論文の概要: Tourism Demand Forecasting: An Ensemble Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2002.07964v3
- Date: Sat, 16 Jan 2021 08:02:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:39:22.033373
- Title: Tourism Demand Forecasting: An Ensemble Deep Learning Approach
- Title(参考訳): 観光需要予測 : 深層学習のアプローチ
- Authors: Shaolong Sun, Yanzhao Li, Ju-e Guo, Shouyang Wang
- Abstract要約: 我々は、北京の観光客の到着を予測するために、歴史的観光到着データ、経済変動データ、検索強度指標(SII)データを使用する。
提案するB-SAKE手法は, レベル精度, 方向精度, 統計的意義の観点から, ベンチマークモデルより優れている。
バッグングと積み重ねオートエンコーダは、観光ビッグデータがもたらす課題を効果的に軽減し、モデルの予測性能を向上させる。
- 参考スコア(独自算出の注目度): 4.516340427736994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The availability of tourism-related big data increases the potential to
improve the accuracy of tourism demand forecasting, but presents significant
challenges for forecasting, including curse of dimensionality and high model
complexity. A novel bagging-based multivariate ensemble deep learning approach
integrating stacked autoencoders and kernel-based extreme learning machines
(B-SAKE) is proposed to address these challenges in this study. By using
historical tourist arrival data, economic variable data and search intensity
index (SII) data, we forecast tourist arrivals in Beijing from four countries.
The consistent results of multiple schemes suggest that our proposed B-SAKE
approach outperforms benchmark models in terms of level accuracy, directional
accuracy and even statistical significance. Both bagging and stacked
autoencoder can effectively alleviate the challenges brought by tourism big
data and improve the forecasting performance of the models. The ensemble deep
learning model we propose contributes to tourism forecasting literature and
benefits relevant government officials and tourism practitioners.
- Abstract(参考訳): 観光関連ビッグデータの可用性は、観光需要予測の精度を向上させる可能性を高めるが、次元の呪いや高モデル複雑さなど、予測に大きな課題をもたらす。
本研究では,スタック化されたオートエンコーダとカーネルベースの極端学習マシン(B-SAKE)を統合した,バッグングに基づく多変量アンサンブル深層学習手法を提案する。
歴史的来訪データ,経済変動データ,検索強度指数(sii)データを用いて,4カ国から北京への来訪を予測した。
複数のスキームによる一貫した結果から,B-SAKE手法は,レベル精度,方向精度,統計的意義の点でベンチマークモデルより優れていることが示唆された。
バッグングと積み重ねオートエンコーダは、観光ビッグデータがもたらす課題を効果的に軽減し、モデルの予測性能を向上させる。
本提案のアンサンブル深層学習モデルは,観光予測文献に寄与し,関連する政府職員や観光業者の便益にも寄与する。
関連論文リスト
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Exploring Deep Learning Approaches to Predict Person and Vehicle Trips:
An Analysis of NHTS Data [0.0]
本研究では、旅行予測へのアプローチ方法を変えるためのディープラーニング技術の可能性を探求する。
我々は、人や車の旅行を予測するためのディープラーニングモデルを開発し、訓練した。
人的旅行予測では98%,自動車旅行推定では96%の精度が得られた。
論文 参考訳(メタデータ) (2023-08-10T16:06:10Z) - Crowd Safety Manager: Towards Data-Driven Active Decision Support for
Planning and Control of Crowd Events [1.3764085113103222]
リスクレベルの評価と予測を目的とした包括的フレームワークであるBortieモデルを紹介する。
提案されたフレームワークは、ScheveningenのCrowd Safety Managerプロジェクトに適用される。
論文 参考訳(メタデータ) (2023-07-31T18:47:56Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Travel Demand Forecasting: A Fair AI Approach [0.9383397937755517]
本研究では,公正で高精度な旅行需要予測モデルを開発するための新しい手法を提案する。
具体的には、予測精度と保護属性の相関を明示的に測定する、新しい公正規則化項を導入する。
その結果,提案手法は,予測精度を維持しつつ,複数の保護属性の公平性を効果的に向上させることができることがわかった。
論文 参考訳(メタデータ) (2023-03-03T03:16:54Z) - CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal
Relationships [8.679073301435265]
既存のデータに摂動を適用することにより、モデルロバスト性の評価と改善のための新しいベンチマークを構築する。
我々はこれらのラベルを使用して、現場から非因果的エージェントを削除することでデータを摂動する。
非因果摂動下では, minADE の相対的な変化は, 原型と比較して25$-$38%である。
論文 参考訳(メタデータ) (2022-07-07T21:28:23Z) - A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in
Chicago [0.0]
本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。
シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
論文 参考訳(メタデータ) (2021-09-08T04:58:29Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。