[論文レビュー] Modelling tourism demand to Spain with machine learning techniques. The impact of forecast horizon on model selection

Oscar Clavería, Enric Monte+1 more|arXiv (Cornell University)|May 2, 2018

Wine Industry and Tourism参考文献 45被引用数 5

ひとこと要約

本研究では、国際的観光需要予測のための機械学習モデル——特にガウス径基数関数カーネルを用いたサポートベクターレグレッション（SVR）——を、ニューラルネットワークと線形モデルと比較し、さまざまな予測期間における性能を評価している。SVRは、特に長期予測において顕著に優れた性能を示し、中・長期の観光需要予測において優れた精度を発揮する。

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.

研究の動機と目的

• 予測期間が機械学習モデルの性能に与える影響を評価すること。
• スペインへの国際的観光需要予測において、サポートベクターレグレッション（SVR）、ニューラルネットワーク（NN）、線形モデルの予測精度を比較すること。
• スペインにおける中・長期観光需要予測に最も適した機械学習手法を特定すること。
• 機械学習モデルが、さまざまな予測期間において一貫して従来の線形モデルを上回るかどうかを評価すること。

提案手法

• 本研究では、スペインの17地域における国際的観光需要のデータセットを用い、歴史的時系列データを分析している。
• 線形回帰（ベンチマーク）、フィードフォワードニューラルネットワーク（NN）、ガウス径基数関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）の3つのモデリング手法を適用している。
• 予測期間（例：1か月、3か月、6か月、12か月）を複数設定し、モデルを訓練およびテストすることで、期間依存の性能を評価している。
• MAE、RMSE、MAPEといった標準的な誤差指標を用いて性能を評価し、期間ごとのモデル精度を比較している。
• SVRモデルは、観光需要データに内在する非線形関係を捉えるために、ガウスRBFカーネルを用いている。
• 分析は、スペイン内の地域レベルの需要パターンに焦点を当てており、モデル評価における空間的・時間的整合性を確保している。

実験結果

リサーチクエスチョン

• RQ1 予測期間が、観光需要予測における機械学習モデルの予測精度にどのように影響するか？
• RQ2 SVR、NN、線形回帰のうち、どの機械学習モデルがさまざまな予測期間において最も優れた性能を示すか？
• RQ3 予測期間が長くなるに従い、機械学習モデルと線形モデルとの間の性能格差は拡大するか？
• RQ4 ガウスRBFカーネルを用いたSVRは、スペインにおける中・長期観光需要予測において特に効果的か？

主な発見

• ガウス径基数関数カーネルを用いたSVRモデルが、特に最も長い予測期間において予測精度が最も高かった。
• 機械学習モデル、特にSVRは、予測期間が長くなるに従い、線形モデルよりも精度が向上する傾向を示した。
• 6か月および12か月の予測期間において、SVRがNNおよび線形モデルを上回る性能優位性が顕著に現れた。
• 本研究では、非線形な機械学習手法が、線形モデルよりも複雑な長期的観光需要のダイナミクスを捉えるのに適していることが確認された。
• モデル選択は予測期間に応じて最適化されるべきであり、SVRは中・長期予測において最適な選択肢であると示唆された。
• SVRにおけるRBFカーネルは、観光需要の非線形パターンを効果的にモデル化し、時間経過に伴う安定性と精度の両面で、線形モデルおよびニューラルネットワーク手法を上回った。