4、探索性数据分析（EDA）：时间序列可视化、趋势与季节分解、相关性分析、自相关与偏自相关图、平稳性检验（ADF、KPSS）
探索性数据分析（EDA）是旅游需求预测建模的“体检报告”。在构建任何复杂模型（如SARIMA、Prophet或LSTM）之前，分析师必须通过可视化与统计检验，彻底理解历史预订量、游客到达数或酒店入住率的底层结构。旅游数据通常具有明显的年度季节性（如暑期高峰、春节黄金周）、趋势性（如目的地热度逐年上升）以及节假日脉冲效应。本章将系统讲解如何通过五类核心工具——时间序列可视化、趋势与季节分解、相关性分析、自相关/偏自相关图、平稳性检验——来识别这些特征，并为后续模型选择提供量化依据。
上图展示了EDA在旅游需求预测中的完整分析链路。从原始数据出发，先通过可视化与分解识别宏观特征，再通过相关性分析与ACF/PACF图挖掘变量间关系及序列内部动态结构，最后通过平稳性检验确定建模前提。整个过程并非一次性完成，而是需要根据检验结果反复迭代——例如，若ADF检验显示非平稳，则需要差分后再重新绘制ACF/PACF图。
4.1 核心原理：为什么旅游数据必须做EDA？
旅游需求数据具有三重复杂性：强季节性（寒暑假、黄金周）、趋势漂移（目的地生命周期）、外部冲击（疫情、天气、大型活动）。若跳过EDA直接建模，极易出现以下问题：
- 伪回归：非平稳序列之间可能呈现虚假的高相关性，导致回归模型R²虚高但预测失效。
- 阶数误判：无法确定SARIMA模型中的p、d、q及季节性周期P、D、Q。
- 特征冗余：未识别出与旅游需求高度相关的搜索指数、天气变量，或错误纳入共线性特征。
EDA的核心目标可归纳为：识别结构（趋势+季节+周期）、诊断噪声（异常点、缺失模式）、量化依赖（自相关、外生变量相关）、验证前提（平稳性）。
4.2 时间序列可视化：第一眼就要看出“故事”
可视化不是简单画折线图，而是要有目的地观察。对于旅游数据，建议按以下步骤操作：
- 多粒度绘制：分别绘制日、周、月粒度的游客量曲线，观察不同时间尺度的形态。日数据看节假日脉冲，月数据看年度季节轮廓。
- 叠加日历热力图：用热力图展示“年份×月份”或“星期×月份”的游客量矩阵，快速定位旺季月份与周末效应。
- 标注外部事件：在时间轴上用垂直线标记大型演唱会、体育赛事、疫情封控等事件，观察其影响幅度与恢复时长。
4.3 趋势与季节分解：拆解序列的隐藏组件
使用STL（Seasonal-Trend decomposition using Loess）或经典加法/乘法分解，将序列拆分为趋势项、季节项、残差项。旅游数据通常采用乘法模型（因为季节性波动幅度随趋势水平变化，如旺季游客量100万时波动±30%，淡季10万时波动±10%）。
| 分解方法 | 适用场景 | 输出组件 | 旅游数据注意点 |
|---|---|---|---|
| 加法分解 | 季节波动幅度恒定 | Y = T + S + R | 较少使用，旅游数据波动幅度通常随水平变化 |
| 乘法分解 | 季节波动随趋势变化 | Y = T × S × R | 常用，需先取对数转换为加法形式 |
| STL分解 | 鲁棒性强，处理异常值 | T、S、R（可加性） | 推荐，可控制季节平滑度，处理节假日效应 |
分解后的残差项是重点分析对象：若残差呈现明显模式（如周期性波动），说明分解不充分；若残差存在孤立尖峰，则对应异常事件（如台风导致景区关闭）。
4.4 相关性分析：寻找旅游需求的外生驱动力
旅游需求不仅依赖历史数据，还受搜索热度、航班运力、酒店价格、天气状况等外生变量影响。相关性分析需区分同期相关与滞后相关：
- 同期相关：计算游客量与当日天气、当日搜索指数的Pearson相关系数。注意：高相关不代表因果，需结合业务逻辑。
- 滞后相关：计算游客量与提前7天、14天、30天的搜索指数相关性。通常“提前搜索→后续预订”存在3-4周的领先-滞后关系。
4.5 自相关与偏自相关图：识别序列内部记忆
ACF（自相关函数）衡量序列与其滞后版本的相关性，PACF（偏自相关函数）则控制中间滞后项的影响。这两张图是ARIMA模型定阶的核心工具：
| 图形特征 | ACF表现 | PACF表现 | 模型判断 |
|---|---|---|---|
| AR(p)过程 | 拖尾（指数衰减或正弦波动） | p阶后截尾 | AR(2) 则 PACF在滞后2后突降为0 |
| MA(q)过程 | q阶后截尾 | 拖尾 | MA(1) 则 ACF在滞后1后突降为0 |
| ARMA(p,q) | 拖尾 | 拖尾 | 需结合信息准则（AIC/BIC）比较 |
| 季节性 | 在季节周期处（如12、24）出现显著峰值 | 季节滞后处显著 | 需引入季节性差分或SARIMA项 |
绘制ACF/PACF时，需注意置信区间（通常为±1.96/√N）。若某滞后阶的相关系数超出蓝线，则视为显著。旅游数据常呈现“日数据ACF在滞后7、14、21处显著为正”，提示存在周内季节效应。
4.6 平稳性检验：ADF与KPSS的互补使用
平稳性是经典时间序列建模的前提。严格平稳要求联合分布不随时间平移变化，实际中通常只需弱平稳（均值、方差恒定，自协方差仅与滞后阶数相关）。
ADF检验（Augmented Dickey-Fuller）：原假设H₀为“序列存在单位根（非平稳）”。若p值<0.05，拒绝原假设，认为序列平稳。ADF对长滞后相关敏感，需手动指定最大滞后阶数。
KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin）：原假设H₀为“序列平稳（趋势平稳）”。若p值<0.05，拒绝原假设，认为序列非平稳。KPSS对趋势性更敏感。
| ADF结果 | KPSS结果 | 结论 | 处理方式 |
|---|---|---|---|
| 拒绝H₀（平稳） | 不拒绝H₀（平稳） | 平稳序列 | 直接建模 |
| 不拒绝H₀（非平稳） | 拒绝H₀（非平稳） | 非平稳 | 一阶差分后重新检验 |
| 拒绝H₀（平稳） | 拒绝H₀（非平稳） | 矛盾 | 可能为趋势平稳，需去趋势后检验 |
| 不拒绝H₀（非平稳） | 不拒绝H₀（平稳） | 矛盾 | 样本量不足或存在结构突变 |
旅游数据通常是非平稳的，因为存在长期增长趋势。但需注意：季节平稳与水平平稳不同。若序列围绕固定均值波动但具有年度季节性，则可通过季节差分（如12阶差分）实现平稳。
4.7 案例拆解：某主题公园月度游客量EDA全流程
背景与约束：某华东主题公园提供2018年1月至2023年12月共72个月度游客量数据（单位：万人次）。业务方希望预测未来12个月游客量，以规划淡季促销与人员排班。数据存在两个已知干扰：2020年2-4月因疫情闭园，2022年12月因新园区开业游客量激增。
初始现象：时间序列图显示明显的上升趋势（年均增长约8%），且每年7-8月出现高峰，1-2月为低谷。2020年3月数据为0（闭园），2022年12月数据为45万，远高于历史同期均值（25万）。
分析过程：
- 可视化：绘制月度曲线，标注疫情闭园期与新园区开业点。发现2020年缺失值需处理（不直接填充0，而是视为干预事件）。
- STL分解：采用乘法分解，趋势项显示2020年断崖后快速恢复，2022年底跳升；季节项显示8月为最高峰（季节因子1.35），1月最低（0.62）。残差项在2020年3月出现极端负值（-3.2），确认为异常干预。
- 相关性分析：引入当地天气温度、百度搜索指数“主题公园”作为外生变量。同期相关显示温度与游客量相关系数0.71，搜索指数（滞后30天）与游客量相关系数0.58。但偏相关分析控制温度后，搜索指数偏相关系数降至0.21，说明其增量解释力有限。
- ACF/PACF：对原始序列绘制ACF，显示在滞后12、24、36处有显著正峰值（季节效应），且衰减缓慢（趋势非平稳）。对一阶差分后序列绘制ACF，滞后12处仍显著（季节非平稳），故进行12阶季节差分。最终对“一阶差分+12阶季节差分”序列绘制ACF/PACF，ACF在滞后1处截尾，PACF在滞后1和12处显著，初步判断为SARIMA(1,1,0)(1,1,0)₁₂。
- 平稳性检验：原始序列ADF检验p=0.32（非平稳），KPSS p=0.01（非平稳）。一阶差分后ADF p=0.01（平稳），KPSS p=0.10（平稳）。季节差分后ADF p=0.001，KPSS p=0.5，确认序列平稳。
操作步骤与结果：基于上述EDA结论，构建SARIMA(1,1,0)(1,1,0)₁₂模型，并加入“疫情干预虚拟变量”（2020年2-4月=1，其余=0）和“新园区开业虚拟变量”（2022年12月及以后=1）。模型AIC=412.3，残差Ljung-Box检验p=0.28（无自相关）。预测2024年1-12月游客量，MAPE为9.7%，优于未做EDA的基准模型（MAPE=15.2%）。
风险与代价：干预变量的设置依赖业务判断，若未来出现类似“极端天气闭园”事件，模型无法自动识别。此外，新园区开业后的长期增长斜率是否持续，需要至少6个月新数据验证。
复盘经验：EDA的价值不仅在于定阶，更在于发现“2020年闭园”和“2022年新园区”两个关键干预点。若直接使用原始数据建模，模型会试图用季节项解释疫情低谷，导致季节因子被严重扭曲。
4.8 常见误区与总结复盘
误区2：对日粒度旅游数据直接做ACF/PACF，忽略“星期季节效应”。日数据需先检验滞后7、14、21的ACF，若显著，应使用SARIMA(...,7)或加入星期虚拟变量。
误区3：将缺失值直接填充为0或均值。旅游数据缺失通常对应闭园、系统故障等事件，应使用干预分析或插补法（如线性插值+事件标记）。
误区4：忽视相关性分析中的“共线性”。例如同时纳入“最高温度”和“平均温度”作为特征，会导致回归模型系数不稳定。
总结：EDA是旅游需求预测的“地基工程”。通过可视化建立直觉，通过分解分离结构，通过相关性筛选外生变量，通过ACF/PACF识别序列内部动态，通过ADF/KPSS确认平稳性——这五步环环相扣，缺一不可。建议分析师将EDA结果整理为一份“数据体检报告”，包含关键图表、检验统计量、干预事件清单，作为模型构建与业务沟通的共同依据。