A Novel Hybrid Approach for Daily Tourism Arrival Forecasting: The PROPHET-Bayesian Gaussian Process-Forward Neural Network Model
Notice bibliographique
Résumé
In light of the profound impact of the COVID-19 pandemic on the tourism sector, accurate forecasting of daily visitor arrivals has become paramount.Introduced herein is a novel PROPHET-Bayesian Gaussian Process-Forward Neural Network (PROPHET-BGP-FNN) model, an advanced deep learning (DL) approach, devised for this purpose.This model uniquely integrates the PROPHET model with a deep neural network, merging BGP and FNN, thereby enabling the detection of both linear and nonlinear data attributes.Linear characteristics are discerned by the PROPHET component.Contrary to traditional methodologies which predominantly employ monthly or quarterly datasets, this approach harnesses the precision of daily data, thereby offering a timely and refined forecast.Given the complexity of daily tourist demand data, which manifests a blend of linear and nonlinear patterns, the conventional frameworks often fall short in representation.Through an application on Hawaiian tourism data spanning 2017 to 2021, 80% of which was employed for training and the remainder for validation, it was observed that the PROPHET-BGP-FNN model surpassed benchmark models, including Long Short-Term Memory (LSTM)-SARIMAX-PROPHET, with a remarkable forecast accuracy of 97%.This investigation underscores the viability of integrating high-frequency data with cutting-edge machine learning (ML) methodologies for a more precise forecast in tourism demand.Such insights hold significant implications for strategic decision-making, thereby enhancing the tourism sector's economic viability and competitive stance.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».