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
- 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) - Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning
Model [7.769537533798236]
ITF(Inter-Destination Tourism Flow, Inter-Destination Tourism Flow)は、目的地の役割の分類や訪問パターンのマイニングといった業務における観光管理に一般的に用いられている。
ITFの体積がマルチトラクションシステムの特徴にどのように影響されているかを理解するのは難しい。
ITF予測のためのグラフベースハイブリッドディープラーニングモデルを提案する。
論文 参考訳(メタデータ) (2023-05-05T03:48:12Z) - 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) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳(メタデータ) (2022-03-09T21:08:47Z) - 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。