💻 컴퓨터 과학

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

본 논문은 데이터 이질성과 예측 지연을 극복하기 위해 다중 모달 데이터 융합과 하이브리드 Transformer-LSTM 모델을 통합한 빅데이터 기반 지능형 의사결정 지원 시스템인 BDIDS 프레임워크를 제안하며, 이를 통해 관광 수요 예측의 정확도를 크게 향상시키고 자원 배분 결정을 지원한다.

원저자: Ping Yan

게시일 2026-10-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ping Yan

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매년 수백만 명의 가족과 학생들이 교육과 여행을 결합한 여행, 즉 '스터디 투어리즘(study tourism)'이라 불리는 성장하는 산업을 계획합니다. 이러한 여정은 단순한 휴가가 아닙니다. 이는 학교 학사 일정, 정부 규정, 그리고 온라인상에서 부모와 학생들의 변화하는 기류에 의해 움직이는 복잡한 사건들입니다. 얼마나 많은 사람이 언제 여행을 원할지를 예측하는 것은 업계 기획자들에게 오랫동안 어려운 과제였습니다. 전통적인 방식은 대개 작년이 올해와 매우 유사할 것이라고 가정하며 과거의 수치를 직선적으로 살펴보는 것에 의존합니다. 그러나 이러한 접근 방식은 갑작스러운 정책 변화나 예상치 못한 사건이 일반적인 패턴을 방해할 때 어려움을 겪습니다. 이를 해결하기 위해 연구자들은 여행 수요를 단순히 하나의 숫자가 아니라, 여러 가지 서로 다른 목소리가 동시에 들려주는 하나의 이야기로 취급하는 새로운 사고방식으로 눈을 돌리고 있습니다.

이러한 수요를 더 정확하게 예측하기 위해 설계된 시스템이 산시 문화관광 직업대학교의 한 연구자에 의해 개발되었습니다. 이 연구자는 업계를 위한 중앙 뇌 역할을 하며, 세 가지 매우 다른 유형의 정보를 동시에 듣고 이해할 수 있는 프레임워크를 구축했습니다. 첫째, 온라인 예약 플랫폼의 수치를 추적하여 실제로 티켓이 얼마나 판매되고 있는지 보여줍니다. 둘째, 소셜 미디어 게시물의 비정형 텍스트를 읽어 대중의 정서와 흥분도를 측정합니다. 셋째, 공식 정부 문서를 분석하여 새로운 정책이 행동을 어떻게 변화시킬 수 있는지 이해합니다. 이 구별되는 실타래들을 하나로 엮음으로써, 시스템은 여행자들이 다음에 무엇을 할 가능성이 높은지에 대한 훨씬 더 명확한 그림을 그려냅니다.

이 새로운 접근 방식의 핵심은 다양한 정보원을 연결하는 법을 배우는 정교한 컴퓨터 모델입니다. 시스템은 정부 발표를 단순히 하나의 텍스트 문자열로 취급하는 대신, 그 특정한 의미와 그것이 학교 방학 시기와 어떻게 연관되는지를 인식하는 법을 배웁니다. 또한 산업의 계절적 리듬에도 세심한 주의를 기울여, 여름 캠프의 피크 여행 시기가 해마다 약간씩 변할 수 있음을 이해합니다. 연구자는 2018년부터 2024년까지 동중국 지역의 4개 주요 지역에서 얻은 데이터를 사용하여 이 시스템을 테스트했습니다. 연구자는 모델이 정상적인 운영 기간으로부터 학습할 수 있도록 팬데믹 제한으로 인해 여행이 완전히 중단되었던 달의 데이터를 신중하게 제거했습니다.

연구자가 이 새로운 시스템을 기존의 표준적인 예측 도구들과 비교했을 때, 결과는 명확한 개선을 보여주었습니다. 2024년 데이터 테스트 세트에서 새 시스템은 전통적인 방식보다 현저히 적은 오류를 범했습니다. 이 시스템은 가장 기본적인 통계 모델에 비해 평균 예측 오류를 거의 40% 줄였으며, 다른 고급 컴퓨터 학습 모델에 비해서는 약 20% 줄였습니다. 이러한 정확도는 여행 회사가 얼마나 많은 버스를 예약할지, 얼마나 많은 가이드를 고용할지, 어떤 경로를 개설할지에 대해 더 나은 결정을 내릴 수 있게 해주기 때문에 중요합니다. 이 시스템은 공급 용량의 범위를 매핑하기 위해 신뢰 구간과 함께 수요 예측치를 출력하도록 설계되어, 운영자들이 단순히 반응하는 것이 아니라 불확실성에 대비할 수 있도록 돕지만, 보고된 성능 수치는 경험적으로 측정된 배치 결과가 아닌 구조적 설계 목표를 반영합니다.

단순히 미래를 추측하는 것을 넘어, 이 프레ק워크는 운영자가 예측된 수요에 맞춰 자원을 매칭할 수 있도록 돕는 의사결정 계층을 포함하고 있습니다. 연구자는 이러한 개선된 예측을 사용함으로써 기업들이 너무 붐비거나 혹은 비어 있는 상태로 남겨지는 여행의 수를 크게 줄일 수 있다는 것을 발견했습니다. 2024년 여행 시즌 시뮬레이션에서, 이 새로운 접근 방식은 기존의 계획 규칙을 사용할 때보다 과밀 노선의 비율을 절반으로 줄였습니다. 또한 버스와 기차의 빈 좌석 수도 비슷한 수준으로 줄였습니다. 이러한 균형은 여행객을 낙오시키거나 좌절하게 만들지 않으면서 자원을 효율적으로 사용하도록 보장함으로써 산업의 건전성에 결정적인 역할을 합니다.

또한 이 연구는 서로 다른 유형의 여행이 서로 다른 트리거에 반응한다는 것을 밝혀냈습니다. 예를 들어, 애국적이거나 역사적인 테마에 집중된 여행은 정부 정책 발표에 매우 민감한 것으로 나타난 반면, 가족 중심의 여행은 가격 변화에 더 많은 영향을 받았습니다. 시스템은 이러한 독특한 패턴을 성공적으로 식별하여 더욱 맞춤화된 계획을 가능하게 했습니다. 연구자는 자신의 연구 결과가 특정 지역과 연도에 기반하고 있으며, 모델이 과거 데이터에 과도하게 의존하는 것을 피하기 위해 세심한 튜닝이 필요하다는 점을 언급했지만, 결과는 산업을 향한 강력한 새로운 방향을 제시합니다. 빅데이터의 원동력과 인간 행동 및 정책에 대한 깊은 이해를 결합함으로써, 이 프레임워크는 복잡하고 끊임없이 변화하는 스터디 투어리즘의 지형을 헤쳐 나갈 수 있는 실질적인 도구를 제공합니다.

기술 요약: 학업 관광 시장 수요 예측을 위한 빅데이터 애플리케이션 및 지능형 의사결정 지원 프레임워크

문제 정의
본 논문은 학업 관광 시장 수요 예측의 세 가지 핵심 병목 현상을 다룬다: (1) 다중 모드 소스(구조화된 예약 데이터, 비구조화된 소셜 미디어 텍스트, 정책 문서)의 융합에서 발생하는 데이터 이질성; (2) 계절적 주기, 교육 정책 충격, 공공 이벤트와 같은 복잡하고 비선형적인 요인으로 인해 전통적인 ARIMA 모델의 성능을 저하시키는 시계열 비정상성; (3) 기존 연구가 예측 정확도에만 집중하여, 예측치를 실행 가능한 감사 가능한 자원 배분 결정으로 변환하는 통합 프레임워크가 부족한 데서 오는 의사결정 지연.

방법론: BDIDS 프레임워크
저자는 데이터 수집과 운영 의사결정 사이의 간극을 메우기 위해 설계된 3계층 아키텍처인 BDIDS (Big Data Intelligent Decision Support) 프레임워크를 제안한다.

데이터 융합 계층 (Data Fusion Layer):
- 소스: 구조화된 교통 데이터(Ctrip, Meituan), 비구조화된 소셜 미디어 감성(Weibo, Xiaohongshu), 반구조화된 정책 문서(교육부, 문화관광부) 및 바이두(Baidu) 검색 인덱스를 통합한다.
- 처리: 데이터 누수를 방지하기 위해 엄격한 "학습 전용 적합(training-only-fit)" 파이프라인을 구현한다. 여기에는 결측치 처리를 위한 3차 스플라인 보간법(cubic spline interpolation), 이상치 탐지를 위한 아이솔레이션 포레스트(Isolation Forest), 그리고 오직 학습 세트에서만 계산된 표준화 과정이 포함된다.
- 특징 공학 (Feature Engineering): 정책 문서는 의미적 무결성을 보존하기 위해 규칙 기반 문장 분할 과정을 거친다. 소셜 미디어 텍스트는 의미적 커버리지를 개선하기 위해 도메인 특화 불용어 필터링 및 토픽 태그 확장을 통해 처리된다. 검색 인데스는 월별 예약량에 맞춰 시차 정렬(lag-aligned)된다.
예측 계산 계층 (Predictive Computation Layer):
- 의미론적 임베딩 (Semantic Embedding): 학업 관광 코퍼스(120만 개 문서)로 지속적 사전 학습(continued pre-training)을 수행한 도메인 특화 언어 모델인 Domain-BERT를 활용하여, 산업 특화 맥락에 맞게 의미론적 임베딩을 정렬한다.
- 교차 모드 융합 (Cross-Modal Fusion): BERT의 의미론적 임베딩( $h_{CLS}$ )과 시계열 통계적 특징( $x_t^{(s)}$ )의 기여도에 동적으로 가중치를 부여하는 **게이트 어텐션 메커즘(gated attention mechanism)**을 도입한다. 게이트 계수( $g_t$ )는 의미적 돌출도에 따라 적응하며, 정책 충격 기간(예: '쌍감(double reduction)' 정책) 동안 더 높은 가중치를 보인다.
- 하이브리드 아키텍처: 개선된 Transformer-LSTM 하이브리드 모델을 채택한다. Transformer 인코더는 전역적 장기 의존성을 포착하고, LSTM 유닛은 국소적 그래디언트 전달을 처리한다.
- 계절성 적응 (Seasonal Adaptation): 핵심 혁신 사항은 멀티 헤드 어텐션 메커니즘 내의 **학습 가능한 계절성 편향 행렬( $M_t$ )**이다. 표준 절대 위치 인코딩과 달리, $M_t$ 는 변화하는 휴일 구조(예: 2024년 여름 피크에서 관찰된 9일간의 이동)에 적응하기 위해 이산 코사인 변환(DCT)을 통해 학습 기간의 자기상관 함수로부터 자동 추출된다.
의사결정 출력 계층 (Decision Output Layer):
- 탄력성 분석: 학습 패널을 사용하여 반로그 OLS(semi-log OLS)를 통해 가격 탄력성( $E_p$ ) 및 정책 충격 탄력성( $E_\pi$ ) 계수를 추정한다.
- 최적화: 총 용량 제약( $C_{max}$ ) 하에서 공급-수요 격차( $\sum |S_i - \hat{D}_i|$ )를 최소화하는 정수 계획법 모델을 구축한다.
- 동적 교정 (Dynamic Calibration): 예측 잔차( $\epsilon_t$ )가 의사결정 구성 가중치( $\alpha_t$ )를 실시간으로 업데이트하는 에러 피드백 메커니즘을 구현하여, 정책 충격 발생 시 정적 규칙 체계보다 훨씬 빠른 3~5 타임 스텝 내에 시스템을 재교정할 수 있게 한다.
- 전역 목적 함수: 예측 정확도와 의사결정 비용의 균형을 맞추는 결합 손실 함수( $\mathcal{L}_{total} = \lambda_1\mathcal{L}_{pred} + \lambda_2\mathcal{L}_{dec} + \lambda_3\Omega(\Theta)$ )를 최소화한다.

실험 설계 및 결과

데이터셋: 2018년 1월부터 2024년 12월까지 4개 화동 지역(상하이, 장쑤, 저장, 안후이)을 대상으로 한 지역-월별 패널 데이터.
- 총 셀(cell) 수: 336개.
- 제외 항목: COVID-19로 인한 완전 운영 중단 기간(상하이/저장: 2020년 1~~6월; 안후이/장쑤: 2020년 1~~4월)으로 인해 24개 셀 제거.
- 최종 유효 관측치: 312개 (학습 216, 검증 48, 테스트 48).
성능 지표 (2024년 테스트 세트):
- BDIDS RMSE: 1,847.3 (만 명-회 방문), 이는 ARIMA 대비 37.6% 감소, Single LSTM 대비 19.3% 감소를 나타낸다.
- MAPE: 6.82%로, ARIMA(9.64%) 및 Single LSTM(8.07%)보다 우수한 성능을 보였다.
- 통계적 유의성: MSE 손실을 사용한 Diebold–Mariano (DM) 검정, Newey–West HAC 분산 추정, 그리고 Bonferroni 교정을 통해 BDIDS가 7개의 모든 베이스라인 모델을 유의미하게 능가함을 확인했다(p < 0.01). 보충적인 클러스터 부트스트랩 및 Driscoll–Kraay 패널 강건성 검정이 이러한 결과를 뒷받침했다.
어블레이션 연구 (Ablation Studies): Domain-BERT 모듈 제거 시 RMSE 9.7% 증가, 게이트 융합 제거 시 RMSE 6.3% 증가, 계절성 편향 행렬 제거 시 RMSE 4.8% 증가.
의사결정 유효성: 과거 홀드아웃 백테스트에서 BDIDS 공급-수요 매칭 모듈은 노선 과부하율을 18.7%(정적 베이스라인)에서 9.2%로, 자원 유휴율을 22.3%에서 13.6%로 낮추었다.

주요 기여

데이터 파이프라인: 독립적인 샘플 검증을 가능하게 하는 명시적 제외 규칙과 패널 인덱스를 갖춘 문서화된 다중 모드 데이터 융합 파이프라인.
모델 아키텍처: 교차 모드 게이트 어텐션과 학습 가능한 계절성 편향 행렬을 특징으로 하는 개선된 Transformer-LSTM 하이브리드 모델을 제시하였으며, 이는 사전에 지정된 Bonferroni 교정 비교 프로토콜을 통해 검증되었다.
의사결정 프레임워크: 수요 탄력성 분석과 공급-수요 매칭 최적화를 내장한 통합 의사결정 계층을 제시하였으며, 이는 과거 홀드아웃 백테스트를 통해 평가되었다.

의의 및 주장
본 논문은 BDIDS 프레임워크가 데이터 수집부터 의사결정 출력까지 검증 가능한 기술적 파이프라인을 제공하며, 학업 관광 시장의 운영 역량을 강화하는 데 실질적인 의미를 갖는다고 주장한다. 정책 문서의 의미론적 이해를 시계열 예측과 통합하는 것이 예측 정확도와 자원 배분 효율성 모두에서 측정 가능한 개선을 가져온다는 것을 입증하였으며, 특히 정책 민감도가 높은 시장 세그먼트(예: "레드 테마" 관광)에서 그러하다.

한계 및 겸손한 진술
저자는 다음과 같이 명시한다:

결과는 특정 학습 기간의 명세 및 데이터 분할에 따른 **내부 샘플 증거(within-sample evidence)**이다.
48개의 테스트 관측치는 횡단면 의존성(cross-sectional dependence)이 존재할 수 있는 패널 구조에서 발생하므로, 통계적 결과는 이 데이터셋 내에서의 **지표적 증거(indicative evidence)**로 해석되어야 하며 결정적인 우위의 증거는 아니다.
현재의 실험 설계상 의사결정 계층의 비교에서 최적화 모듈의 한계 기여도를 예측 개선으로부터 완전히 분리할 수 없다 (향후 연구를 위해 2×2 요인 설계가 권장됨).
다른 지역이나 관광 유형으로의 일반화는 독립적인 검증이 필요하다.
원천 플랫폼 데이터는 공유 협약에 따라 공개할 수 없으나, 통제된 접근 권한을 통한 감사 체계는 마련되어 있다.

유사한 논문