第四章 結果與討論
第二節 研究結果分析
2 0 1 3 D r . T u n g C h u n g T s a i
第二節 研究結果分析
本研究欲利用倒傳遞網路建立墾丁旅遊市場溫度之模型，且為求預測準確 度，將分別以不同變數組合投入模型進行預測，本研究採用的模型組合分別 為：網路情緒結合經濟指標預測模型(Mood index & Economic Model；MEM)、
搜尋熱門度結合經濟指標預測模型(Google Trends index & Economic Model；
GEM)、經濟指標結合網路情緒及搜尋熱門度預測模型(Economic、Mood index
& Google Trends Model；EMGM)、利用 EMGM 模型結合資料平移(EMGMS)等 4 個預測模型，下列分別是各預測模型的實證結果。
一、網路情緒結合經濟指標預測模型(MEM)
本研究依前述研究設計，以 2009 年 1 月至 2013 年 6 月共計 54 筆月資料為 樣本，並輸入網路情緒分數及 5 項經濟指標進行預測模型之訓練測試，MEM 預 測模型之設定與評估結果如下表 。
表 4-2-1 MEM 模型分析表
MEM 預測模型 類別 數值
分析項目
(訓練、測試)樣本 (40,14)
輸入層單元數 6
隱藏層 1
輸出層單元數 1
測試模型之 RMS 0.00598 驗證模型之 RMS 0.01177
評估項目 MAPE 19.21%
資料來源：參考余家蕙(2014)研究整理
如上表 4-2-1 所示，MEM 模型以 40 個樣本訓練，14 個樣本測試，並以 1 層隱藏層執行運算，本模型測試之誤差均方根(RMS)為 0.00598 ，由此可得知 模型誤差收斂良好，預測值與實際值誤差小；另外再投入 10 個樣本進行驗證，
© 2 0 1 3 D r . T u n g C h u n g T s a i
驗證模型之 RMS 為 0.01177 ，說明本模型訓練習學習效果良好，且驗證模型之 RMS 值並無過小問題可避免過度學習，對訓練樣本以外的樣本有接近之預測能 力。最後以前述探討採用 MAPE 對 MEM 模型進行評估，其數值為 19.21% ，對 照 MAPE 預測力尺度表，MEM 模型具有良好之預測能力。
二、搜尋熱門度結合經濟指標預測模型(GEM)
為比較不同預測組合找出最佳預測模型，本研究將關鍵字搜尋熱門度結合 5 項經濟指標投入模型運算，GEM 預測模型之設定與評估結果如下表 4-2-2。
表 4-2-2 GEM 模型分析表
GEM 預測模型 類別 數值
分析項目
(訓練、測試)樣本 (40,14)
輸入層單元數 6
隱藏層 1
輸出層單元數 1
測試模型之 RMS 0.00535 驗證模型之 RMS 0.01479
評估項目 MAPE 18.12%
資料來源：參考余家蕙(2014)研究整理
如上表 4-2-2 所示，GEM 模型同樣以 40 個樣本訓練，14 個樣本測試，並以 1 層隱藏層執行運算，本模型測試之誤差均方根(RMS)為 0.00535，顯示模型誤 差收斂相當好；另外再次投入 10 個樣本進行驗證，驗證模型之 RMS 為 0.01479，說明本模型訓練習學習效果良好，且訓練模型與驗證模型之 RMS 值 差距小，對訓練樣本以為的樣本有接近之預測能力。最後以前述探討採用 MAPE 對 GEM 模型進行評估，其數值為 18.12% ，對照 MAPE 預測力尺度表，
GEM 模型具有良好之預測能力。
© 2 0 1 3 D r . T u n g C h u n g T s a i
三、網路情緒結合經濟指標及搜尋熱門度預測模型(EMGM)
本研究將 5 項經濟指標和網路情緒分數及關鍵字搜尋熱門度共 7 項指標投入 模型運算，嘗試瞭解在結合所有變數後，對預測模型的準確度的提升效能，
EMGM 預測模型之設定與評估結果如下表 4-2-3。
表 4-2-3 EMGM 模型分析表 EMGM 預測模
型 類別 數值
分析項目
(訓練、測試)樣本 (40,14)
輸入層單元數 7
隱藏層 1
輸出層單元數 1
測試模型之 RMS 0.00503 驗證模型之 RMS 0.01868
評估項目 MAPE 19.18%
資料來源：參考余家蕙(2014)研究整理
如上表 4-2-3 所示，EMGM 模型同樣以 40 個樣本訓練，14 個樣本測試，並 以 1 層隱藏層執行運算，本模型測試之誤差均方根(RMS)為 0.00503 ，顯示模型 之預測期望值與實際測試值誤差很少；另外再次投入 10 個樣本進行驗證，驗證 模型之 RMS 為 0.01868 ，說明本模型訓練習學習效果良好，且訓練模型與驗證 模型之 RMS 值相較偏低，說明本模型夠有較佳的普遍性和解釋力。最後以前述 探討採用 MAPE 對 EMGM 模型進行評估，其數值為 19.18%，對照 MAPE 預測 力尺度表，EMGM 模型具有良好之預測能力。
© 2 0 1 3 D r . T u n g C h u n g T s a i
四、 EMGM 模型結合資料平移(EMGMS)
最後，本研究採遲落法將 EMGM 模型運算當中的網路情緒分數、搜尋熱門 度及經濟指標往前平移 1～3 個月，嘗試檢驗此模型的預測能力，EMGM 預測模 型之設定與評估結果如下表 4-2-4。
表 4-2-4 EMGMS 模型分析表
EMGMS 預測模型 類別 數值
分析項目
(訓練、測試)樣本 (40,14)
輸入層單元數 7
隱藏層 1
輸出層單元數 1
平移 1 個月 EMGMS1 MAPE 15.81%
平移 2 個月 EMGMS2 MAPE 17.28%
平移 3 個月 EMGMS3 MAPE 14.98%
資料來源：本研究整理
如上表 4-2-4 所示，EMGMS 模型同樣以 40 個樣本訓練，14 個樣本測試，
並以 1 層隱藏層執行運算，當平移 1 個月時(EMGMS1)，模型 MAPE 值為 15.81%；當平移 2 個月時(EMGMS2)，模型 MAPE 值為 17.28%；當平移 3 個月 時(EMGMS3)，模型 MAPE 值為 14.98% ，對照 MAPE 預測力尺度表，以平移三 個月的 EMGMS1模型預測能力最高，且三個模型皆具有良好的預測能力，結果 顯示網路口碑情緒、Google Trends 及經濟指標對於墾丁未來的旅遊市場溫度之 具有優良預測力。
© 2 0 1 3 D r . T u n g C h u n g T s a i
第三節 MEM、GEM、EMGM、EMGMS
3模型效能 分析比較
根據第二節研究結果，本節將四種預測模型以表 4-3-1 進行差異性比較。
表 4-3-1 墾丁國家公園旅遊市場溫度模型分析表
模型名稱 MEM GEM EMGM EMGMS3 (訓練,測試) (40,14) (40,14) (40,14) (40,14)
輸入層單元數 6 6 7 7
隱藏層 1 1 1 1
輸出層單元數 1 1 1 1
測試模型 RMS 0.00598 0.00535 0.00503 0.00532 驗證模型 RMS 0.01177 0.01479 0.01868 0.00786 MAPE 19.21% 18.12% 19.18% 14.98%
資料來源：參考余家蕙(2014)研究整理
由上表顯示，本研究運用相同之訓練及測試樣本數設定，對四種不同變數類 型組合之預測模型進行演算，並用 MAPE 評估模型預測能力，結果顯示所有模 型均有良好的預測能力。
以往的遊客量的預測模型大多以經濟指標或自然環境等因素做為變數進行 推估，但透過上表之研究結果顯示，加入網路情緒分數及 Google Trends 網路搜 尋熱門度確實能增強模型預測能力；此外，若將網路情緒分數及 Google Trends 網路搜尋熱門度及經濟指標加以平移，其預測力能更為提升，其中又平移三個月 所建構的預測模型，為所有模型組合中預測效能為最佳。各模型預測值與實際值 關係如下圖 4-3-1 所示
© 2 0 1 3 D r . T u n g C h u n g T s a
i 圖 4-3-1 各模型預測值與實際值之關係折線圖
資料來源：研究者整理
由上圖可以看出 EMGMS3模型的預測值趨勢和實際值較為接近，更加驗證 本研究之假設，利用網路情緒結合經濟指標及搜尋熱門度並加以平移之模型，其 預測力優於其它三種模型。
第四節 旅遊市場溫度預測
一、旅遊市場預測
在前述研究結果的基礎下，本節選擇以四種預測模型當中，MAPE 值最佳的 EMGMS3模型，輸入各項變數，並將 2013 年 4 月至 2014 年 3 月，網路情緒分 數、搜尋熱門度及經濟指標等資料平移三個月，對 2013 年 7 月至 2014 年 6 月遊 客量進行未來旅遊市場溫度預測。最後將推估的預測值與實際值進行比對換 算，得到的 MAPE 值為 14.36%，由此可說明本研究所建構的 EMGMS3模型對於 墾丁國家公園未來的旅遊市場溫度有良好的預測力。
下表 4-4-1 即為本研究利用 EMGMS3模型，對墾丁國家公園 2013 年 7 月至 2014 年 6 月進行旅遊溫度預測值與實際值比較；圖 4-4-1 為墾丁國家公園 2013 年 7 月至 2014 年 6 月旅遊溫度預測對照折線圖，從圖表中可以發現，EMGMS3
© 2 0 1 3 D r . T u n g C h u n g T s a i
模型的預測值能隨著實際值的走勢起伏變動，即透過輸入即時的網路情緒分數、
搜尋熱門度及經濟指標，便能有效推測出墾丁國家公園遊客量。
表 4-4-1 旅遊溫度預測值與實際值比較
EMGMS3模型 實際值 預測值 誤差值 MAPE Jul-13 591862 587136 4726
14.36%
Aug-13 730422 678066 52356 Sep-13 534808 605333 -70525 Oct-13 656458 595644 60814 Nov-13 551473 505562 45911 Dec-13 552183 643685 -91502 Jan-14 440869 563985 -123116 Feb-14 654104 423766 230338 Mar-14 644630 756999 -112369 Apr-14 848301 746957 101344 May-14 703073 619355 83718 Jun-14 708256 797765 -89509 資料來源：研究者整理
圖 4-4-1 墾丁國家公園 2013 年 7 月至 2014 年 6 月旅遊溫度預測對照折線圖 資料來源：研究者整理
綜合本章之研究結果，發現利用經濟指標結合平移後的網路情緒分數、搜尋 熱門度及經濟指標，所建構出的預測模型有良好的預測能力，當平移時間為三個
© 2 0 1 3 D r . T u n g C h u n g T s a i
月時，預測效果最佳。同時，本研究建構之預測模型對墾丁國家公園未來旅遊市 場溫度具有良好的預效能力。
二、預測效果較差之月份
進一步觀察，部分的月份中，有幾個月份的MAPE 值相當的高。從表 5可以 得知，在2014年的1月至4月，這幾個月份預測人數誤差大於10萬人次。根據預測 模型，我們將時間點往前平移三個月，推測其中原因，可能是2013年9月-12月黃 色小鴨活動帶來的排擠效應。黃色小鴨由高雄市政府在2013年9月19日引進，並 相續在桃園、基隆等地巡迴展出，引發媒體及網路爭相報導搜尋。根據高雄市政 府的統計，黃色小鴨共吸引超過三百萬的人潮前來觀看，陸續在桃園、基隆等地 的展覽活動，都吸引上百萬人的目光。影響所及不僅是遊客的造訪，網路口碑、
搜尋熱門度也隨之改變，像這類型的變數是無法得知的，也就會造成預測效果不 佳的情況發生。
© 2 0 1 3 D r . T u n g C h u n g T s a i
第五章 結論與建議
第一節 結論
本研究利用資料探勘方法，蒐集收集 2009 年 1 月至 2013 年 12 月止所有公 開討論墾丁國家公園之網誌文章，共 11,745 篇，經過情緒特徵詞選取，萃取網 站討論者之情緒，量化轉換成情緒分數，藉以獲取墾丁國家公園之網路口碑。並 進一步加入 Google Trends 搜尋熱門度和經濟指標等七項指標，作為自變數，透 過類神經網路(Neural Network)之倒傳遞網路(BNP)，建立不同組合模型，並以墾 丁國家公園遊客數量，作為旅遊市場溫度之依變數，建構出預測模型。研究發現，
利用經濟指標，結合平移後的網路情緒分數及搜尋熱門度，所建構出的預測模 型，對墾丁國家公園旅遊市場溫度有良好的預測能力，其研究結果分述如下：
一、本研究將網路情緒分數及 Google Trends 搜尋熱門度平移後，結合經濟指標，
利用類神經網路，建構之最佳預測模型 EMGMS3，MAPE 值達 14.98%，其 各項數值設定如下：輸入層單元數為 7 個，隱藏層為 1 層，輸出層單元數為 1 個，並將總樣本 54 個的 3/4 樣本數 40 個作為訓練模型，1/4 樣本數 14 個 作為驗證模型。各項參數設定為：學習循環數目 1000 次、測試週期 10 回、
加權值域 0.3、亂數種子 0.456、學習速率初始值 1、學習速率折減係數 0.95、
學習速率下限值 0.1，慣性因子初始值 0.5、慣性因子折減係數 0.95、慣性因 子下限值 0.1。
二、本研究將 MEM、GEM、EMGM 及 EMGMS3等模型，進行效能分析比較，
結果顯示所有模型均有良好的預測能力，其中以 EMGMS3模型預測能力較 佳，MAPE 達 14.98%。驗證本研究之推論，利用網路情緒結合經濟指標及 搜尋熱門度並加以平移之模型，其預測力優於其它三種模型。
結果顯示所有模型均有良好的預測能力，其中以 EMGMS3模型預測能力較 佳，MAPE 達 14.98%。驗證本研究之推論，利用網路情緒結合經濟指標及 搜尋熱門度並加以平移之模型，其預測力優於其它三種模型。