Interpretable tourism demand forecasting with temporal fusion transformers amid COVID-19

An innovative ADE-TFT interpretable tourism demand forecasting model was proposed to address the issue of the insufficient interpretability of existing tourism demand forecasting. This model effectively optimizes the parameters of the Temporal Fusion Transformer (TFT) using an adaptive differential...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Applied intelligence (Dordrecht, Netherlands) Ročník 53; číslo 11; s. 14493 - 14514
Hlavní autoři:	Wu, Binrong, Wang, Lin, Zeng, Yu-Rong
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York Springer US 01.06.2023 Springer Nature B.V
Témata:	Adaptive algorithms Artificial Intelligence Artificial neural networks Computer Science Coronaviruses COVID-19 Demand analysis Dirichlet problem Evolutionary algorithms Evolutionary computation Forecasting Machine learning Machines Manufacturing Mathematical models Mechanical Engineering Pandemics Performance prediction Processes Search engines Tourism Deep learning Text mining COVID-19 Interpretable tourism demand forecasting
ISSN:	0924-669X, 1573-7497, 1573-7497
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!