論文の概要: A Hybrid Game-Theory and Deep Learning Framework for Predicting Tourist Arrivals via Big Data Analytics and Opinion Leader Detection

• arxiv url: http://arxiv.org/abs/2507.03411v1
• Date: Fri, 04 Jul 2025 09:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.724749
• Title: A Hybrid Game-Theory and Deep Learning Framework for Predicting Tourist Arrivals via Big Data Analytics and Opinion Leader Detection
• Title（参考訳）: ビッグデータ分析とオピニオンリーダ検出による観光地予測のためのハイブリッドゲーム理論とディープラーニングフレームワーク
• Authors: Ali Nikseresht,
• Abstract要約: 本稿では,海外旅行者の来訪を2つの異なる文脈で予測するための非線形ハイブリッド手法を提案する。 この手法は、インターネットのビッグデータの複数のソースを統合し、ソーシャルメディアプラットフォーム上の意見リーダーを識別する革新的なゲーム理論ベースのアルゴリズムを用いる。 実験により,本手法は既存の最先端技術より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of Industry 5.0, data-driven decision-making has become indispensable for optimizing systems across Industrial Engineering. This paper addresses the value of big data analytics by proposing a novel non-linear hybrid approach for forecasting international tourist arrivals in two different contexts: (i) arrivals to Hong Kong from five major source nations (pre-COVID-19), and (ii) arrivals to Sanya in Hainan province, China (post-COVID-19). The method integrates multiple sources of Internet big data and employs an innovative game theory-based algorithm to identify opinion leaders on social media platforms. Subsequently, nonstationary attributes in tourism demand data are managed through Empirical Wavelet Transform (EWT), ensuring refined time-frequency analysis. Finally, a memory-aware Stacked Bi-directional Long Short-Term Memory (Stacked BiLSTM) network is used to generate accurate demand forecasts. Experimental results demonstrate that this approach outperforms existing state-of-the-art techniques and remains robust under dynamic and volatile conditions, highlighting its applicability to broader Industrial Engineering domains, such as logistics, supply chain management, and production planning, where forecasting and resource allocation are key challenges. By merging advanced Deep Learning (DL), time-frequency analysis, and social media insights, the proposed framework showcases how large-scale data can elevate the quality and efficiency of decision-making processes.
• Abstract（参考訳）: 産業5.0の時代には、データ駆動型意思決定は産業工学におけるシステムの最適化に欠かせないものとなっている。 本稿では,2つの異なる文脈における海外旅行者の来訪を予測するための,新たな非線形ハイブリッドアプローチを提案することにより,ビッグデータ分析の価値を論じる。 (i)主要5カ国(COVID-19以前の)から香港に到着し、 (二)中国海南省(新型コロナウイルス後)の山谷に到着。 この手法は、インターネットのビッグデータの複数のソースを統合し、ソーシャルメディアプラットフォーム上の意見リーダーを識別する革新的なゲーム理論ベースのアルゴリズムを用いる。 その後、観光需要データにおける非定常属性は、経験的ウェーブレット変換(EWT)によって管理され、洗練された時間周波数解析が保証される。 最後に、メモリを意識したスタック型双方向長短メモリ(スタック型BiLSTM)ネットワークを使用して、正確な需要予測を生成する。 実験の結果,本手法は既存の最先端技術よりも優れており,動的・揮発性条件下でも頑健であり,ロジスティクス,サプライチェーン管理,生産計画など幅広い産業工学分野に適用可能であることが明らかとなった。 高度なディープラーニング(DL)、時間周波数分析、ソーシャルメディアの洞察を組み合わせることで、大規模なデータによって意思決定プロセスの品質と効率が向上することを示す。

関連論文リスト

• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [89.99161034065614]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• A Survey on Data Synthesis and Augmentation for Large Language Models [35.59526251210408]
  本稿では,大規模言語モデルのライフサイクルを通じてデータ生成手法をレビューし,要約する。 これらの手法が直面する現在の制約について考察し,今後の開発・研究の道筋について考察する。
  論文  参考訳（メタデータ） (2024-10-16T16:12:39Z)
• Towards General Industrial Intelligence: A Survey of Continual Large Models in Industrial IoT [25.16997700703974]
  本調査では,大規模モデル(LM)とのIIoT統合とその産業環境への応用について検討する。 我々は,言語ベース,視覚ベース,時系列,マルチモーダルモデルという,産業用LMの4つの主要なタイプに注目した。 IIoTが豊富な多様なデータリソースをどのように提供するかを分析し、LMのトレーニングと微調整をサポートする。
  論文  参考訳（メタデータ） (2024-09-02T12:35:59Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• 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)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• A Multi-Stage Automated Online Network Data Stream Analytics Framework for IIoT Systems [10.350337750192997]
  IIoTシステムにおけるコンセプトドリフト適応のための新しいMulti-Stage Automated Network Analytics(MSANA)フレームワークを提案する。 MSANAは、動的データ前処理、Driftベースの動的特徴選択(DD-FS)メソッド、動的モデル学習と選択、ウィンドウベースのパフォーマンス重み付き確率平均アンサンブル(W-PWPAE)モデルで構成されている。 それは完全な自動データストリーム分析フレームワークで、産業用5.0におけるIIoTシステムの自動的、効率的、効率的なデータ分析を可能にする。
  論文  参考訳（メタデータ） (2022-10-05T02:18:36Z)
• Short-Term Load Forecasting using Bi-directional Sequential Models and Feature Engineering for Small Datasets [6.619735628398446]
  本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。 提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。 提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-28T14:11:35Z)
• 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。