دانلود مقاله و خرید ترجمه:پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی - 2019
بلافاصله پس از پرداخت دانلود کنید

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). 

مقالات ترجمه شده مدیریت توریسم ( Tourism Management )
  • Forecasting tourist arrivals with machine learning and internet search index پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    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.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 38

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    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.

    پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی

     




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 2013 :::::::: بازدید دیروز: 2317 :::::::: بازدید کل: 4330 :::::::: افراد آنلاین: 8