Fine-grained tourism demand prediction: challenges and novel solutions

Abstract

A previsão é de extrema importância para a Indústria do Turismo. O desenvolvimento de modelos para prever a demanda de visitação a locais específicos é essencial para formular planos e políticas de desenvolvimento turístico adequados. também é essencial reduzir os impactos e custos negativos. Normalmente, as cidades e os países investem uma grande quantidade de dinheiro no planejamento e na preparação para receber (e lucrar) os turistas. O sucesso de muitos negócios depende em grande parte ou totalmente do estado da demanda turística. A estimativa da demanda turística pode ser útil para planejadores de negócios na redução do risco de decisões sobre o futuro, uma vez que os produtos turísticos são, em geral, perecíveis (desaparecem se não forem usados). No entanto, há um conjunto de desafios a superar, por exemplo, a maioria dos estudos anteriores neste domínio enfoca a previsão para um país inteiro e não para áreas de granulação fina dentro de um país (por exemplo, atrações turísticas específicas), principalmente por causa da falta de censo e dados disponíveis. Em outras palavras, apenas um número limitado de trabalhos e baselines estão disponíveis para lidar com o difícil problema de previsão de demanda turística de granulação fina (por atração). O outro desafio é a alta incerteza da demanda turística devido à interferência de fatores como taxa de câmbio, preço do combustível, mudanças climáticas, crises financeiras locais e globais e até epidemias e pandemias sobre comportamento cíclico e/ou tendencia de visitações em que poderiam causar desvios dramáticos nas previsões de demanda turística, se não forem devidamente consideradas. Por outro lado, com o rápido crescimento da popularidade dos aplicativos de mídia social, a cada ano mais pessoas interagem nos recursos online para planejar e comentar suas viagens. Motivados por tal observação, sugerimos aqui que os dados acessíveis em redes sociais online ou sites de viagens, além dos dados ambientais, podem ser usados para apoiar a inferência da contagem de visitação para atrações turísticas internas ou externas. Além disso, argumentamos que três requisitos-chave de previsão de turismo de granulação fina devem ser atendidos: (i) recência - os modelos de previsão devem considerar o impacto de eventos recentes; (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. Argumentamos que esses três requisitos principais devem ser considerados explicitamente e em conjunto para fazer avançar o estado da arte em modelos de previsão de turismo. Nossa solução para os desafios na previsão do turismo de granulação fina é uma nova arquitetura que usa em conjunto dados de mídia social e recursos ambientais, adaptável a diferentes cenários de demanda turística, enquanto também propomos a inclusão conjunta de três requisitos principais do turismo - recência, sazonalidade e a especialização de modelos de previsão não apenas para captar os aspectos sazonais da demanda turística, mas também acompanhar as tendências recentes devido às mudanças locais/globais. Em nossos experimentos, analisamos contagens de visitação, características ambientais e dados de mídia social relacionados a 27 museus e galerias no Reino Unido, bem como a 76 parques nacionais nos Estados Unidos. Nossos resultados experimentais revelam altos níveis de precisão para prever a demanda turística enquanto quantificamos o efeito de cada um tipo desses recursos. Também mostramos que a incorporação explícita de requisitos de turismo como recursos nos modelos pode melhorar a taxa de previsões altamente precisas em mais de 320% em comparação com o estado da arte atual. Além disso, eles também ajudam a resolver casos de previsão muito difíceis, anteriormente insolúveis pelos modelos atuais. Também fornecemos análises aprofundadas sobre o desempenho dos modelos nos cenários (simulados) em que é impossível cumprir todos os três requisitos - por exemplo, quando não temos dados históricos suficientes para uma atração para capturar sazonalidade. Finalmente, outra contribuição do nosso artigo é uma quantificação do impacto de cada um dos três fatores nos modelos aprendidos. Nossos resultados mostram que os mais importantes são, de fato, a especialização do modelo e a sazonalidade, mas a recência é muito eficaz quando não há dados históricos suficientes sobre uma atração específica. keywords: Previsão de demanda de turismo, previsão detalhada, análise de séries temporais, dados de mídia social, dados ambientais