پیش‌بینی تقاضای گردشگری با استفاده از رویکردهای هوش مصنوعی

امروزه روش‌های مبتنی بر هوش مصنوعی در پیش‌بینی تقاضای گردشگری به طور زیادی مورد استفاده قرار می‌گیرند و جایگزینی برای روش‌های کلاسیک شده‌اند. در این پژوهش برای پیش‌بینی حجم ورود گردشگران ماهانه ماکائو یک معماری جدید برای استخراج خودکار ویژگی‌های تاثیرگذار از عوامل بالقوه مختلف، با استفاده از روش‌های شبکه عصبی کانولوشن (cnn)، الگوریتم جنگل تصادفی و الگوریتم xgboost ارائه شده است. ویژگی‌هایی که با استفاده از شبکه عصبی کانولوشن استخراج می‌شود به‌عنوان داده‌های ورودی جنگل تصادفی و xgboost است. سپس از مدل‌های ترکیبی شبکه عصبی کانولوشن و جنگل تصادفی (cnn-random forest) و همچنین شبکه عصبی کانولوشن و xgboost (cnn- xgboost) برای پیش‌بینی تقاضای گردشگری استفاده شده است. در ادامه برای بررسی دقت دو روش پیشنهادی پژوهش، از چهار معیار دقت یعنی مجذور میانگین مربع خطا (rmse)، مطلق درصد خطا (mape)، میانگین خطا مطلق (mae) و میانگین مربع خطا (mse) استفاده شده است نتایج نشان می‌دهد که مقدار دقت پیش‌بینی روش cnn- xgboost در این چهار معیار کمتر از روش از cnn-random forest است.