Insights on defeating coronavirus disease (COVID-19) outbreak and predicting tourist arrival on the Chinese Hainan Leisure Island during the COVID-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: Hainan province is a very popular leisure tourist arriving city in China. Coronavirus disease 2019 (COVID-19) emerged in China and rapidly in early 2020, and due to its rapid worldwide spread, the World Health Organization declared COVID-19 as a global emergency. During the COVID-19 pandemic in Hainan province, many businesses and economies were influenced in this unexpected event, especially in tourism. METHODS: This study used 2 classical forecasting methods to predict the number of tourists on Hainan Leisure Island from September to December in the second half of 2020 and to summarize the COVID-19 fighting experience during the pandemic. In addition, the Hainan government implemented epidemic control measures to resume production and work, and promote new tourism measures to acquire superior COVID-19 protection. RESULTS: Winter's method provides a statistical model for predicting the number of visitors to Hainan under normal conditions. The trend analysis method considers the impact of the black swan event, an irregular event, and only uses the data under the influence of the event to predict according to the trend. CONCLUSION: If the impact of the black swan event (COVID-19) continues, the prediction can be made using this method. In addition, the Hainan government has undertaken timely and effective measures against COVID-19 to promote leisure tourism development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».