Search results

1 – 2 of 2
Article
Publication date: 1 March 2022

Yi-Chung Hu

This study aims to address three important issues of combination forecasting in the tourism context: reducing the restrictions arising from requirements related to the statistical…

Abstract

Purpose

This study aims to address three important issues of combination forecasting in the tourism context: reducing the restrictions arising from requirements related to the statistical properties of the available data, assessing the weights of single models and considering nonlinear relationships among combinations of single-model forecasts.

Design Methodology Approach

A three-stage multiple-attribute decision-making (MADM)-based methodological framework was proposed. Single-model forecasts were generated by grey prediction models for the first stage. Vlsekriterijumska Optimizacija I Kompromisno Resenje was adopted to develop a weighting scheme in the second stage, and the Choquet integral was used to combine forecasts nonlinearly in the third stage.

Findings

The empirical results for inbound tourism in Taiwan showed that the proposed method can significantly improve accuracy to a greater extent than other combination methods. Along with scenario forecasting, a good forecasting practice can be further provided by estimating ex-ante forecasts post-COVID-19.

Practical Implications

The private and public sectors in economies with high tourism dependency can benefit from the proposed method by using the forecasts to help them formulate tourism strategies.

Originality Value

This study contributed to presenting a MADM-based framework that advances the development of a more accurate combination method for tourism forecasting.

目的

針對旅遊需求預測, 本研究就降低對於資料統計性質的要求、模式的重要度評估, 以及各別預設值間存在的非線性關係等三項重要議題建立組合預測的研究框架。

設計/方法論/方法

研究方法以多屬性決策分析為基礎, 在實作上以灰色預測模式產生各別預測值、以 VIKOR 為模式發展加權方案, 再使用模糊積分以非線性方式組合預測值。

發現

以台灣的入境旅遊需求進行分析, 並與其他組合方法相較, 發現所提出方法的預測準確度顯著較佳。與情境預測結合下, 研究結果亦可呈現新冠疫情下於各季的事前預測。

實踐意涵

對旅遊具有高度依賴的經濟體, 所提出方法所產生的預測值有助於其公部門與私部門規劃旅遊策略。

原創性/價值

組合預測在旅遊需求的預測上有其研究價值。本研究在旅遊預測議題提出以多屬性決策分析為基礎之框架, 在推進具高準確率組合方法的發展上作出貢獻。

Propósito

La combinación de pronósticos en este estudio abordó tres cuestiones importantes para la situación del turismo: Reducir las restricciones que surgen con respecto a las estadísticas de datos disponibles, evaluar los pesos con un solo pronóstico, y considerar las relaciones no lineales entre las combinaciones con un único modelo de pronóstico.

Diseño/metodología/enfoque

Se propuso un marco metodológico de tres etapas basado en MADM. Un solo pronóstico fue generado mediante modelos de predicción grises para la primera etapa. Se aplicó VIKOR para desarrollar un esquema de ponderación en la segunda etapa, y la integral de Choquet se usó para combinar los pronósticos de manera no lineal en la tercera etapa.

Recomendaciones

Los resultados empíricos de la demanda turística entrante en Taiwán mostraron que el método propuesto puede mejorar efectivamente la precisión en mayor medida que otros métodos combinados. Una buena práctica del pronóstico puede proporcionar aún más, mediante las previsiones y la estimación exante de pronósticos posteriores al COVID-19.

Implicaciones practices

Los sectores públicos y privados de las economías con alta dependencia del turismo pueden beneficiarse del método propuesto al usar los pronósticos para ayudarlos a formular estrategias turísticas.

Autenticidad/valor

Este estudio contribuye a presentar un marco basado en MADM que avanza en el desarrollo de un método de combinación más preciso para la previsión del turismo.

Article
Publication date: 28 June 2022

Yi-Chung Hu and Geng Wu

Given that the use of Google Trends data is helpful to improve forecasting performance, this study aims to investigate whether the precision of forecast combination can benefit…

Abstract

Purpose

Given that the use of Google Trends data is helpful to improve forecasting performance, this study aims to investigate whether the precision of forecast combination can benefit from the use of Google Trends Web search index along with the encompassing set.

Design/methodology/approach

Grey prediction models generate single-model forecasts, while Google Trends index serves as an explanatory variable for multivariate models. Then, three combination sets, including sets of univariate models (CUGM), all constituents (CAGM) and constituents that survive the forecast encompassing tests (CSET), are generated. Finally, commonly used combination methods combine the individual forecasts for each combination set.

Findings

The tourism volumes of four frequently searched-for cities in Taiwan are used to evaluate the accuracy of three combination sets. The encompassing tests show that multivariate grey models play a role to be reckoned with in forecast combinations. Furthermore, the empirical results indicate the usefulness of Google Trends index and encompassing tests for linear combination methods because linear combination methods coupled with CSET outperformed that coupled with CAGM and CUGM.

Practical implications

With Google Trends Web search index, the tourism sector may benefit from the use of linear combinations of constituents that survive encompassing tests to formulate business strategies for tourist destinations. A good forecasting practice by estimating ex ante forecasts post-COVID-19 can be further provided by scenario forecasting.

Originality/value

To improve the accuracy of combination forecasting, this research verifies the correlation between Google Trends index and combined forecasts in tourism along with encompassing tests.

Google 搜尋趨勢指標與涵蓋性檢定對於旅遊需求組合預測的影響

目的

過去的研究顯示 Google 搜尋趨勢資料有助於改善旅遊需求預測的準確度,本研究就此進一步探討 Google 搜尋趨勢網頁搜尋指標與涵蓋性檢定的使用對於組合預測準確度所造成的影響。

設計/方法論/方法

本研究以 Google 搜尋趨勢指標做為多變量灰色預測模式的解釋變數,並以單變量與多變量灰色模式產生各別預測值。在分別產生由所有的單變量模式 (CUGM)所有的模式 (CAGM), 以及經過涵蓋性檢定所留存下來之模式 (CSET) 所組成之集合後,就各別的組合集以常用的組合方法產生預測值。

發現

以台灣的四個熱搜旅遊城市的旅遊人數進行三個組合集的預測準確度分析。涵蓋性檢定顯示多變量灰色模式在組合預測中扮演重要的角色,而結果亦呈現線性組合方法在 CSET優於在 CUGMCAGM 的準確度,突顯搜尋趨勢指標與涵蓋性檢定對於線性組合方法的有用性。

實踐意涵

藉由 Google 搜尋趨勢網頁搜尋指標與涵蓋性檢定,旅遊部門應可透過線性組合方法的預測規劃旅遊目的地的經營策略。新冠疫情下於各季的事前預測亦可結合情境預測具體呈現。

原創性/價值

為提升組合預測在旅遊需求的預測準確度,本研究結合涵蓋性檢定以分析 Google 搜尋趨勢指標與組合預測準確度之間的關聯性。

關鍵字

旅遊需求,涵蓋性檢定,Google 搜尋趨勢,灰色預測,組合預測

文章类型

研究型论文

El impacto de Google Trends en la previsión de viajes combinados y su evidencia relacionada

Propósito

Dado que el uso de los datos de Google Trends es útil para mejorar la precisión de las predicciones, este estudio examina si el uso del índice de búsqueda web de Google Trends combinado con la agregación de relevancia puede mejorar la precisión del predictor.

Diseño/metodología/enfoque

El modelo predictivo gris genera predicciones bajo un único modelo, mientras que el modelomultivariado utiliza el indicador Google Trends como variable explicativa. Se generaron tresensamblajes generales, incluido el Modelo armónico único (CUGM), los ensamblajes de todos loscomponentes (CAGM) y la prueba de presencia de componentes con predicción (CSET). Laspredicciones individuales encada grupo luego se combinan utilizando métodos de correlación deuso común.

Recomendaciones

Utilizando el número de turistas en las cuatro ciudades más investigadas de Taiwán, los tresgrupos combinados se clasificaron según su precisión. Las pruebas incluidas muestran que losmodelos multivariados en escala de grises son importantes para la predicción. Además, losresultados de las pruebas muestran que el índice de Google Trends y las pruebas que incluyenmétodos de suma lineal son útiles porque los métodos combinados con CSET funcionan majorque los métodos combinados con CSET. CAGM y VCUG.

Implicaciones practices

La industria de viajes puede usar el índice de búsqueda web de Google Trends para desarrollarestrategias comerciales para atracciones basadas en un conjunto lineal de componentes.

Autenticidad/valor

Con el objetivo de mejorar la precisión de los pronósticos agregados, este estudio investiga larelación entre el índice de tendencias de Google y las expectativas generales de viaje junto con laevidencia global.

Palabras clave

Demanda de viajes, Experiencia global, Tendencias de Google, Predicción gris

Tipo de papel

Trabajo de investigación

1 – 2 of 2