《Forecasting》：Forecasting the Evolving Composition of Guest Origin Markets in Platform Bookings: A Bayesian Compositional Time-Series Approach Using Airbnb Data
编辑推荐：
旅游需求预测主要关注总量，忽视了需求来源的问题。研究人员直接对此进行预测。研究人员做出三项贡献。第一，研究人员将贝叶斯狄利克雷自回归移动平均模型（BDARMA）应用于大规模平台预订数据中的客源构成，据研究人员所知，这是首次将贝叶斯成分时间序列方法用于多个全球目
旅游需求预测主要关注总量，忽视了需求来源的问题。研究人员直接对此进行预测。研究人员做出三项贡献。第一，研究人员将贝叶斯狄利克雷自回归移动平均模型（BDARMA）应用于大规模平台预订数据中的客源构成，据研究人员所知，这是首次将贝叶斯成分时间序列方法用于多个全球目的地区域的预订起源份额。第二，研究人员在狄利克雷精度参数中引入季节性结构，并通过与完全相同的常数精度规格进行消融对比来分离其贡献：季节性精度在所有四个目的地区域均降低了平均绝对误差，降幅在13%至35%之间。第三，预测目标是以预订日期而非入住日期索引的月度预订构成，这使其在到达实现之前即可观测，因此可用于需要长前置时间的决策。研究人员使用2017–2025年间四个目的地区域的专有Airbnb预订数据，记录了疫情时期预订构成的显著变化，并呈现异质性的恢复模式。在滚动原点评估中，BDARMA在构成最多样化的EMEA区域实现了最低的预测误差，相对于朴素预测降低了27%的平均绝对误差。其他区域的表现则参差不齐：简单基准仍难以超越，而对等距对数比变换数据应用指数平滑法在四个区域平均误差最低。EMEA模式表明，直接成分建模在多个起源市场持有实质性份额时最有价值，尽管四个目的地区域不足以将其确立为一般规律。该方法论可生成源市场份额的概率预测，为营销分配、集中度风险监控和前瞻性运营规划提供信息。
**研究背景与问题**
旅游需求预测长期集中于总量预测，忽视了需求来源构成的问题。客源市场构成的演变对目的地营销组织（DMOs）的预算分配、集中度风险监控及运营规划至关重要，因为这些决策需在到达实现前数月做出，且难以逆转。现有方法忽略成分数据的约束（份额之和为1且介于0-1之间），导致预测不连贯。因此，研究人员旨在直接预测平台预订中客源市场构成的演变，并提出一种贝叶斯成分时间序列方法。该论文发表在《Forecasting》。
**研究内容与结论**
研究人员应用贝叶斯狄利克雷自回归移动平均模型（BDARMA）至Airbnb全球预订数据（2017-2025年，涵盖EMEA、北美、亚太和拉丁美洲四个目的地区域），以预订日期为索引构建月度客源构成序列。研究引入季节性精度参数，并通过消融实验验证其作用。主要结论：BDARMA在EMEA区域（最具构成多样性）预测误差最低，较朴素预测降低27%（p<0.001）；季节性精度在所有区域提升点预测精度（13%-35%）；COVID-19疫情导致构成剧烈变化，如亚太区域中国起源份额暴跌、EMEA区域法国起源份额激增，恢复模式异质。意义在于为目的地管理提供概率性源市场预测，支持营销分配、集中度风险监控和运营规划。
**关键技术方法**
研究人员采用BDARMA框架，将狄利克雷似然与向量自回归移动平均（VARMA）动态结合，通过等距对数比（ILR）变换参数化均值，并使用傅里叶项捕捉季节性。狄利克雷精度参数引入季节性结构（方程4）。模型通过马尔可夫链蒙特卡洛（MCMC）在Stan中估计，使用14个滚动原点进行外样本评估，比较5个基准（朴素、季节性朴素、滚动均值、ILR变换指数平滑、ILR变换SARIMA）。数据来源：Airbnb内部预订数据仓库，2017年1月至2025年12月，四个目的地区域，每区域108个月度观测，客源分类为前七大市场加“其他”类别。
**研究结果**
**5.1 模型选择**：通过留一法交叉验证（LOO-CV）选择BDARMA阶数。EMEA采用BDARMA(2,1)，其他区域采用BDARMA(1,1)。MA(1)项一致改善拟合，表明成分冲击具有持续影响。
**5.2 评估协议**：固定滚动原点设计，14个原点自2022年1月起每3个月递增，预测1-6个月。BDARMA参数在每一原点重估，基准方法自动重选阶数。
**5.3 预测精度**：BDARMA在EMEA平均绝对误差（MAE）最低（0.0060），较朴素预测降低27%，较SARIMA降低8%。跨区域平均，指数平滑法（ETS）MAE最低（0.0086），BDARMA次之（0.0089）。BDARMA在构成多样的EMEA表现最优，在北美（NAMER）因美国主导接近常数而与其他方法相似，在拉丁美洲（LATAM）被ETS超越，在亚太（APAC）被朴素预测和ETS超越，反映后疫情恢复路径的持续性。
**5.4 常数与季节性精度对比**：通过消融实验，将所选BDARMA的精度方程简化为截距，其余完全一致。季节性精度在所有区域降低点预测误差：LATAM降13%，EMEA降23%，NAMER降34%，APAC降35%。在14个原点中，季节性精度在多数原点产生更优误差。
**5.5 统计显著性**：使用Diebold-Mariano检验（EMEA区域，84个原点- horizon损失差分）。BDARMA损失低于朴素预测（p<0.001）、季节性朴素（p=0.008）和ETS（p=0.005），与SARIMA比较边缘（p=0.070）。全区域20次比较中，9次经Holm校正后仍显著。更为保守的原点级分析显示，EMEA与朴素和ETS的比较仍显著（p<0.05）。
**5.6 预测可视化**：展示首个评估原点（2022年1月）EMEA的BDARMA(2,1)预测，捕捉法国、英国、德国、美国四大起源的后疫情恢复动态，并显示80%后验预测区间。
**5.7 成分级别精度**：EMEA各成分MAE显示，BDARMA在美国（改善44%）和荷兰（改善50%）表现突出，但在法国、意大利等成分上不如SARIMA或季节性朴素。总体优势源于少数成分的大幅改善。
**5.8 疫情期间构成变化**：分析疫情前后基线偏差，显示APAC中国起源份额下降超20个百分点，EMEA法国起源激增约25个百分点，NAMER美国主导增强15个百分点，LATAM巴西起源短暂上升后正常化。BDARMA的自回归结构适应这种制度变化，而季节性朴素预测因使用上年同期值而失败。
**讨论与结论**
**总结讨论**：BDARMA在EMEA实现最低预测误差，而ETS在跨区域平均中略优（0.0086 vs 0.0089）。季节性精度在所有区域提升点精度，但未评估区间校准。BDARMA(1,1)在三个区域得到最佳拟合，BDARMA(2,1)适用于EMEA。模型优势与市场结构相关：在多个起源竞争（份额5-25%）的EMEA最优，在单一主导的NAMER与简单方法可比，在平滑趋势的LATAM被ETS超越，在单一恢复路径主导的APAC被朴素预测超越。与Gunter et al. (2022) 的结论一致：疫情期间预测奖励制度适应与季节性结构的结合。
**翻译结论**：本文开发并应用了贝叶斯狄利克雷自回归移动平均模型来预测Airbnb预订中客源市场的演变构成。整个目标为预订月份构成，因此结果应解读为平台预订需求和预订管道的预测，而非入住月份到达的直接预测。研究人员对四个主要目的地区域108个月的预订数据进行分析表明，BDARMA在EMEA区域较朴素方法降低27%的预测误差，在合并和原点级比较中均具有强证据（p<0.001）。BDARMA在EMEA、NAMER和APAC区域的误差也低于季节性朴素预测。合并比较提供Holm校正证据支持NAMER和APAC，而更保守的原点级敏感分析仅对APAC保留清晰统计证据。跨区域平均，ETS实现最低误差，BDARMA紧随其后；BDARMA的优势集中在构成多样的市场，即多个起源市场份额在5-25%范围内竞争。COVID-19疫情导致显著的构成变化，最显著的是亚太区域中国起源份额崩溃以及所有目的地区域内预订激增，恢复轨迹因区域而异。模型通过自回归和移动平均项捕捉这些动态，而狄利克雷似然确保预测保持有效概率分布。允许精度参数的季节性变化相对于完全相同的常数精度规格，在每个目的地区域将点预测精度提升13%至35%（条件于各区域所选的自回归和移动平均结构）。该比较涉及点精度，区间校准的相应影响尚未确定。方法论贡献在于将贝叶斯成分时间序列的近期进展引入旅游预测，并明确关注预订日期起源份额。实证贡献记录了疫情期间及之后客源市场构成的显著异质性，对目的地营销策略具有直接意义。本文开篇提出的三项决策——跨源市场营销预算分配、集中度风险监控和物业级运营规划——均需提前数月做出，一旦承诺难以逆转，且关键依赖于需求构成而非总量。BDARMA框架以其连贯的单纯形值预测和不确定性量化，正是为此类决策设计。随着旅游市场因旅行偏好、经济条件和潜在未来干扰而持续演变，在前瞻性预订数据中预测需求构成的能力仍是目的地利益相关者的实际需求。
