Fugu-MT 論文翻訳(概要): Tourism Demand Forecasting: An Ensemble Deep Learning Approach

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

Enhancing Aspect-based Sentiment Analysis in Tourism Using Large Language Models and Positional Information [14.871979025512669]
本稿では,Aspect-Category-Sentiment Quadruple extract (ACOSQE)のためのアスペクトベース感情分析モデルACOS_LLMを提案する。このモデルは補助知識生成とACOSQEという2つの重要な段階から構成される。その結果、F1は観光データセットの他のモデルと比較して7.49%改善した。
論文参考訳（メタデータ） (2024-09-23T13:19:17Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
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 [67.20588721130623]
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)
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)
Inductive biases in deep learning models for weather prediction [17.061163980363492]
我々は、最先端のディープラーニングに基づく天気予報モデルの誘導バイアスをレビューし分析する。我々は、最も重要な帰納バイアスを特定し、より効率的で確率的なDLWPモデルへの潜在的な道のりを明らかにする。
論文参考訳（メタデータ） (2023-04-06T14:15:46Z)
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)
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。