پيش‌بيني تقاضاي گردشگري با استفاده از رويكردهاي هوش مصنوعي

امروزه روش‌هاي مبتني بر هوش مصنوعي در پيش‌بيني تقاضاي گردشگري به طور زيادي مورد استفاده قرار مي‌گيرند و جايگزيني براي روش‌هاي كلاسيك شده‌اند. در اين پژوهش براي پيش‌بيني حجم ورود گردشگران ماهانه ماكائو يك معماري جديد براي استخراج خودكار ويژگي‌هاي تأثيرگذار از عوامل بالقوه مختلف، با استفاده از روش‌هاي شبكه عصبي كانولوشن (CNN)، الگوريتم جنگل تصادفي و الگوريتم XGBoost ارائه شده است. ويژگي‌هايي كه با استفاده از شبكه عصبي كانولوشن استخراج مي‌شود به‌عنوان داده‌هاي ورودي جنگل تصادفي و XGBoost است. سپس از مدل‌هاي تركيبي شبكه عصبي كانولوشن و جنگل تصادفي (CNN-Random Forest) و همچنين شبكه عصبي كانولوشن و XGBoost (CNN- XGBoost) براي پيش‌بيني تقاضاي گردشگري استفاده شده است. در ادامه براي بررسي دقت دو روش پيشنهادي پژوهش، از چهار معيار دقت يعني مجذور ميانگين مربع خطا (RMSE)، مطلق درصد خطا (MAPE)، ميانگين خطا مطلق (MAE) و ميانگين مربع خطا (MSE) استفاده شده است نتايج نشان مي‌دهد كه مقدار دقت پيش‌بيني روش CNN- XGBoost در اين چهار معيار كمتر از روش از CNN-Random Forest است.