﻿<?xml version="1.0" encoding="utf-8"?>
<ArticleSet>
  <ARTICLE>
    <Journal>
      <PublisherName>مرکز منطقه ای اطلاع رسانی علوم و فناوری</PublisherName>
      <JournalTitle>مطالعات اجتماعی گردشگری</JournalTitle>
      <ISSN>2382-9664</ISSN>
      <Volume>6</Volume>
      <Issue>12</Issue>
      <PubDate PubStatus="epublish">
        <Year>2018</Year>
        <Month>12</Month>
        <Day>5</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Modeling for Predicting Domestic Demands for Recreational Tourism in Tehran</ArticleTitle>
    <VernacularTitle>مدل¬سازی پیش‌بینی تقاضای گردشگری تفریحی داخلی شهر تهران</VernacularTitle>
    <FirstPage>0</FirstPage>
    <LastPage>0</LastPage>
    <ELocationID EIdType="doi" />
    <Language>fa</Language>
    <AuthorList>
      <Author>
        <FirstName>محمدرضا</FirstName>
        <LastName>فرزین</LastName>
        <Affiliation></Affiliation>
      </Author>
      <Author>
        <FirstName>امیر</FirstName>
        <LastName>افسر</LastName>
        <Affiliation></Affiliation>
      </Author>
      <Author>
        <FirstName>علیرضا</FirstName>
        <LastName>دبیر</LastName>
        <Affiliation></Affiliation>
      </Author>
      <Author>
        <FirstName>ابتهال </FirstName>
        <LastName>زندی</LastName>
        <Affiliation></Affiliation>
      </Author>
    </AuthorList>
    <History PubStatus="received">
      <Year>2018</Year>
      <Month>12</Month>
      <Day>6</Day>
    </History>
    <Abstract>Recreational tourism is an important form of domestic tourism in Tehran, based on the statistics of the National Center of Statistics and the views of the experts. This paper tried to propose models for predicting effective variables on predicting domestic demands for recreational tourism in Tehran. The study used the monthly information between 2001 and 2015. The independent variable was the number of domestic recreational tourists in Tehran, and the dependent variables were selected based on Delphi and Fuzzy DEMATEL techniques. The model framework was a combination of regression, the fuzzy neural network, and SVR algorithm. The combinations of these methods helped measure prediction errors and compare methods. Results showed that the proposed hybrid approach of regression and Adaptive Neuro-Fuzzy Inference System (ANFIS) could have a better prediction compared to other methods for predicting domestic recreational tourism.</Abstract>
    <OtherAbstract Language="FA"> يكي از مهم ترين رويدادها در صنعت گردشگري هر كشور، ميزان تقاضا براي يك محصول يا مقصد گردشگري است. اما باید توجه داشت پیش‌بینی‌ها  هرگز نمی‌توانند به طور صددرصد با آنچه  در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش‌بینی موجود خواهد بود، ولی استفاده از روش‌های علمی و نوین در امر پیش‌بینی، باعث خواهد شد نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال‌های اخیر با تغییر الگوی تعطیلات و شکل-گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهم ترین انواع گردشگری داخلی شهر تهران، بر اساس آمار مرکز ملی آمار و نظرات صاحب نظران این حوزه، گردشگری تفریحی است به همین منظور پژوهش حاضر سعی دارد مدل هايي براي پيش بيني تقاضای گردشگری تفریحی داخلی شهر تهران پيشنهاد كند. براي اين كار از اطلاعات ماهیانه  بين سال هاي 1381 تا 1394 استفاده شده است. متغير مستقل اين تحقيق تعداد گردشگران تفریحی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند، چارچوب مدل، تركيبي از  رگرسیون ، شبکه عصبی فازی  و الگوریتمSVR   است که با ترکیب این روش‌ها مي توان خطاي پيش بيني را اندازه گيري و روش‌ها را با هم مقايسه كرد. نتايج اين پژوهش نشان مي‌دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی (ANFIS) پیشنهادی می‌تواند پیش‌بینی بهتری نسبت به سایر روش‌ها در خصوص پیش‌بینی گردشگری تفریحی داخلی داشته باشد.</OtherAbstract>
    <ObjectList>
      <Object Type="Keyword">
        <Param Name="Value">رگرسیون# شبکه عصبی فازی# الگوريتم SVR، گردشگری تفریحی# پیش‌بینی تقاضای گردشگری تفریحی داخلی# شهر تهران#</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="Pdf">http://localhost:44365/ar/Article/Download/35443</ArchiveCopySource>
  </ARTICLE>
</ArticleSet>