چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008088 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
641 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
پیش بینیِ ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی
عنوان انگليسي
Forecasting tourist arrivals with machine learning and internet search index
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 10 صفحه انگلیسی به صورت پی دی اف و 29 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
مطالعات قبلی نشان داده است که داده های آنلاین، مانند پرسوجوهای انجام شده در موتورهای جستجو، یک منبع اطلاعاتیِ جدید محسوب میشوند که میتوانند برای پیش بینی تقاضای گردشگری مورد استفاده قرار گیرند. در این مطالعه، ما چارچوبی را برای این پیشبینی پیشنهاد می دهیم که با استفاده از یادگیریِ ماشین و شاخص های جستجوی اینترنتی، ورود گردشگران به مکانهای محبوبِ چین را پیشبینی میکند و عملکرد این پیشبینی، را به ترتیب با نتایج جستجوی تولید شده توسط گوگل و بایدو مقایسه میکنیم. این تحقیق، علیت گرانجر و همبستگیِ میانِ شاخص جستجوی اینترنتی و ورود گردشگران به پکن را تایید میکند. نتایج تجربی ما نشان میدهد که عملکردِ پیشبینیِ مدلهای پیشنهادیِ هسته ی ماشینِ یادگیریِ افراطی (KELM)، که مجموعه هایی از گردشگران را با شاخص بایدو و شاخص گوگل ادغام میکنند، در مقایسه با مدل های معیار، به میزان قابل توجهی از نظر دقت پیشبینی و قدرتِ تحلیل ، بهتر بوده اند.
پیش بینی تقاضای گردشگری هسته ی ماشینِ یادگیریِ افراطی جستجوی داده های پرس وجو
:کلمات کلیدی
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.
Keywords:
Tourism demand forecasting Kernel extreme learning machine Search query data
سایر منابع مهندسی کامپیوتر و IT در زمینه گردشگری