預測國際旅遊需求的研究最近越來越受到矚目，因此，預測旅遊需求人數是很重要的，至今已經有很多的文獻做過不同國家的旅遊需求分析。近來，中國大陸為世界旅客輸出最大的出境國家，且拜直航之賜，來台觀光團費大幅調降，更是大大提高陸客來台意願，所以，預測大陸來台旅遊的人數對台灣觀光旅遊的規劃與發展是很重要的議題。但開放至目前的時間尚短，相對來說，資料量就略顯稀少，且正因為剛開放，陸客來台旅遊數量未趨穩定，資料變異較大，目前並未有一個適合的預測方法可以應用，故本研究利用灰色預測方法可處理少資料的特性和支援向量機估計風險最低的優點，提出了將兩者混合的預測模式──灰色支援向量迴歸模式(Grey Support Vector Regression, GSVR)；並以MAPE作為預測績效衡量指標。實證結果顯示GSVR模式(MAPE=19.0025%)表現明顯優於簡單迴歸模式(MAPE=39.7775%)、指數平滑模式(MAPE=38.0638%)及GM(1,1)模式(MAPE=46.4863%)，並可成功外插預測2010年1月的大陸來台旅遊人數，MAPE值可達0.96%。

The tourism industry, which benefits the transportation, accommodation, catering, entertainment and retailing sectors, has been blooming in the past few decades. The 20th century witnessed a steady increase in tourism all over the word. Each country wants to know its international visitors and tourism receipts in order to choose an appropriate strategy for its economic well-being. In Taiwan, the visitors from China become possible since 2008 whereas the data is limit, fluctuated and difficult to forecast in tourism planning. In order to cope with this problem, we use the both advantages of support vector regression and grey theory to construct a new model – Grey Support Vector Regression (GSVR). Estimated China tourists were compared with actual published China tourists by MAPE. Empirical results demonstrate GSVR model (MAPE = 19.0025%) showed significantly better than simple regression models (MAPE = 39.7775%), single exponential smoothing model (MAPE = 38.0638%) and GM (1, 1) (MAPE = 46.4863%), and can successfully extrapolation 2010/1 of China tourists, MAPE values up to 0.96%.

目錄	I
圖目錄	III
表目錄	IV
第一章  緒論	1
1.1  研究背景	1
1.2  研究動機與目的	2
1.3  研究架構	4
第二章  文獻探討	7
2.1  旅遊需求預測之文獻	7
2.2  預測理論之相關文獻	10
2.2.1  預測的定義	11
2.2.2  預測的方法	12
2.3  支援向量機用於預測之相關文獻	18
第三章  相關理論探討與介紹	21
3.1  支援向量機用於分類(Support Vector Classification)	21
3.2  支援向量機用於迴歸(Support Vector Regression)	23
3.2.1  拉格郎奇乘算子	27
3.2.2  核函數	28
3.2.3  損失函數	29
3.3  灰色理論簡介	30
3.3.1  灰色系統理論之內涵	31
3.3.2  灰色系統理論之操作	32
3.3.3  GM(1,1)模型	35
第四章  預測模式之建立	37
4.1  參數篩選	37
4.1.1  參數選取法則	38
4.1.2  參數計算過程	39
4.2  建構灰色支援向量迴歸模式	40
第五章  實證分析	46
5.1  GSVR預測實證分析	46
5.2  灰色GM(1,1)預測	49
5.3  GSVR敏感度分析	54
第六章  結論與建議	60
6.1  結論	60
6.2  管理意涵	61
6.3  未來研究方向	62
參考文獻	64
一、英文部分	64
二、中文部分	67
附錄一	70

圖目錄
圖1- 1  研究流程圖	5
圖2- 1  需求預測在決策過程中所扮演的角色	7
圖2- 2  觀光預測實證方法之分類	9
圖3- 1  最佳分類超平面(Müller, 2001)	22
圖3- 2  線性不可分割情形(Müller, 2001)	23
圖3- 3  轉換成特徵空間之示意圖	23
圖3- 4  導入ε−不敏感損失函數的支援向量迴歸	26
圖3- 5  傳統線性迴歸與支援向量迴歸之比較圖(張逸凡, 2005)	27
圖3- 6  Loss Function(Gunn, 1998)	30
圖5- 1  GSVR模式預測大陸來台旅遊人數結果	48
圖5- 2  GM(1,1)模式預測大陸來台旅遊人數結果	51
圖5- 3  各模式預測大陸來台人數之結果	53
圖5- 4  各ε值下支援向量個數佔樣本數之比例	54
圖5- 5  改變C值GSVR模式預測大陸來台人數之結果(C=5)	55
圖5- 6  改變C值GSVR模式預測大陸來台人數之結果(C=0.05)	56
圖5- 7  改變σ值GSVR模式預測大陸來台人數之結果(σ=10)	57
圖5- 8  改變σ值GSVR模式預測大陸來台人數之結果(σ=0.1)	57
圖5- 9  GSVR模式預測大陸來台旅遊人數結果(樣本數=10)	58
圖5- 10  GSVR模式、GM(1,1)模式預測大陸來台旅遊人數結果(樣本數=5)	59

表目錄
表3- 1  灰色理論、模糊理論與機率統計之差異性	31
表4- 1  MAPE值評估標準	42
表5- 1  GSVR計算結果	47
表5- 2  GSVR模式預測大陸來台旅遊人數結果	48
表5- 3  GM(1,1)模式預測大陸來台旅遊人數結果	51
表5- 4  各模式預測大陸來台人數之結果	52
表5- 5  GSVR模式預測大陸來台旅遊人數結果(樣本數=10)	58
表5- 6  GSVR模式、GM(1,1)模式預測大陸來台旅遊人數結果(樣本數=5)	59

一、英文部分
Archer, B. H. (1987). Demand Forecasting in Tourism., University of Wales Press., Cardiff.
Athiyaman, A., & Robertson, R. W. (1992). Time series forecasting techniques: Short-term planning in tourism. . International Journal of Contemporary Hospitality Management, 4 (4), 8-11.
Burger, C. J. S. C., Dohnal, M., Kathrada, M. & Law, R. (2001). A practitioners guide to time-series methods for tourism demand forecasting- A case study of Durban, South Africa. Tourism Management, 22 (4), 403-409.
Caire, P., Hatabian, G., & Muller, C. (1992). Progress in Forecasting by Neural Networks. International Joint Conference on Neural Network, 540-545
Calantone, R. J., Benedetto, A. D., & Bojanic, D. (1987). A comprehensive review of the tourism forecasting literature. . Journal of Travel Research, 26 (2), 28-39.
Cao, L. (2003). Support vector machines experts for time series forecasting. Neurocomputing, 51, 321-339.
Cao, L., & Tay, F. E. H. (2001). Financial forecasting using support vector machines. Neural Computing & Applications, 10 (2), 184-192.
Chamber, J. C., Mullick, S. K., & Smith, D. D. (1971). How to Choose the Right Forecasting Technique: H.B.R.
Chan, Y. M. (1993). Forecasting tourism: A sine wave time series regression approach. Journal of Travel Research, 32 (2), 58–60.
Cheng, W., Wanger, L., & Lin, C. H. (1996). Forecasting the 30-year US treasury bond with a system of neural networks. . Journal of Computational Intelligence in Finance, 1 (4), 10-15.
Cherkassky, V., & Ma, Y. (2004). Practical selection of SVM parameters and noise estimation for SVM regression. Neural Networks, 17 (1), 113-126.
Chu, F. L. (1998a). Forecasting tourism: A combined approach. . Tourism Management, 19 (6), 515-520.
Dalrymple, K., & Greenidge, K. (1999). Forecasting arrivals to Barbados. Annals of Tourism Research, 26 (1), 188-191.
Deng, J. L. (1989). Introduction to grey system theory. Journal of Grey System, 1, 1-24.
Dharmaratne, G. S. (1995). Forecasting tourist arrivals in Barbados. Annals of Tourism Research, 22 (4), 804-818.
Duan, K., Keerthi, S., & Poo, A. (2001). Evaluation of simple performance measures for tuning SVM hyperparameters（Technical Report）. National University of Singapore, Singapore.
Faulkner, B., & Valerio, P. (1995). An integrative approach to tourism demand forecasting. Tourism Management, 16 (1), 29-37.
Gunn, S. R. (1998). Support Vector Machine for Classification and Regression. University of Southampton, U.S.A.
Huan, J. S., James, T. L., & Trefor, P. W. (1996). Using Neural Networks to Predict Component Inspection Requirements for Aging Aircraft. Computers Ind. Eng., 30 (2), 257-267.
Joachims, T. (1996). Text categorization with support vector machines: Learning with many relevant features（Technical Report）. .
Kecman, V. (2001). Learning and Soft Computing Support Vector Machines. Mit Pr, Cambridge.
Kulendran, N., & King, M. (1997). Forecasting international quarterly tourist flows using error-correction and time-series model. International Journal of Forecasting, 31(319-327).
Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. . Tourism Management, 21 (4), 331-340.
Law, R., & Au, N. (1999). A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management, 20 (1), 89-97.
Lee, C. K., Var, T., & Blaine, T. W. (1996). Determinants of inbound tourism expenditures. Annals of Tourism Research, 23(3), 527-542.
Lim, C., & McAleer, M. (2001). Forecasting tourist arrivals. Annals of Tourism Research, 28 (4), 965-977.
Manuel, V., & Croes, R. (2000). Evaluation of demand US tourists to Aruba. Annals of Tourism Research, 27 (4), 946-963.
Martin, C. A., & Witt, S. F. (1989). Forecasting tourism demand : A comparison of the accuracy several quantitative methods. International Journal of Forecasting, 5, 7-19.
Morley, C. L. (1991). Modeling international tourism demand: Model specification and structure. Journal of Travel Research, 30 (1), 40-44.
Morley, C. L. (1993). Forecasting tourism demand using extra- polative time series methods. . The Journal of Tourism Studies, 4 (1), 19-25.
Ong, C., 39(3,4), 367-372. (1995). Tourism demand models: A critique. Mathematics and Computers in Simulation. 39 (3,4), 367-372.
Pankratz, A. (1983). Forecasting with univariate Box-Jenkins models: Concepts and cases. . New York: John Wiley.
Pattie, D. C., & Snyder, J. (1996). Using a neural network to forecast visitor behavior. Annals of Tourism Research, 23 (1), 151-164.
Pilar, G., & Moral, P. (1995). An analysis of the international tourism demand in Spain. International Journal of Forecasting, 11, 233–251.
Schmidt, M. (1996). Identifying speaker with support vector networks. Paper presented at the Paper present at the meeting of the 28th Symposium on the Interface（INTERFACE-96）. 
Sharda, R., & Patil, R. B. (1992). Connectionist approach to time series prediction: An empirical test. Journal of Intelligent Manufacturing, 3, 317-323.
Sheldon, J., P., & Var, T. (1985). Tourism forecasting: A review of empirical research. Journal of Forecasting, 4 (2), 183-195.
Sheldon, P. J. (1993). Forecasting tourism: Expenditures versus arrivals. Journal of Travel Research, 32 (1), 13-20.
Smeral, E., Witt, S. F., & Witt, C. A. (1992). Econometric forecasts: tourism trends to 2000. . Annals of Tourism Research, 19 (3), 450-466.
Turner, L. W., Kulendran, N., & Pergat, V. (1995). Forecasting New Zealand tourism demand with disaggregated data. Tourism Economics, 1 (1), 51-69.
Uysal, M., & Crompton, J. L. (1985). Determinants of demand for international tourist flow to Turkey. Tourism Management, 15 (4), 288-297.
Van, E., & Robert, J. (1997). The application of neural networks in the forecasting of share prices. Haymarket, VA: Finance & Technology Publishing.
Vapnik, V. (1995). The nature of statistical learning theory. New York: Springer.
Vapnik, V., Golowich, S., & Smola, A. (1997). Support vector method for function approximation, regression estimation and signal processing. In M. Mozer, M. Jordan & T. Petsche（eds.）. Advance in neural information processing system, 9, 281-287.
Weiss, S. M., & Kulikowski, C. A. (1984). A Practical Guide to Designing Expert Systems. New Jersey: Rowman & Allenheld.
Witt, C. A., & Witt, S. F. (1995a). Tourism forecasting: Error magnitude direction of change error, and trend change error. Journal of Travel Research, 25(3)(23-30).
Witt, S. F., & Witt, C. A. (1995b). Forecasting tourism demand: A review of empirical research. International Journal of Forecasting, 11 (3), 447-475.
Wong, K. F. (1997). The relevance of business cycles in forecasting international tourist arrivals. Tourism Management, 18 (8)(581-586).
二、中文部分
于宗先(1972)。經濟預測。台北：大中國。
王素惠(2002)。由來華觀光來源日本和澳大利亞探討台灣觀光旅遊需求。國立台中技術學院學報，第三期，頁497-508。
史開泉、吳國威、黃有評(1994)。灰色信息關係論。台北：全華科技圖書有限公司。
江麗文(1995)。來華旅客需求計量經濟模式之研究。私立中國文化大學觀光事業研究所碩士論文，未出版，台北市。
吳柏林、賴家瑞、劉勇杉(1992)。台灣地區外籍觀光旅客人數預測模式之探討。國立政治大學學報，第六十八期，頁267-291。
吳漢雄、鄧聚龍、溫坤禮(1996)。灰色分析入門。台北：高立出版社。
呂奇傑、李天行、陳學群(2006)。整合獨立成分分析與支援向量迴歸於日經225開盤指數預測。銘傳大學國際學術研討會論文集。
李旭煌(1994)。出國觀光旅客需求預測模式建立之研究。國立政治大學統計學研究所碩士論文，未出版，台北市。
李佳叡(2000)。實施隔週休二日對到訪森林遊樂區人數改變之分析─時間數列介入分析模型之應用。國立臺灣大學森林學研究所碩士論文，未出版，台北市。
杜京義、侯媛彬(2006)。基於遺傳算法的支持向量迴歸機參數選取。系統工程與電子技術，第二十八期第九卷，頁1430-1433。
周孟科(1998)。灰色理論應用於地層下陷之預測。國立成功大學水利及海洋工程研究所碩士論文，未出版，台南市。
尚和生(1992)。臺灣地區國民旅遊人次估計及需求預測。私立淡江大學管理科學研究所碩士論文，未出版，台北縣。
林文彥(1998)。物流中心整合型採購決策支援系統之研究。私立朝陽大學工業工程與管理研究所碩士論文，未出版，台中縣。
林立明(2004)。使用以圖找圖技術之個人臉部獨照檢索系統。國立海洋大學資訊工程學研究所碩士論文，未出版，基隆。
林長青(2003)。支撐向量機應用於科學探索。國立雲林科技大學電子與資訊工程研究所碩士論文，雲林縣。
林保村(2001)。支持向量廻歸：系統式設計和效能分析。國立台灣科技大學電機工程研究所博士論文，未出版，台北市。
林聰明、吳水丕(1981)。指數平滑法之選擇與應用。台北：華泰書局，初版。
施瑞賢(2003)。來華觀光旅客人數需求預測之研究。私立朝陽科技大學休閒事業管理研究所碩士論文，未出版，台中縣。
徐美珍(2004)。企業財務危機之預測。國立政治大學統計學研究所碩士論文，未出版，台北市。
徐桂祥(1997)。灰色系統在商情預測上之研究。國立雲林技術學院資訊管理技術研究所碩士論文，未出版，雲林縣。
時巧煒(1994)。來華觀光旅客需求預測模式建立之研究。國立政治大學統計研究所碩士論文，未出版，台北市。
涂三賢、吳萬益、林俊成、任憶安(1999)。台灣地區國有森林遊樂區遊客人數與營收變動之分析。戶外遊憩研究，第十二卷第四期，頁61-72。
張偉哲、陳朝光(2000)。灰色系統理論與發展應用。中華民國資訊學會通訊，第三期第一卷，頁23-29。
張逸凡(2005)。支撐向量機在即時河川水位預報之應用。國立成功大學水利及海洋工程研究所碩士論文，未出版，台南市。
張玉瑛(2007)。以支援向量機預測台灣地區營造工程物價指數之研究。私立朝陽科技大學營建工程學系碩士論文，未出版，台中縣。
曹勝雄、江麗文、蔡倩雯(1996)。計量經濟模式在國際觀光需求應用之研究，戶外遊憩研究，第九卷第一期，頁1-29。
曹勝雄、曾國雄、江勁毅(1996)。傳統計量迴歸、GMDH、類神經網路四種方法在預測應用之比較—以國人赴港旅客需求之預測為例。中國統計學報，第三四卷第二期，頁132-161。
郭明哲(1976)。預測方法─理論與實例。台北：中興管理顧問公司。
陳石麟(2003)。資料採礦於預測國人出國觀光需求之應用-以整體、香港和澳門為例。國立台灣大學資訊管理研究所碩士論文，未出版，台北市。
陳怡融(1996)。改良型指數平滑模式應用於台灣工業產品的實證研究。私立大同工學院事業經營研究所碩士論文，未出版，台北市。
陳淑女(2000)。台灣地區國家公園遊客量之預測。私立朝陽科技大學休閒事業管理學系碩士論文，未出版，台中縣。
陳敦基(1993)。來華與出國觀光旅客人數預測模式建立之研究。台北：交通部觀光局委託私立淡江大學管理科學系，頁130-162。
陳寬裕(2007)。演化式支援向量迴歸於旅遊需求之預測。私立長榮大學經營管理研究所博士論文，未出版。
陳寬裕、何嘉惠、蕭宏誠(2004)。應用支援向量迴歸於國際旅遊需求之預測。旅遊管理研究，第四期第一卷，頁81-97。
閔辰華(2002)。九二一大地震對日本來華觀光旅客之衝擊。交大管理學報。第二十二期，頁89-110。
黃承龍、陳穆臻、王界人(2004)。支援向量機於信用評等之運用。計量管理期刊，第一期第二卷，頁155-172。
黃昭通(1994)。重力模式應用於戶外遊憩需求預測之實証研究-以南投縣境內之遊憩區為例。國立中興大學森林學系碩士論文，未出版，台中市。
黃敏菁(2005)。支援向量機在財務時間序列預測之應用。私立輔仁大學金融研究所，台北。
溫坤禮、黃宜豐、陳繁雄、李元秉、連志峰、賴家瑞(2002)。灰預測原理與應用。台北：全華科技圖書股份有限公司。
溫坤禮、趙忠賢、張宏志、陳曉瑩、溫惠筑(2009)。灰色理論與應用。台北市：五南圖書出版公司。
蔡政湋(2003)。國人出國觀光需求之研究-以美國、日本、香港、泰國為例。朝陽科技大學休閒事業管理研究所碩士論文，未出版，台中縣。
鄭天澤、時巧煒(1995)。來華觀光旅客需求預測模式比較分析。管理評論，第十四卷第一期，頁77-116。
鄭金波(1988)。類神經網路隨機倒傳遞學習法則於電力負載預測之應用。國立中山大學電機工程研究所碩士論文，未出版，高雄市。
鄭魁香(1999)。結合類神經網路應用於地震災害預測。第四屆灰色系統理論與應用研討會論文集，高雄，頁57-64。
薛國強(1996)。應用類神經網路與模糊神經網路於智慧型銷售量預測系統建立之研究。私立高雄工學院管理科學研究所碩士論文，未出版，高雄縣。
蘇高利、鄧芳萍(2006)。關於支持向量迴歸機的模型選擇。科技通報，第二十二期第二卷，頁154-158。