模型建立與評量方式

2 0 1 3 D r . T u n g C h u n g T s a i

第三節 模型建立與評量方式

一、 預測模型建立

(一)變數設定

本研究以月為單位來進行估算，並考量網路口碑情緒分數、經濟指標與 Googles trends 網路熱門搜索度影響小琉球當季旅遊人數之因素，將設定 7 個 輸出變數分別為情緒分數、Googles trends 熱門搜索度、失業率、國內生產毛 額、消費者物價指數、股價指數、以及貨幣供給率；小琉球旅遊人數當作輸出變 數.而本研究是利用 PCNeuron4.0 程式，並加入自變數加依變數除以 2 所得到的 偏權值等於 4。本研究之預測模型如下圖 3-7

X1： 情緒分數；

X2：Googles trends;

X3：失業率；

X4：國內生產毛額；

X5：消費者物價指數；

X6：股價指數；

X7：貨幣供給率；

Ｊ^１－４：加權值

Y :依變數-旅遊人數

圖 3-7 研究預測模型圖 資料來源 :本研究整理

© 2 0 1 3 D r . T u n g C h u n g T s a i

2.樣本及網路參數設定

為了避免順練過度的問題，本研究除了訓練、測試樣本外，還增加了驗證 樣本，一樣利用 PCNeuron4.0 程式，先利用訓練、測試樣本建立模型之後，在輔 以一組樣本驗證範例，來確定及準確值，其檢驗標準為誤差均方根（Root of mean square，RMS）值，其值愈低表示及誤差收斂愈佳。

本研究以 2009 至 2013 年 6 合計 54 本進行訓練及測試所得之優良預測 模型，其網路參數設定如下表 3-6

表 3-6 倒傳遞類神經網路參數設定項目值

項目 設定值 項目 設定值

1.輸入單元數 1.2 10.是否使用以學習之

網路連結加權值 否

2.第一隱藏層單元數 3、4 11.加權值值域 0.3 3.第二隱藏層單元數 未使用 12.亂數種子 0.456 4.輪出處理單元數 1 13.學習速率初始值 1 5.訓練範例數 40 14.學習速率折減係數 0.95 6.測試範例數 14 15.學習速率下限值 0.1 7.學習循環數目 1000 16.慣性因子初始值 0.5 8.測試週期 10 17.慣性因子折減係數 0.95 9.是否使用批次學習 否 18.慣性因子下限值 0.1 資料來源：葉怡成(2009)

© 2 0 1 3 D r . T u n g C h u n g T s a i

二、評量方式

本研究在經過斷詞處理，特徵詞篩選，擷取網路部落客之旅遊情緒之後，在經 由公式將情緒分數量化，並規劃利用類神經網路 (Neural Network)建立模型，來推 估小琉球的遊客人數。接著便利用平均絕對誤差百分比(MAPE, Mean Absolute Percentage Error)，來作為類神經演算清確度的評量依據。公式如下:

At ：目標值 Ft ：推估值

本研究對於MAPE值的判定、則是採用學者 Lewis (1982)的分類，如表所示，

MAPE值越小，越接近0，其預測能力即越好；反之，當MAPE值越大，則其實際與 預測的誤差越大，預測能力也就越差，>50%便是被認定為不合理。

表3-7 MAPE預測能力尺度表

MAPE 效果

<10% 預測能力極佳

10%~20% 預測能力優良

20%~50% 預測能力合理

>50% 預測不正確 資料來源：Lewis(1982)

© 2 0 1 3 D r . T u n g C h u n g T s a i

第四章 實證結果分析

第一節、 各變數樣本資料

本研究透過第三章所收集 2009 年 1 月起，至 2003 年 12 月止的各類變數樣 本資料，並建立模型，並將這些變數樣本資料整理成原始資料庫以利於本研究進 行旅遊景氣溫度預測分析。本研究將輸出變數的設定分別為網路口碑情緒分數、

貨幣供給率、失業率、國內生產毛額、消費者物價指數、股價指數以及 Googles trends 熱門搜索度，而小琉球遊客量當作輸出變數.，各自變數的描述性統計如 表 4-1 所示:

表 4-1 變數描述性統計表

變數類型 變數名稱 最小值 最大值 平均數 標準差 依變數 遊客量 6911 63499 24875.2 12413.11 網路口碑 情緒分數 24 450 173.4 92.92 網路搜索

熱門度

Google Trend 28 394 66.2 34.25 (筆數)

經濟指標

失業率(%) 4.06 6.13 4.77 0.69 國內生產毛額 2986363 3812911 3419200 206141 (元)

消費者物價指數 96.13 104.06 100.18 2.11 股價指數 4475.14 8970.76 7614.13 936.90 貨幣供給額(元) 8327910 13274088 11293000 1218730 資料來源 : 本研究整理

本研究透過以上表整理，以最小值、最大值、平均數以及標準差等四種描述 性統計的展示，來呈現各類變數樣本的分布情形。

©

© 2 0 1 3 D r . T u n g C h u n g T s a i

便極度不穩，容易暈船造成遊客體驗不佳，其次便是因為候船時間，現今小 琉球交通船，公營一艘，民營五艘，每艘約可載 190 人上下，但一到假日單 日遊客量會突破萬人，造成候船時間過於冗長，往往便會產生負面情緒。

圖 4-1 2009 年至 2013 年小琉球情緒分數柱狀圖

圖 4-2 2009 年至 2013 年小琉球遊客量直線圖

比較圖 4-1 以及圖 4-2 可看出，小琉球的遊客量從 2009 年便開始逐年 成長，最高更突破 60000 人，而網路情緒分數的討論也是逐年提高，也可發現小 琉球的遊客量與網路情緒分數相當的季節波動性

© 2 0 1 3 D r . T u n g C h u n g T s a i

第二節 實證結果分析

本文根據研究目的為小琉球旅遊景氣溫度建立了預測模型；此外，依據研究 設計，利用不同的自變數產生四種的變數組合類型，分別投入小琉球旅遊景氣溫 度的預測模型進行預測。及四種變數組合如表 4-3 所示:

表 4-3 投入變數組合表

模型名稱 投入變數

情緒分數預測模型

(Mood Score index model; MSM)

1

情緒分數結合 Google trends 預測模型

(Mood Score、Google Trends index model;MSGM)

1、2

情緒分數結合經濟指標預測模型

(Mood Score、Economic index model;MSEM)

1 3 4 5 6 7

情緒分數、Google trends 結合經濟指標模型

(Mood Score、Google Trends、Economic index model;

MSGEM)

1 2 3 4 5 6 7

1 網路情緒分數 5 消費者物價指數 2 Google trends 6 股價指數 3 失業率 7 貨幣供給額 4 國內生產毛額

資料來源:研究者整理

© 2 0 1 3 D r . T u n g C h u n g T s a i

一、 情緒分數預測模型(MSM)

本研究按照研究設計之步驟所述，利用 2009 年一月至 2013 年六月期間之所 蒐集的合計 54 個月份之遊客量當依變數，並利用這段時間從網路口碑分析中所 的的情緒分數當自變數進行預測模型之訓練及測試，在研究的過程中，選取當中 10 個月份之樣本資料當驗證範例訓練，最後本文利用情緒分數預測模型其分析 以及評估結果如下表 4-4 所示

表 4-4 情緒分數預測模型(MSM)分析表

預測模型 項目 數值

情緒分數 預測模型

分析項目

(訓練、測試)樣本 (38,16) 輸入層單位數 1 隱藏層 1 輸出層單位數 1 測試模型之 RMS 0.00570 驗證模型之 RMS 0.01225 評估項目 MAPE 17.93%

資料來源 : 本研究整理

由表 4-4 所示，本研究之情緒分數預測模型乃採用 38 個訓練樣本與 16 個測 試樣本，並選擇 1 層隱藏層及 1 個輸入層單位數和 1 個輸出層單位數，總樣本 54 所得之預測模型。

情緒分數預測模型之測試模型之 RMS(誤差均方根)為 0.00570，顯示出經濟 指標預測模型的誤差收斂表現優良，預測值的結果與實際值誤差不大；然後再投 入 10 個月份之樣本資料當驗證範例訓練，得出驗證模型之 RMS 為 0.01225，證 明情緒分數預測模型訓練成效表現良好，沒有發生過度學習的狀況，而訓練模型 與驗證模型兩個模型之間的 RMS 差距不大，這代表著情緒分數預測模型具有相當 的普遍性，對於訓練樣本以外的樣本也同樣保有相當貼近的預測能力。

© 2 0 1 3 D r . T u n g C h u n g T s a i

接著本研究利用情緒分數預測模型對 10 個選取樣本進行預測，並利用第三 章研究設計與方法所述，對於進行模型預測之後所得之預測值與實際值進行比較 演算，得出 MAPE 值為 17.93%，對照 MAPE 預測能力尺度表顯示，情緒分數預測 模型之預測精準度達優良之程度。

本研究利用情緒分數預測模型，而為比較不同時間之情緒分數對遊客量之影 響，因此將樣本中各月之網路情緒分數分別做不平移以及向前平移一至六個月等 七種不同時間模式，再根據預估準確度來觀察推測結果之效率。來驗證網路情緒 對於預測時間點之影響。及結果如表 4-7 所示

表 4-5 MSM 網路情緒分數平移之預測尺度能力表

網路情緒分數平移月份 MAPE

0 個月 19.39%

1 個月 17.93%*

2 個月 19.26%

3 個月 21.66%

4 個月 22.74%

5 個月 21.13%

6 個月 24.64%

資料來源 : 研究者整理 *表示最佳

根據上表結果顯示，網路口碑情緒分數跟小琉球旅遊人數之時間軸曲線有近 似性，時間約有領先 1 至 2 個月的趨勢。而以旅遊人數平移 1 個月的網路情緒 分數與小琉球旅遊人數統計數之關係最為接近，所得之預測模型最為準確，因此 有關情緒模型的建立，情緒分數皆以平移一個月為基準。

© 驗證範例訓練，本文利用情緒分數結合 Google trends 預測模型其分析以及評估 結果如下表 4-6 所示

情緒分數結合 Google trends 預測模型之測試模型之 RMS(誤差均方根)為 0.00519，顯示出情緒分數結合 Google trends 預測模型的誤差收斂表現優良，

並且預測值的結果與實際值誤差甚小；然後再投入 10 個月份之樣本資料當驗證 範例訓練，得出驗證模型之 RMS 為 0.01088，證明情緒分數結合 Google trends 預測模型訓練成效表現良好，沒有發生過度學習的狀況，而訓練模型與驗證模型

© 2 0 1 3 D r . T u n g C h u n g T s a i

兩個模型之間的 RMS 值均不高，這代表著情緒分數結合 Google trends 預測模型 具有相當的普遍性，對於訓練樣本以外的其他樣本也同樣保有相當貼近的預測能 力。

最後本研究利用經濟指標結合 Google trends 預測模型對 10 個選取樣本進 行預測，並利用第三章研究設計與方法所述，對於進行模型預測之後所得之預測 值與實際值進行比較演算，得出 MAPE 值為 16.51%，對照 MAPE 預測能力尺度表 顯示，經濟指標預測結合 Google trends 模型之預測精準度達優良之程度。

三、情緒分數結合經濟指標預測模型(MSEM)

此模型同樣按照研究設計之步驟所述，利用 2009 年一月至 2013 年六月期間 之所蒐集的合計 54 個月份之遊客量當依變數，除了除了網路情緒分數之外，還 增加了五項傳統的經濟指標，其包含了股價指數、消費者物價指數、國內生產毛 額、失業率以及貨幣供給額當自變數進行預測模型之訓練及測試，並同樣選取當 中 10 個月份之樣本資料當驗證範例訓練，本文利用經濟指標結合網路情緒預測 模型其分析以及評估結果如下表 4-7 所示

表 4-7 情緒分數結合經濟指標預測模型(MSEM)分析表

預測模型 項目 數值

情緒分數 結合經濟指標

預測模型 (平移一個月)

分析項目

(訓練、測試)樣本 (38,16) 輸入層單位數 6 隱藏層 1 輸出層單位數 1 測試模型之 RMS 0.00506 驗證模型之 RMS 0.01245 評估項目 MAPE 18.52%

資料來源 : 本研究整理

© 2 0 1 3 D r . T u n g C h u n g T s a i

試樣本，並選擇 1 層隱藏層及 6 個輸入層單位數和 1 個輸出層單位數，總樣本 54 所得之預測模型。

情緒分數結合經濟指標預測模型之測試模型之 RMS(誤差均方根)為 0.00506，

顯示出情緒分數結合經濟指標的誤差收斂表現佳，預測值的結果與實際值誤差微 小；然後再投入 10 個月份之樣本資料當驗證範例訓練，得出驗證模型之 RMS 為

顯示出情緒分數結合經濟指標的誤差收斂表現佳，預測值的結果與實際值誤差微 小；然後再投入 10 個月份之樣本資料當驗證範例訓練，得出驗證模型之 RMS 為