基于混合深度学习模型的目的地间旅游流预测
计算机与社会
2023-05-08 v1
摘要
游客常在一次行程中前往多个旅游目的地。旅游目的地之间的旅游流规模，本文中亦称ITF(目的地间旅游流)，常用于旅游管理中的目的地角色分类与游览模式挖掘等任务。然而，受数据采集技术限制与隐私问题影响，ITF难以获取。人们难以理解多景点系统的特征如何影响ITF规模。为应对这些挑战，我们利用多源数据集并提出一种基于图的混合深度学习模型来预测ITF。该模型同时利用了单个旅游景点的显式特征与多个景点之间交互的隐式特征。基于从众包游客北京旅游笔记中提取的ITF数据所做的实验验证了所提模型的有效性。此外，我们利用可解释AI技术分析了旅游景点的不同特征如何影响ITF规模。结果表明，热度、质量与距离是三个主要影响因素，坐标等其他特征也会以不同方式产生影响。预测的ITF数据可进一步用于旅游管理中的各类下游任务。本研究也加深了对由多景点构成的旅游系统中游客游览选择的理解。
引用
@article{arxiv.2305.03267,
title = {Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning Model},
author = {Hanxi Fang and Song Gao and Feng Zhang},
journal= {arXiv preprint arXiv:2305.03267},
year = {2023}
}