💻 علوم الحاسوب

Big Data Applications and Intelligent Decision Support Framework for Study Tourism Market Demand Forecasting

تقترح هذه الورقة إطار عمل BDIDS، وهو نظام دعم قرار ذكي قائم على البيانات الضخمة يدمج دمج البيانات متعددة الوسائط ونموذجًا هجينًا من (Transformer-LSTM) للتغلب على تباين البيانات وتأخر التنبؤ، مما يحسن بشكل كبير دقة التنبؤ بالطلب السياحي ويدعم قرارات تخصيص الموارد.

المؤلفون الأصليون: Ping Yan

نُشر 2026-10-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ping Yan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في كل عام، تخطط ملايين العائلات والطلاب لرحلات تمزج بين التعليم والسفر، وهي صناعة متنامية تُعرف باسم "سياحة الدراسة". هذه الرحلات ليست مجرد عطلات بسيطة؛ بل هي أحداث معقدة مدفوعة بالتقويمات المدرسية، والقواعد الحكومية، والمزاج المتغير للآباء والطلاب عبر الإنترنت. لقد كان التنبؤ بعدد الأشخاص الذين سيرغبون في السفر، ومتى، مهمة صعبة منذ فترة طويلة لمخططي الصناعة. تعتمد الأساليب التقليدية غالبًا على النظر إلى الأرقام الماضية في خط مستقيم، بافتراض أن العام المقبل سيكون مشابهاً جداً للعام الماضي. ومع ذلك، يواجه هذا النهج صعوبة عندما تؤدي التغييرات السياسية المفاجئة أو الأحداث غير المتوقعة إلى تعطيل الأنماط المعتادة. ولحل هذه المشكلة، يتجه الباحثون إلى طريقة تفكير جديدة تعامل الطلب على السفر ليس كمجرد رقم، بل كقصة تُروى من خلال أصوات عديدة مختلفة في آن واحد.

تم تطوير نظام مصمم للتنبؤ بهذا الطلب بدقة أكبر من قبل باحث واحد في جامعة شانشي المهنية للسياحة الثقافية. بنى الباحث إطار عمل يعمل بمثابة "دماغ مركزي" للصناعة، قادراً على الاستماع وفهم ثلاثة أنواع مختلفة تماماً من المعلومات في وقت واحد. أولاً، يتتبع الأرقام الصلبة من منصات الحجز عبر الإنترنت، والتي توضح بالضبط عدد التذاكر التي يتم بيعها. ثانياً، يقرأ النصوص غير المنظمة لمنشورات وسائل التواصل الاجتماعي لقياس المشاعر العامة والحماس. ثالثاً، يحلل الوثائق الحكومية الرسمية لفهم كيف يمكن للسياسات الجديدة أن تغير السلوك. ومن خلال نسج هذه الخيوط المتميزة معاً، يخلق النظام صورة أوضح بك كثيراً لما يرجح أن يفعله المسافرون لاحقاً.

جوهر هذا النهج الجديد هو نموذج حاسوبي متطور يتعلم كيفية الربط بين هذه المصادر المختلفة للمعلومات. فبدلاً من معاملة الإعلان الحكومي كمجرد سلسلة نصية أخرى، يتعلم النظام التعرف على معناه المحدد وكيفية ارتباطه بتوقيت العطلات المدرسية. كما يولي اهتماماً وثيقاً بالإيقاعات الموسمية للصناعة، مدركاً أن أوقات ذروة السفر للمعسكرات الصيفية قد تتغير قليلاً من سنة إلى أخرى. اختبر الباحث هذا النظام باستخدام بيانات من أربع مناطق رئيسية في شرق الصين، تغطي الأعوام من 2018 إلى 2024. وقد قاموا بعناية بإزالة البيانات من الأشهر التي توقف فيها السفر تماماً بسبب القيود الوبائية لضمان أن يتعلم النموذج من الفترات التشغيلية العادية.

وعندما قارن الباحث نظامها الجديد بأدوات التنبؤ القياسية القديمة، أظهرت النتائج تحسناً واضحاً. ففي مجموعة بيانات اختبار من عام 2024، ارتكب النظام الجديد أخطاء أقل بكثير من الأساليب التقليدية. فقد قلل متوسط خطأ التنبؤ بنسبة تقارب 40 بالمائة مقارنة بالنماذج الإحصائية الأكثر بساطة، وحوالي 20 بالمائة مقارنة بنماذج التعلم الحاسوبي المتقدمة الأخرى. وتكمن أهمية هذه الدقة في أنها تسمح لشركات السفر باتخاذ قرارات أفضل بشأن عدد الحافلات التي يجب حجزها، وعدد المرشدين الذين يجب توظيفهم، والمسارات التي يجب فتحها. تم تصميم النظام لإخراج توقعات الطلب مع فترات الثقة لرسم حدود سعة العرض، مما يساعد المشغلين على الاستعداد لعدم اليقين بدلاً من مجرد التفاعل معه، وإن كانت أرقام الأداء المبلغ عنها تعكس أهداف التصميم الهيكلي وليس نتائج النشر المقاسة تجريبياً.

وبعيداً عن مجرد التخمين للمستقبل، يتضمن إطار العمل طبقة لاتخاذ القرار تساعد المشغلين على مطابقة مواردهم مع الطلب المتوقع. وجد الباحث أنه باستخدام هذه التوقعات المحسنة، استطاعت الشركات تقليل عدد الرحلات التي كانت إما مزدحمة للغاية أو فارغة بشكل كبير. وفي محاكاة لموسم السفر لعام 2024، خفض النهج الجديد معدل المسارات المزدحمة إلى النصف مقارنة باستخدام قواعد التخطيط القديمة. كما قلل أيضاً من عدد المقاعد الشاغرة في الحافلات والقطارات بهامش مماثل. وهذا التوازن أمر بالغ الأهمية لصحة الصناعة، مما يضمن استخدام الموارد بكفاءة دون ترك المسافرين عالقين أو محبطين.

كشفت الدراسة أيضاً أن أنواعاً مختلفة من السفر تستجيب لمحفزات مختلفة. فعلى سبيل المثال، وُجد أن الرحلات التي تركز على المواضيع الوطنية أو التاريخية حساسة للغاية للإعلانات المتعلقة بالسياسة الحكومية، بينما تأثرت الرحلات العائلية أكثر بتغيرات الأسعار. نجح النظام في تحديد هذه الأنماط الفريدة، مما سمح بتخطيط أكثر تخصيصاً. وبينما أشار الباحث إلى أن نتائجه تستند إلى مجموعة محددة من المناطق والأعوام، وأن النموذج يتطلب ضبطاً دقيقاً لتجنب الاعتماد المفرط على البيانات الماضية، فإن النتائج تشير إلى اتجاه قوي جديد للصناعة. فمن خلال الجمع بين القوة الهائلة للبيانات الضخمة والفهم العميق للسلوك البشري والسياسة، يقدم هذا الإطار أداة عملية للإبحار في المشهد المعقد والمتغير باستمرار لسياحة الدراسة.

ملخص تقني: تطبيقات البيانات الضخمة وإطار دعم القرار الذكي للتنبؤ بالطلب في سوق سياحة الدراسة

بيان المشكلة
تتناول الورقة ثلاث عقبات حرجة في التنبؤ بالطلب في سوق سياحة الدراسة: (1) تباين البيانات (Data Heterogeneity)، الناجم عن الحاجة إلى دمج مصادر متعددة الأنماط (بيانات الحجز المهيكلة، النصوص غير المهيكلة من وسائل التواصل الاجتماعي، والوثائق السياساتية)؛ (2) عدم استقرار السلاسل الزمنية (Time Series Non-stationarity)، المدفوع بعوامل معقدة وغير خطية مثل الدورات الموسمية، وصدمات السياسات التعليمية، والفعاليات العامة التي تؤدي إلى تدهور نماذج ARIMA التقليدية؛ (3) فجوة اتخاذ القرار (Decision-making Lag)، حيث تركز الأبحاث الحالية على دقة التنبؤ لكنها تفتقر إلى أطر متكاملة تترجم التوقعات إلى قرارات تخصيص موارد قابلة للتنفيذ والتدقيق.

المنهجية: إطار عمل BDIDS
يقترح المؤلف إطار عمل BDIDS (دعم القرار الذكي للبيانات الضخمة)، وهو بنية ثلاثية الطبقات مصممة لسد الفجوة بين جمع البيانات واتخاذ القرارات التشغيلية.

طبقة دمج البيانات:
- المصادر: تدمج بيانات الحركة المرورية المهيكلة (Ctrip، Meituan)، والمشاعر غير المهيكلة من وسائل التواصل الاجتماعي (Weibo، Xiaohongshu)، والوثائق السياساتية شبه المهيكلة (وزارة التعليم، وزارة الثقافة والسياحة)، جنباً إلى جنب مع مؤشرات بحث Baidu.
- المعالجة: تطبق مسار عمل "التدريب فقط للملاءمة" (training-only-fit) لمنع تسرب البيانات. يتضمن ذلك استكمال "Spline" تكعيبي للقيم المفقودة، وغابة العزل (Isolation Forest) لكشف الشذوذ، وحساب المعايير (Standardization) بناءً على مجموعة بيانات التدريب فقط.
- هندسة الميزات: تخضع الوثائق السياساتية لتقسيم جمل معزز بالقواعد للحفاظ على السلامة الدلالية. وتتم معالجة نصوص وسائل التواصل الاجتماعي عبر تصفية الكلمات الشائعة الخاصة بالمجال وتوسيع الوسوم الموضوعية لتحسين التغطية الدلالية. كما يتم محاذاة مؤشرات البحث زمنياً مع أحجام الحجز الشهرية.
طبقة الحوسبة التنبؤية:
- التضمين الدلالي (Semantic Embedding): يستخدم نموذج Domain-BERT، وهو نموذج لغوي مدرب مسبقاً تم استكمال تدريبه على متن لغوي خاص بسياحة الدراسة (1.2 مليون وثيقة) لمواءمة التضمينات الدلالية مع السياقات الخاصة بالصناعة.
- الدمج عبر الأنماط (Cross-Modal Fusion): يقدم آلية انتباه بوابية (Gated Attention Mechanism) تزن ديناميكياً مساهمة تضمينات BERT الدلالية ( $h_{CLS}$ ) والميزات الإحصائية للسلاسل الزمنية ( $x_t^{(s)}$ ). ويتكيف معامل البوابة ( $g_t$ ) بناءً على البروز الدلالي، حيث يظهر أوزاناً أعلى خلال فترات صدمات السياسات (مثل سياسة "الخفض المزدوج").
- البنية الهجينة: يعتمد نموذج Transformer-LSTM هجين ومطور. يلتقط مشفر الـ Transformer التبعيات طويلة المدى العالمية، بينما تتعامل وحدات LSTM مع انتقال التدرج المحلي.
- التكيف الموسمي: الابتكار الرئيسي هو مصفوفة انحياز موسمي قابلة للتعلم ( $M_t$ ) داخل آلية الانتباه متعدد الرؤوس. وخلافاً لترميز الموضع المطلق القياسي، يتم استخراج $M_t$ تلقائياً من دالات الارتباط الذاتي لفترة التدريب عبر تحويل جيب التمام المتقطع (DCT) للتكيف مع هياكل العطلات المتغيرة (مثل التحول لمدة 9 أيام في ذروة الصيف الملاحظ في عام 2024).
طبقة مخرجات القرار:
- تحليل المرونة: يقدر معاملات مرونة السعر ( $E_p$ ) ومرونة صدمة السياسة ( $E_\pi$ ) باستخدام نموذج المربعات الصغرى العادية (OLS) شبه اللوغاريتمي على لوحة بيانات التدريب.
- التحسين: يبني نموذج برمجة صحيحة لتقليل فجوات العرض والطلب ( $\sum |S_i - \hat{D}_i|$ ) مع مراعاة قيود السعة الإجمالية ( $C_{max}$ ).
- المعايرة الديناميكية: ينفذ آلية تغذية راجعة للأخطاء حيث تقوم بقايا التنبؤ ( $\epsilon_t$ ) بتحديث أوزان تكوين القرار ( $\alpha_t$ ) في الوقت الفعلي، مما يسمح للنظام بإعادة المعايرة خلال 3 إلى 5 خطوات زمنية أثناء صدمات السياسة، وهو أسرع بكثير من مخططات القواعد الثابتة.
- الهدف العالمي: يقلل الإطار من دالة خسارة مشتركة ( $\mathcal{L}_{total} = \lambda_1\mathcal{L}_{pred} + \lambda_2\mathcal{L}_{dec} + \lambda_3\Omega(\Theta)$ )، موازناً بين دقة التنبؤ وتكلفة اتخاذ القرار.

التصميم التجريبي والنتائج

مجموعة البيانات: لوحة بيانات شهرية إقليمية لأربع مناطق في شرق الصين (شنغهاي، جيانغسو، تشيجيانغ، آنهوي) تمتد من يناير 2018 إلى ديسمبر 2024.
- إجمالي الخلايا: 336.
- الاستبعادات: تم حذف 24 خلية بسبب التعليق التشغيلي الكامل خلال كوفيد-19 (يناير-يونيو 2020 لشنغهاي/تشيجيانغ؛ يناير-أبريل 2020 لجيانغسو/آنهوي).
- إجمالي الملاحظات الصالحة: 312 (216 للتدريب، 48 للتحقق، 48 للاختبار).
مقاييس الأداء (مجموعة الاختبار، 2024):
- RMSE لنموذج BDIDS: 1,847.3 (عشرة آلاف رحلة شخصية)، مما يمثل انخفاضاً بنسبة 37.6% مقارنة بـ ARIMA وانخفاضاً بنسبة 19.3% مقارنة بـ Single LSTM.
- MAPE: 6.82%، متفوقاً على ARIMA (9.64%) وSingle LSTM (8.07%).
- الدلالة الإحصائية: أكدت اختبارات Diebold–Mariano (DM) مع فقدان MSE، وتقدير تباين Newey–West HAC، وتصحيح Bonferroni أن BDIDS يتفوق بشكل كبير على جميع النماذج السبعة المرجعية (p < 0.01). كما دعمت اختبارات cluster bootstrap التكميلية واختبارات Driscoll–Kraay القوية للوحة البيانات هذه النتائج.
دراسات الاستئصال (Ablation Studies): أدى إزالة وحدة Domain-BERT إلى زيادة RMSE بنسبة 9.7%؛ وإزالة الدمج البوابي زادت RMSE بنسبة 6.3%؛ وإزالة مصفوفة الانحياز الموسمي زادت RMSE بنسبة 4.8%.
فعالية القرار: في اختبار خلفي تاريخي، نجحت وحدة مطابقة العرض والطلب في نموذج BD heavy في تقليل معدلات تجاوز المسارات من 18.7% (الأساس الثابت) إلى 9.2%، وتقليل معدلات فراغ الموارد من 22.3% إلى 13.6%.

المساهمات الرئيسية

مسار البيانات: مسار دمج بيانات متعدد الأنماط موثق مع قواعد استبعاد صريحة وفهرس لوحة يتيح التحقق المستقل من العينات.
بنية النموذج: نموذج هجين Transformer-LSTM مطور يتميز بانتباه بوابي عبر الأنماط ومصفوفة انحياز موسمي قابلة للتعلم، تم التحقق منها بموجب بروتوكول مقارنة محدد مسبقاً ومصحح بـ Bonferroni.
إطار القرار: طبقة قرار متكاملة تتضمن تحليل مرونة الطلب وتحسين مطابقة العرض والطلب، تم تقييمها عبر اختبارات خلفية تاريخية.

الأهمية والادعاءات
تدعي الورقة أن إطار عمل BDIDS يوفر مساراً تقنياً قابلاً للتحقق من جمع البيانات إلى مخرجات القرار، مما يوفر أهمية عملية لتعزيز القدرات التشغيلية في سوق سياحة الدراسة. وتثبت الورقة أن دمج الفهم الدلالي للوثائق السياساتية مع التنبؤ بالسلاسل الزمنية يحقق تحسينات ملموسة في كل من دقة التنبؤ وكفاءة تخصيص الموارد، لا سيالما في قطاعات السوق الحساسة للسياسات (مثل السياحة ذات "الطابع الأحمر").

القيود والتواضع
يصرح المؤلف صراحةً بما يلي:

النتائج تشكل أدلة داخل العينة مشروطة بالمواصفات المحددة لفترة التدريب وتقسيم البيانات.
الملاحظات الـ 48 في مجموعة الاختبار تنشأ من بنية لوحة بيانات ذات تبعية محتملة عبر المقاطع العرضية؛ لذا تُفسر النتائج الإحصائية كـ أدلة استدلالية ضمن هذه المجموعة من البيانات وليس كإثبات قطعي للتفوق.
لا يمكن لطبقة القرار عزل المساهمة الهامشية لوحدة التحسين عن تحسين التنبؤ بشكل كامل بسبب التصميم التجريبي الحالي (يُنصح بتصميم 2×2 كامل العوامل في العمل المستقبلي).
تعميم النتائج على مناطق أو أنواع سياحية أخرى يتطلب تحققاً مستقلاً.
لا يمكن إصدار بيانات المنصات الخام للجمهور بسبب اتفاقيات المشاركة، ومع ذلك، يتوفر ترتيب للتدقيق عبر الوصول الخاضع للرقابة.

أبحاث مشابهة