一种基于百度指数的城市日游客规模预测方法

百度指数数据为预测游客规模提供了新思路。以杭州市为例，首先研究新浪微博签到数据与统计年鉴中实际游客量的关系，用新浪微博签到人数模拟实际旅游人数，建立杭州市日游客规模自回归移动平均（auto regressive moving average,ARMA）模型，并进行预测；然后结合计量经济学中的协整检验和格兰杰因果关系检验，分析百度指数与微博签到人数之间的关系，利用百度指数空间分布特征及主成分分析后提取的3个解释变量构建向量自回归（vector auto regression,VAR）模型；最后比较了2个模型的预测精度。结果显示，百度指数存在地理空间属性，且与新浪微博签到人数互为格兰杰因果关系，存在1~23 d的滞后期。此外，相比ARMA模型，考虑了百度指数地理属性的VAR模型在样本期内的预测精度提高了13.1%，在样本期外的预测精度提高了27.9%。研究表明，百度指数的时间和空间属性对游客规模预测有重要意义和价值。     

基于最小二乘法赋权的ARIMA-LSTM模型预测入境旅游人数——以上海市为例

为降低新冠病毒感染疫情大流行对旅游业的二次冲击，对疫情防控期间入境旅游市场的需求进行准确预测可为后期旅游业复苏提供科学依据。以上海市为研究区域，选取入境旅游人数、主要客源国、谷歌搜索指数、新增确诊病例数等数据，定量分析疫情前后入境旅游人数的空间变化特征及时间变化趋势，并用基于最小二乘法赋权的ARIMA-LSTM模型预测疫情后的入境旅游人数。结果表明：(1)疫情发生前后，亚洲客源市场一直占据入境旅游市场的核心地位，且传统入境游客与非传统入境游客的比例约为9∶1;(2)入境旅游人数与谷歌搜索指数存在长期正相关及格兰杰因果关系，与确诊病例数无明显相关性；(3)通过对比模型评价指标发现，当ARIMA-LSTM模型的R²大于0.8时，拟合较好，预测误差较单一模型小，预测精度较单一模型高，适用于疫情前、中、后期的旅游人数恢复预测；(4)对2021—2024年入境旅游人数进行恢复预测，发现该期间入境旅游人数呈明显的U形曲线。自2022年12月疫情全面放开后，旅游业逐步恢复，预计入境旅游人数在2024年12月恢复至疫情前水平，即需1.5 a的恢复期。     

一种基于百度指数的城市日游客规模预测方法

百度指数数据为预测游客规模提供了新思路。以杭州市为例,首先研究新浪微博签到数据与统计年鉴中实际游客量的关系,用新浪微博签到人数模拟实际旅游人数,建立杭州市日游客规模自回归移动平均（auto regressive moving average,ARMA）模型,并进行预测;然后结合计量经济学中的协整检验和格兰杰因果关系检验,分析百度指数与微博签到人数之间的关系,利用百度指数空间分布特征及主成分分析后提取的3个解释变量构建向量自回归（vector auto regression,VAR）模型;最后比较了2个模型的预测精度。结果显示,百度指数存在地理空间属性,且与新浪微博签到人数互为格兰杰因果关系,存在1~23 d的滞后期。此外,相比ARMA模型,考虑了百度指数地理属性的VAR模型在样本期内的预测精度提高了13.1%,在样本期外的预测精度提高了27.9%。研究表明,百度指数的时间和空间属性对游客规模预测有重要意义和价值。     

基于GPU加速的遥感影像金字塔创建算法及其在土地遥感影像管理中的应用

摘要：为提高单个计算节点创建影像金字塔的速度,本研究首先将GPU并行技术用于加速影像重采样算法.影像重采样算法是影像金字塔创建算法的核心步骤,由于金字塔创建过程中数据量会不断发生变化,而数据量的大小直接影响GPU重采样算法效率.提出了一种基于阈值的金字塔遥感影像创建算法,算法将GPU并行与CPU串行遥感影像重采样算法结合,在创建影像金字塔时,依据阈值动态选择不同的重采样算法,并将本算法应用到土地遥感影像金字塔管理中.实验采用大小为10371×7945的24位遥感影像进行测试,结果表明：①基于GPU的并行重采样算法的速度最快,是基于CPU串行重采样算法的10倍;②采用本文算法创建金字塔速度是ArcGIS9.3创建金字塔速度的3倍以上.     

基于机器学习的非线性局部Lyapunov向量集合预报订正

基于Lorenz96模型初步探讨了机器学习算法提高非线性局部Lyapunov向量(NLLV)集合预报效果的可行性和有效性.结果表明:基于岭回归算法和NLLV集合预报结果建立的机器学习模型(Ens-ML)能够有效提高整体预报技巧,而且优于集合平均预报(Ens Ave)、控制预报(Ctrl)以及基于Ctrl结果建立的机器学习模型(Ctrl-ML).同时,还发现Ens-ML的预报技巧改进程度依赖于集合成员的数量,即增加集合成员数有助于提高Ens-ML模型的整体预报准确率.通过对比个例预报表现得到,随着预报时间延长, Ens-ML, Ctrl-ML和Ens Ave的个例预报误差逐渐小于Ctrl.进一步分析Ens-ML, Ctrl-ML和Ens Ave预报的吸引子,发现它们的概率分布的值域收缩、峰度增大并向平均值靠拢,尤其Ens-ML的表现更为明显.