Combination forecasts of tourism demand with machine learning models

水准点(测量) 计算机科学 自回归模型 计量经济学 回归 支持向量机 人工神经网络 集合(抽象数据类型) 机器学习 人工智能 统计 经济 数学 地理 大地测量学 程序设计语言
作者
Oscar Clavería,Enric Monte,Salvador Torra
出处
期刊:Applied Economics Letters [Informa]
卷期号:: 1-4 被引量:39
标识
DOI:10.1080/13504851.2015.1078441
摘要

The main objective of this study is to analyse whether the combination of regional predictions generated with machine learning (ML) models leads to improved forecast accuracy. With this aim, we construct one set of forecasts by estimating models on the aggregate series, another set by using the same models to forecast the individual series prior to aggregation, and then we compare the accuracy of both approaches. We use three ML techniques: support vector regression, Gaussian process regression and neural network models. We use an autoregressive moving average model as a benchmark. We find that ML methods improve their forecasting performance with respect to the benchmark as forecast horizons increase, suggesting the suitability of these techniques for mid- and long-term forecasting. In spite of the fact that the disaggregated approach yields more accurate predictions, the improvement over the benchmark occurs for shorter forecast horizons with the direct approach.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
popo完成签到,获得积分10
1秒前
mmx完成签到,获得积分10
2秒前
TheBugsss完成签到,获得积分10
2秒前
orixero应助严仕国采纳,获得10
3秒前
stone完成签到,获得积分10
3秒前
DMA50完成签到 ,获得积分10
3秒前
贤惠的老黑完成签到 ,获得积分10
4秒前
123完成签到 ,获得积分10
5秒前
执笔完成签到,获得积分10
5秒前
得意忘言完成签到,获得积分10
6秒前
6秒前
小白杨完成签到,获得积分10
7秒前
李爱国应助刘洪均采纳,获得10
7秒前
Nolan完成签到,获得积分10
8秒前
Larvenpiz完成签到,获得积分10
8秒前
淡定电脑完成签到,获得积分10
9秒前
xrf完成签到,获得积分10
9秒前
tracer发布了新的文献求助10
9秒前
司空悒完成签到,获得积分10
10秒前
11秒前
是毛果芸香碱完成签到,获得积分10
11秒前
33完成签到,获得积分20
11秒前
feedyoursoul完成签到 ,获得积分10
11秒前
12秒前
华仔应助浮华采纳,获得10
12秒前
小知了完成签到,获得积分10
12秒前
12秒前
Cynthia完成签到 ,获得积分10
12秒前
司空悒发布了新的文献求助10
13秒前
高贵的往事完成签到,获得积分10
14秒前
11完成签到 ,获得积分10
14秒前
sevenlalala完成签到,获得积分10
15秒前
15秒前
daisy发布了新的文献求助10
15秒前
16秒前
17秒前
17秒前
木子青山完成签到,获得积分10
18秒前
大个应助负责向真采纳,获得10
19秒前
cruise完成签到,获得积分10
19秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244924
求助须知:如何正确求助?哪些是违规求助? 2888537
关于积分的说明 8253767
捐赠科研通 2557026
什么是DOI,文献DOI怎么找? 1385593
科研通“疑难数据库(出版商)”最低求助积分说明 650192
邀请新用户注册赠送积分活动 626369