کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
7420468 1482613 2019 10 صفحه PDF سفارش دهید دانلود کنید
عنوان انگلیسی مقاله ISI
Forecasting tourist arrivals with machine learning and internet search index
ترجمه فارسی عنوان
پیش بینی گردشگران ورودی با یادگیری ماشین و شاخص جستجو در اینترنت
کلمات کلیدی
پیش بینی تقاضای گردشگری، هسته دستگاه یادگیری افراطی، اطلاعات پرس و جو جستجو تجزیه و تحلیل داده های بزرگ، فهرست جستجوی کامپوزیت،
ترجمه چکیده
مطالعات قبلی نشان داده اند که داده های آنلاین، از قبیل عبارتهای موتور جستجو، یک منبع جدید داده است که می تواند مورد استفاده برای پیش بینی تقاضای گردشگری است. در این مطالعه، ما یک چارچوب پیش بینی که با استفاده از شاخص های یادگیری ماشین و جستجو در اینترنت برای پیش بینی گردشگران برای مقصد محبوب در چین و در مقایسه عملکرد پیش بینی خود، به نتایج جستجوی تولید شده توسط گوگل و بایدو، به ترتیب ارائه شده است. این تحقیق ارتباط علیت گرنجر و همپوشانی بین شاخص جستجوی اینترنتی و ورود گردشگران پکن را تایید می کند. نتایج تجربی ما نشان می دهد که در مقایسه با مدل های معیار، هسته پیشنهاد یادگیری ماشین (کلم) مدل شدید، که ادغام توریستی سری حجم با استفاده از شاخص بایدو و شاخص گوگل، می تواند عملکرد پیش بینی به طور قابل توجهی در هر دو دقت پیش بینی و تجزیه و تحلیل نیرومندی را بهبود بخشد.
اگر به ترجمه دقیق تر نیاز دارید، مترجمان ما آمادگی دارند این مقاله را با کیفیت مطلوب و هزینه مناسب برای شما ترجمه نمایند.
موضوعات مرتبط
علوم انسانی و اجتماعی مدیریت، کسب و کار و حسابداری استراتژی و مدیریت استراتژیک
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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Tourism Management - Volume 70, February 2019, Pages 1-10
نویسندگان
, , , ,