ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت - نشریه الزویر

ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت - نشریه الزویر
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
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
صفحات مقاله فارسی
26
صفحات مقاله انگلیسی
10
سال انتشار
2019
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
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)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
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
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 در ترجمه
در داخل متن و انتهای مقاله درج شده است
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
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.tourman.2018.07.010
۰.۰ (بدون امتیاز)
امتیاز دهید
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 چکیده متن اصلی 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 چکیده ترجمه متن فارسی
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.

بدون دیدگاه