Purpose

Incorporating dynamic spatial effects exhibits considerable potential in improving the accuracy of forecasting tourism demands. This study aims to propose an innovative deep learning model for capturing dynamic spatial effects.

Design/methodology/approach

A novel deep learning model founded on the transformer architecture, called the spatiotemporal transformer network, is presented. This model has three components: the temporal transformer, spatial transformer and spatiotemporal fusion modules. The dynamic temporal dependencies of each attraction are extracted efficiently by the temporal transformer module. The dynamic spatial correlations between attractions are extracted efficiently by the spatial transformer module. The extracted dynamic temporal and spatial features are fused in a learnable manner in the spatiotemporal fusion module. Convolutional operations are implemented to generate the final forecasts.

Findings

The results indicate that the proposed model performs better in forecasting accuracy than some popular benchmark models, demonstrating its significant forecasting performance. Incorporating dynamic spatiotemporal features is an effective strategy for improving forecasting. It can provide an important reference to related studies.

Practical implications

The proposed model leverages high-frequency data to achieve accurate predictions at the micro level by incorporating dynamic spatial effects. Destination managers should fully consider the dynamic spatial effects of attractions when planning and marketing to promote tourism resources.

Originality/value

This study incorporates dynamic spatial effects into tourism demand forecasting models by using a transformer neural network. It advances the development of methodologies in related fields.

目的

纳入动态空间效应在提高旅游需求预测的准确性方面具有相当大的潜力。本研究提出了一种捕捉动态空间效应的创新型深度学习模型。

设计/方法/途径

本研究提出了一种基于变压器架构的新型深度学习模型, 称为时空变压器网络。该模型由三个部分组成：时空转换器、空间转换器和时空融合模块。时空转换器模块可有效提取每个景点的动态时间依赖关系。空间转换器模块可有效提取景点之间的动态空间相关性。提取的动态时间和空间特征在时空融合模块中以可学习的方式进行融合。通过卷积运算生成最终预测结果。

研究结果

结果表明, 与一些流行的基准模型相比, 所提出的模型在预测准确性方面表现更好, 证明了其显著的预测性能。纳入动态时空特征是改进预测的有效策略。它可为相关研究提供重要参考。

实践意义

所提出的模型利用高频数据, 通过纳入动态空间效应, 在微观层面上实现了准确预测。旅游目的地管理者在规划和营销推广旅游资源时, 应充分考虑景点的动态空间效应。

原创性/价值

本研究通过使用变压器神经网络, 将动态空间效应纳入旅游需求预测模型。它推动了相关领域方法论的发展。

Objetivo

La incorporación de efectos espaciales dinámicos ofrece un considerable potencial para mejorar la precisión de la previsión de la demanda turística. Este estudio propone un modelo innovador de aprendizaje profundo para capturar los efectos espaciales dinámicos.

Diseño/metodología/enfoque

Se presenta un novedoso modelo de aprendizaje profundo basado en la arquitectura transformadora, denominado red de transformador espaciotemporal. Este modelo tiene tres componentes: el transformador temporal, el transformador espacial y los módulos de fusión espaciotemporal. El módulo transformador temporal extrae de manera eficiente las dependencias temporales dinámicas de cada atracción. El módulo transformador espacial extrae eficientemente las correlaciones espaciales dinámicas entre las atracciones. Las características dinámicas temporales y espaciales extraídas se fusionan de manera que se puede aprender en el módulo de fusión espaciotemporal. Se aplican operaciones convolucionales para generar las previsiones finales.

Conclusiones

Los resultados indican que el modelo propuesto obtiene mejores resultados en la precisión de las previsiones que algunos modelos de referencia conocidos, lo que demuestra su importante capacidad de previsión. La incorporación de características espaciotemporales dinámicas supone una estrategia eficaz para mejorar las previsiones. Esto puede proporcionar una referencia importante para estudios afines.

Implicaciones prácticas

El modelo propuesto aprovecha los datos de alta frecuencia para lograr predicciones precisas a nivel micro incorporando efectos espaciales dinámicos. Los gestores de destinos deberían tener plenamente en cuenta los efectos espaciales dinámicos de las atracciones en la planificación y marketing para la promoción de los recursos turísticos.

Originalidad/valor

Este estudio incorpora efectos espaciales dinámicos a los modelos de previsión de la demanda turística mediante el empleo de una red neuronal transformadora. Supone un avance en el desarrollo de metodologías en campos afines.

中文翻译：

---

旅游需求预测：基于时空变换器的深度学习模型

目的

结合动态空间效应在提高旅游需求预测的准确性方面表现出巨大的潜力。本研究旨在提出一种创新的深度学习模型来捕获动态空间效应。

设计/方法论/途径

提出了一种基于 Transformer 架构的新型深度学习模型，称为时空 Transformer 网络。该模型由三个部分组成：时间变换器、空间变换器和时空融合模块。时间转换器模块可以有效地提取每个景点的动态时间依赖性。空间转换器模块可以有效地提取景点之间的动态空间相关性。提取的动态时间和空间特征在时空融合模块中以可学习的方式融合。实施卷积运算以生成最终预测。

发现

结果表明，该模型的预测精度优于一些流行的基准模型，显示出其显着的预测性能。结合动态时空特征是改进预测的有效策略。可为相关研究提供重要参考。

实际影响

所提出的模型利用高频数据，通过结合动态空间效应来实现微观层面的准确预测。目的地管理者在规划和营销旅游资源时应充分考虑景点的动态空间效应。

原创性/价值

本研究通过使用变压器神经网络将动态空间效应纳入旅游需求预测模型。它促进了相关领域方法论的发展。

目的

纳入动态空间效应在提高旅游需求预测的准确性方面具有相当大的潜力。本研究提出了一种捕捉动态空间效应的创新型深度学习模型。

设计/方法/目的地

本研究提出了一种基于变压器架构的新型深度学习模型，称为时空变压器网络。该模型由三部分组成：时空转换器、空间转换器和时空融合模块。时空转换器模块可有效提取各个部分。空间转换器模块可有效提取动态空间之间的相关性。提取时空融合方式中的动态时间和空间特征模块中以可学习的进行融合关系。通过向量侵犯生成最终预测结果。

研究结果

结果表明，与一些流行的基准模型相比，所提出的模型在预测准确性方面表现更好，证明了其显着的预测性能。动态引入时空特征是改进预测的有效策略。它弥补了相关研究提供重要参考。

实践意义

因此提出的模型利用高频数据，通过融入动态空间效应，在局部上实现了准确的预测。旅游目的地管理者在规划和营销推广旅游资源时，应充分考虑关注的动态空间效应。

原创性/价值

本研究通过利用变压器神经网络，将动态空间效应引入旅游需求预测模型。它推动了相关领域方法论的发展。

奥杰蒂沃

航空航天领域的影响力具有巨大的潜力，可以提高旅游需求预测的精确性。该研究旨在建立一个深入的创新模型，以捕捉太空的影响。

Diseño/metodología/enfoque

本书呈现了一种新的模型，该模型是一种深层次的建筑改造模型，以空间空间改造为红色。三个组件的模型：时间变换、空间变换和空间时间融合模块。该模块可以有效地改变时间额外的控制方式，从而有效地控制时间的动态变化。该模块可有效地转换空间外的空间相关性，并与空间中的运动相关。时间空间和外部空间的特征融合为空间时间融合模块。Se aplican operaciones convolucionales para generic las previsiones Finales.

结论

印度模型的结果获得了最好的结果，即预测的精确度，参考了相关的模型，并提出了重要的预测能力。La incorporación de características espaciotemporales dinámicas suone estrategia eficaz para mejorar las previsiones. 这对研究人员来说是一个重要的参考。

实践意义

该模型预测了最新的频率数据，并预测了新的微观因素对空间的影响。整个会议的目的是为了促进旅游业的规划和营销推广，从而在航空航天领域发挥更大的作用。

原创/勇气

该研究结合了在红色神经元转化过程中对旅游需求进行预览的模型。Supone un avance en el desarrollo de metodologías en Campos afines.