論文の概要: Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning Model

• arxiv url: http://arxiv.org/abs/2305.03267v1
• Date: Fri, 5 May 2023 03:48:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 15:29:27.711871
• Title: Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning Model
• Title（参考訳）: ハイブリッド深層学習モデルによる地域間観光フローの予測
• Authors: Hanxi Fang, Song Gao, Feng Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.769537533798236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tourists often go to multiple tourism destinations in one trip. The volume of tourism flow between tourism destinations, also referred to as ITF (Inter-Destination Tourism Flow) in this paper, is commonly used for tourism management on tasks like the classification of destinations' roles and visitation pattern mining. However, the ITF is hard to get due to the limitation of data collection techniques and privacy issues. It is difficult to understand how the volume of ITF is influenced by features of the multi-attraction system. To address these challenges, we utilized multi-source datasets and proposed a graph-based hybrid deep learning model to predict the ITF. The model makes use of both the explicit features of individual tourism attractions and the implicit features of the interactions between multiple attractions. Experiments on ITF data extracted from crowdsourced tourists' travel notes about the city of Beijing verified the usefulness of the proposed model. Besides, we analyze how different features of tourism attractions influence the volume of ITF with explainable AI techniques. Results show that popularity, quality and distance are the main three influential factors. Other features like coordinates will also exert an influence in different ways. The predicted ITF data can be further used for various downstream tasks in tourism management. The research also deepens the understanding of tourists' visiting choice in a tourism system consisting of multiple attractions.
• Abstract（参考訳）: 観光客はしばしば1回の旅行で複数の観光地に行く。 本論文では、観光先間の観光フロー量(itf(inter-destination tourism flow)とも呼ばれる)は、観光先の役割の分類や訪問パターンのマイニングといったタスクにおいて、観光管理に一般的に用いられている。 しかし、itfはデータ収集技術やプライバシの問題が制限されているため、実現が難しい。 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するかを理解することは困難である。 これらの課題に対処するために,マルチソースデータセットを用いて,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した。 このモデルは、個々の観光名所の明示的な特徴と、複数のアトラクション間の相互作用の暗黙的な特徴の両方を利用する。 北京市におけるクラウドソーシング観光客の旅行記録から抽出したitfデータを用いた実験により,提案モデルの有用性が検証された。 さらに,観光アトラクションの異なる特徴がIFFのボリュームに与える影響を,説明可能なAI技術を用いて分析する。 その結果,人気,品質,距離が3つの要因となっている。 coordinatesのような他の機能は、異なる方法で影響を与える。 予測されたitfデータは、観光管理における様々な下流タスクに利用することができる。 この研究はまた、複数のアトラクションからなる観光システムにおける観光客の訪問選択の理解を深めた。

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)
• TourLLM: Enhancing LLMs with Tourism Knowledge [3.034710104407876]
  我々はカルトゥールという文化・観光分野のための教師付き微調整データセットを構築した。 このデータセットは、観光知識ベースQAデータ、旅行情報データ、観光多様性QAデータという3つの部分から構成される。 カートゥールで微調整されたQwenベースのモデルであるTourLLMを提案し,アトラクションや旅行計画に関する情報の質を向上させる。
  論文  参考訳（メタデータ） (2024-06-18T09:15:46Z)
• Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
  この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。 群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。 いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
  論文  参考訳（メタデータ） (2024-02-14T13:20:24Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Deep-Learning vs Regression: Prediction of Tourism Flow with Limited Data [6.953945420706753]
  本稿では,限られたデータを用いたビジターフロー予測の分野における,最先端のディープラーニング手法の性能を実証的に評価する。 より高速な推論時間と付加的な入力機能を備えた深層学習モデルにより,ARIMA法よりも優れた予測が得られた。
  論文  参考訳（メタデータ） (2022-06-27T13:10:13Z)
• A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea [0.5249805590164902]
  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。
  論文  参考訳（メタデータ） (2021-12-01T07:42:35Z)
• Gravitational Models Explain Shifts on Human Visual Attention [80.76475913429357]
  視覚的注意(英: visual attention)とは、人間の脳が優先的な処理のために関連する感覚情報を選択する能力を指す。 過去30年間に様々な評価方法が提案されてきた。 注意変動を記述するための重力モデル(GRAV)を提案する。
  論文  参考訳（メタデータ） (2020-09-15T10:12:41Z)
• Placepedia: Comprehensive Place Understanding with Multi-Faceted Annotations [79.80036503792985]
  Placepediaは、240万のユニークな場所から3500万枚以上の写真を集めた大規模な場所データセットです。 写真に加えて、各場所にはGDP、人口など、膨大な多面的な情報も付属している。 このデータセットは大量のデータと豊富なアノテーションを持ち、様々な研究を行うことができる。
  論文  参考訳（メタデータ） (2020-07-07T20:17:01Z)
• Multimodal Text Style Transfer for Outdoor Vision-and-Language Navigation [71.67507925788577]
  本稿では,屋外ナビゲーションタスクのためのマルチモーダルテキストスタイル変換(MTST)学習手法を提案する。 まず、Google Maps APIで生成された命令のスタイルを転送し、拡張された外部ナビゲーションデータセットでナビゲータを事前訓練することで、ナビゲーションデータを強化します。 実験結果から, MTST学習手法はモデルに依存しないことが明らかとなり, MTSTアプローチは屋外VLNタスクのベースラインモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-01T04:29:07Z)
• 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。