课程设计数学建模

数学建模课程设计论文题目哈尔滨市旅游需求预测与分析摘要：随着社会的发展和人民生活水平的提高，旅游业已成为一项蓬勃发展的产业，并逐渐成为经济发展的支柱产业。旅游需求的正确预测对旅游业、交通运输业、餐饮业等相关行业有着重要意义。本文通过对哈尔滨市旅游方面历史数据进行收集和整理，分析哈尔滨的旅游资源、环境、交通、季节、服务质量等因素对旅游需求的影响，建立关于旅游需求的多元回归模型，并对模型进行检验，结果表明：多元回归模型可以反映出各种因素对旅游需求的影响权重，同时预测的误差较小，更好的反映了实际。同时，给出为了能够用数学建模的方法对旅游需求进行短期内预测、中长期预测所要做的工作。最后，向哈尔滨有关旅游部门提出具体的政策建议加快哈尔滨旅游业发展。关键词：旅游需求短期内预测中长期预测多元回归政策建议一、问题重述中国十大城市之一——哈尔滨的旅游资源极其丰富，是一个国际旅游大省。合理规划正确地预测预报旅游需求对促进我们各地区的经济发展和文化交流有着重要意义。哈尔滨，是沟通东北亚、欧洲和太平洋的重要连接点，号称“天鹅项下的珍珠”，是幅射全省旅游景区的交通枢纽，也是以冰雪、避暑旅游为主要特色的多功能旅游城市。。哈尔滨境内，哈尔滨人文历史悠久，不仅荟萃北方少数民族的历史文化，而且是中外文化结合的名城。哈尔滨文庙、极乐寺和西方古典式建筑及造型奇特的东正教、天主教、基督教的教堂，将市区装扮得多姿多彩，被誉为“东方小巴黎”镶嵌在松花江航道北侧的太阳岛风景区，碧水环抱，幽雅静谧，野趣横生。盛夏时节，沿岸长堤垂柳白沙细软，是天然的日光浴场；冬季来临，冰封雪飘，是开展冬泳、冰帆、雪橇等冰雪娱乐的理想场所。素有“冰城”之称的哈尔滨将逐步开发建设成全国冰雪旅游的中心。2001—2010年，哈尔滨旅游业既享受了我省成功创建“中国优秀旅游城市”、获取“中国魅力城市”殊荣和太阳岛荣晋“世界湿地”行列的喜悦，又承受了“非典”疫情的沉重打击，总体呈现稳健、持续的发展态势。资料显示，从2001到2005年，哈尔滨市旅游业发展指数（接待入境人数、旅游外汇收入、接待国内旅游人数、国内旅游收入、旅游总收入）分别以年平均23.6%、35.3%、14.1%、18.0%、19.9%、15.53%---/14下，可以对今后几年的旅游需求进行预测预报，可见旅游需求的预测预报同样需求其他方面的支持。以后进行旅游需求预测预报时，考虑的旅游因素还应该包括：费用、季节、服务质量等综合因素。九、旅游预测预报前的准备工作通过对问题的分析，并结合我们的具体的建模过程，我们认为应该在进行旅游需求的预测预报之前做好以下工作：（1）历史数据的收集统计。为了进行预测预报，客观真实地统计数据必不可少，为了找出旅游资源、环境、交通等因素对旅游需求的影响，对这些因素发展变化的客观真实统计是必不可少的。（2）数据的分类整理。旅游方面数据很多，要统计数据也很多，应将其按一定分类方法将其分类。（3）重视数据的甄别和筛选。收集高质量的样本数据是建立预测模型的基础工作，对于预测工作者，数据当然是多多易善，但收集数据既浪费人力、物力，又浪费财力，所以数据的甄别和筛选是相对重要的。（4）突发事件对旅游影响的评定。比如2003年，突发的“非典”疫情，极大冲击着我国包括九江市的旅游需求量。（5）加强自身的预测能力。预测着预测水平的高低，掌握知识的多少，对预测结果的准确是否有着重大的关系，所以应该认真学习预测知识，掌握预测方法。十、给哈尔滨市部门政策建议一、问题重述二、问题分析与假设三、符号、定义说明四、模型建立及求解五、模型的检验六、模型的优缺点七、参考文献1】中国城乡居民国内旅游需求预测(2000--2010)2】哈尔滨市国民经济和谐社会发展统计公报3】郭悠然张之璞张雪滨北京市入境旅游需求的预测模型4】周理园.桂雄飞.敖磊九江市旅游需求的预测预报5】德德州学院学报2004年8月20卷4期刘富刚旅游需求影响因素分析【6】赵进文中国人口总量与GDP总量关系模型研究【7】中国城市GDP排名8】哈尔滨百百科9】哈尔滨日报2005.1张巍10】哈尔滨统计信息网11】多元线性回归模型分析的应用以汉中市中学教师薪金影响因素分析为例赵明珠1,张俊英1,亢晓龙八、附录附录一x1=[200120022003200420052006200720082009]';x2=[1120.11232.11414.81680.51830.420942436.82868.23258.1]';x3=[941.1948.3954.3970.23974.36980.3987.4989.9991.6]';x4=[7171827979869593100]';x5=[145155138183183180203203250]';y=[1154.01291.41359.61533.41821.42191.125183019.83772.8]';x=[ones(9,1),x1,x2,x3,x4,x5];[b,bint,r,rint,stats]=regress(y,x);b,bint,stats,rcoplot(r,rint)

附录二>>X1=[200120022003200420052006200720082009]X1=200120022003200420052006200720082009>>X2=[1120.1]>>X2=[1120.1]1232.11414.81680.51830.420942436.82868.23258.1X2=1.0e+003*1.41481.68051.83042.09402.43681.12011.23211.41481.68051.83042.09402.43682.86823.2581>>X3=[941.1948.3954.3970.23974.36980.3987.4989.9991.6]X3=941.1000948.3000954.3000970.2300974.3600980.3000987.4000989.9000991.6000>>X4=[7171827979869593100]X4=7171827979869593100>>X5=[145155138183183180203203250]X5=145155138183183180203203250>>Y=[1154.01291.41359.61533.41821.42191.125183019.83772.8]Y=1.0e+003*1.15401.29141.35963.01983.7728>>A=[111111111;X1;X2;X3A=1.0e+003*0.00100.00100.00100.00100.00102.00102.00202.00302.00802.00901.12011.23211.41482.86823.25810.94110.94830.95430.98990.99160.07100.07100.08200.09300.10000.14500.15500.13800.20300.25001.5334X4;X5]1.82142.19112.51800.00100.00100.00100.00102.00402.00502.00602.00701.68051.83042.09402.43680.97020.97440.98030.98740.07900.07900.08600.09500.18300.18300.18000.2030>>bi=conj(pinv(A'))*conj(Y')bi1.0e+005*-5.87030.00310.0000-0.0004-0.00000.0000>>yuce=[20103665.