با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
دسته بندی:
مدیریت توریسم - Tourism Management
سال انتشار:
2019
ترجمه فارسی عنوان مقاله:
پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی
عنوان انگلیسی مقاله:
Forecasting tourist arrivals with machine learning and internet search index
منبع:
Sciencedirect - Elsevier - Tourism Management 70 (2019) 1–10
نویسنده:
Shaolong Sun, Yunjie Wei, Kwok-Leung Tsui, Shouyang Wang
چکیده انگلیسی:
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.
Keywords: Tourism demand forecasting | Kernel extreme learning machine | Search query data | Big data analytics | Composite search index
چکیده فارسی:
مطالعات قبلی نشان داده است که داده های آنلاین، مانند پرس وجوهای انجام شده در موتورهای جستجو، یک منبع اطلاعاتی جدید محسوب می شوند که می توانند برای پیش بینی تقاضای گردشگری مورد استفاده قرار گیرند. در این مطالعه، ما چارچوبی را برای این پیش بینی ارائه می دهیم که با استفاده از یادگیری ماشین و شاخص های جستجوی اینترنتی، ورود گردشگران به مکان های محبوب چین را پیش بینی می کند و عملکرد این پیش بینی، را به ترتیب با نتایج جستجوی تولید شده توسط گوگل و بایدو مقایسه می کنیم. این تحقیق، علیت گرانجر و همبستگیِ میانِ شاخص جستجوی اینترنتی و ورود گردشگران به پکن را تایید می کند. نتایج تجربی ما نشان می دهد که عملکردِ پیش-بینیِ مدل های پیشنهادیِ هسته ی ماشین یادگیری افراطی (KELM )، که مجموعه هایی از گردشگران را با شاخص بایدو و شاخص گوگل ادغام می کنند، در مقایسه با مدل های معیار، به میزان قابل توجهی از نظر دقت پیش بینی و قدرت تحلیل ، بهتر بوده اند.
کلمه های کلیدی: پیش بینی تقاضای گردشگری | هسته ی ماشین یادگیری افراطی | جستجوی داده-های پرس وجو | تحلیل داده های بزرگ | شاخص جستجوی ترکیبی.
حجم فایل: 502 کیلوبایت
قیمت: 70200 تومان
توضیحات اضافی: یک مقاله ترکیبی جدید و عالی در زمینه یادگیری ماشین و داده های بزرگ و سیستم های خبره و گردشگری و چاپ شده در یک ژورنال معتبر. بخشی از ترجمه را ملاحظه نمایید. تمامی اشکال و جداول به دقت ترجمه گردیده اند.
تعداد نظرات : 0