A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea

Kim, Dong-Keon; Shyn, Sung Kuk; Kim, Dong‐Hee; Jang, Seungwoo; Kim, Kwangsu

doi:10.1109/ssci50451.2021.9659950

Cited by 6 publications

(3 citation statements)

References 32 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Their dataset consisted of the monthly tourist volume of a specific city along with relevant influential factors. Addressing the limitations of commonly used models such as LSTM and Recurrent Neural Networks (RNNs) for tourism demand prediction in South Korea, Kim et al [7] proposed a novel approach called Multi-Head Attention Convolutional Neural Network (MHAC). Their method aimed to enhance prediction accuracy and reliability in forecasting tourism demand for South Korea.…”

Section: Literature Reviewmentioning

confidence: 99%

Tourism Forecasting and Environment

Smith,

Dablander,

Puiu

et al. 2024

Preprint

View full text Add to dashboard Cite

Congestion in Edinburgh is a major issue, especially during peak visitor periods. The primary aim of this study was to develop a practical forecasting tool providing visitor volume, and visitor segmentation projections, to assist the travel and hospitality sectors in their planning. To address this a predictive model has been established based on Edinburgh Castle visitor records in conjunction with the Google Trends popularity index for Edinburgh Castle. Popularity of attractions was found to increase around major events with on-line search trends offering an indication of expected volume. Preliminary findings indicate predictions are feasible and could be improved should data relevant to other attractions and sectors be available.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Tourism Forecasting and Environment

Smith,

Dablander,

Puiu

et al. 2024

Preprint

View full text Add to dashboard Cite

show abstract

“…Research on occupancy prediction has grown rapidly since 2006 (Liu et al 2019) and can be classified among different dimensions, including (i) data sources, (ii) prediction models, and (iii) spatio-temporal granularity. Previous work found that the number of available data sources is manifold and ranges from one-dimensional historical data that captures a certain timespan (e.g., tourist arrivals (Abu et al 2021;Kim et al 2021)), parking (Chawathe 2019), booking data and tickets (Phumchusri and Suwatanapongched 2021;Attanasio et al 2022)) to the use of supplementary data, including (hotel) pricing (Tsang and Benoit 2020), weather and public holiday information (Bi et al 2021), as well as several (behavioral) online data (e.g., Dinis et al 2019;Önder et al 2019;Volchek et al 2019;Wu et al 2017). Regarding prediction models, previous research (e.g., Jiao and Chen 2019;Song et al 2019;Wu et al 2017) mostly classifies occupancy prediction models into (i) time-series models, (ii) econometric models and (iii) ML models.…”

Section: Occupancy Predictionmentioning

confidence: 99%

Enabling active visitor management: local, short-term occupancy prediction at a touristic point of interest

Bollenbach,

Neubig,

Hein

et al. 2024

Inf Technol Tourism

View full text Add to dashboard Cite

After the temporary shock of the Covid-19 pandemic, the rapid recovery and resumed growth of the tourism sectors accelerates unsustainable tourism, resulting in local (over-)crowding, environmental damage, increased emissions, and diminished tourism acceptance. Addressing these challenges requires an active visitor management system at points of interest (POI), which requires local and timely POI-specific occupancy predictions to predict and mitigate crowding. Therefore, we present a new approach to measure visitor movement at an open-spaced, and freely accessible POI and evaluate the prediction performance of multiple occupancy and visitor count machine learning prediction models. We analyze multiple case combinations regarding spatial granularity, time granularity, and prediction time horizons. With an analysis of the SHAP values we determine the influence of the most important features on the prediction and extract transferable knowledge for similar regions lacking visitor movement data. The results underline that POI-specific prediction is achievable with a moderate relation for occupancy prediction and a strong relation for visitor count prediction. Across all cases, XGBoost and Random Forest outperform other models, with prediction accuracy increasing as the prediction time horizon shortens. For effective active visitor management, combining multiple models with different spatial aggregations and prediction time horizons provides the best information basis to identify appropriate steering measures. This innovative application of digital technologies facilitates information exchange between destination management organizations and tourists, promoting sustainable destination development and enhancing tourism experience.

show abstract

“…Cụ thể, An và Moon đã áp dụng kỹ thuật deep neural network để phân tích tâm lý dựa trên dữ liệu thời tiết và mùa, sau đó gợi ý địa điểm du lịch. Nhóm tác giả Kim et al (2021) đã phát triển mô hình CNN (Convolutional neural network) để dự báo nhu cầu du lịch nhằm hỗ trợ quản lý du lịch. Không nằm ngoài vấn đề nổi bật này, Việt Nam là quốc gia có nhiều dân tộc anh em với nhiều nét khác biệt về văn hóa.…”

Section: Giới Thiệuunclassified

Xác định món ăn đặc sản Việt Nam với sự kết hợp của mạng học sâu và bản thể học

Mã,

Châu,

Thạch

et al. 2023

CTU J. Sci.

View full text Add to dashboard Cite

Việc bảo tồn và phổ biến các giá trị của truyền thống văn hóa ẩm thực luôn là một thách thức không ngừng và cần được giữ gìn của mỗi quốc gia. Nhìn chung, có rất ít nghiên cứu và ứng dụng trí tuệ nhân tạo AI (Artificial intelligence) tập trung vào lĩnh vực này, hầu hết những nghiên cứu chỉ tập trung vào phân lớp hình ảnh và thiếu thông tin toàn diện của từng món ăn. Nhận thấy được tầm quan trọng của kiến thức cốt lõi và thông tin chi tiết của từng món ăn, đề xuất về khung AI cho các món ăn Việt Nam được giới thiệu trong bài báo này. Cụ thể, một bản thể luận (ontology) món ăn đặc sản Việt Nam để lưu trữ thông tin liên quan và mô hình phân lớp hình ảnh các món ăn đặc sản được trình bày. Đóng góp chính là phân lớp ảnh chụp món ăn với trên 96% và cung cấp các công thức nấu ăn tương ứng từ ontology.

show abstract

A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea

Cited by 6 publications

References 32 publications

Tourism Forecasting and Environment

Tourism Forecasting and Environment

Enabling active visitor management: local, short-term occupancy prediction at a touristic point of interest

Xác định món ăn đặc sản Việt Nam với sự kết hợp của mạng học sâu và bản thể học

Contact Info

Product

Resources

About