Forecasting international tourist arrivals in South Korea: a deep learning approach

Abstract

Listen

Translate article

研究目的本研究旨在开发一种基于LSTM的强大预测模型, 用于预测仁川国际机场的日常国际游客抵达量, 结合多种预测因素, 包括汇率、WTI原油价格、韩国综合股价指数 (KOSPI) 数据和新冠疫情病例。通过利用深度学习技术和多样化数据集, 研究旨在提升旅游需求预测的准确性和可靠性, 对酒店与旅游领域的理论和实际应用有重要贡献。研究方法本研究通过利用长短期记忆（LSTM）网络引入创新方法, 预测国际游客抵达量。这一先进方法解决了旅游管理中的复杂管理问题, 提供了更精确的预测。方法论包括四个关键步骤: (1) 收集数据集; (2) 数据预处理; (3) 训练LSTM网络; 以及 (4) 预测未来的国际游客抵达量。本文的其余部分结构如下：后续部分详细介绍了提出的LSTM模型, 呈现了实证结果, 并讨论了研究的发现、结论以及在酒店与旅游领域的理论和实际意义。研究发现本研究首次同时使用包括国际游客抵达量、汇率、原油价格、股市数据和新冠疫情病例在内的大数据进行日常预测。研究显示, 整合汇率、原油价格、股市数据和新冠疫情病例显著增强了LSTM网络的预测精度。研究填补了现有研究在使用这些因素预测仁川国际机场国际游客抵达量的狭窄范围。此外, 研究证明了LSTM网络在处理多变量时间序列预测问题上的能力, 为其在酒店与旅游管理中的应用提供了坚实基础。研究创新本研究首次将国际游客抵达量、汇率、WTI原油价格、KOSPI数据和新冠疫情病例整合到日常国际游客抵达量的预测中。它通过提出同时考虑多个预测因素的全面方法, 弥合了现有文献的差距。此外, 研究展示了LSTM网络在处理多变量时间序列预测问题方面的有效性, 为增强旅游需求预测提供了实用见解。通过处理这些关键因素并利用先进的深度学习技术, 本研究在旅游业预测方法的进步中做出了重要贡献, 帮助决策者进行有效的规划和资源配置。