1. Tourism demand forecasting with neural network models : Different ways of treating information
- Author
-
Claveria, Oscar, Monte Moreno, Enrique|||0000-0002-4907-0494, Torra Porras, Salvador, Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Universitat Politècnica de Catalunya. VEU - Grup de Tractament de la Parla, and Universitat de Barcelona
- Subjects
Artificial intelligence ,Informàtica::Intel·ligència artificial::Aprenentatge automàtic [Àrees temàtiques de la UPC] ,Artificial neural networks ,Radial basis function ,Previsió econòmica ,Economic development ,Economic forecasting ,Intel·ligència artificial ,Computer Science::Neural and Evolutionary Computation ,Multi-layer perceptron ,Elman networks ,Enginyeria de la telecomunicació [Àrees temàtiques de la UPC] ,Tourism ,Neural networks (Computer science) ,Tourism demand ,Desenvolupament econòmic ,Informàtica [Àrees temàtiques de la UPC] ,Turisme ,Xarxes neuronals (Informàtica) ,Informàtica::Intel·ligència artificial [Àrees temàtiques de la UPC] ,Perceptrons ,Forecasting - Abstract
This paper aims to compare the performance of three different artificial neural network techniques for tourist demand forecasting: a multi-layer perceptron, a radial basis function and an Elman network. We find that multi-layer perceptron and radial basis function models outperform Elman networks. We repeated the experiment assuming different topologies regarding the number of lags used for concatenation so as to evaluate the effect of the memory on the forecasting results. We find that for higher memories, the forecasting performance obtained for longer horizons improves, suggesting the importance of increasing the dimensionality for long-term forecasting.
- Published
- 2014