پیش بینی پروازهای ورودی گردشگران با یادگیری ماشین
ترجمه نشده

پیش بینی پروازهای ورودی گردشگران با یادگیری ماشین

 

 

عنوان فارسی مقاله: پیش بینی ورود گردشگران با یادگیری ماشین و جست و جوی فهرست اینترنت
عنوان انگلیسی مقاله: Forecasting tourist arrivals with machine learning and internet search index
مجله/کنفرانس: مدیریت گردشگری – Tourism Management
رشته های تحصیلی مرتبط: گردشگری و توریسم، کامپیوتر، فناوری اطلاعات
گرایش های تحصیلی مرتبط: مدیریت گردشگری، هوش مصنوعی، اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: پیش بینی تقاضای گردشگری، یادگیری ماشین حداکثری کرنل، اطلاعات پرس و جو و تحقیقی، تحلیل کلان داده، شاخص جستجوی کامپوزیت
کلمات کلیدی انگلیسی: Tourism demand forecasting, Kernel extreme learning machine, Search query data, Big data analytics, Composite search index
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus – master journals – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.tourman.2018.07.010
دانشگاه: Academy of Mathematics and Systems Science – Beijing – China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.921 در سال 2017
شاخص H_index: 143 در سال 2019
شاخص SJR: 3.027 در سال 2019
شناسه ISSN: 0261-5177
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 10
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E9411
فهرست انگلیسی مطالب

Highlights


Abstract


Keywords


1. Introduction


2. Literature review


3. Kernel extreme learning machine


4. Forecasting framework


5. Experimental study


6. Conclusions


Conflicts of interest


Authors' contributions list


Acknowledgement


References


Vitae

نمونه متن انگلیسی مقاله

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).

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

پیش بینی پروازهای ورودی گردشگران با یادگیری ماشین
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها