論文の概要: A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea

• arxiv url: http://arxiv.org/abs/2112.00328v1
• Date: Wed, 1 Dec 2021 07:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 14:50:34.690400
• Title: A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea
• Title（参考訳）: マルチヘッドアテンションcnnに基づく毎日の観光需要予測枠組み--韓国の外国人参加者を事例として
• Authors: Dong-Keon Kim, Sung Kuk Shyn, Donghee Kim, Seungwoo Jang and Kwangsu Kim
• Abstract要約: 本稿では,これらの制約に対処するためのマルチヘッドアテンションCNNモデル(MHAC)を提案する。 MHACは1D畳み込みニューラルネットワークを使用して、時間パターンとアテンションメカニズムを分析し、入力変数間の相関を反映する。 韓国では,政治,病気,季節,韓国文化の魅力といった外部要因を考慮し,来訪者の変化を予測するための予測枠組みを適用した。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing an accurate tourism forecasting model is essential for making desirable policy decisions for tourism management. Early studies on tourism management focus on discovering external factors related to tourism demand. Recent studies utilize deep learning in demand forecasting along with these external factors. They mainly use recursive neural network models such as LSTM and RNN for their frameworks. However, these models are not suitable for use in forecasting tourism demand. This is because tourism demand is strongly affected by changes in various external factors, and recursive neural network models have limitations in handling these multivariate inputs. We propose a multi-head attention CNN model (MHAC) for addressing these limitations. The MHAC uses 1D-convolutional neural network to analyze temporal patterns and the attention mechanism to reflect correlations between input variables. This model makes it possible to extract spatiotemporal characteristics from time-series data of various variables. We apply our forecasting framework to predict inbound tourist changes in South Korea by considering external factors such as politics, disease, season, and attraction of Korean culture. The performance results of extensive experiments show that our method outperforms other deep-learning-based prediction frameworks in South Korea tourism forecasting.
• Abstract（参考訳）: 観光経営に望ましい政策決定を行うには,正確な観光予測モデルの開発が不可欠である。 観光経営の初期研究は、観光需要に関連する外部要因の発見に重点を置いている。 最近の研究は、これらの外部要因とともに需要予測におけるディープラーニングを利用している。 主にフレームワークにLSTMやRNNといった再帰的ニューラルネットワークモデルを使用する。 しかし、これらのモデルは観光需要の予測には適していない。 これは、観光需要が様々な外部要因の変化の影響を強く受けており、再帰的ニューラルネットワークモデルはこれらの多変量入力に制限があるためである。 本稿では,これらの制約に対処する多視点CNNモデル(MHAC)を提案する。 MHACは1D畳み込みニューラルネットワークを使用して、時間パターンとアテンションメカニズムを分析し、入力変数間の相関を反映する。 このモデルにより,変数の時系列データから時空間特性を抽出することができる。 我々は,韓国文化の政治,病気,季節,魅力といった外部要因を考慮して,韓国におけるインバウンド観光の変化を予測するための予測枠組みを適用する。 広範な実験の結果,韓国観光予測における他の深層学習に基づく予測フレームワークよりも優れた結果が得られた。

関連論文リスト

• 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)
• Neural Network Modeling for Forecasting Tourism Demand in Stopića Cave: A Serbian Cave Tourism Study [39.58317527488534]
  本稿では,従来の自己回帰統合移動平均(ARIMA)モデル,機械学習(ML)メソッドのサポートベクトル回帰(SVR)およびハイブリッドニューラルプロペス法について考察する。 最も正確な予測は、季節成分と時系列の増大傾向を含むNeuralPropethを用いて得られた。
  論文  参考訳（メタデータ） (2024-04-07T14:33:06Z)
• 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)
• Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
  シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。 提案したモデルをCityscapesとAIODriveデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-04-14T17:59:32Z)
• A Novel Deep Learning Model for Hotel Demand and Revenue Prediction amid COVID-19 [4.804738220669972]
  我々は、新型コロナウイルスのパンデミックの影響下で時系列データを予測するための新しいディープラーニングフレームワークであるDemandNetを開発した。 米国8都市から毎日のホテル需要と収益データを用いて,この枠組みを評価した。
  論文  参考訳（メタデータ） (2022-03-08T20:34:16Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Equality of opportunity in travel behavior prediction with deep neural networks and discrete choice models [3.4806267677524896]
  本研究では,旅行行動分析に重要な欠落次元である計算公正性を導入する。 まず、機会の平等によって計算公正性を運用し、次に、データ固有のバイアスと、モデリングによって導入されたバイアスを区別する。
  論文  参考訳（メタデータ） (2021-09-25T19:02:23Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• Tourism Demand Forecasting: An Ensemble Deep Learning Approach [4.516340427736994]
  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。
  論文  参考訳（メタデータ） (2020-02-19T02:23:38Z)

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。