💻 ciencias de la computación

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

Este artículo propone el marco BDIDS, un sistema de soporte de decisiones inteligente impulsado por el gran volumen de datos que integra la fusión de datos multimodales y un modelo híbrido Transformer-LSTM para superar la heterogeneidad de los datos y el desfase en la previsión, mejorando así significativamente la precisión de la predicción de la demanda turística y apoyando las decisiones de asignación de recursos.

Autores originales: Ping Yan

Publicado 2026-10-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ping Yan

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada año, millones de familias y estudiantes planifican viajes que combinan la educación con los viajes, una industria en crecimiento conocida como turismo de estudios. Estos viajes no son simples vacaciones; son eventos complejos impulsados por los calendarios escolares, las reglas gubernamentales y los estados de ánimo cambiantes de padres y estudiantes en línea. Predecir cuántas personas querrán viajar, y cuándo, ha sido durante mucho tiempo una tarea difícil para los planificadores de la industria. Los métodos tradicionales suelen basarse en observar números pasados en una línea recta, asumiendo que el próximo año será muy parecido al anterior. Sin embargo, este enfoque tiene dificultades cuando los cambios repentinos en las políticas o los eventos inesperados interrumpen los patrones habituales. Para resolver esto, los investigadores están recurriendo a una nueva forma de pensar que trata la demanda de viajes no solo como un número, sino como una historia contada a través de muchas voces diferentes al mismo tiempo.

Un sistema diseñado para pronosticar esta demanda con mayor precisión fue desarrollado por un único investigador de la Universidad Vocacional de Turismo Cultural de Shanxi. El investigador construyó un marco que actúa como un cerebro central para la industria, capaz de escuchar y comprender tres tipos de información muy diferentes simultáneamente. Primero, rastrea números duros de las plataformas de reserva en línea, mostrando exactamente cuántos boletos se están vendiendo. Segundo, lee el texto no estructurado de las publicaciones en redes sociales para medir el sentimiento y el entusiasmo del público. Tercero, analiza documentos oficiales del gobierno para entender cómo las nuevas políticas podrían cambiar el comportamiento. Al tejer estos hilos distintos, el sistema crea una imagen mucho más clara de lo que es probable que hagan los viajeros a continuación.

El núcleo de este nuevo enfoque es un sofisticado modelo computacional que aprende a conectar estas diferentes fuentes de información. En lugar de tratar un anuncio gubernamental simplemente como otra cadena de texto, el sistema aprende a reconocer su significado específico y cómo se relaciona con la temporalidad de las vacaciones escolares. También presta mucha atención a los ritmos estacionales de la industria, entendiendo que los tiempos máximos de viaje para los campamentos de verano pueden cambiar ligeramente de un año a otro. El investigador probó este sistema utilizando datos de cuatro regiones importantes del este de China, cubriendo los años 2018 hasta 2024. Eliminaron cuidadosamente los datos de los meses en que los viajes se detuvieron por completo debido a las restricciones de la pandemia para asegurar que el modelo aprendiera de periodos normales y operativos.

Cuando el investigador comparó su nuevo sistema con las herramientas de pronóstico estándar más antiguas, los resultados mostraron una mejora clara. En un conjunto de datos de prueba de 2024, el nuevo sistema cometió significativamente menos errores que los métodos tradicionales. Redujo el error de predicción promedio en casi un 40 por ciento en comparación con los modelos estadísticos más básicos y en aproximadamente un 20 por ciento en comparación con otros modelos avanzados de aprendizaje computacional. Esta precisión es importante porque permite a las empresas de viajes tomar mejores decisiones sobre cuántos autobuses reservar, cuántos guías contratar y qué rutas abrir. El sistema está diseñado para emitir pronósticos de demanda con intervalos de confianza para mapear los límites de la capacidad de oferta, ayudando a los operadores a prepararse para la incertidumbre en lugar de simplemente reaccionar ante ella, aunque las cifras de rendimiento reportadas reflejan objetivos de diseño arquitectónico en lugar de resultados de despliegue medidos empíricamente.

Más allá de simplemente adivinar el futuro, el marco incluye una capa de toma de decisiones que ayuda a los operadores a hacer coincidir sus recursos con la demanda prevista. El investigador encontró que, al utilizar estos pronósticos mejorados, las empresas podían reducir significamente el número de viajes que estaban o bien hacinados o bien vacíos. En una simulación de la temporada de viajes de 2024, el nuevo enfoque redujo a la mitad la tasa de rutas hacinadas en comparación con el uso de las reglas de planificación antiguas. También redujo el número de asientos vacíos en autobuses y trenes en un margen similar. Este equilibrio es crucial para la salud de la industria, asegurando que los recursos se utilicen de manera eficiente sin dejar a los viajeros varados o frustrados.

El estudio también reveló que diferentes tipos de viajes responden a diferentes detonantes. Por ejemplo, se encontró que los viajes centrados en temas patrióticos o históricos eran altamente sensibles a los anuncios de políticas gubernamentales, mientras que los viajes orientados a la familia estaban más influenciados por los cambios de precios. El sistema identificó con éxito estos patrones únicos, permitiendo una planificación más personalizada. Si bien el investigador señaló que sus hallazgos se basan en un conjunto específico de regiones y años, y que el modelo requiere un ajuste cuidadoso para evitar la dependencia excesiva de los datos pasados, los resultados sugieren una nueva y poderosa dirección para la industria. Al combinar el poder bruto de los grandes datos con una comprensión profunda del comportamiento humano y las políticas, este marco ofrece una herramienta práctica para navegar el complejo y siempre cambiante panorama del turismo de estudios.

Resumen Técnico: Aplicaciones de Big Data y Marco de Soporte de Decisiones Inteligentes para la Previsión de la Demanda del Mercado de Turismo de Estudios

Planteamiento del Problema
El artículo aborda tres cuellos de botella críticos en la previsión de la demanda del mercado de turismo de estudios: (1) heterogeneidad de datos, derivada de la necesidad de fusionar fuentes multimodales (datos de reservas estructurados, texto de redes sociales no estructurado y documentos de políticas); (2) no estacionariedad de las series temporales, impulsada por factores complejos y no lineales como ciclos estacionales, choques de políticas educativas y eventos públicos que degradan los modelos ARIMA tradicionales; y (3) latencia en la toma de decisiones, donde la investigación existente se centra en la precisión de la predicción pero carece de marcos integrados que traduzcan los pronósticos en decisiones de asignación de recursos accionables y auditables.

Metodología: El Marco BDIDS
El autor propone el marco BDIDS (Big Data Intelligent Decision Support), una arquitectura de tres niveles diseñada para cerrar la brecha entre la recolección de datos y la toma de decisiones operativas.

Capa de Fusión de Datos:
- Fuentes: Integra datos de tráfico estructurados (Ctrip, Meituan), sentimiento de redes sociales no estructurado (Weibo, Xiaohongshu) y documentos de políticas semiestructurados (Ministerio de Educación, Departamento de Cultura y Turismo), junto con índices de búsqueda de Baidu.
- Procesamiento: Implementa un flujo de trabajo de "entrenamiento únicamente para ajuste" (training-only-fit) para evitar la fuga de datos (data leakage). Esto incluye interpolación de splines cúbicos para valores faltantes, Bosque de Aislamiento (Isolation Forest) para la detección de anomalías, y estandarización calculada exclusivamente sobre el conjunto de entrenamiento.
- Ingeniería de Características: Los documentos de políticas se someten a una segmentación de frases mejorada por reglas para preservar la integridad semántica. Los textos de redes sociales se procesan mediante el filtrado de palabras vacías (stopwords) específicas del dominio y la expansión de etiquetas de temas para mejorar la cobertura semántica. Los índices de búsqueda se alinean con desfase (lag-aligned) con los volúmenes mensuales de reservas.
Capa de Computación Predictiva:
- Incrustación Semántica: Utiliza Domain-BERT, un modelo de lenguaje preentrenado con un preentrenamiento continuo sobre un corpus de turismo de estudios (1.2 millones de documentos) para alinear las incrustaciones semánticas con los contextos específicos de la industria.
- Fusión Cross-Modal: Introduce un mecanismo de atención de compuerta (gated attention mechanism) que pondera dinámicamente la contribución de las incrustaciones semánticas de BERT ( $h_{CLS}$ ) y las características estadísticas de series temporales ( $x_t^{(s)}$ ). El coeficiente de la compuerta ( $g_t$ ) se adapta según la saliencia semántica, mostrando pesos más altos durante periodos de choque de políticas (por ejemplo, la política de "doble reducción").
- Arquitectura Híbrida: Emplea un modelo híbrido Transformer-LSTM mejorado. El codificador Transformer captura dependencias de largo alcance globales, mientras que las unidades LSTM gestionan la transmisión de gradientes locales.
- Adaptación Estacional: Una innovación clave es una matriz de sesgo estacional aprendible ( $M_t$ ) dentro del mecanismo de atención de múltiples cabezales. A diferencia del codificador de posición absoluta estándar, $M_t$ se extrae automáticamente de las funciones de autocorrelación del periodo de entrenamiento mediante la Transformada de Coseno Discreta (DCT) para adaptarse a las estructuras de vacaciones cambiantes (por ejemplo, el desplazamiento de 9 días en los picos de verano observado en 2024).
Capa de Salida de Decisión:
- Análisis de Elasticidad: Estima los coeficientes de elasticidad de precio ( $E_p$ ) y de choque de política ( $E_\pi$ ) utilizando OLS semi-logarítmico en el panel de entrenamiento.
- Optimización: Construye un modelo de programación entera para minimizar las brechas de oferta-demanda ( $\sum |S_i - \hat{D}_i|$ ) sujeto a restricciones de capacidad total ( $C_{max}$ ).
- Calibración Dinámica: Implementa un mecanismo de retroalimentación de error donde los residuos de la predicción ( $\epsilon_t$ ) actualizan los pesos de configuración de decisión ( $\alpha_t$ ) en tiempo real, permitiendo que el sistema se recalibre dentro de 3 a 5 pasos temporales durante choques de políticas, significativamente más rápido que los esquemas de reglas estáticas.
- Objetivo Global: El marco minimiza una función de pérdida conjunta ( $\mathcal{L}_{total} = \lambda_1\mathcal{L}_{pred} + \lambda_2\mathcal{L}_{dec} + \lambda_3\Omega(\Theta)$ ), equilibrando la precisión de la predicción y el costo de la toma de decisiones.

Diseño Experimental y Resultados

Conjunto de Datos: Un panel mensual provincial de cuatro regiones del este de China (Shanghái, Jiangsu, Zhejiang, Anhui) que abarca desde enero de 2018 hasta diciembre de 2024.
- Total de celdas: 336.
- Exclusiones: Se eliminaron 24 celdas debido a la suspensión operativa completa durante el COVID-19 (enero–junio 2020 para Shanghái/Zhejiang; enero–abril 2020 para Jiangsu/Anhui).
- Observaciones válidas finales: 312 (216 entrenamiento, 48 validación, 48 prueba).
Métricas de Desempeño (Conjunto de Prueba, 2024):
- RMSE de BDIDS: 1,847.3 (diez mil viajes de personas), lo que representa una reducción del 37.6% frente a ARIMA y una reducción del 19.3% frente a LSTM Simple.
- MAPE: 6.82%, superando a ARIMA (9.64%) y LSTM Simple (8.07%).
- Significancia Estadística: Las pruebas de Diebold–Mariano (DM) con pérdida MSE, la estimación de varianza Newey–West HAC y la corrección de Bonferroni confirmaron que BDIDS supera significativamente a los siete modelos base (p < 0.01). Pruebas complementarias de cluster bootstrap y pruebas robustas de panel Driscoll–Kraay respaldaron estos hallazgos.
Estudios de Ablación: Eliminar el módulo Domain-BERT aumentó el RMSE en un 9.7%; eliminar la fusión de compuerta aumentó el RMSE en un 6.3%; eliminar la matriz de sesgo estacional aumentó el RMSE en un 4.8%.
Efectividad de la Decisión: En un backtest de retención histórica, el módulo de emparejamiento oferta-demanda de BDIDS redujo las tasas de sobrecarga de rutas del 18.7% (base estática) al 9.2% y las tasas de vacancia de recursos del 22.3% al 13.6%.

Contribuciones Clave

Flujo de Datos: Un flujo de fusión de datos multimodales documentado con reglas de exclusión explícitas y un índice de panel que permite la verificación independiente de muestras.
Arquitectura del Modelo: Un modelo híbrido Transformer-LSTM mejorado que cuenta con atención de compuerta cross-modal y una matriz de sesgo estacional aprendible, validado bajo un protocolo de comparación preespecificado y corregido por Bonferroni.
Marco de Decisión: Un marco de decisión integrado que incorpora el análisis de elasticidad de la demanda y la optimización de emparejamiento oferta-demanda, evaluado mediante backtests de retención histórica.

Significancia y Reivindicaciones
El artículo sostiene que el marco BDIDS proporciona un flujo técnico verificable desde la recolección de datos hasta la salida de decisión, ofreciendo una significancia práctica para mejorar las capacidades operativas en el mercado del turismo de estudios. Demuestra que la integración de la comprensión semántica de los documentos de política con la previsión de series temporales produce mejoras medibles tanto en la precisión de la predicción como en la eficiencia de la asignación de recursos, particularmente para segmentos de mercado sensibles a las políticas (por ejemplo, turismo de "Temática Roja").

Limitaciones y Modestia
El autor establece explícitamente que:

Los resultados constituyen evidencia dentro de la muestra condicionada a la especificación del periodo de entrenamiento y la partición de datos específica.
Las 48 observaciones de prueba surgen de una estructura de panel con potencial dependencia transversal; por lo tanto, los resultados estadísticos se interpretan como evidencia indicativa dentro de este conjunto de datos y no como una prueba definitiva de superioridad.
La comparación de la capa de decisión no puede aislar completamente la contribución marginal del módulo de optimización de la mejora de la previsión debido al diseño experimental actual (se recomienda un diseño factorial completo 2×2 para trabajos futuros).
La generalizabilidad a otras regiones o tipos de turismo requiere verificación independiente.
Los datos brutos de las plataformas no pueden publicarse debido a acuerdos de intercambio, aunque existe un arreglo de auditoría de acceso controlado.

Más como este