پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت
چکیده
مطالعات قبلی نشان داده اند که داده های آنلاین، مانند استفاده از موتورهای جستجو، یک منبع جدید از اطلاعات هستند که می توانند برای پیش بینی تقاضای گردشگری مورد استفاده قرار بگیرند. در این مطالعه، ما یک چارچوب برای پیش بینی پیشنهاد می کنیم که از شاخص های یادگیری ماشین و جستجو در اینترنت برای پیش بینی ورود گردشگران به مقصد های محبوب در چین استفاده کرده و عملکرد پیش بینی آن را با نتایج جستجوی بدست آمده از گوگل و بایدو مقایسه می کند. این تحقیق ارتباط Granger و هم جمعی بین شاخص جستجوی اینترنتی و ورود گردشگران پکن را بررسی می کند. نتایج تجربی ما نشان می دهد که در مقایسه با مدل های معیار، مدل های مبتنی بر ماشین یادگیری سریع با هسته غیر خطی پیشنهاد شده (KELM) که مجموعه های گردشگری را با شاخص بایدو و شاخص گوگل ادغام می کنند، می توانند عملکرد پیش بینی را به طور قابل توجهی از لحاظ دقت پیش بینی و آنالیز قدرت بهبود بخشد.
1. مقدمه
در سراسر جهان، صنعت گردشگری به طور قابل توجهی به رشد اقتصادی کمک می کند (Gunter & Onder، 2015؛ Song، Li، Witt، & Athanasopoulos، 2011). طبق گزارش اداره گردشگری ملی چین، درآمد گردشگری چین در سال 2016 به 4.69 تریلیون RMB رسید که این مقدار نسبت به سال قبل 13.6 درصد افزایش داشته است و 6.3 درصد از GDP (تولید ناخالص داخلی) چین را تشکیل می دهد. بنابراین پیش بینی میزان گردشگری به طور فزاینده ای برای پیش بینی توسعه اقتصادی آینده مهم است. پیش بینی تقاضای گردشگری ممکن است اطلاعات اولیه را برای برنامه ریزی و سیاست گذاری بعدی ارائه دهد (Chu، 2008؛ Witt & Song، 2002). روش های مورد استفاده برای مدل سازی و پیش بینی گردشگری به چهار گروه مدل های سری زمانی، مدل های اقتصادسنجی، تکنیک های هوش مصنوعی و روش های کیفی تقسیم می شوند (Goh & Law، 2011؛ Song & Li، 2008).
Abstract
Previous studies have shown that online data, such as search engine queries, is a new source of data that can be used to forecast tourism demand. In this study, we propose a forecasting framework that uses machine learning and internet search indexes to forecast tourist arrivals for popular destinations in China and compared its forecasting performance to the search results generated by Google and Baidu, respectively. This study verifies the Granger causality and co-integration relationship between internet search index and tourist arrivals of Beijing. Our experimental results suggest that compared with benchmark models, the proposed kernel extreme learning machine (KELM) models, which integrate tourist volume series with Baidu Index and Google Index, can improve the forecasting performance significantly in terms of both forecasting accuracy and robustness analysis.
1. Introduction
All over the world, the tourism industry contributes significantly to economic growth (Gunter & Onder, 2015; Song, Li, Witt, & Athanasopoulos, 2011). According to the China National Tourism Administration, in 2016 the tourism income of China reached 4.69 trillion RMB, increasing by 13.6% compared to the previous year, and accounted for 6.3% of China's GDP. Thus, forecasting tourist volume is becoming increasingly important for predicting future economic development. Tourism demand forecasting may provide basic information for subsequent planning and policy making (Chu, 2008; Witt & Song, 2002). Methods used in tourism modeling and forecasting fall into four groups: time series models, econometrics models, artificial intelligence techniques and qualitative methods (Goh & Law, 2011; Song & Li, 2008). In addition to simple tourist data announced by the State Statistics Bureau, Internet search queries, which reflect the behavior and intentions of tourists, have increasingly been used in tourism forecasting models (Croce, 2017; Goodwin, 2008). However, the search index has created big opportunities in the modeling process of tourism forecasting (Li, Pan, Raw & Huang, 2017).
چکیده
1. مقدمه
2. بررسی ادبیات
2.1 پیش بینی میزان گردشگری
2.2 پیش بینی گردشگری با استفاده از داده های موتور جستجو
3. ماشین یادگیری سریع با هسته غیر خطی
4. چارچوب پیش بینی
5. مطالعه تجربی
5.1 طراحی تجربی
5.2 نتایج تجربی
5.3 خلاصه
6. نتیجه گیری
ABSTRACT
1. Introduction
2. Literature review
2.1. Tourist volume forecasting
2.2. Tourism forecasting with search engine data
3. Kernel extreme learning machine
4. Forecasting framework
5. Experimental study
5.1. Experimental design
5.2. Experimental results
5.3. Summary
6. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه