基于稀疏地理定位数据的旅游流预测
机器学习
2023-08-29 v1 应用统计
摘要
21世纪的现代旅游业面临诸多挑战。其中，访问历史城市、博物馆以及桥梁等空间受限区域和瓶颈地的游客数量快速增长是最为严峻的问题之一。在此背景下，对特定区域内的旅游量与旅游流进行恰当且准确的预测，对于游客管理任务（如环境的可持续处理与过度拥挤的防范）至关重要。诸如常规低级控制器或限制进入过度拥挤场所等静态流控制方法尚无法解决该问题。本文中，我们实证评估了最先进的深度学习方法（如 RNN、GNN 和 Transformer）以及经典统计方法 ARIMA 的性能。旅游区域提供的细粒度有限数据通过游客个体地理定位轨迹、天气与节假日等外生数据得以扩充。在基于稀疏数据的游客流预测领域，我们由此能够提升预测精度，并结合现代输入特征处理以及将地理定位数据映射至离散 POI 数据之上。
引用
@article{arxiv.2308.14516,
title = {Prediction of Tourism Flow with Sparse Geolocation Data},
author = {Julian Lemmel and Zahra Babaiee and Marvin Kleinlehner and Ivan Majic and Philipp Neubauer and Johannes Scholz and Radu Grosu and Sophie A. Neubauer},
journal= {arXiv preprint arXiv:2308.14516},
year = {2023}
}
备注
Accepted for publication at the proceedings of the 5th International Data Science Conference - iDSC2023. arXiv admin note: substantial text overlap with arXiv:2206.13274