通过深度学习和情绪分析提高博物馆参观者预测:一种基于变压器的可持续管理方法
Ziyi Tian1, Xiao Wang2, Yan Wang3
1Department of Art and Design, Daegu University, Gyeongsan, Gyeongbuk, South korea.
PloS one
|November 11, 2025
概括
这项研究使用结构化数据和公众情绪分析开发了一个博物馆参观者预测模型. 整合情绪数据显著提高了预测准确度,为博物馆规划提供了洞察力.
科学领域:
- 数据科学数据科学数据科学
- 计算社会科学 计算社会科学
- 文化遗产管理 文化遗产管理
背景情况:
- 传统的博物馆参观者预测通常使用有限的数据类型.
- 越来越多地,公众论等外部因素被认为具有影响力.
- 整合不同的数据源可以提高预测准确性.
研究的目的:
- 为每年博物馆参观者开发一个先进的预测模型.
- 评估非结构化情绪数据对访客人数的影响.
- 为了比较各种预测算法的性能.
主要方法:
- 收集和整合结构化的博物馆数据与来自新闻和评论的非结构化的情绪数据.
- 提取了情绪分数来量化公众论.
- 评估了七个算法:线性回归,随机森林回归器,RNN,GAN,CNN,LSTM和变压器.
- 选择了变压器模型,因为它具有卓越的预测性能.
主要成果:
- 变压器模型在RMSE,MSLE和MAPE指标中实现了最高的准确性.
- 纳入情绪数据显著提高了访客预测的准确性.
- 公众情绪和媒体叙述显然影响博物馆参观者的行为.
结论:
- 建立了一个强大的预测框架,集成结构化和非结构化数据.
- 情绪分析是准确预测访客的重要组成部分.
- 结果为可持续的博物馆规划和战略决策提供了实际影响.