[論文レビュー] Tourism Demand Forecasting with Tourist Attention: An Ensemble Deep Learning Approach.

Shaolong Sun, Yanzhao Li+2 more|arXiv (Cornell University)|Feb 19, 2020

Diverse Aspects of Tourism Research参考文献 18被引用数 2

ひとこと要約

本研究では、スタックドオートエンコーダーとカーネルベースの極端な学習機械を統合することで、北京観光の需要予測を向上させる、バギングに基づく多次元アンサンブル深層学習モデル、B-SAKEを提案する。歴史的到着者数、経済指標、オンライン観光行動のデータを活用することで、北京観光の4か国からの観光需要予測において、予測精度、方向性の正確さ、統計的有意性が顕著に向上する。

ABSTRACT

The large amount of tourism-related data presents a series of challenges for tourism demand forecasting, including data deficiencies, multicollinearity and long calculation times. A bagging-based multivariate ensemble deep learning approach integrating stacked autoencoders and kernel-based extreme learning machines (B-SAKE) is proposed to address these challenges in this study. We forecast tourist arrivals in Beijing from four countries by adopting historical data on tourist arrivals in Beijing, economic indicators and online tourist behavior variables. The results from the cases of four origin countries suggest that our proposed B-SAKE approach outperforms than benchmark models in terms of horizontal accuracy, directional accuracy and statistical significance. Both bagging and stacked autoencoder can improve the forecasting performance of the models. Moreover, the forecasting performance of the models is evaluated with consistent results by means of the multi-step-ahead forecasting scheme.

研究の動機と目的

• 観光需要予測におけるデータ不足、多重共線性、長時間の計算時間を是正する。
• 観光客の到着数、経済指標、オンライン行動を含む多様なデータソースを統合することで、予測精度を向上させる。
• モデルの一般化能力と安定性を向上させる、堅牢なアンサンブル深層学習フレームワークを開発する。
• 予測の信頼性を確保するため、複数ステップ先の予測シナリオにおいてモデルの性能を評価する。
• 提案されたB-SAKEモデルがベンチマークモデルよりも、精度および統計的有意性において優れていることを実証する。

提案手法

• 多次元観光データから階層的かつ低次元の表現を抽出するために、スタックドオートエンコーダーを採用する。
• 高速かつ正確な回帰学習を実現するため、カーネルベースの極端な学習機械（K-ELM）をベース推定器として適用する。
• 多様な訓練サブセットにおけるモデルの安定性を向上させるために、バギング（ブートストラップアンサンブル）を統合する。
• ブートストラップサンプルで訓練された複数のK-ELMモデルの出力を統合し、堅牢なアンサンブル予測を形成する。
• ベースモデルのメタ重みを学習することで、最終予測を最適化するスタッキングアンサンブル戦略を採用する。
• 経済的およびオンライン行動変数を統合した、北京への歴史的観光客到着データを用いて、B-SAKEモデルを訓練および検証する。

実験結果

リサーチクエスチョン

• RQ1 B-SAKEモデルは、北京の観光需要予測において、従来のベンチマークモデルを上回ることができるか？
• RQ2 スタックドオートエンコーダーとバギングは、予測精度およびモデルの頑健性をどの程度向上させるか？
• RQ3 オンライン観光行動データの統合は、予測性能にどのような影響を及えるか？
• RQ4 B-SAKEモデルは、複数ステップ先の予測期間においても一貫した性能を維持できるか？
• RQ5 経済指標とオンライン行動の相対的寄与度は、予測精度の向上にどの程度寄与しているか？

主な発見

• B-SAKEモデルは、北京への観光客到着数を予測する際、ベンチマークモデルよりも優れた水平的正確さを達成する。
• 方向性の正確さが顕著に向上し、到着トレンドの変化をよりよく予測できることを示している。
• モデルの予測性能には統計的有意性が確認され、ランダムなばらつきを超えて信頼性があることが裏付けられている。
• バギングとスタックドオートエンコーダーの両方が、モデル性能および一般化能力の向上に独立して寄与している。
• 複数ステップ先の予測スキームにより、異なる予測期間において一貫性があり安定した性能が確認された。
• オンライン観光行動データの統合により、モデルのリアルタイム需要シグナルへの対応性が向上した。