[논문 리뷰] Tourism Demand Forecasting with Tourist Attention: An Ensemble Deep Learning Approach.

Shaolong Sun, Yanzhao Li외 2명|arXiv (Cornell University)|2020. 02. 19.

Diverse Aspects of Tourism Research참고 문헌 18인용 수 2

한 줄 요약

이 연구는 스택드 오토인코더와 커널 기반의 극단적 학습 기계를 통합하여 관광 수요 예측을 향상시키는 백싱 기반 다변량 앙상블 딥 러닝 모델인 B-SAKE을 제안한다. 역사적 도착자 수, 경제 지표, 온라인 관광객 행동 데이터를 활용함으로써 B-SAKE은 베이징 관광에 대한 네 개의 원천 국가에서 예측 정확도, 방향성 정확도, 통계적 유의성을 크게 향상시킨다.

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.

연구 동기 및 목표

• 관광 수요 예측에서 데이터 부족, 다중공선성, 장시간의 계산 소요 문제를 해결한다.
• 관광객 도착자 수, 경제 지표, 온라인 행동 데이터 등 다양한 데이터 소스를 통합하여 예측 정확도를 향상시킨다.
• 모델 일반화 능력과 안정성을 향상시키는 견고한 앙상블 딥 러닝 프레임워크를 개발한다.
• 다단계 예측 시나리오에서의 모델 성능을 평가하여 일관된 신뢰성을 확보한다.
• 기준 모델 대비 제안된 B-SAKE 모델의 정확도와 통계적 유의성에서의 우수성을 입증한다.

제안 방법

• 다변량 관광 데이터에서 계층적이고 저차원의 표현을 추출하기 위해 스택드 오토인코더를 사용한다.
• 빠르고 정확한 회귀 학습을 위한 기반 추정기로 커널 기반의 극단적 학습 기계(K-ELM)를 적용한다.
• 다양한 훈련 서브셋에서의 분산을 줄이고 모델 안정성을 향상시키기 위해 백싱(부트스트래핑 평균화)을 통합한다.
• 부트스트래핑 샘플에 기반한 다수의 K-ELM 모델의 출력을 조합하여 견고한 앙상블 예측을 형성한다.
• 기반 모델의 메타 가중치를 학습하여 최종 예측을 최적화하는 스태킹 앙상블 전략을 사용한다.
• 베이징으로 향하는 네 국가의 역사적 관광객 도착 데이터를 기반으로 B-SAKE 모델을 훈련 및 검증하며, 경제 및 온라인 행동 변수를 통합한다.

실험 결과

연구 질문

• RQ1 B-SAKE 모델은 베이징 관광 수요 예측에서 전통적 기준 모델을 능가할 수 있는가?
• RQ2 스택드 오토인코더와 백싱은 예측 정확도와 견고성 향상에 어느 정도 기여하는가?
• RQ3 온라인 관광객 행동 데이터의 통합은 예측 성능에 어떤 영향을 미치는가?
• RQ4 B-SAKE 모델은 다단계 예측 수준에서 일관된 성능을 유지하는가?
• RQ5 경제 지표와 온라인 행동의 상대적 기여도는 정확도 향상에 어떤 영향을 미치는가?

주요 결과

• B-SAKE 모델은 베이징으로 향하는 관광객 수 예측에서 기준 모델 대비 뛰어난 수평 정확도를 달성한다.
• 방향성 정확도가 뚜렷이 향상되어 도착 추세 변화를 더 잘 예측함을 시사한다.
• 모델 성능에 통계적 유의성이 나타나 무작위 변동을 초월한 신뢰성을 확인한다.
• 백싱과 스택드 오토인코더 모두 별개로 모델 성능 향상과 일반화 능력 향상에 기여한다.
• 다단계 예측 시나리오에서는 다양한 예측 수준에서 일관되고 안정된 성능을 보여준다.
• 온라인 관광객 행동 데이터의 통합은 실시간 수요 신호에 대한 모델의 민감도를 향상시킨다.