Vorhersage touristischer Ankünfte

ProjektTeam

Prof. Dr. Wolfram Höpken, Tobias Eberle,

Forschungsgruppe Internet of Things (IoT), Institut für Digitalen Wandel (IDW), Amadeus Airport IT

Einführung

• Akkurate Vorhersage touristischer Nachfrage aufgrund hoher Volatilität sehr wichtig für touristische Entscheider
• Suchverhalten im Web (repräsentiert durch Google-Trends-Daten) als interessanter Input zur Verbesserung der Vorhersage

Zielsetzung 

• Erweiterung autoregressiver Vorhersagemodelle (allein auf Basis vergangener Ankünfte) um Suchverhalten im Web (Google-Trends-Daten)
• Verwendung neuronaler Netze (als Verfahren des maschinellen Lernens) anstelle klassischer Zeitreihenmodelle (ARIMA)

Methodik

Datenbeschaffung und -aufbereitung

• Touristische Ankünfte in Schweden von 2008 – 2016 für 5 Sendeländer
• Statistische Aufbereitung der Ankunftsdaten und Herstellung von Stationarität

Konstruktion aggregierter Suchindizes

• Identifikation relevanter Suchbegriffe mittels des Google Keyword Planner
• Extraktion zugehöriger Google-Trends-Daten für die Kategorie Travel and Tourism
• Normalisierung der Suchbegriffe und Konstruktion aggregierter Suchindizes (mit unterschiedlichem Time Lag für unterschiedliche Suchbegriffe)

Vorhersagemodelle für touristische Ankünfte

• ARIMA-Modelle (Autoregressive Integrated Moving Average) (1) autoregressiv d.h. nur mit vergangenen touristischen Ankünften und (2) zusätzlich mit Suchindizes
• Neuronale Netze (MLP = Multilayer Perceptron) (1) autoregressiv und (2) zusätzlich mit Suchindizes

Validierung der Vorhersagemodelle

• Mittelfristiger Vorhersagehorizont von 6 Monaten
• Out-of-Sample-Validierung (83 Monate Trainingsdaten und 6 Monate Testdaten)

Ergebnisse

Monatliche touristische Ankünfte und Suchindex (gestrichelte Linie) für Sendeland Dänemark

 

Ergebnisse aller vier Vorhersagemodelle und Sendeländer
 

 

• Verringerung des Vorhersagefehlers durch Google Trends Daten um fast 50%
• Neuronales Netz liefert bessere Ergebnisse als ARIMA bei Hinzunahme von Google-Trends-Daten
   

Tatsächliche Ankünfte vs. vorhergesagte Ankünfte (gestrichelte Linie) mit neuronalem Netz und Google-Trends-Daten

 

Zusammenfassung

• Google-Trends-Daten ermöglichen deutliche Verbesserung der Vorhersage touristischer Ankünfte
• Neuronale Netze liefern genauere Vorhersagen als ARIMA-Modelle bei Verwendung von Google-Trends-Daten als zusätzlicher Input für die Vorhersage

 

Literatur

1. Box, G. E., and G. M. Jenkins. 1970. Time series analysis, forecasting and control. San Francisco: Holden Day.
2. Fuchs, M., W. Höpken, and M. Lexhagen. 2014. „Big data analytics for knowledge generation in tourism destinations – A case from Sweden”. Journal of Destination Marketing and Management, 3 (4):198-209.
3. Höpken, W., D. Ernesti, M. Fuchs, K. Kronenberg, and M. Lexhagen. 2017b. „Big data as input for predicting tourist arrivals.” In Information and Communication Technologies in Tourism 2017, edited by R. Schegg and B. Stangl, 187-200. New York: Springer.
4. Höpken, W., T. Eberle, M. Fuchs, and M. Lexhagen. 2019. „Google trends data for analysing tourists‘ online search behavior and improving demand forecasting: The case of Åre, Sweden. Information Technology & Tourism, 21 (1): 45-62.