ترجمه مقاله پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت – سال 2019
مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی ورود گردشگران با شاخص یادگیری ماشین و جستجو در اینترنت
عنوان انگلیسی مقاله:
Forecasting tourist arrivals with machine learning and internet search index
کلمات کلیدی مقاله:
پیش بینی تقاضای گردشگری، ماشین یادگیری سریع با هسته غیر خطی، داده های حاصل از جستجو، آنالیز داده های بزرگ، شاخص جستجوی کامپوزیت
مناسب برای رشته های دانشگاهی زیر:
گردشگری و توریسم، مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
مدیریت گردشگری، اینترنت و شبکه های گسترده
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
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
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
All over the world, the tourism industry contributes significantly to economic growth (Gunter & Onder, 2015; Song, Li, Witt, & Athanasopoulos, 2011). According to the China National Tourism Administration, in 2016 the tourism income of China reached 4.69 trillion RMB, increasing by 13.6% compared to the previous year, and accounted for 6.3% of China’s GDP. Thus, forecasting tourist volume is becoming increasingly important for predicting future economic development. Tourism demand forecasting may provide basic information for subsequent planning and policy making (Chu, 2008; Witt & Song, 2002). Methods used in tourism modeling and forecasting fall into four groups: time series models, econometrics models, artificial intelligence techniques and qualitative methods (Goh & Law, 2011; Song & Li, 2008). In addition to simple tourist data announced by the State Statistics Bureau, Internet search queries, which reflect the behavior and intentions of tourists, have increasingly been used in tourism forecasting models (Croce, 2017; Goodwin, 2008). However, the search index has created big opportunities in the modeling process of tourism forecasting (Li, Pan, Raw & Huang, 2017).
1. مقدمه
در سراسر جهان، صنعت گردشگری به طور قابل توجهی به رشد اقتصادی کمک می کند (Gunter & Onder، 2015؛ Song، Li، Witt، & Athanasopoulos، 2011). طبق گزارش اداره گردشگری ملی چین، درآمد گردشگری چین در سال 2016 به 4.69 تریلیون RMB رسید که این مقدار نسبت به سال قبل 13.6 درصد افزایش داشته است و 6.3 درصد از GDP (تولید ناخالص داخلی) چین را تشکیل می دهد. بنابراین پیش بینی میزان گردشگری به طور فزاینده ای برای پیش بینی توسعه اقتصادی آینده مهم است. پیش بینی تقاضای گردشگری ممکن است اطلاعات اولیه را برای برنامه ریزی و سیاست گذاری بعدی ارائه دهد (Chu، 2008؛ Witt & Song، 2002). روش های مورد استفاده برای مدل سازی و پیش بینی گردشگری به چهار گروه مدل های سری زمانی، مدل های اقتصادسنجی، تکنیک های هوش مصنوعی و روش های کیفی تقسیم می شوند (Goh & Law، 2011؛ Song & Li، 2008). علاوه بر اطلاعات توریستی ساده ارائه شده توسط اداره آمار دولتی، جستجو در اینترنت که منعکس کننده رفتار و اهداف گردشگران است، به طور فزاینده در مدل های پیش بینی گردشگری مورد استفاده قرار گرفته است (Croce، 2017؛ Goodwin، 2008). با این حال، شاخص جستجو فرصت های زیادی را برای فرآیند مدل سازی پیش بینی گردشگری ایجاد کرده است (Li، Pan، Raw & Huang، 2017).
