ترجمه مقاله تاثیرات مدیریت منابع انسانی سبز (GHRM) بر نتایج کارکنان هتل سبز و غیر سبز – نشریه الزویر
مبلغ : 72800 تومان
سال انتشار : 2022
ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت – نشریه الزویر
قیمت خرید این کالا
39,800 تومان
| عنوان فارسی: | پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت |
| عنوان انگلیسی: | Forecasting tourist arrivals with machine learning and internet search index |
| تعداد صفحات مقاله انگلیسی : 10 | تعداد صفحات ترجمه فارسی : 26 (1 صفحه رفرنس انگلیسی) |
| سال انتشار : 2019 | نشریه : الزویر - Elsevier |
| فرمت مقاله انگلیسی : pdf | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
| فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
| نوع مقاله : ISI | نوع نگارش : مقالات پژوهشی (تحقیقاتی) |
| پایگاه : اسکوپوس | نوع ارائه مقاله : ژورنال |
| ایمپکت فاکتور(IF) مجله : 7.271 در سال 2019 | شاخص H_index مجله : 159 در سال 2020 |
| شاخص SJR مجله : 2.924 در سال 2019 | شناسه ISSN مجله : 0261-5177 |
| شاخص Q یا Quartile (چارک) : Q1 در سال 2019 | کد محصول : 10480 |
| محتوای فایل : zip | حجم فایل : 5.54Mb |
| رشته و گرایش های مرتبط با این مقاله: گردشگری و توریسم، مهندسی فناوری اطلاعات، مدیریت گردشگری، اینترنت و شبکه های گسترده |
| مجله: مدیریت گردشگری - Tourism Management |
| دانشگاه: دانشکده اقتصاد و مدیریت، دانشگاه آکادمی علوم چینی، چین |
| کلمات کلیدی: پیش بینی تقاضای گردشگری، ماشین یادگیری سریع با هسته غیر خطی، داده های حاصل از جستجو، آنالیز داده های بزرگ، شاخص جستجوی کامپوزیت |
| کلمات کلیدی انگلیسی: Tourism demand forecasting - Kernel extreme learning machine - Search query data - Big data analytics - Composite search index |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه منابع داخل متن: به صورت انگلیسی درج شده است ✓ |
| ضمیمه: ندارد ☓ |
| بیس: نیست ☓ |
| مدل مفهومی: ندارد ☓ |
| پرسشنامه: ندارد ☓ |
| متغیر: ندارد ☓ |
| رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
| رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است |
| doi یا شناسه دیجیتال: https://doi.org/10.1016/j.tourman.2018.07.010 |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1. مقدمه
2. بررسی ادبیات
2.1 پیش بینی میزان گردشگری
2.2 پیش بینی گردشگری با استفاده از داده های موتور جستجو
3. ماشین یادگیری سریع با هسته غیر خطی
4. چارچوب پیش بینی
5. مطالعه تجربی
5.1 طراحی تجربی
5.2 نتایج تجربی
5.3 خلاصه
6. نتیجه گیری
نمونه متن انگلیسی
Abstract
Previous studies have shown that online data, such as search engine queries, is a new source of data that can be used to forecast tourism demand. In this study, we propose a forecasting framework that uses machine learning and internet search indexes to forecast tourist arrivals for popular destinations in China and compared its forecasting performance to the search results generated by Google and Baidu, respectively. This study verifies the Granger causality and co-integration relationship between internet search index and tourist arrivals of Beijing. Our experimental results suggest that compared with benchmark models, the proposed kernel extreme learning machine (KELM) models, which integrate tourist volume series with Baidu Index and Google Index, can improve the forecasting performance significantly in terms of both forecasting accuracy and robustness analysis.
نمونه متن ترجمه
چکیده
مطالعات قبلی نشان داده اند که داده های آنلاین، مانند استفاده از موتورهای جستجو، یک منبع جدید از اطلاعات هستند که می توانند برای پیش بینی تقاضای گردشگری مورد استفاده قرار بگیرند. در این مطالعه، ما یک چارچوب برای پیش بینی پیشنهاد می کنیم که از شاخص های یادگیری ماشین و جستجو در اینترنت برای پیش بینی ورود گردشگران به مقصد های محبوب در چین استفاده کرده و عملکرد پیش بینی آن را با نتایج جستجوی بدست آمده از گوگل و بایدو مقایسه می کند. این تحقیق ارتباط Granger و هم جمعی بین شاخص جستجوی اینترنتی و ورود گردشگران پکن را بررسی می کند. نتایج تجربی ما نشان می دهد که در مقایسه با مدل های معیار، مدل های مبتنی بر ماشین یادگیری سریع با هسته غیر خطی پیشنهاد شده (KELM) که مجموعه های گردشگری را با شاخص بایدو و شاخص گوگل ادغام می کنند، می توانند عملکرد پیش بینی را به طور قابل توجهی از لحاظ دقت پیش بینی و آنالیز قدرت بهبود بخشد.
