دانلود ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین (ساینس دایرکت – الزویر ۲۰۱۹) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۰ صفحه در سال ۲۰۱۹ منتشر شده و ترجمه آن ۲۶ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت |
عنوان انگلیسی مقاله: |
Forecasting tourist arrivals with machine learning and internet search index |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۱۹ |
تعداد صفحات مقاله انگلیسی | ۱۰ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | گردشگری و توریسم، مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | مدیریت گردشگری، اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | مدیریت گردشگری – Tourism Management |
کلمات کلیدی | آنالیز داده های بزرگ، پیش بینی تقاضای گردشگری، ماشین یادگیری سریع با هسته غیر خطی، داده های حاصل از جستجو، شاخص جستجوی کامپوزیت |
کلمات کلیدی انگلیسی | Tourism demand forecasting – Kernel extreme learning machine – Search query data – Big data analytics – Composite search index |
ارائه شده از دانشگاه | دانشکده اقتصاد و مدیریت، دانشگاه آکادمی علوم چینی، چین |
نمایه (index) | Scopus – Master journals – JCR |
نویسندگان | Shaolong Sun، Yunjie Wei، Kwok-Leung Tsui، Shouyang Wang |
شناسه شاپا یا ISSN | ISSN ۰۲۶۱-۵۱۷۷ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.tourman.2018.07.010 |
ایمپکت فاکتور(IF) مجله | ۷٫۲۷۱ در سال ۲۰۱۹ |
شاخص H_index مجله | ۱۵۹ در سال ۲۰۲۰ |
شاخص SJR مجله | ۲٫۹۲۴ در سال ۲۰۱۹ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۱۹ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۰۴۸۰ |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه الزویر |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۲۶ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
منابع داخل متن | به صورت انگلیسی درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
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.
۶- 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. |
بخشی از مقاله انگلیسی |
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.
۶- 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 |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت |
عنوان انگلیسی مقاله: |
Forecasting tourist arrivals with machine learning and internet search index |
|