基于多源数据与TVP-SSM模型的外部事件下酒店运营动态预测研究

《Journal of Innovation & Knowledge》：Innovative knowledge-based system for forecasting daily hotel operations amid external events using multi-source data: A time-varying parameter state-space model

本研究针对外部冲击下酒店入住率预测精度不足的问题，构建了融合搜索引擎数据、官方统计、干预变量和周期变量的时变参数状态空间模型（TVP-SSM）。通过杭州酒店业实证分析表明，TVP-SSM-1模型的预测精度较基准模型显著提升（RMSE和MAPE分别最高提升86%和87%），能够有效捕捉COVID-19等外部事件的动态影响，为行业应急管理提供创新方法论支持。

　　

在旅游业蓬勃发展的背景下，酒店入住率的精准预测一直是行业管理的核心难题。传统预测模型在平稳时期表现良好，但面临疫情等外部冲击时往往失灵——2020年突如其来的COVID-19 pandemic使全球酒店业陷入停滞，暴露出传统模型无法动态捕捉突发事件影响的致命缺陷。现有研究虽尝试引入搜索引擎数据(SED)或干预变量，但多数模型参数固定，仅能反映冲击的平均效应，无法模拟政策调控下影响的实时演变规律。这一瓶颈促使浙江工商大学统计与数据科学学院的研究团队在《Journal of Innovation & Knowledge》发表创新成果，通过构建时变参数状态空间模型（TVP-SSM），实现了外部事件下酒店运营的动态预报。

为突破预测瓶颈，研究团队整合四类关键数据源：官方统计数据（杭州湖滨路客流量、萧山机场旅客量）、百度搜索引擎数据(SED)、COVID-19干预变量（按疫情阶段设置脉冲函数）以及节假日/周末周期变量。技术方法上主要采用：① LASSO回归进行搜索引擎关键词降维筛选；② 状态空间模型与卡尔曼滤波算法实现参数动态估计；③ 基于RMSE（均方根误差）和MAPE（平均绝对百分比误差）的多步预测精度评估体系；④ 迪博-马里亚诺检验(DM test)验证模型显著性。

研究结果揭示三大核心发现：

1. 1.
   模型参数估计验证多源数据有效性：TVP-SSM-1模型显示官方统计数据（湖滨路客流量系数0.3599、机场客流系数0.6087）与SED变量（系数0.4918）均显著正向影响入住率，而COVID-19干预变量（系数-0.0830）与春节变量（-0.1821）呈负向影响，证实多源数据的互补价值。
2. 2.
   外部事件动态影响的可视化解析：通过卡尔曼滤波追踪参数变化，发现COVID-19在全面爆发期（2020.01-06）的影响呈倒U型曲线，2月下旬达峰值后随防控措施生效逐步衰减；而在零星爆发期（2021.01-02/07-08），影响幅度明显减弱且波动收窄。节假日效应中，国庆节期间入住率提升幅度（2020年＞2021年）与疫情管控松紧度直接相关，春节则持续呈现"返乡效应"导致的负向影响。
3. 3.
   预测性能的量化比较：在4-16步超前预测中，TVP-SSM-1模型（含干预与周期变量）全面优于7类基准模型。相较于未包含干预变量的TVP-SSM-2模型，RMSE和MAPE平均提升74%和76%；与朴素模型(NAIVE)相比，精度提升幅度达86%-87%。DM检验进一步证实TVP-SSM-1在多数预测步长下具有统计显著性优势（p<0.05）。

结论部分强调，本研究构建的TVP-SSM框架首次实现对外部冲击"多阶段动态影响"的量化刻画，突破传统模型仅能反映"平均影响"的局限。其方法论价值体现在三方面：一是通过SED与官方统计的融合提升数据维度；二是借助状态空间模型的结构灵活性捕捉参数时变性；三是建立的预测流程可扩展至宏观经济、交通流量等领域。实践层面，该模型能为酒店业提供应对突发事件的动态决策支持，例如通过实时监测干预变量系数变化，管理者可提前调整房源配置与定价策略。

讨论中作者指出三方面局限：一是数据源仅限百度平台，未来可整合谷歌、微博等多平台数据；二是案例局限于杭州、舟山，需验证区域异质性；三是干预变量仅用0/1赋值，未能区分事件强度梯度。这些方向为后续研究指明路径，包括开发多模态数据融合框架、建立跨区域对比数据库，以及引入连续型冲击强度指标等创新点。