淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1902202002370400
中文論文名稱 關鍵字搜尋趨勢對預測日本、南韓來台旅客人數之影響-以時間序列、深度學習兩種方法
英文論文名稱 The Effect of Keyword Search Trend on Predicting Numbers of Japanese and Korean Tourists to Taiwan-Applying Time Series and Deep Learning Methods
校院名稱 淡江大學
系所名稱(中) 資訊管理學系碩士班
系所名稱(英) Department of Information Management
學年度 108
學期 1
出版年 109
研究生中文姓名 楊士平
研究生英文姓名 Shi-Ping Yang
學號 606630126
學位類別 碩士
語文別 中文
口試日期 2020-01-06
論文頁數 63頁
口試委員 指導教授-周清江
委員-陸承志
委員-戴敏育
委員-周清江
中文關鍵字 旅客人數預測  關鍵字搜尋趨勢  時間序列  SARIMA模型  深度學習  長期短期記憶模型 
英文關鍵字 Tourists Numbers Predicting  Keyword Search Trend  Time Series  SARIMA Model  Deep Learning  Long Short Term Memory 
學科別分類
中文摘要 現今觀光旅遊業在台灣是主要經濟收入來源之一,受益於網路快速發展,使用電腦及手機查詢網路資料已經成為人們規劃旅遊不可或缺的一部份,我們認為Google搜尋引擎的查詢資料紀錄可以反應出搜尋者對旅遊的偏好趨勢。過去研究以傳統的時間序列SARIMA模型及機器學習來建置模型,本研究蒐集2011年至2018年之每月南韓及日本來台人數數據,加上同期的Google關鍵字趨勢資料,比較時間序列SARIMA模型及深度學習的長短期記憶模型之預測效果,探究深度學習在時間序列資料應用的成效。
英文摘要 Tourism is one of the main sources of GDP (Gross Domestic Product) in Taiwan. Web searching for internet data using computers and mobile phones is becoming more and more common. It has become indispensable for people to arrange tourism activities. We believe Google search engine data records could reflect internet user's preference for travel trends. In past researches, traditional time series SARIMA models and machine learning method have been used to build models. This study collects each month's numbers of Japanese and Korean tourists to Taiwan from 2011 to 2018, plus the corresponding Google keyword trend data in the same period. We compare the prediction effectiveness of the SARIMA model and the long short-term memory models of deep learning, to explore the effectiveness of deep learning in the application of time series data.
論文目次 第一章 緒論 1
1.1研究背景 1
1.2研究動機 2
1.3研究問題 3
1.4研究目的 4
第二章 文獻探討 5
2.1旅遊預測 5
2.2運用Google關鍵字搜尋歷史紀錄預測旅遊需求 9
2.3應用SARIMA預測模型預測旅遊人數 10
2.4應用機器學習、神經網路、深度學習預測旅遊人數 13
第三章 模型建置 15
3.1資料集 15
3.2關鍵字選擇 16
3.3 SARIMA模型 20
3.4深度學習 22
3.4.1循環神經網路(Recurrent Neural Network) 24
3.4.2長期短期記憶(Long Short-Term Memory) 25
3.4.3 Keras之LSTM參數設定 26
3.5加上關鍵字搜尋趨勢旅遊人數預測流程 30
3.6模型效能評估方法 31
第四章 實驗結果 33
4.1實驗環境 33
4.2實驗設定 33
4.3 Google關鍵字選擇 34
4.4 ARIMA與SARIMA模型之預測結果比較 36
4.5使用SARIMA模型預測南韓來台遊客人數 37
4.6使用SARIMA模型預測日本來台遊客人數 41
4.7使用LSTM模型預測南韓來台旅客人數 45
4.8使用LSTM模型預測日本來台旅客人數 49
4.9關鍵字搜尋趨勢對預測日本、南韓來台旅客人數之影響模型評估 53
第五章 結論 57
5.1結論 57
5.2研究貢獻 58
5.3管理意涵 58
5.3.1建議 59
5.4未來研究方向 59
參考文獻 61


表目錄
表1:旅客人數預測方法特徵與類型彙整 8
表2:日本來台旅客Google關鍵字及關聯關鍵字 17
表3:南韓來台旅客Google關鍵字及關聯關鍵字 18
表4:中文、英文與韓文、日文關鍵字谷歌趨勢與來台旅客人數之相關係數表 19
表5:日本來台歷史紀錄LSTM測試參數表 29
表6:學習率及迭代參數表 29
表7:MAPE評估預測值準則表 32
表8:Google Colab開發環境相關資訊 33
表9:韓文關鍵字台灣天氣之不同滯後期的相關係數表 35
表10:南韓Google關鍵字及南韓來台旅客人數的最佳滯後期相關係數 35
表11:日本Google關鍵字及日本來台旅客實際數的滯後期及相關係數 35
表12:日本及南韓來台旅客歷史紀錄最佳ARIMA及SARIMA模型的MAPE比較表 36
表13:南韓來台旅客SARIMA預測模型評估表 41
表14:日本來台旅客SARIMA預測模型評估表 45
表15:南韓來台旅客LSTM預測模型評估表 49
表16:日本來台旅客LSTM預測模型評估表 53
表17:關鍵字搜尋趨勢對日本來台旅客人數預測之影響 54
表18:關鍵字搜尋趨勢對南韓來台旅客人數預測之影響 55
表19:相同關鍵字趨勢對日本及南韓來台旅客人數預測之影響 56


圖目錄
圖1:來台總人數圖 2
圖2:觀光外匯收入圖 2
圖3:旅遊預測模型數量圖 7
圖4:日本南韓來台旅客人數 15
圖5:在南韓地區Google搜尋熱度的趨勢變化 16
圖6:SARIMA預測建模模型圖 22
圖7:RNN模型示意圖 25
圖8:LSTM模型示意圖 26
圖9:加上關鍵字搜尋趨勢旅遊人數預測流程圖 31
圖10:以SARIMA模型歷史紀錄預測南韓來台旅客人數 38
圖11:SARIMA增加“台灣天氣” Google Trend資料預測南韓來台旅客人數 38
圖12:SARIMA增加“台灣旅遊” Google Trend資料預測南韓來台旅客人數 39
圖13:SARIMA增加“台灣地圖” Google Trend資料預測南韓來台旅客人數 39
圖14:SARIMA增加“台灣匯率” Google Trend資料預測南韓來台旅客人數 40
圖15:SARIMA增加“新台幣” Google Trend資料預測南韓來台旅客人數 40
圖16:以SARIMA模型歷史紀錄預測日本來台旅客人數 42
圖17:SARIMA增加“台灣旅遊” Google Trend資料預測日本來台旅客人數 42
圖18:SARIMA增加“台灣觀光” Google Trend資料預測日本來台旅客人數 43
圖19:SARIMA增加“台灣飯店” Google Trend資料預測日本來台旅客人數 43
圖20:SARIMA增加“台灣美食” Google Trend資料預測日本來台旅客人數 44
圖21:SARIMA增加“台灣天氣” Google Trend資料預測日本來台旅客人數 44
圖22:以LSTM歷史紀錄預測南韓來台旅客人數 46
圖23:LSTM 增加“台灣天氣” Google Trend 資料預測南韓來台旅客人數 46
圖24:LSTM 增加“台灣旅遊” Google Trend 資料預測南韓來台旅客人數 47
圖25:LSTM 增加“台灣地圖” Google Trend 資料預測南韓來台旅客人數 47
圖26:LSTM 增加“新台幣” Google Trend 資料預測南韓來台旅客人數 48
圖27:LSTM 增加“台灣匯率” Google Trend 資料預測南韓來台旅客人數 48
圖28:以LSTM歷史紀錄預測日本來台旅客人數 50
圖29:LSTM 增加“台灣觀光” Google Trend 資料預測日本來台旅客人數 50
圖30:LSTM 增加“台灣飯店” Google Trend 資料預測日本來台旅客人數 51
圖31:LSTM 增加“台灣旅遊” Google Trend 資料預測日本來台旅客人數 51
圖32:LSTM 增加“台灣美食” Google Trend 資料預測日本來台旅客人數 52
圖33:LSTM 增加“台灣天氣” Google Trend 資料預測日本來台旅客人數 52

參考文獻 [1] Bhat, H. S., and Kumar, N. 2010. "On the Derivation of the Bayesian Information Criterion," School of Natural Sciences, University of California.
[2] Chen, C.-F., Lai, M.-C., and Yeh, C.-C. 2012. "Forecasting Tourism Demand Based on Empirical Mode Decomposition and Neural Network," Knowledge-Based Systems ,26, pp. 281-287.
[3] Christopher, A.-S. 1980. "Macroeconomics and Reality," Econometrica ,48(1), pp. 1-48.
[4] Goel, S., Hofman, J. M., Lahaie, S., Pennock, D. M., and Watts, D. J. 2010. "Predicting Consumer Behavior with Web Search," Proceedings of the National Academy of Sciences ,107(41), pp. 17486-17490.
[5] Goh, C., and Law, R. 2011. "The Methodological Progress of Tourism Demand Forecasting: A Review of Related Literature," Journal of Travel & Tourism Marketing , 28(3), pp. 296-317.
[6] Goodfellow, I., Bengio, Y., Courville, A., 2016. "6.5 Back-Propagation and Other Differentiation Algorithms," Deep Learning. MIT Press ,5(3), pp. 200–220.
[7] Hochreiter, S. and Schmidhuber, J. 1997. Long short-term memory. Neural Computation ,9(8), pp1735–1780.
[8] Huang, X., Zhang, L., and Ding, Y. 2017. "The Baidu Index: Uses in Predicting Tourism Flows–a Case Study of the Forbidden City," Tourism Management ,58, pp. 301-306.
[9] Hopfield, J. J. 1988. "Artificial Neural Networks," IEEE Circuits and Devices Magazine,8, pp. 3-10.
[10] Fernando, J., P., 1987. "Generalization of Back-Propagation to Recurrent Neural Networks," Physical Review Letters ,59(19), pp.2229-2332.
[11] Granger, C. W. J. 1969. "Investigating Causal Relations by Econometric Models and Cross-spectral Methods," Econometrica , pp. 424-438.
[12] Karlik, B., and Olgac, A. V. 2011. "Performance Analysis of Various Activation Functions in Generalized Mlp Architectures of Neural Networks," International Journal of Artificial Intelligence and Expert Systems,1(4), pp. 111-122.
[13] Law, R., Li, G., Fong, D. K. C., and Han, X. 2019. "Tourism Demand Forecasting: A Deep Learning Approach," Annals of Tourism Research ,75,pp. 410-423.
[14] LeCun, Y., Bengio, Y., and Hinton, G. 2015. "Deep Learning," Nature ,521, pp. 436-444.
[15] Li, J., Xu, L., Tang, L., Wang, S., and Li, L. 2018. "Big Data in Tourism Research: A Literature Review," Tourism Management, 68, pp. 301-323.
[16] Li, X., Pan, B., Law, R., and Huang, X. 2017. "Forecasting Tourism Demand with Composite Search Index," Tourism Management, 59, pp. 57-66.
[17] Lewis, C. D, Industrial and Business Forecasting Model, Butterworth, London, 1982.
[18] Song, H., Qiu, R. T., and Park, J. 2019. "A Review of Research on Tourism Demand Forecasting," Annals of Tourism Research, 75, pp. 338-362.
[19] Sun, S., Wei, Y., Tsui, K. L., and Wang, S. 2019. "Forecasting Tourist Arrivals with Machine Learning and Internet Search Index," Tourism Management ,70, pp. 1-10.
[20] Yang, X., Pan, B., Evans, J. A., and Lv, B. 2015. "Forecasting Chinese Tourist Volume with Search Engine Data," Tourism Management ,46, pp. 386-397.
[21] Yule, U. 1926. "Why do we Sometimes get Nonsense-Correlations between Time--Series? A Study in Sampling and the Nature of Time Series", Journal of the Royal Statistical Society ,89(1), pp. 11-63.
[22] 李哲睿. 2019. "以法人籌碼預測台指期貨價格-LSTM 模型之應用," 天主教輔仁大學 金融與國際企業學系碩士論文.
[23] 吳謹如. 2015. "台灣觀光旅遊產業經濟發展分析,"國立屏東大學資訊管理學系碩士論文.
[24] 沈蘇彥, 趙錦, 徐堅. 2015. "基於“谷歌趨勢”數據的入境外國遊客量預測," 資源科學,37(11), pp. 2111-2119.
[25] 金宰成. 2015. "旅遊訊息、旅遊意象對旅遊意願之研究-20到40歲潛在的來台韓國旅客為例," 天主教輔仁大學金融與國際企業學系碩士論文.
[26] 施忠毅. 2015. "數據挖掘在旅遊計量實務之應用-以南韓來臺旅客人數預測建模為例," 景文科技大學旅遊管理系碩士論文.
[27] 范其麗. 2017. "運用網路搜尋於外籍遊客流量預測之研究," 國立臺北商業大學企業管理學系碩士論文.
[28] 孫燁, 張宏磊, 劉培學,張捷. 2017. "基於旅遊者網絡關注度的旅遊景點日遊客量預測研究——以不同客戶端百度指數為例," 人文地理 ,32(3), pp. 152-160.
[29] 郭亭君. 2010. "以模糊時間序列模式預測日本來台旅遊人數," 淡江大學管理科學學系碩士論文.
[30] 劉元安, 盧之翔, 許軒. 2010. "來臺背包客旅遊體驗之研究," 觀光休閒學報,16(2), pp. 165-188.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2020-02-19公開。
  • 同意授權瀏覽/列印電子全文服務,於2020-02-19起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2486 或 來信