提供依据.

   建立科学的,可操作的国内旅游人数预测模型,进行准确预测是实现我国旅游业持续健康发展的前提.但具体用什么数学模型来进行旅游人数的预测分析至今没有一个统一的范式.目前常用的主要是基于统计学的数学模型:时间序列预测模型,回归模型(包括线性的和非线性的回归模型).但目前已经在很多领域广泛应用的灰色预测模型,季节模型的应用很少.本文主要运用灰色预测模型对国内旅游人数进行预测,以及运用季节模型对国内城镇居民各季度旅游人数进行预测.

   1.2国内旅游的相关规定

   国内旅游市场包括城镇居民旅游和农村居民旅游两部分[1].

   城镇居民旅游包括居民离开长久居住地到国内其他地方从事游览,度假,参观,探亲访友,商务/公务,疗养,文化,体育,宗教活动等.

   农民国内旅游的界定是农民不以谋求职业,获取报酬为目的,乘坐长途交通工具,在外停留一夜以上半年以内,到国内其他地方的旅游.包括:参加旅行社组织的团队旅游;离开本县的探亲访友(包括在外务工的农民回家探亲旅行);宗教朝拜;为集体或私人企业外出采购,洽谈商务,参加会议等;外出参加有组织的文娱,体育和节庆活动;半年以内的短期培训,学习或进修.

   1.3国内旅游人数现状

   通过表1,我们对1999年以来国内旅游人数情况一目了然.很显然,2003年我国的国内旅游在1999至2002年的连年增长之后的一次下滑,这是由于突如其来的SARS带来的冲击.这使得中国旅游业出现了前所未有的下滑,国内旅游也不能例外.2003年国内旅游人数为8.7亿人次,与2002年的8.78亿人次相比较,下降0.91%,但2003年农村居民旅游人数为5.19亿人次,呈上升趋势,这是由于SARS给农村居民国内旅游带来的负面影响小于城镇居民,因此农村居民旅游人数仍然有20.2%的增长;并且2003年的下半年,SARS过后,我国国内旅游便出现了恢复的态势,所以全年综合,下降幅度不是很大.2004年是经历SARS后,旅游业全面复苏的一年,国内旅游人数有了一个巨大的增幅,比2003年增长26.67%,比2002年增长25.51%.由于SARS是一个特殊情况,所以这个增幅应该视作2003年和2004年常规的叠加[2] [3].

   表1 1999-2004年中国国内旅游人数发展情况

   年份 国内旅游人数(亿人次) 总数 增幅(%) 城镇居民 人均花费(元) 农村居民 人均花费(元) 1999 7.19 3.6 2.84 614.8 4.35 249.5 2000 7.44 3.4 3.29 678.6 4.15 226.6 2001 7.84 5.4 3.74 708.3 4.09 212.7 2002 8.78 12 3.85 739.7 4.93 209.1 2003 8.7 -0.9 3.51 684.9 5.19 200.0 2004 11.02 26.67 4.59 731.8 6.43 210.2 资料来源:来自1999年到2004年的《国家旅游年鉴》[4]和中国行业研究网[5]

   我国是个农业大国,人口的70%(九亿)是农民.在国内旅游人数中,从总值上看,农民旅游的人次多于城镇居民,但就消费水平来说,城镇居民的人均花费占绝大多数,而且城镇居民旅游人次率远远高于农民出游率,因此我国的国内旅游仍然可以看作以城镇居民为主,所以有必要按季度对城镇居民旅游人数统计,使得旅游相关部门能更及时地制订相关规划.

   从表2我们可以看到,自1999年到2004年期间,城镇居民各季度旅游人数的总体为上升趋势.除2003年第二季度城镇居民旅游人数为0.57亿人次外,同年各季度的旅游人数变化幅度相对平缓.这是由于当时正处于SARS最为严重时期,2003年"五一"黄金周的旅游业几乎跌入谷底.但整体恢复态势强劲,2004年同期,城镇居民旅游人数为1.10亿人次,较之2002年的第二季度仍然有明显增长.

   表2 1999-2004年城镇居民季度旅游人数情况(亿人次)

   年份 第一季度 第二季度 第三季度 第四季度 1999 0.81 0.62 0.73 0.69 2000 0.85 0.88 0.80 0.77 2

2017年高考人数预测:(必胜课)公论文范文——2017国考考试录取人数预测及公告最大变化独家解密分析

001 0.95 0.98 0.91 0.90 2002 0.98 1.05 0.94 0.88 2003 1.01 0.57 0.93 1.00 2004 1.14 1.10 1.11 1.24 资料来源:来自1999年到2004年的《国家旅游年鉴》[4]和中国行业研究网[5]

   2.国内旅游人数预测

   2.1.灰色预测模型GM(1,1)的基本原理

   GM(1,1)反映了一个变量对时间的一阶微分函数,其相应的微分方程为

   式中为经过一次累加生成的数列;为时间;为待估参数,分别称为发展灰数和内生控制灰数[6].

   建立一次累加生成数列.设原始数列为

   按下述方法做一次累加,得到生成数列(为样本空间):

  

   利用最小二乘法求参数.设

   ,

   参数辨识:

   求出GM(1,1)的模型:

   ,

   对模型精度的检验.检验的方法有残差检验,关联度检验和后验差检验,在本文中采取后验差检验.

   首先计算原始数列的均方差.其定义为

   ,,

   然后计算残差数列的均方差.其定义为

   ,,,

   由此计算方差比:和小误差概率:

   最后根据预测精度等级划分表(见表3),检验得出模型的预测精度.

   表3 预测精度等级划分表

   小误差概率p值 方差比c值 预测精度等级 >0.95 <0.35 好 >0.80 <0.5 合格 >0.70 <0.65 勉强合格 不合格 如果检验合格,则可以用模型进行预测.即用

   ,,等

   作为的预测值.

   2.2基于GM(1,1)模型的国内旅游人数预测

   由表(一)我们可以得到1999-2004年中国国内旅游人数的原始数据.但由于2003年受到SARS的突发性影响,国内旅游人数出现波动,在对国内旅游人数的预测时,不适宜使用.需要对2003年的数据进行处理.即用2002年的数据与2004年的数据相加后取平均值,得到:(8.78+11.02)/2等于9.9,即修改过后的2003年的国内旅游人数为9.9亿人次.

   由此可得

   由于

   ,

   所以有

  

  

   则

   ,

   所以

   得到GM(1,1)预测模型为

   ,

   进行后验差检验

   首先计算原始数列的均方差.

   等于8.695

   等于1.4139

   然后计算残差数列的均方差.

   其中残差值

   序列 原始值 预测值 残差 相对误差(%) 1 7.19 7.19 0 0 2 7.44 7.21881 0.22119 2.97298 3 7.84 8.00955 -0.16955 -2.16263 4 8.78 8.88689 -0.10689 -1.21743 5 9.9 9.86035 0.03965 0.40051 6 11.02 10.94042 0.07958 0.72214 于是有 等于0.01066

   等于0.1272

   由此计算方差比等于0.08996

   小误差概率

   等于0.01066<0.91550025,等于0.21053<0.91550025

   等于0.18021<0.91550025,等于0.11755<0.91550025

   等于0.02899<0.91550025,等于0.06892<0.91550025

   后验差检验c等于0.08996,p等于1,预测精度等级为好.

   用模型预测:2005年的国内旅游人数为:12.13882 亿人次.(实际值12.12亿人次)

   2006年的国内旅游人数为:13.46847亿人次.

   于是得到1999-2006年国内旅游人数的预测值(见图1).

   图1 1999-2006年国内旅游人数预测图

   2.3基于GM(1,1)模型的国内城镇居民旅游人数预测

   此方法与2.2一致.同理,首先要对2003年的数据进行处理,即用2002年的数据与2004年的数据相加后取平均值,得到:(3.85+4.59)/2等于4.22,即修改过后的2003年的国内旅游人数为4.22亿人次.

   由此可得

   等于(2.84,3.29,3.74,3.85,4.22,4.59)

   所以有:

   B等于, ,

   , ,

   ,

   则 ,

   所以 ,

   得到GM(1,1)预测模型为

   .

   进行后验差检验

   首先计算原始数列的均方差.

   然后计算残差数列的均方差.

   其中残差值:

   序列 原始值 预测值 残差 相对误差(%) 1 2.84 2.84 0 0 2 3.29 3.3449 -0.0549 -1.668693 3 3.74 3.6172 0.1228 3.2834225 4 3.85 3.9117 -0.0617 -1.6025974 5 4.22 4.2301 -0.0101 -0.2393365 6 4.59 4.5745 0.0155 0.3376906 于是有 等于0.001933333

   等于0.029813133

   由此计算方差比:等于0.033734378

   小误差概率: ,

   等于0.00193333<0.572235343,等于0.05683333<0.572235343

   等于0.12086667<0.572235343,等于0.06363333<0.572235343

   等于0.01203333<0.572235343,等于0.013566667<0.572235343

   后验差检验:c等于0.033734378,p等于1,预测精度等级为好.

   用模型预测:2005年的城镇居民旅游人数为:4.9468亿人次.(实际值4.96亿人次)

   2006年的城镇居民旅游人数为:5.3496亿人次.

   于是得到1999-2006年的国内城镇居民旅游人数预测值(见图2)).

   图2 1999-2006年的国内城镇居民旅游人数预测值

   3.国内城镇居民季度旅游人数的预测

   国内城镇居民旅游人数作为最大的消费群体,因此我们利用1999-2004年的国内城镇居民季度旅游人数的历史数据,对国内城镇居民的发展变化和未来的发展趋势做出分析有着重要的作用.

   通常在季节变动的预测中,计算季节比率通常有两种方法:按月(季)平均法和趋势剔除法.趋势剔除法中,常用的有移动平均趋势剔除法,最小平方(有称最小二乘法)趋势剔除法等.无论何种预测法,其基本思路都是:首先找到描述整个时间序列总体发展趋势的数学方程,即分离趋势线;其次找出季节变动对预测对象的影响,即分离季节影响因素;最后将趋势线与季节影响因素合并,得到能够描述时间序列总体发展规律的预测模型,并用于预测.

   本文运用移动平均和灰色预测两种方法来求出时间数列的趋势线,然后求出相应的趋势值,从原数列中消除此趋势值,而后计算季平均数,消除随机变动因素,得出反映季节变动的数值.最后计算季节指数,便可进行预测.

   3.1移动平均趋势剔除法

   按如下的计算步骤和方法进行[7][8]

   (1) 计算4个季度移动平均数,作为该时期中间季度的趋势值(),目的是消除各季度季节变动的影响,确定中间季度的趋势值.由于4项移动平均数落在两个季度中间,因此,必须对他们进行移动平均,来确定中间季度的趋势值.如1999年第一季度至第四季度平均数0.7125落在该年二,三季度之间,1999年第二季度至2000年第一季度的平均数0.7225落在三,四季度之间,就要把这两者取平均:(0.7125+0.7225)/2等于0.7175,才能代表第三季度的趋势值.以下依次类推,形成以趋势值构成的新数列.计算结果如表3.

   表3 移动平均趋势剔除

   年份 序列k 数据 移动平均 趋势值 修匀比率(%) 1999 1 0.81 2 0.62 0.7125 3 0.73 0.7225 0.7175 101.7421603 4 0.69 0.7875 0.755 91.39072848 2000 5 0.85 0.805 0.79625 106.7503925 6 0.88 0.825 0.815 107.9754601 7 0.80 0.85 0.8375 95.52238806 8 0.77 0.875 0.8625 89.27536232 2001 9 0.95 0.9025 0.88875 106.8917018 10 0.98 0.935 0.91875 106.6666667 11 0.91 0.9425 0.93875 96.93741678 12 0.90 0.96 0.95125 94.61235217 2002 13 0.98 0.9675 0.96375 101.6861219 14 1.05 0.9625 0.965 108.8082902 15 0.94 0.97 0.96625 97.28331177 16 0.88 0.85 0.91 96.7032967 2003 17 1.01 0.8475 0.84875 118.9985272 18 0.57 0.8775 0.8625 66.08695652 19 0.93 0.91 0.89375 104.0559441 20 1.00 1.0425 0.97625 102.4327785 2004 21 1.14 1.0875 1.065 107.0422535 22 1.10 1.1475 1.1175 98.43400447 23 1.11 24 1.24

   (2)将各季度原始数据除以趋势值,得出修匀比率(),使增长趋势的影响得以消除,以表明各季度的季节变动程度.修匀比率的计算式,如第三季度为0.73/0.7175等于101.7421603%,第四季度为0.69/0.755等于91.39072848%.以下各季度同此计算,于是得出表3的第六列.

   (3)将各年同季度的修匀比率加以平均,得到各年同季度的平均修匀比率

   为同季度修匀比率的项数.

   于是得到季节比率:

   第一季度:108.2737994%

   第二季度:97.59427559%

   第三季度:99.10824419%

   第四季度:94.88290363%

   (4)计算季度总平均修匀比率

   等于(108.2737994%+97.59427559%+99.10824419%+94.88290363%)/4

   等于99.9648057%

   (5)对以上计算的各季度平均修匀比率进行调整来确定季节比率.

   得:第一季度:108.2737994%/99.6648057%等于1.08311919

   第二季度:97.59427559%/99.6648057%等于0.976286353

   第三季度:99.10824419%/99.6648057%等于0.991431369

   第四季度:94.88290363%/99.6648057%等于0.949163088

   于是能算出预测值.观察预测误差是否都在控制范围之内,于是计算预测误差与预测误差的平方,然后算出标准误差,检查预测值是否在标准误差范围之内.如表4所示

   表4 移动平均趋势剔除误差表

   序列k 原始值 预测值 误差 误差的平方 1 0.81 0.760891231 0.049108769 0.002411671 2 0.62 0.685841163 -0.065841163 0.004335059 3 0.73 0.696480537 0.033519463 0.001123554 4 0.69 0.666787069 0.023212931 0.00053884 5 0.85 0.890865534 -0.040865534 0.001669992 6 0.88 0.802995525 0.077004475 0.005929689 7 0.8 0.815452301 -0.015452301 0.000238774 8 0.77 0.78068664 -0.01068664 0.000114204 9 0.95 1.012716443 -0.062716443 0.003933352 10 0.98 0.91282774 0.06717226 0.004512113 11 0.91 0.92698833 -0.01698833 0.000288603 12 0.9 0.887467487 0.012532513 0.000157064 13 0.98 1.039794422 -0.059794422 0.003575373 14 1.05 0.937234899 0.112765101 0.012715968 15 0.94 0.951774114 -0.011774114 0.00013863 16 0.88 0.911196564 -0.031196564 0.000973226 17 1.01 0.950437089 0.059562911 0.00354774 18 0.57 0.856691275 -0.286691275 0.082191887 19 0.93 0.869981026 0.060018974 0.003602277 20 1 0.83289061 0.16710939 0.027925548 21 1.14 1.242879271 -0.102879271 0.010584144 22 1.1 1.12028859 -0.02028859 0.000411627 23 1.11 1.137667496 -0.027667496 0.00076549 24 1.24 1.089164643 0.150835357 0.022751305 由此算得标准误差:

   , 0.2037081

   按95%的概率计算,只容许最多有一点(24×0.051)可以超出控制范围.而此预测方法中,只有一点超出控制范围(2003年第二季度,k等于18的预测值),这是允许的.

   前面已经预测出2005年的国内城镇居民旅游人数为:4.9468亿人次,于是2005年各季度平均旅游人数为1.2367亿人次,于是能算出各季度旅游人数(单位:亿人次)值为:

   2005年 第一季度为:1.2367×1.08311919等于1.339493502 (实际1.33)

   第二季度为:1.2367×0.976286353等于1.207373333 (实际1.18)

   第三季度为:1.2367×0.991431369等于1.226103174 (实际1.18)

   第四季度为:1.2367×0.949163088等于1.17382999 (实际1.27)

   同理预测出2006年国内城镇居民旅游人数为:5.3496亿人次,于是各季度平均旅游人数为1.33374亿人次,预测出2006年各季度的城镇居民旅游人数值(单位:亿人次)为

   2006年 第一季度为:1.3374×1.08311919等于1.448563605

   第二季度为:1.3374×0.976286353等于1.305685369

   第三季度为:1.3374×0.991431369等于1.325940313

   第四季度为:1.3374×0.949163088等于1.269410713

   3.2 GM(1,1)趋势剔除法

   把表(二)1999-2004年城镇居民季度旅游人数情况绘制成图3,从图3中可以看出,六年24个季度的城镇居民旅游人数,除了2003年第二季度受SARS的影响外,基本上呈现出在一定范围内波动,并总体呈上升趋势.

   图3 1999-2004年城镇居民季度旅游人数情况

   于是在预测出趋势线以前,需要先弱化序列的增长趋势,引入一阶弱化算子[9],得到一阶缓冲序列.

   .

   其中,

   令,可以得到和的累加生成序列分别为:

   然后进行准光滑性检验和准指数检验[10],判断是否符合灰色预测方法.

   根据和

   得到表5.

   表5 准光滑性检验和准指数检验

   k 原始值 弱化算子 数据累加 光滑比 级比 1 0.81 0.91 0.91 2 0.62 0.914348 1.824348 1.004778022 2.004778022 3 0.73 0.927727 2.752075 0.508525238 1.508525238 4 0.69 0.937143 3.689218 0.340522333 1.340522333 5 0.85 0.9495 4.638718 0.257371616 1.257371616 6 0.88 0.954737 5.593455 0.205819151 1.205819151 7 0.80 0.958889 6.552344 0.171430538 1.171430538 8 0.77 0.968235 7.520579 0.147769256 1.147769256 9 0.95 0.980625 8.501204 0.130392221 1.130392221 10 0.98 0.982667 9.483871 0.115591509 1.115591509 11 0.91 0.982857 10.466728 0.103634581 1.103634581 12 0.90 0.988462 11.45519 0.094438491 1.094438491 13 0.98 0.995833 12.451023 0.08693291 1.08693291 14 1.05 0.997273 13.448296 0.080095668 1.080095668 15 0.94 0.992 14.440296 0.073763992 1.073763992 16 0.88 0.997778 15.438074 0.069096783 1.069096783 17 1.01 1.0125 16.450574 0.065584606 1.065584606 18 0.57 1.012857 17.463431 0.061569706 1.061569706 19 0.93 1.086667 18.550098 0.062225287 1.062225287 20 1.00 1.118 19.668098 0.060269223 1.060269223 21 1.14 1.1475 20.815598 0.058343211 1.058343211 22 1.10 1.15 21.965598 0.055247032 1.055247032 23 1.11 1.175 23.140598 0.053492739 1.053492739 24 1.24 1.24 24.380598 0.053585478 1.053585478

   当k>3时,,准光滑条件满足,当k>3时,

   准指数规律得到满足.故可以对建立GM(1,1)模型.

   于是求出各季度的趋势值,然后将原始值除以趋势值,即:.接着将几年同季度的值相加取平均数.将四个季度的平均数求和,算出总的季度平均数,然后计算季节指数.最后进行预测.如表6[11]所示:

   表6 GM(1,1)趋势剔除

   k 原始数据 趋势值 1 0.81 0.8829 0.917431193 2 0.62 0.8934 0.693978061 3 0.73 0.904 0.807522124 4 0.69 0.9147 0.754345687 5 0.85 0.9256 0.91832325 平均数 6 0.88 0.9366 0.939568653 7 0.80 0.9477 0.844148992 0.957553857 8 0.77 0.9589 0.803003441 0.858782462 9 0.95 0.9703 0.979078635 0.881986013 0.893901784 10 0.98 0.9818 0.998166633 0.877284804 11 0.91 0.9935 0.915953699 12 0.90 1.0052 0.89534421 13 0.98 1.0172 0.963429021 3.575607137 14 1.05 1.0292 1.020209872 15 0.94 1.0414 0.902631074 16 0.88 1.0538 0.835073069 17 1.01 1.0663 0.9472006 18 0.57 1.079 0.528266914 19 0.93 1.0918 0.85180436 20 1.00 1.1047 0.905223138 21 1.14 1.1178 1.01986044 22 1.10 1.1311 0.972504641 23 1.11 1.1445 0.969855832 24 1.24 1.1581 1.070719282

   于是能算出预测值.观察预测误差是否都在控制范围之内,于是计算预测误差与预测误差的平方,然后算出标准误差,检查预测值是否在标准误差范围之内.得到表7.

   表7 GM(1,1)趋势剔除误差表

   序列k 原始值y 预测值 误差 误差的平方 1 0.81 0.760557 0.049443 0.002444613 2 0.62 0.6821058 -0.062106 0.003857124 3 0.73 0.7005357 0.0294643 0.000868148 4 0.69 0.6968016 -0.006802 4.6262E-05 5 0.85 0.8810678 -0.031068 0.000965206 6 0.88 0.7901859 0.0898141 0.008066575 7 0.80 0.811536 -0.011536 0.00013308 8 0.77 0.8072103 -0.03721 0.001384608 9 0.95 1.0015786 -0.051579 0.002660347 10 0.98 0.898266 0.081734 0.006680443 11 0.91 0.9225364 -0.012536 0.000157161 12 0.90 0.917619 -0.017619 0.00031043 13 0.98 1.0310367 -0.051037 0.002604749 14 1.05 0.9246856 0.1253144 0.015703695 15 0.94 0.9496698 -0.00967 9.35052E-05 16 0.88 0.9446078 -0.064608 0.004174172 17 1.01 0.9399842 0.0700158 0.004902219 18 0.57 0.8430251 -0.273025 0.074542687 19 0.93 0.8658029 0.0641971 0.004121272 20 1.00 0.8611879 0.1388121 0.019268794 21 1.14 1.2290505 -0.08905 0.007929986 22 1.10 1.1022743 -0.002274 5.17236E-06 23 1.11 1.1320568 -0.022057 0.000486501 24 1.24 1.1260226 0.1139774 0.012990843 由此算得标准误差

   ,0.192925691

   按95%的概率计算,只容许最多有一点(24×0.051)可以超出控制范围.而此预测方法中,只有一点超出控制范围(2003年第二季度),这是允许的.

   前面已经预测出来2005年城镇居民旅游人数为4.9468亿人次,2006年为5.3496亿人次,于是运用这两个预测值能算出各季度城镇居民的旅游人数(单位:亿人次)为:

   2005年第一季度:1.324761708 (实际1.33)

   第二季度:1.188112934 (实际1.18)

   第三季度:1.220214706 (实际1.18)

   第四季度:1.213710652 (实际1.27)

   2006年第一季度:1.432632254

   第二季度:1.284856665

   第三季度:1.319572368

   第四季度:1.312538713

   3.3模型比较

   现对3.1节的移动平均趋势剔除法和3.2节的GM(1,1)趋势剔除法进行比较.

   1)将这两种方法算得的预测标准误差值进行比较,可以发现,两种方法算得的误差都在所允许的误差范围内,但移动平均趋势剔除法的标准误差(0.103932704)要大于GM(1,1)趋势剔除法所得的标准误差(0.098431475),因此灰色预测误差更小,预测出来的值更为接近真实数据.

   2)两种方法算得的2005年各季度旅游人数的比较如表8:

   表8 2005年各季度旅游人数真实值与预测值的比较

   季度 真实值 移动平均预测 灰色预测 一 1.33 1.339493502 1.324761708 二 1.18 1.207373333 1.188112934 三 1.18 1.226103174 1.220214706 四 1.27 1.17382999 1.213710652 由灰色预测算得的2005年各季度的预测值较移动平均算出来的预测值更为接近真实值,预测效果更好.

   4. 总结

   本文应用灰色系统预测方法,建立国内旅游人数预测以及国内城镇居民旅游人数预测的GM(1,1)模型.经检验,预测模型具有良好的精度.同时,运用了移动平均趋势剔除法和GM(1,1)趋势剔除法分别对国内城镇居民季度旅游人数进行预测.在季节模型预测中,一般运用移动平均和最小二乘法来剔除季节变动产生的影响,而本文运用GM(1,1)模型得到剔除季节变动后的趋势值,此方法是一种新的尝试.经检验比较,两种方法的预测结果均在误差允许范围内,GM(1,1)趋势剔除法模型的预测更为精确,预测结果更为接近真实值,可以为实际的预测工作提供参考.

   由3.3的模型比较结果表明,GM(1,1)趋势剔除法是有效的且比移动平均趋势剔除法的精度要高,但此方法依然有待进一步改进,以提高精度.当然,GM(1,1)模型的改进,还需要研究其数学基础,进一步从理论上证明它的可行性与有效性.

   【参考文献】

   [1] 徐泛. 中国旅游市场概论[M]. 北京: 中国旅游出版社, 2004.

   [2] 中国统计网站[EB/OL] stats.gov./pub/wml.txt/980810-2.html, 1998-08-16/1998-10-04.

   [3] 张广瑞, 魏小安,刘德谦. 2003-2005年国家旅游发展:分析与预测No.4[M]. 北京: 社会科学文献出版社, 2005.

   [4] 李泽儒主编. 国家旅游年鉴[M]. 北京:中国旅游出版社,1999-2004.

   [5] 中国行业研究网[EB/OL] chinairn./pub/wml.txt/980810-2.html, 1998-08-16/1998-10-04.

   [6] 李学伟, 关忠良, 陈景艳. 经济数据分析预测学[M]. 北京: 中国铁道出版社,1998.

   [7] Cai changfeng, Predicting Tendency of Futures by Gray Model GM(1,1)[J]. MATHEMATICA APPLICATA, 1999, 12(3): 1-4.

   [8] 华伯泉. 经济预测的统计方法[M]. 北京: 中国统计出版社,1999.124-134.

   [9] 刘思峰, 党耀国, 方志耕等. 灰色系统理论及其应用[M]. 北京: 科学出版社,2004(第三版).

   [10] 包莉丽, 胡正华. 基于GM(1,1)模型的南京市物流量预测. 中国科技论文范文[J/OL]paper.edu./process/download.jsp?file等于200511-131.

   [11] 暴奉贤, 陈宏立. 经济预测与决策方法[M]. 广州: 暨南大学出版社,1997.

   The Forecast of Domestic Visitors in China Based on GM(1,1)

   【Abstract】The scientific forecast of visitors is very important for touri论文范文 departments on programming and establishing work. This paper made a forecast of domestic visitors and towns by introducing actual domestic visitors and establishing GM(1,1) model based on using. This paper made a quarter forecast of domestic towns by Moving Average scalping method and GM(1,1) model scalping method. After examination, the GM(1,1) model proved to be of higher accuracy and nearer to the ture value. It can support the factual forecast.

   【Key Words】domestic visitors; GM(1,1) model; moving 论文范文erage; forecast

   1

总结:本论文是一篇免费优秀的关于预测人数论文范文资料,可用于相关论文写作参考。

2017年高考人数预测引用文献:

[1] 优秀电力负荷预测论文题目 电力负荷预测专业论文题目怎样拟
[2] 市场调查与预测论文选题推荐 市场调查与预测专业论文题目怎么拟
[3] 优秀税收预测与分析论文选题 税收预测与分析论文标题如何定
《数学计算科学学院毕业论文示例1-目录》word下载【免费】
2017年高考人数预测相关论文范文资料