旅游需求预测：一种集成深度学习方法
应用统计
2021-01-19 v3 机器学习
计量经济学
摘要
旅游相关大数据的可用性提高了旅游需求预测精度的潜力，但也带来了显著挑战，包括维数灾难和高模型复杂度。本研究提出一种基于bagging的多变量集成深度学习方法，该方法集成了堆叠自编码器和基于核的极限学习机（B-SAKE），以应对这些挑战。利用历史游客到达数据、经济变量数据和搜索强度指数（SII）数据，我们预测了来自四个国家的游客在北京的到达量。多个方案的一致结果表明，我们提出的B-SAKE方法在水平精度、方向精度乃至统计显著性方面均优于基准模型。bagging和堆叠自编码器均可有效缓解旅游大数据带来的挑战并提升模型的预测性能。我们提出的集成深度学习模型对旅游预测文献有所贡献，并有益于相关政府官员和旅游从业者。
引用
@article{arxiv.2002.07964,
title = {Tourism Demand Forecasting: An Ensemble Deep Learning Approach},
author = {Shaolong Sun and Yanzhao Li and Ju-e Guo and Shouyang Wang},
journal= {arXiv preprint arXiv:2002.07964},
year = {2021}
}