論文の概要: Neural Network Modeling for Forecasting Tourism Demand in Stopića Cave: A Serbian Cave Tourism Study

• arxiv url: http://arxiv.org/abs/2404.04974v1
• Date: Sun, 7 Apr 2024 14:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 16:22:29.688590
• Title: Neural Network Modeling for Forecasting Tourism Demand in Stopića Cave: A Serbian Cave Tourism Study
• Title（参考訳）: ストミチャ洞窟における観光需要予測のためのニューラルネットワークモデリング : セルビアの洞窟観光研究
• Authors: Buda Bajić, Srđan Milićević, Aleksandar Antić, Slobodan Marković, Nemanja Tomić,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For modeling the number of visits in Stopi\'{c}a cave (Serbia) we consider the classical Auto-regressive Integrated Moving Average (ARIMA) model, Machine Learning (ML) method Support Vector Regression (SVR), and hybrid NeuralPropeth method which combines classical and ML concepts. The most accurate predictions were obtained with NeuralPropeth which includes the seasonal component and growing trend of time-series. In addition, non-linearity is modeled by shallow Neural Network (NN), and Google Trend is incorporated as an exogenous variable. Modeling tourist demand represents great importance for management structures and decision-makers due to its applicability in establishing sustainable tourism utilization strategies in environmentally vulnerable destinations such as caves. The data provided insights into the tourist demand in Stopi\'{c}a cave and preliminary data for addressing the issues of carrying capacity within the most visited cave in Serbia.
• Abstract（参考訳）: Stopi\'{c}a cave (Serbia) における訪問回数をモデル化するために、古典的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ター回帰(SVR)、古典的概念とML概念を組み合わせたハイブリッドなニューラルプロペス法を検討する。 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。 さらに、非線形性は浅いニューラルネットワーク(NN)によってモデル化され、Google Trendsは外生変数として組み込まれている。 観光需要のモデル化は, 洞窟などの環境にやさしい場所において, 持続可能な観光利用戦略を確立できるため, 経営構造や意思決定者にとって非常に重要である。 このデータは、Stopi\'{c}a洞窟の観光需要に関する洞察と、セルビアで最も訪れた洞窟内での収容能力の問題に対処するための予備的なデータを提供した。

関連論文リスト

• From Hope to Safety: Unlearning Biases of Deep Models via Gradient Penalization in Latent Space [13.763716495058294]
  ディープニューラルネットワークは、トレーニングデータに埋め込まれた急激な相関を学習する傾向があるため、潜在的なバイアスのある予測につながる。 これは、医療応用など、高い意思決定のためにこれらのモデルをデプロイする際のリスクを生じさせる。 本稿では,勾配のペナル化によるバイアスに対するモデル感度を明示的に低減する,概念レベルでのモデル補正手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T10:07:46Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• 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)
• Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
  破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。 本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。 私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
  論文  参考訳（メタデータ） (2020-12-10T22:30:25Z)
• Interpretable Data-Driven Demand Modelling for On-Demand Transit Services [6.982614422666432]
  本研究では,DAレベルにおけるオンデマンド交通(ODT)サービスのための旅行・流通モデルを開発した。 その結果, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-27T20:48:10Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Predicting Geographic Information with Neural Cellular Automata [7.605218364952221]
  本稿では,ニューラルセルオートマトン(NCA)を用いて地理情報を再生・予測する新しい枠組みを提案する。 モデルは、NAAを使用して、さまざまな地理的データでモデルをトレーニングすることで、特定の画像を生成/再生するという考え方を拡張している。
  論文  参考訳（メタデータ） (2020-09-20T03:53:48Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)
• MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images [4.7791671364702575]
  土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。 我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-02-18T11:21:55Z)

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。