DỰ BÁO NHU CẦU DU KHÁCH ĐẾN THỪA THIÊN HUẾ DỰA TRÊN MẠNG NƠ-RON NHÂN TẠO

Abstract

Dự báo chính xác nhu cầu du khách đến tại một điểm đến đóng một vai trò rất quan trọng trong việc tư vấn cho các nhà chính sách để lập kế hoạch và đưa ra các chiến lược liên quan đến đầu tư cơ sở vật chất, nâng cấp hạ tầng và phát triển dịch vụ. Có nhiều cách tiếp cận khác nhau trong dự báo nhu cầu du khách, trong đó dự báo dựa trên dữ liệu chuỗi thời gian đã và đang thu hút được nhiều sự quan tâm nhất do tính chất không có cấu trúc của loại dữ liệu đặc biệt này. Mạng nơ-ron nhân tạo được đánh giá là một phương pháp dự báo đặc biệt phù hợp với loại dữ liệu không có cấu trúc này, mặc dù gần như không thể giải thích được các xử lý bên trong. Bài báo này nghiên cứu việc sử dụng mạng nơ-ron nhân tạo để thực hiện dự báo đối với dữ liệu chuỗi thời gian về nhu cầu du khách đến Thừa Thiên Huế. Có ba mô hình mạng nơ-ron nhân tạo được xem xét trong nghiên cứu này gồm: MLP, RBF và ELN. Các phân tích và so sánh dựa trên mô phỏng chỉ ra rằng mạng RBF cho kết quả dự báo tốt nhất với MSE, RMSE, MAE và MAPE thấp nhất. Kết quả này không chỉ tương đồng với các nghiên cứu trước đây mà còn khẳng định thêm rằng tính năng chuyển đổi không gian từ phi tuyến thành tuyến tính của lớp ẩn đã làm cho RBF trở nên mạnh mẽ đối với loại dữ liệu không có cấu trúc.

https://doi.org/10.26459/hueunijed.v130i5A.6152

References

  1. Tài liệu tham khảo
  2. M. Cuhadar, I. Cogurcu, and C. Kukrer, (2014), Modelling and Forecasting Cruise Tourism Demand to Izmir by Different Artificial Neural Network Architectures, International Journal of Business and Social Research, 4(3), 12–28, doi: 10.18533/ijbsr.v4i3.431.
  3. H.-C. Huang and C.- I Hou, (2017), Tourism Demand Forecasting Model Using Neural Network, Int. J. Comput. Sci. Inf. Technol., 9(2), 19–29, doi: 10.5121/ijcsit.2017.9202.
  4. M. E. Nor, A. I. M. Nurul, and M. S. Rusiman, (2018), A Hybrid Approach on Tourism Demand Forecasting, J. Phys. Conf. Ser., 995(1), doi: 10.1088/1742-6596/995/1/012034.
  5. Y. Yu, Y. Wang, S. Gao, and Z. Tang, (2017), Statistical Modeling and Prediction for Tourism Economy Using Dendritic Neural Network, Comput. Intell. Neurosci., 1–9, doi: 10.1155/2017/7436948.
  6. P. O. Fernandes, J. P. Teixeira, J. M. Ferreira, and S. G. Azevedo, (2011), Forecasting Tourism Demand with Artificial Neural Networks, Tour. Manag. Stud., 2009–2011.
  7. C. J. Lin, H. F. Chen, and T. S. Lee, (2011), Forecasting Tourism Demand Using Time Series, Artificial Neural Networks and Multivariate Adaptive Regression Splines:Evidence from Taiwan, Int. J. Bus. Adm., 2(2), doi: 10.5430/ijba.v2n2p14.
  8. J. P. Teixeira and P. O. Fernandes, (2014), Forecasting of a Non-Seasonal Tourism Time Series with ANN, in 1st International Work-Conference on Time Series (ITISE), 1–11.
  9. O. Claveria, E. Monte, and S. Torra, (2013), Tourism Demand Forecasting with Different Neural Networks Models, SSRN Electron. J., doi: 10.2139/ssrn.2507362.
  10. J. P. Teixeira and P. O. Fernandes, (2014), Forecasting of a Non-Seasonal Tourism Time Series with ANN, in International work-conference on Time Series – ETISE 2014, 1–11.
  11. M. Akin, A novel approach to model selection in tourism demand modeling, (2015), Tour. Manag., 48, 64–72, doi: 10.1016/j.tourman.2014.11.004.
  12. O. Claveria, E. Monte, and S. Torra, (2015), Tourism Demand Forecasting with Neural Network Models: Different Ways of Treating Information, Int. J. Tour. Res., 17(5), 492–500, doi: 10.1002/jtr.2016.
  13. H. A. Constantino, P. O. Fernandes, and J. P. Teixeira, (2016), Tourism demand modelling and forecasting with artificial neural network models: The Mozambique case study, Tékhne, 14(2), 113–124, doi: 10.1016/j.tekhne.2016.04.006.
  14. S. Cankurt and A. Subasi, (2016), Tourism demand modelling and forecasting using data mining techniques in multivariate time series: a case study in Turkey, Turkish J. Electr. Eng. Comput. Sci., 24, 3388–3404, doi: 10.3906/elk-1311-134.
  15. A. Koutras, A. Panagopoulos, and I. A. Nikas, (2017), Forecasting Tourism Demand Using Linear and Nonlinear Prediction Models, Acad. Tur. Innov. Journa, 9(1), 85–98.
  16. A. Mavrommati and A. Karakitsiou, (2018), Machine learning methods in tourism demand forecasting: some evidence from Greece, MIBES Trans., 11(1), 92–105.
  17. E. S. Silva, H. Hassani, S. Heravi, and X. Huang, (2019), Forecasting tourism demand with denoised neural networks, Ann. Tour. Res., 74, no. October 2018, 134–154, doi: 10.1016/j.annals.2018.11.006.
  18. M. Gregorić and T. Baldigara, (2020), Artificial neural networks in modelling seasonal tourism demand – case study of Croatia, Zb. Veleučilišta u Rijeci, 8(1), 19–39, doi: 10.31784/zvr.8.1.2.
  19. https://sdl.thuathienhue.gov.vn/ (accessed at 14:00 March 20, 2020).
  20. A. Shrestha and A. Mahmood, (2019), Review of Deep Learning Algorithms and Architectures, in IEEE Access, 7, pp. 53040-53065, doi: 10.1109/ACCESS.2019.2912200.
  21. Elman, (1990), J.L. Finding structure in time, Cogn. Sci., 14, 179–211.
  22. C. Hamzacebi, (2008), Improving artificial neural networks’ performance in seasonal time series forecasting, Information Sciences, 178, 4550–4559.
  23. R.K. Klimberg, G.P. Sillup, K.J. Boyle and V. Tavva, (2010), Forecasting performance measures – what are their practical meaning?, Advances in Business and Management Forecasting, 7, 137–147, Emerald Group Publishing Limited, Bingley.