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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش بینی ورود گردشگران از طریق یادگیری ماشین و شاخص جستجوی اینترنتی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۳ صفحه

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.

عنوان انگلیسی:

Forecasting tourist arrivals with machine learning and internet search index

~~en~~ writers :

Shaolong Sun, Yunjie Wei, Kwok-Leung Tsui, Shouyang Wang

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

$$en!!