A quantitative analysis of the impact of explicit incorporation of recency, seasonality and model specialization into fine-grained tourism demand prediction models

• Autor(a) principal: Amir Khatibi
• Data de Publicação: 2022
• Outros Autores: Jussara M. Almeida, Ana Paula Couto da Silva, Marcos André Gonçalves
• Tipo de documento: Artigo
• Idioma: eng
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: https://doi.org/10.1371/journal.pone.0292825; http://hdl.handle.net/1843/73920; https://orcid.org/0000-0001-9142-2919; https://orcid.org/0000-0001-5951-3562; https://orcid.org/0000-0002-2075-3363
• topic: Turismo; Arquitetura de informação; Previsão; Modelos matematicos - Processamento de dados

A previsão é de extrema importância para a Indústria do Turismo. O desenvolvimento de modelos para prever a procura de visitação a locais específicos é essencial para a formulação de planos e políticas de desenvolvimento turístico adequados. No entanto, apenas alguns modelos lidam com o difícil problema da previsão detalhada da procura turística (por atração). Neste artigo, argumentamos que três requisitos principais deste tipo de aplicação devem ser cumpridos: (i) atualidade – os modelos de previsão devem considerar o impacto de eventos recentes (por exemplo, alterações climáticas, epidemias e pandemias); (ii) sazonalidade – o comportamento do turismo é inerentemente sazonal; e (iii) especialização do modelo – atrações individuais podem ter padrões idiossincráticos de visitação muito específicos que devem ser levados em consideração. Estes três requisitos principais devem ser considerados explicitamente e em conjunto para avançar no estado da arte em modelos de previsão do turismo. Nas nossas experiências, considerando um rico conjunto de atrações interiores e exteriores com dados ambientais e sociais, a incorporação explícita de tais requisitos como características nos modelos melhorou a taxa de previsões altamente precisas em mais de 320% quando comparado com o atual estado da arte. Além disso, também ajudam a resolver casos de previsão muito difíceis, anteriormente mal resolvidos pelos modelos atuais. Também investigamos o desempenho dos modelos nos cenários (simulados) em que é impossível cumprir todos os três requisitos – por exemplo, quando não há dados históricos suficientes para uma atração capturar a sazonalidade. Em suma, as principais contribuições deste artigo são a proposta e avaliação de uma nova arquitetura de informação para modelos refinados de previsão da procura turística, bem como uma quantificação do impacto de cada um dos três fatores acima mencionados na precisão dos modelos aprendidos. Nossos resultados têm implicações teóricas e práticas para a solução de importantes demandas de negócios turísticos.