红色旅游网络关注度与客流年内变化周期分析.doc

1、红色旅游网络关注度与客流年内变化周期分析摘要：文章运用小波分析方法对遵义红色旅游网关注度及客流的年内变化进行研究，研究发现二者年内具有周周期和旬周期的波动规律。这一研究发现对旅游地的客流预测和旅游营销具有一定的理论指导意义和实际运用价值。 关键词：红色旅游；网络关注度；客流；遵义 红色旅游是国民喜爱的重要旅游类型之一，遵义凭据遵义会议会址等珍贵的红色旅游资源而受到社会大众的广泛关注和青睐并由此发展成为国内知名的红色旅游地。关注旅游地的相关旅游信息是旅游者做出旅游决策的重要环节，李山、龙茂兴等人的研究认为旅游地网络关注度与客流具有密切的相关性，而且网络关注度是旅游客流的前兆，但这些研究成果中对旅

2、游地网络关注度和客流的年内变化周期的相关性等问题尚未进行有效分析和判别，为此本文以遵义红色旅游为例对这两个问题展开探讨。 一、周期识别的研究方法 旅游地网络关注度指数及旅游客流在年内随时间变化而变化，总体上呈有限个周期波互相迭加。尽管影响旅游地网络关注度指数变化的因素复杂多样，但因国内实行统一的法定假日制度和工作时间制，人们的休闲时间整体上较为一致，所以旅游地的网络关注度指数和客流也存在相应的周期变化。然而，这些变化周期不像天体运动那样具有严格的周期，易于识别，需运用相应的分析方法对其年内时序变化展开分析。 时间序列的周期分析方法有很多，主要有简单分波法、傅立叶分析法、功率谱分析法、最大嫡谱分

3、析法、小波分析法等。本文运用小波分析法对遵义红色旅游的网络关注度指数及客流的年内时间变化展开分析，探究其时间变化周期。 1.小波分析法 小波分析（wavelet analysis）的理论基础是 Fourir 分析法。Fourier 分析方法可以有效确定信号在整个时间域上的频谱特性，却不能有效反映信号在某一局部时间附近的频谱特性，故而在时间域上缺乏分辨率功能。虽然加窗 Fourier 变换（SFT）具有时频局部化的功能，但其固定的窗口大小和形状使其分辨率效果仍存在诸多局限。1980 年，Morlet 在继承和发展 SFT 的基础上提出的小波分析法有效解决了反映信号的高频成分需要窄的时间窗、反映低

4、频成分需要宽的时间窗等问题，创造了一个灵活可变的时间-频率窗。 小波分析法是 Fourier 分析的飞跃性发展，是一种调和分析方法。虽然小波分析的窗口大小是固定的，但其形状可以改变，可在某一局部时间对时频窗进行调整，提高分辨率。因此小波分析法能很好地描述非平稳信号，具有自适应的时频窗口：低频时，时间窗口增大，频域窗口较小；高频段时，频域窗口增大，时间窗口减小。小波分析对时域和频域同时具有良好的局部化功能，可以对时间序列进行局部化分析，剖析其内部精细结构。因此，本文利用小波分析的功能优势分析遵义市年内逐日旅游关注度和客流时间序列变化的周期性。 2.小波分解原理 在小波分析计算中可采用 Malla

5、t 快速算法对网络关注度时间序列数据进行多尺度分解，其算法表述如下 式中，cj 为其前一次分解 cj-1 的平滑逼近，c0 为原始信号 X，则c1 为在一个算子的作用下对 c0 的平滑逼近，dj=cj-cj-1 为相邻两次平滑逼近的差，H、G 为 L2（z）L2（z）的算子，分别如下 式中，？?、 分别为小波函数和相应的尺度函数。由式（1）可将原信号 X 分解为 cj 和 d1，d2，dJ（J 为最大分解层数） ，cj、dj 分别为原始信号 X 在分辨率 2j 下的低频信号和高频信号。采用 Mallat 算法进行小波分解，每次分解后得到的低频信号与高频信号比分解前的信号点数减少 1 倍，点数减

6、少对预测不利。因而，对小波分解后的信号进行重构，使分解时减少的点数还原，重构方法为 cj=H*Cj+1+G*Dj+1（4） 式中，H*、G*分别为 H 和 G 的对偶算子，j=J-1，J-2，0。 设 cj 和 d1，d2，dJ 分别进行重构得到的信号分别为 CJ 和D1，D2，DJ 则有 X=D1+D2+DJ+CJ（5） 二、网络关注度与客流的年内变化周期分析 本文运用小波分析法，对遵义市两旅游地 2010 年全年逐日关注度指数和逐日客流的年变化进行时间序列分析，探究旅游地网络关注度和客流在时间尺度上的周期波动变化规律。 1.网络关注度的年内变化周期 现取遵义市 2010 年的逐日网络关注度

7、数据和逐日客流数据作为原始序列，以 matlab 小波分析工具箱为建模工具，采用正交 Daubechiees 小波组中的 db4 小波函数对原序列 365 天的网络关注度数据进行小波分解，分解为三层，图 1、图 2 为小波分解结果。图中 S 表示原始数据信号曲线，是遵义市红色旅游逐日网络关注度数据距平值变化曲线，横坐标表示时间日。遵义红色旅游年内逐日网络关注度变化受许多因素的影响，经小波分解后，结果包括一个低频部分 a3 和三个高频部分 d1、d2、d3，低频部分 a3 表现的是信号的主要特征，是主要的稳定性特征表现，反映这一时间序列中两地的年内网络关注度的主要变化趋势。d1、d2、d3 高频

8、信号曲线则体现了影响关注度随时间变化的主要频率变化特征。 从图中 1 可以看出，当分解层数为 3 时，遵义红色旅游关注度的趋势项和周期项均已比较明显。从曲线 a3 来看，旅游网络关注度总体上呈三座波峰的趋势，虽然遵义市的变化趋势较为复杂，但三座波峰的发展趋势依然可见，因此曲线 a3 反映了年内旅游地网络关注度的发展趋势，即年内网络关注度的季节大周期变化趋势。对周期项分析而言，在高频部分均反映了显著的周期特征，d2 反映的是时间跨度为 7 天的周期频率曲线，d3 则体现了时间跨度为 10 天的周期特征。由此可见，遵义红色旅游的网络关注度全年存在旬周期和周周期两个主周期。 总之，通过对遵义红色旅游

9、的网络关注度的研究分析发现，网络关注度在时间序列上存在明显的变化规律。从全年整体来看，旅游地网络关注度具有两个波动主周期，即旬周期和周周期。 2.客流的年内变化周期 本文结合遵义红色旅游全年的客流数据的特点和各小波函数的特点，根据小波分解和重解技术，同样选用 Daubechies 小波组中 db4 小波基函数进行分解，与关注度小波分解略有不同的是，客流小波分析做的是 4层分解，借助 matlab7.01 小波分析工具箱对小波分解，结果见图 2。 原客流序列数据经过小波变换并按照尺度大小将其分成不同的成分，低频信号是大尺度成分的分析结果，表征客流的趋势项，中等尺度成分表征序列的周期项，而小尺度成

10、分则对应于随机项。因此，第一层小波分解中的高频 D1 则体现较多的随机性，其他各高频层中主要包含了周期性因素，因此小波分析有效地将时间序列中的趋势项、周期项和随机项进行分离，同时也将每一项依据尺度大小给予分离，使复杂的现象和问题简单化。本文 db4 小波基函数将两地全年逐日客流量分解成 4 层，即低频 a4 和 4 个高频 D1、D2、D3、D4。从图 2 可见，遵义客流起伏波动大，低频 a4 未能有效展示趋势项与月际客流的一致效果。从小波分析来看，无论是低频信号还是高频信号，遵义客流波动均具有一定的平稳性。在年初和年末，趋势项的低频信号保持在相对水平位置，短期的高频数据波动性也不大。从原始数

11、据来看，这段时期的客流量的波动性相对也较小。从 2 月底到 10 月底，由于这段时间是旅游旺季，因此低频的趋势项呈上扬趋势并保持较高水平，高频则体现出波动性增大。高频D2、D3、D4 有效地揭示了遵义红色旅游的全年客流变化的波动周期，D2显示的主周期为 7 日，高频 D3、D4 则揭示遵义客流存在 12 日和 22 日。所以，根据小波分析结果，遵义红色旅游年内客流变化存在以周为单位的主周期。 三、结论 从遵义红色旅游网络关注度与客流年内数据的小波分析发现，关注度与客流在年内具有一致的波动变化周期，即以周为单位的主周期。同时，两者还存在较为相近的旬周期。这一研究结果对旅游地的客流预测和旅游营销具有一定的理论指导意义和实际运用价值。 参考文献： 1李山，邱荣旭，陈玲.基于百度指数的旅游景区络空间关注度：时间分布及其前兆效应J.地理与地理信息科学，2008，24（06）. 2龙茂兴，孙根年，马丽君等.区域旅游网络关注度与客流量时空动态比较分析以四川为例J.地域研究与开发，2011（03）. 3崔锦泰.小波分析导论M.西安：西安交通大学出版社，1995. *本文为遵义师范学院博士基金项目的阶段成果之一。 （作者：遵义师范学院历史文化与旅游管理学院副教授）