چکیده

مطالعات قبلی نشان داده است که داده­ های آنلاین، مانند پرس­وجوهای انجام شده در موتورهای جستجو، یک منبع اطلاعاتیِ جدید محسوب می­شوند که می­توانند برای پیش ­بینی تقاضای گردشگری مورد استفاده قرار گیرند. در این مطالعه، ما چارچوبی را برای این پیش­بینی پیشنهاد می­ دهیم که با استفاده از یادگیریِ ماشین و شاخص­ های جستجوی اینترنتی، ورود گردشگران به مکان­های محبوبِ چین را پیش­بینی می­کند و عملکرد این پیش­بینی، را به ­ترتیب با نتایج جستجوی تولید شده توسط گوگل و بایدو مقایسه می­کنیم. این تحقیق، علیت گرانجر و همبستگیِ میانِ شاخص جستجوی اینترنتی و ورود گردشگران به پکن را تایید می­کند. نتایج تجربی ما نشان می­دهد که عملکردِ پیش­بینیِ مدل­های پیشنهادیِ هسته­ ی ماشینِ یادگیریِ افراطی (KELM)، که مجموعه ­هایی از گردشگران را با شاخص بایدو و شاخص گوگل ادغام می­کنند، در مقایسه با مدل­ های معیار، به میزان قابل توجهی از نظر دقت پیش­بینی و قدرتِ تحلیل ، بهتر بوده ­اند.

 میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید