توضیحات
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.
INTRODUCTION
All over the world, the tourism industry contributes significantly to economic growth (Gunter & Onder, 2015; Song, Li, Witt, & Athanasopoulos, 2011). According to the China National Tourism Administration, in 2016 the tourism income of China reached 4.69 trillion RMB, increasing by 13.6% compared to the previous year, and accounted for 6.3% of China’s GDP. Thus, forecasting tourist volume is becoming increasingly important for predicting future economic development. Tourism demand forecasting may provide basic information for subsequent planning and policy making (Chu, 2008; Witt & Song, 2002). Methods used in tourism modeling and forecasting fall into four groups: time series models, econometrics models, artificial intelligence techniques and qualitative methods (Goh & Law, 2011; Song & Li, 2008). In addition to simple tourist data announced by the State Statistics Bureau, Internet search queries, which reflect the behavior and intentions of tourists, have increasingly been used in tourism forecasting models (Croce, 2017; Goodwin, 2008). However, the search index has created big opportunities in the modeling process of tourism forecasting (Li, Pan, Raw & Huang, 2017). Internet search data has been applied to many aspects, such as hotel registrations (Pan & Yang, 2017; Rivera, 2016), tourist numbers (Bangwayo-Skeete & Skeete, 2015; Yang, Pan, Evans, & Lv, 2015), economic indicators (Choi & Varian, 2012), unemployment rates (Askitas & Zimmermann, 2009), private consumption (Vosen & Schmidt, 2011), and stock returns (Zhu & Bao, 2014). When introducing the Baidu Index or Google Index into forecasting models, keywords and the composition of indexes must be selected carefully.
چکیده
مطالعات قبلی نشان داده است که داده های آنلاین، مانند نمایش داده های موتور جستجو، منبع جدیدی از اطلاعات است که می تواند برای پیش بینی تقاضای گردشگری مورد استفاده قرار گیرد. در این مطالعه، ما یک چارچوب پیش بینی را پیشنهاد می کنیم که با استفاده از شاخص های ماشین های یادگیری و جستجو در اینترنت برای پیش بینی ورود گردشگران به مقصد های محبوب در چین پیشنهاد می شود و عملکرد پیش بینی آن را به نتایج جستجوی تولید شده توسط گوگل و بایو مقایسه می کند. این تحقیق علیت گرنجر و همبستگی 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، مدل های پیشنهادی هسته ای (KELM) که مجموعه های گردشگری را با شاخص Baidu و شاخص گوگل ادغام می کنند، می توانند عملکرد پیش بینی را به طور قابل توجهی از نظر دقت پیش بینی و تحلیل قوی بهبود بخشند.
مقدمه
در سراسر جهان، صنعت گردشگری به طور قابل توجهی به رشد اقتصادی کمک می کند (Gunter & Onder، 2015؛ Song، Li، Witt، & Athanasopoulos، 2011). طبق گزارش گردشگری گردشگری چین، در سال 2016 درآمد گردشگری چین به 4.69 تریلیون RMB رسید که نسبت به سال قبل 13.6 درصد افزایش داشته است و 6.3 درصد از تولید ناخالص داخلی چین را تشکیل می دهد. بنابراین پیش بینی گردش گردشگری برای پیش بینی توسعه اقتصادی آینده به طور فزاینده ای مهم است. پیش بینی تقاضای گردشگری ممکن است اطلاعات اولیه را برای برنامه ریزی و سیاست گذاری بعدی فراهم کند (Chu، 2008؛ Witt & Song، 2002). روش های مورد استفاده در مدل سازی و پیش بینی گردشگری به چهار گروه تقسیم می شوند: مدل های سری زمانی، مدل های اقتصادسنجی، تکنیک های هوش مصنوعی و روش های کیفی (Goh & Law، 2011؛ Song & Li، 2008). علاوه بر داده های توریستی ساده که توسط اداره آمار دولتی اعلام شده است، نمایش داده های جستجو در اینترنت که منعکس کننده رفتار و اهداف گردشگران است، به طور فزاینده ای در مدل های پیش بینی گردشگری (Croce، 2017؛ Goodwin، 2008) مورد استفاده قرار گرفته است. با این حال، شاخص جستجو فرصت های بزرگی در روند مدل سازی پیش بینی گردشگری (Li، Pan، Raw & Huang، 2017) ایجاد کرده است. داده های جستجو در اینترنت برای بسیاری از جنبه ها مانند ثبت نام هتل (Pan & Yang، 2017، Rivera، 2016)، شماره های توریستی (Bangwayo-Skeete & Skeete 2015، Yang، Pan، Evans، & Lv، 2015)، اقتصادی (Choi & Varian، 2012)، نرخ بیکاری (Askitas & Zimmermann، 2009)، مصرف خصوصی (Vosen & Schmidt، 2011) و بازده سهام (Zhu & Bao، 2014). هنگام معرفی شاخص Baidu یا Google Index به مدل های پیش بینی، کلمات کلیدی و ترکیب شاخص ها باید با دقت انتخاب شوند.
Year: 2019
Publisher : ELSEVIER
By : Shaolong Suna, Yunjie Weia , Kwok-Leung Tsuic , Shouyang Wang
File Information: English Language/ 10 Page / size: 1.09 MB
سال : 1398
ناشر : ELSEVIER
کاری از : شائولانگ سونا، یونجی ویوا، کووك-لوونگ تسویك، شوییانگ وانگ
اطلاعات فایل : زبان انگلیسی / 10 صفحه / حجم : MB 1.09
نقد و بررسیها
هنوز بررسیای ثبت نشده است.