香港旅游需求预外文翻译.docVIP

香港旅游需求预测的稀疏高斯过程回归模型摘要近年来，高斯过程（GP）模型已被广泛研究，努力解决机器学习问题。的模型是很重要的在本文中,我们提出一个稀疏GP回归(GPR)在香港旅游需求预测模型。探地雷达的sparsification过程模型不仅降低了计算复杂度,而且提高了泛化能力。在国际入境旅游需求方面，无论是在旅游收入和旅游人数香港旅游业最近发生了剧烈的变化与这些翻天覆地的变化相关的是入境旅游市场的结构调整,因此对旅游产品和服务的需求不同。作为一个例子，对个人游计划在中国内地某城市居民推出后在香港旅游需求的变化更为突出(Law, To, Goh, 2008)在很大程度上,旅游需求的准确预测所有旅游产品和服务的提供者有效计划是至关重要的(Perez Sampol, 2000)classi?cation，旅游需求预测分为定性和定量流。定性的方法,比如一张桌子审查方法或一种专家意见,强调定性洞察力、直觉、和不可计量的知识一个特定的旅游活动。然而,这些识别方法是缓慢而冗长的定性关系,并被批评为“艺术”,无法推广(Walle, 1997)定量(正式)旅游需求预测方法,采用因果或时间序列模型,应用数学函数来估计数字旅游的一些现象的定量关系数据(Goh, Law, Mok, 2008; Law, 2000b; Law, Goh, Pine, 2004; Mok, 1990; Witt Witt, 1995)过去的表现的基础上,这些模型可以用于项目未来值。然而, Goh and Law (2003)评论说,鉴于今天的复杂和相互关联的自然的旅游需求框架,只包含传统经济变量的计量经济模型可能是不够的。Song and Li (2008)指出，AI为基础的旅游业预测模型可以实现比其他方法更好的效果。由于空间的限制，这部分主要包括AI-建模技术。 高斯过程（GPS）是非参数模型，其中先验高斯过程是直接定义在函数值。高斯过程的直接使用作为先验功能的动机是出于尼尔(1996),他研究了人工神经网络在权值先验。克里格模型相当于GPs,长期以来被用于分析空间数据(Cressie,1993)。在更正式的方式,在,输出的函数f(xi)是一组随机变量索引输入 (Rasmussen, 1996)。 GP模型通常用于解决困难的机器学习问题。最近的一个概述GP方法Rasmussen and Williams (2006)提供的。一般来说,GPs允许贝叶斯使用内核的机器学习,两个关键优势:(i)GPs提供完整的概率预测分布,包括估计的不确定性的预测,以及(2)证据框架应用于GPs支持内核的参数学习。处理的贝叶斯框架内，非常强大的统计方法可以在有在预测的不确定性的有效估计GP模型实现的，和通用的模型选择程序转换为非线性优化问题。然而，一个重要的问题是，GP方法的天真的实施需要计算增长为，其中n是培训案例的数量。sparse）近似(Keerthi Chu,2006; Quinonero-Candela Rasmussen, 2005)。这些技术大致可以分为两类:(1)基于稀疏方法,近似表达式的完整后涉及到矩阵的低秩m n,(2)那些依靠近似矩阵向量乘法共轭梯度方法。本文是第一次尝试探讨的问题本文的如下。在2节中我们介绍的基于人工智能的旅游预测研究。在3节中我们描述了所提出的方法，并在4节中我们报告的数值实验，证明了本方法的有效性的结果。得出的结论是安排在第5节近年来,研究人员试图开发预测模型,模拟人类神经系统分析旅游需求(Cho, 2003; Law, 2000a; Uysal Roubi, 1999). 这种生物相似引导研究人员检查潜在应用人工神经网络()模式的分类和建模。在旅游预测的背景下,之前的研究表明,(Cho, 2003; Law,2000b; Law Au, 1999)。然而因此很难保证其泛化性能。人工神经网络的另一个限制是后经常发生过拟合问题(Lawrence Giles, 2000)最近,向量机(Vapnik,2000)的主要进展统计学习理论预测和分类的数据(Brahim-Belhouari Bermak, 2004; Fan, Chen, Lin, 2005; Guo Li, 2003; Xu, Law, Wu, 2007, 2009; Xu Wang, 2005)统计学习理论的目的是研究如何选择或控制结构的复杂性(如各种各样的学习机器。、人工神经网络和模糊集),泛化能力或预测和分类精度可以保证和优化。与人工神经网络相比,基于传统的经验风险最小化(ERM)原则,向量机是统计学习算法的类派生从结构风险最小化(SRM)原则,可以保证和泛化能力向量机自动选择结构的复杂性。此外,培训过程的向量机是一个凸二次规划的过程,人工神经网络可以消除局部