Big Data Applications and Intelligent Decision Support Framework for Study Tourism Market Demand Forecasting
Ce document propose le cadre BDIDS, un système d'aide à la décision intelligent piloté par les mégadonnées qui intègre la fusion de données multimodales et un modèle hybride Transformer-LSTM afin de surmonter l'hétérogénéité des données et le retard de prévision, améliorant ainsi considérablement la précision de la prédiction de la demande touristique et soutenant les décisions d'allocation des ressources.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque année, des millions de familles et d'étudiants planifient des voyages qui mêlent éducation et voyage, une industrie en pleine croissance connue sous le nom de tourisme éducatif. Ces périples ne sont pas de simples vacances ; ce sont des événements complexes dictés par les calendriers scolaires, les règles gouvernementales et l'évolution de l'humeur des parents et des étudiants en ligne. Prédire combien de personnes voudront voyager, et quand, est depuis longtemps une tâche difficile pour les planificateurs du secteur. Les méthodes traditionnelles reposent souvent sur l'examen de chiffres passés de manière linéaire, supposant que l'année prochaine ressemblera beaucoup à l'année dernière. Cependant, cette approche peine lorsque des changements de politique soudains ou des événements imprévus perturbent les schémas habituels. Pour résoudre cela, les chercheurs se tournent vers une nouvelle façon de penser qui traite la demande de voyage non pas seulement comme un chiffre, mais comme une histoire racontée à travers de nombreuses voix simultanées.
Un système conçu pour prévoir cette demande avec une plus grande précision a été développé par un chercheur de l'Université de tourisme culturel de Shanxi. Le chercheur a construit un cadre qui agit comme un cerveau central pour l'industrie, capable d'écouter et de comprendre simultanément trois types d'informations très différents. Premièrement, il suit les chiffres concrets des plateformes de réservation en ligne, montrant exactement combien de billets sont vendus. Deuxièmement, il lit le texte non structuré des publications sur les réseaux sociaux pour évaluer le sentiment et l'enthousiasme du public. Troisièmement, il analyse les documents officiels du gouvernement pour comprendre comment de nouvelles politiques pourraient modifier les comportements. En tissant ensemble ces fils distincts, le système crée une image beaucoup plus claire de ce que les voyageurs sont susceptibles de faire ensuite.
Le cœur de cette nouvelle approche est un modèle informatique sophistiqué qui apprend à connecter ces différentes sources d'information. Au lieu de traiter une annonce gouvernementale comme une simple chaîne de texte, le système apprend à reconnaître sa signification spécifique et la façon dont elle se rapporte au calendrier des vacances scolaires. Il accorde également une attention particulière aux rythmes saisonniers de l'industrie, comprenant que les périodes de pointe pour les camps d'été peuvent légèrement varier d'une année à l'autre. Le chercheur a testé ce système en utilisant des données provenant de quatre régions majeures de l'est de la Chine, couvrant les années 2018 à 2024. Ils ont soigneusement supprimé les données des mois où les voyages étaient complètement interrompus en raison des restrictions pandémiques afin de s'assurer que le modèle apprenne à partir de périodes normales et opérationnelles.
Lorsque le chercheur a comparé son nouveau système aux anciens outils de prévision standards, les résultats ont montré une amélioration claire. Sur un ensemble de données de test de 2024, le nouveau système a commis nettement moins d'erreurs que les méthodes traditionnelles. Il a réduit l'erreur de prédiction moyenne de près de 40 % par rapport aux modèles statistiques les plus basiques et d'environ 20 % par rapport à d'autres modèles d'apprentissage informatique avancés. Cette précision est importante car elle permet aux entreprises de voyage de prendre de meilleures décisions sur le nombre de bus à réserver, le nombre de guides à embaucher et les itinéraires à ouvrir. Le système est conçu pour produire des prévisions de la demande avec des intervalles de confiance afin de cartographier les limites de la capacité d'offre, aidant les opérateurs à se préparer à l'incertitude plutôt qu'à simplement y réagir, bien que les chiffres de performance rapportés reflètent des objectifs de conception architecturale plutôt que des résultats de déploiement mesurés empiriquement.
Au-delà de la simple supposition de l'avenir, le cadre comprend une couche de prise de décision qui aide les opérateurs à faire correspondre leurs ressources à la demande prédite. Le cherchenaire a constaté qu'en utilisant ces prévisions améliorées, les entreprises pouvaient réduire considérablement le nombre de voyages qui étaient soit surpeuplés, soit laissés vides. Dans une simulation de la saison de voyage de 2024, la nouvelle approche a réduit de moitié le taux d'itinéraires surpeuplés par rapport à l'utilisation des anciennes règles de planification. Elle a également réduit le nombre de sièges vides dans les bus et les trains d'une marge similaire. Cet équilibre est crucial pour la santé de l'industrie, garantissant que les ressources sont utilisées efficacement sans laisser les voyageurs à la traîne ou frustrés.
L'étude a également révélé que différents types de voyages répondent à différents déclencheurs. Par exemple, les voyages axés sur des thèmes patriotiques ou historiques se sont révélés très sensibles aux annonces de politiques gouvernementales, tandis que les voyages familiaux étaient davantage influencés par les changements de prix. Le système a réussi à identifier ces schémas uniques, permettant une planification plus sur mesure. Bien que le chercheur ait noté que ses conclusions sont basées sur un ensemble spécifique de régions et d'années, et que le modèle nécessite un réglage minutieux pour éviter une dépendance excessive aux données passées, les résultats suggèrent une nouvelle direction puissante pour l'industrie. En combinant la puissance brute du big data avec une compréhension profonde du comportement humain et des politiques, ce cadre offre un outil pratique pour naviguer dans le paysage complexe et en constante évolution du tourisme éducatif.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.