深度学习驱动的泰国内部旅游动态时空建模

《Sustainability》：Deep-Learning-Driven Spatiotemporal Modeling of Domestic Tourism Dynamics in Thailand Theera Sathuphan, Witcha Chimphlee, Siriporn Chimphlee and Supawee Makdee

　　

本研究提出的数据集涵盖了泰国 77 个府，包含游客数量、旅游净利润及酒店入住率等多项指标。研究引入了一种基于基线的冲击恢复概念，用以衡量不同区域的受影响程度及恢复路径。循环神经网络（RNN）融合了工程化要素，以捕捉季节性、趋势动态、冲击强度、波动性及恢复时机。尤为重要的是，通过整合府级时空嵌入（embeddings），在单一架构中学习到了潜在的空间异质性和跨区域依赖性。为联合预测旅游需求与净利润，构建了长短期记忆网络（LSTM）和门控循环单元（GRU）模型。采用保持时间顺序的评估技术，将模型性能与统计时间序列基线及极端梯度提升（XGBoost）模型进行对比。结果显示，2020 年初出现结构性断裂，降幅超过 95%，且恢复模式存在显著的不均衡性。所提出的深度学习模型在均方根误差（RMSE）方面优于基线约 22%–28%，在平均绝对百分比误差（MAPE）方面优于 14%–16%，展现出在捕捉空间异质性和非线性恢复动态方面的卓越能力。

**研究背景与问题阐述**

可持续发展目标（SDGs），特别是关于体面工作和经济增长的 SDG 8、可持续城市和社区的 SDG 11 以及可持续消费模式的 SDG 12，与国内旅游的韧性密切相关。在结构不确定性下，理解多样化的恢复动态对于支持区域适应性韧性策略至关重要。现有研究虽已强调在区域冲击建模中纳入空间依赖性的重要性，并尝试将空间计量经济学方法与动态微观模拟相结合，或利用空间因子模型解释高维时空数据中的横截面依赖性，但传统方法多依赖统计因子分解，难以充分 elucidate（阐明）潜在的异质性和地理依赖性。此外，传统的旅游需求预测主要依赖自回归积分滑动平均（ARIMA）等计量经济和统计时间序列模型，这些模型虽然具有理论可解释性，但往往假设结构稳定性和线性调整过程，这在大规模 disruptions（中断）面前常常失效。

新冠疫情不仅暴露了旅游系统的结构性弱点，也揭示了依赖平稳性和同质化调整的传统预测技术的局限性。研究表明，系统性冲击后的旅游恢复在时间和空间上均呈现非线性特征。在泰国，官方数据显示各府之间的恢复速率存在巨大差异，表明国内旅游的恢复不应被视为统一的全国反弹，而是一个时空重构的过程。然而，现有的深度学习应用大多关注国家总量，很少明确纳入空间依赖性，且缺乏将空间嵌入与结构化恢复指标相结合的框架。因此，当前研究方法存在三个主要缺口：一是用于表征制度转变的结构化冲击 - 恢复量化程序整合不足；二是未能充分利用空间表示学习来解释区域差异；三是过度依赖仅考虑单一结果的预测框架，忽视了经济指标与旅游需求之间的动态相互作用。鉴于此，研究人员开展了一项研究，旨在利用深度学习驱动的时空建模框架，评估和预测泰国内部旅游动态，以解决上述方法论缺口。该研究发表于《Sustainability》期刊，其重要意义在于提供了一种能够同时描述时间记忆、空间嵌入和多任务目标的分析框架，为面对结构不确定性时的可持续旅游管理提供了实用的政策建议和方法论进展。

**关键技术方法概括**

研究人员使用了泰国 77 个府从 2019 年 1 月至 2023 年 2 月的月度省级国内旅游数据，数据来源为泰国旅游局官方统计。研究构建了一个深度学习驱动的时空预测框架，核心关键技术包括：首先，定义了基于 2019 年基线的冲击强度和恢复时间量化指标，以捕捉结构性制度转变；其次，进行了特征工程，构建了包含季节性（正弦 - 余弦编码）、趋势、波动性（变异系数）及冲击强度的工程化特征；第三，引入了可学习的府级嵌入（province embeddings）来建模潜在的空间异质性，并结合基于地理邻接矩阵的空间滞后变量以捕捉空间溢出效应；最后，设计了多任务学习架构，利用长短期记忆网络（LSTM）和门控循环单元（GRU）在共享潜在空间中同时预测旅游需求和净利润，并采用保持时间顺序的数据划分和滚动预测原点验证技术进行模型评估。

**研究结果分析**

**预测性能比较**
通过对比 ARIMA、XGBoost、单变量 LSTM 与时空 LSTM 及 GRU 模型的预测性能，研究发现提出的时空 LSTM 模型在平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）各项指标上均表现最优。具体而言，相较于 XGBoost 模型，该模型在净利润预测上的 RMSE 降低了 21.1%，在游客量预测上降低了 25.4%。Diebold-Mariano 检验结果进一步证实，提出的模型在统计显著性水平上 consistently（一致地）优于所有基准模型，特别是在捕捉复杂的时空需求动态方面表现突出。

**国家级冲击与系统中断**
数据分析显示，2020 年初国内旅游量出现了超过 95% 的结构性断裂，随后经历了部分恢复、二次衰退及长期恢复等多个阶段，表现出显著的非平稳性和制度切换动态。净利润的恢复滞后于游客量的恢复，直到 2023 年初仍未完全回到基线水平，表明经济绩效与需求恢复之间存在异步机制。酒店入住率同样经历了剧烈波动，受劳动力短缺和运营惯性等因素影响，其稳定化过程较为迟缓。

**需求细分与结构转变**
疫情期间，外国游客数量骤降至接近零，而国内旅游成为恢复的主导力量。至 2023 年初，国内细分市场占据了旅游需求结构的绝大部分。这种结构性变化表明，聚合的需求数据掩盖了特定细分市场的恢复轨迹，支持了采用富含特征的时空建模方法的必要性。

**府级恢复异质性**
研究显示，各府的恢复时间存在巨大差异，恢复滞后时间在 10 个月至超过 22 个月之间不等，部分府在研究期间内甚至未完全恢复。这种显著的持久性空间不平衡表明，不同府的韧性存在差异。通过府级嵌入，模型成功捕捉到了超出可观测特征的隐藏结构性差异，并利用空间加权恢复滞后变量揭示了恢复动态的区域聚类现象。

**模型验证：实际值与预测值**
时空 LSTM 模型能够有效跟踪波动性、恢复动量和季节性模式。相比之下，XGBoost 缺乏时间适应性，而 ARIMA 则过度平滑了过渡过程。深度学习模型在减少残差方差方面的表现，验证了其捕捉非线性过渡和延迟稳定化的能力。

**讨论与结论总结**

讨论部分指出，从系统工程的角度来看，泰国的国内旅游表现为一个制度切换的时空动力系统，而非固定的季节性活动。疫情冲击导致了外生性的结构断裂，破坏了系统的平稳性假设。恢复过程展示了各省之间的空间异质性、子系统的异步响应以及延迟稳定化特征。 occupancy（入住率）、revenue（收入）和 demand（需求）呈现出非线性和错位的轨迹，反映了后疫情环境下的容量调整摩擦、结构惯性以及重组后的需求 - 收入弹性。提出的深度学习框架通过结合时间记忆机制、空间嵌入和多任务学习，能够有效模拟这些复杂的动态特征。

政策层面，研究结果表明统一的全国性恢复政策可能并非最佳选择，应转向基于府级差异的针对性干预策略。由于净利润与旅游需求的恢复不同步，真正的经济恢复不仅需要需求正常化，还需包含财政稳定和产能重构措施。智能预测架构可作为实时决策支持系统，提高机构在面对结构不确定性时的响应速度。

最后，研究结论强调，该研究创建的深度学习驱动时空建模框架，通过整合基于基线的冲击 - 恢复量化、工程化的时间与波动性特征、府级空间嵌入以及循环神经网络架构，成功将旅游建模为一个对制度敏感的时空动力系统。实证结果证实，新冠疫情导致了具有显著空间异质性和异步子系统恢复的结构性断裂。提出的 LSTM 和 GRU 模型在各项误差指标上均显著优于传统统计和机器学习基线，特别是在捕捉非线性恢复动态方面。该研究不仅在方法论上 bridging（桥接）了数据驱动的深度学习与面向系统的旅游韧性研究，还为高波动环境下的旅游分析提供了强大且灵活的基础，对于制定稳健的、感知制度的预测框架以应对日益频繁的系统性冲击具有重要的战略意义。