دانلود ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین (ساینس دایرکت – الزویر 2019) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت

Forecasting tourist arrivals with machine learning and internet search index

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

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.

6- نتیجه گیری

در این مقاله، ما یک چارچوب پیش بینی پیشنهاد کردیم که از یادگیری ماشین و شاخص های جستجو در اینترنت برای پیش بینی ورود گردشگران به مقصد های محبوب در چین استفاده کرده و عملکرد پیش بینی آن را برای داده های جستجوی ایجاد شده توسط گوگل و بایدو را مقایسه می کند. این تحقیق ارتباط هم جمعی و رابطه علیت گرنجر را بین شاخص جستجوی اینترنتی و حجم گردشگران در پکن مورد بررسی قرار داد. نتایج تجربی نشان می دهد که مدل های KELM پیشنهادی با مجموعه حجم گردشگری یکپارچه شاخص بایدو و شاخص گوگل می توانند عملکرد پیش بینی را به طور قابل توجهی بهبود بخشند. در مقایسه با سایر روش های پیش بینی معیارهای محبوب، مدل KELM ما، که “مجموعه حجم گردشگری + شاخص بایدو + شاخص گوگل” را ادغام می کند، دقیق تر و قوی تر است. در نتیجه، مدل KELM ما یک رویکرد امیدوار کننده برای حل مشکلات در پیش بینی حجم جریان های گردشگری است.

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.

6- Conclusions

In this paper, we proposed 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 data generated by Google and Baidu, respectively. This study verified the co-integration and Granger causality relationship between internet search index and the volume of tourists in Beijing. The experimental results suggest that the proposed KELM models with integrated tourist volume series of Baidu index and Google Index can significantly improve forecasting performance. Compared to other popular benchmark forecasting methods, our KELM model, which integrates “tourist volume series + Baidu index + Google index”, is more accurate and more robust. Consequently, our KELM model is a promising approach towards resolving difficulties in forecasting tourist volume flows.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت

Forecasting tourist arrivals with machine learning and internet search index