[논문 리뷰] Modelling tourism demand to Spain with machine learning techniques. The impact of forecast horizon on model selection

Oscar Clavería, Enric Monte외 1명|arXiv (Cornell University)|2018. 05. 02.

Wine Industry and Tourism참고 문헌 45인용 수 5

한 줄 요약

이 연구는 다양한 예측 기간 동안 스페인으로의 해외 관광 수요를 예측하기 위해 기계학습 모델—특히 가우시안 라디얼 기저 함수 커널을 사용한 서포트 벡터 회귀(SVR)—를 신경망과 선형 모델과 비교하여 평가한다. SVR는 특히 장기 예측 기간에서 다른 모델보다 뛰어난 성능을 보이며, 중기 및 장기 관광 수요 예측의 정확도가 뛰어나다.

ABSTRACT

This study assesses the influence of the forecast horizon on the forecasting performance of several machine learning techniques. We compare the fo recast accuracy of Support Vector Regression (SVR) to Neural Network (NN) models, using a linear model as a benchmark. We focus on international tourism demand to all seventeen regions of Spain. The SVR with a Gaussian radial basis function kernel outperforms the rest of the models for the longest forecast horizons. We also find that machine learning methods improve their forecasting accuracy with respect to linear models as forecast horizons increase. This result shows the suitability of SVR for medium and long term forecasting.

연구 동기 및 목표

• 예측 기간이 기계학습 모델의 성능에 미치는 영향을 평가하는 것.
• 스페인으로의 해외 관광 수요에 대한 서포트 벡터 회귀(SVR), 신경망(NN), 선형 모델의 예측 정확도를 비교하는 것.
• 스페인에서 중기 및 장기 관광 수요 예측에 가장 적합한 기계학습 기법을 특정하는 것.
• 기계학습 모델이 다양한 예측 기간 동안 기존 선형 모델을 일관되게 능가하는지 평가하는 것.

제안 방법

• 연구는 스페인 17개 지역으로의 해외 관광 수요 데이터셋을 사용하여 역동적 시간 시리즈 데이터를 활용한다.
• 선형 회귀(기준 모델), 피드포워드 신경망(NN), 가우시안 라디얼 기저 함수(RBF) 커널을 사용한 서포트 벡터 회귀(SVR)의 세 가지 모델링 접근 방식을 적용한다.
• 예측 정확도의 기간 의존성 평가를 위해 다양한 예측 기간(예: 1개월, 3개월, 6개월, 12개월 예측)에서 모델을 훈련 및 테스트한다.
• MAE, RMSE, MAPE와 같은 표준 오차 지표를 사용하여 성능을 평가하고, 기간에 따른 모델 정확도를 비교한다.
• SVR 모델은 관광 수요 데이터의 비선형 관계를 포착하기 위해 가우시안 RBF 커널을 사용한다.
• 분석은 스페인 전역의 지역 수준에서의 수요 패턴에 집중하여 모델 평가의 공간적 및 시간적 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 예측 기간이 기계학습 모델의 관광 수요 예측 정확도에 어떤 영향을 미치는가?
• RQ2 SVR, NN, 선형 회귀 중 어떤 기계학습 모델이 다양한 예측 기간에서 가장 우수한 성능을 보이는가?
• RQ3 장기 예측 기간으로 갈수록 기계학습 모델과 선형 모델 간의 성능 격차가 커지는가?
• RQ4 RBF 커널을 갖춘 SVR은 스페인의 중기 및 장기 관광 수요 예측에 특히 효과적인가?

주요 결과

• 가우시안 라디얼 기저 함수 커널을 사용한 SVR 모델이 가장 높은 예측 정확도를 달성하며, 특히 가장 장기적인 예측 기간에서 뛰어난 성능을 보인다.
• 기계학습 모델, 특히 SVR는 예측 기간이 길어질수록 선형 모델 대비 정확도가 향상된다.
• 6개월 및 12개월 예측 기간에서 SVR의 성능 우위는 NN 및 선형 모델 대비 더욱 두드러진다.
• 비선형 기계학습 기법이 선형 모델보다 복잡한 장기 관광 수요 동적 패턴을 더 잘 포착할 수 있음이 연구에서 확인되었다.
• 모델 선택은 예측 기간에 따라 달라져야 하며, SVR은 중기에서 장기 예측에 최적임을 시사한다.
• SVR의 RBF 커널은 관광 수요의 비선형 패턴을 효과적으로 모델링하여 시간 경과에 따라 안정성과 정확도 면에서 선형 및 신경망 접근 방식을 능가한다.