ИЗУЧЕНИЕ ОПЫТА ПРОГНОЗИРОВАНИЯ ТУРИСТСКИХ ПОТОКОВ С ПРИМЕНЕНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

Лочан Сергей Александрович; Золотарева Екатерина Леоновна; Коровин Дмитрий Игоревич; Федюнин Дмитрий Валерьевич

DOI: 10.6060/ivecofin.2021504.577 УДК: 338.482

ИЗУЧЕНИЕ ОПЫТА ПРОГНОЗИРОВАНИЯ ТУРИСТСКИХ ПОТОКОВ С ПРИМЕНЕНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

С.А. Лочан, Е.Л. Золотарева, Д.И. Коровин, Д.В. Федюнин

Сергей Александрович Лочан* (ORCID 0000-0001-8704-7538), Екатерина Леоновна Золотарева (ORCID 0000-0002-1516-7378), Коровин Дмитрий Игоревич (ORCID 0000-0001-9941-0322) Финансовый университет при Правительстве Российской Федерации, Ленинградский просп., 49, Москва, 125993, Россия

E-mail: [email protected]*, [email protected], [email protected] Дмитрий Валерьевич Федюнин (ORCID 0000-0002-8526-3322)

Российский экономический университет им. Г.В. Плеханова, Стремянный пер., 36, Москва, 117997, Россия

E-mail: [email protected]

В статье для изучения российского и международного опыта прогнозирования туристских потоков с применением алгоритмов машинного обучения была проанализирована поисковая выдача трех крупнейших баз цитирования научной литературы - ScienceDirect (полнотекстовая база данных: доступ к электронным журналам издательства Elsevier), Mendeley (интегрированная с научными платформами программа для управления библиографической информацией, позволяющая хранить и просматривать исследовательские работы) и Elibrary (научная электронная библиотека). В статье отмечено, что в базах ScienceDirect и Mendeley, в основном, обрабатывают научные публикации в англоязычных изданиях, в то время как основной массив записей Elibrary, напротив, составляют публикации на русском языке. В статье указано, что на фоне большого количества публикаций в международных научных изданиях, российский опыт использования машинного обучения для прогнозирования туристических потоков выглядит очень скромно. Одной из основных причин, вероятно, является ограниченный доступ к статистическим данным, необходимым для построения модели машинного обучения. В связи с этим, исследовательская активность в этой сфере концентрируется не в научных кругах, а в корпоративных - внутри специализированных подразделений в компаниях банковского или информационного-телекоммуникационного сектора, владеющих данными о геолокации пользователей, или непосредственно в объектах туристической отрасли. Так, аналитика передвижения населения, в том числе с туристическими целями, ведется в Яндекс, Mail.ru (Profi.Travel), МТС, Билайне, Мегафоне, Сбербанке. Исследования, в основном, носят коммерческий характер и потому отсутствуют в открытом доступе.

Ключевые слова: цифровые технологии, туристский рынок, туристские потоки, моделирование, цифровая экономика, туристская инфраструктура, оптимизационные модели, датасеты, устойчивое развитие, эконометрические модели, дестинация, эффективность.

STUDY OF EXPERIENCE IN FORECASTING TOURIST FLOWS USING MACHINE LEARNING ALGORITHMS

S.A. Lochan, E.L. Zolotareva, D.I. Korovin, D.V. Fedyunin

Sergey A. Lochan (ORCID 0000-0001-8704-7538), Ekaterina L. Zolotareva (ORCID 0000-0002-15167378), Dmitry I. Korovin (ORCID 0000-0001-9941-0322)

Financial University under the Government of the Russian Federation, Leningradsky Ave., 49, Mos-cow,125993, Russia

Dmitry V. Fedyunin (ORCID 0000-0002-8526-3322)

Plekhanov Russian University of Economics, Stremyanny Lane, 36, Moscow, 117997, Russia E-mail: [email protected]

In order to study Russian and international experience in predicting tourist flows using machine learning algorithms, the article analyzed the search output of three major scientific literature citation databases - ScienceDirect (a full-text database: access to electronic journals of Elsevier Publishing), Mendeley (bibliographic information management software integrated with scientific platforms, allowing to store and browse research papers) and Elibrary (a scientific digital library). The article notes that the databases ScienceDirect and Mendeley mainly process scientific publications in English-language editions, while the bulk of the Elibrary records, on the contrary, are publications in Russian. The article points out that against the background of a large number of publications in international scientific journals, Russian experience in using machine learning for forecasting tourist flows looks very modest. One of the main reasons is probably the limited access to statistical data necessary to build a machine learning model. In this regard, research activity in this area is concentrated not in academia, but in corporate - within specialized divisions in companies in the banking or information-telecommunication sector that own user geolocation data, or directly in tourism industry sites. For example, Yandex, Mail.ru (Profi. Travel), MTS, Beeline, Megafon and Sberbank analyze the movement of people, including those travelling for tourism purposes. Studies are mostly commercial in nature and therefore not publicly available.

Keywords: digital technologies, tourist market, tourist flows, modeling, digital economy, tourist infrastructure, optimization models, datasets, sustainable development, econometric models, destination, efficiency.

Для цитирования:

Лочан С.А., Золотарева Е.Л., Коровин Д.И., Федюнин Д.В. Изучение опыта прогнозирования туристских потоков с применением алгоритмов машинного обучения. Известия высших учебных заведений. Серия «Экономика, финансы и управление производством» [Ивэкофин]. 2021. № 04(50). С. 145-155. DOI: 10.6060/ivecofin.2021504.577

For citation:

Lochan S.A., Zolotareva E.L., Korovin D.I., Fedyunin D.V. Study of experience in forecasting tourist flows using machine learning algorithms. Ivecofm. 2021. № 04(50). С.145-155. DOI: 10.6060/ivecofin.2021504.577 (in Russian)

ВВЕДЕНИЕ

В рамках проводимого в Финансовом Университете при Правительстве Российской Федерации исследовании, посвященному моделированию туристических потоков внутри России был проведен анализ опубликованных результатов в этой сфере. Для этого были изучены различные базы публикаций.

Для отбора публикаций в системе ScienceDirect использовался следующий поисковый запрос ("machine learning" OR "neural networks" OR "ensembles") AND ("tourism" OR "tourist" OR "passenger") AND ("prediction" OR "forecasting" OR "modeling") с ограничением по году издания - не раньше 2019 г. Объем поисковой выдачи -5793 записи. В результате анализа первых 100 наиболее релевантных публикаций было отобрано 38 для дальнейшего изучения.

Выборка в системе Mendeley производилась по несколько иному набору ключевых слов (machine learning tourism) и с расширенным временным диапазоном - последние 5 лет.

Также было проанализировано 100 наиболее релевантных публикаций (общий

объем выдачи -1035), из которых были отобраны наиболее подходящие.

Сформированный в итоге массив публикаций для анализа международного опыта прогнозирования туристских потоков с применением алгоритмов машинного обучения насчитывает порядка 70 научных статей, из которых только 6 являются обзорными [1-6].

Для удобства анализа материалы были объединены в базу данных с графическим пользовательским интерфейсом, которая впоследствии может повторно использоваться для быстрого доступа к наиболее интересным материалам, просмотра заметок и комментариев. Поисковая выдача по ключевым словам "машинное обучение туризм" в библиотеке ЕНЬгагу содержит только 7 позиций [7-13], что наглядно демонстрирует различие в уровне научной активности в этой отрасли.

Большинство найденных в системе Elibrary.ru статей посвящено перспективам использования современных технологий в туристической отрасли и обсуждению основных трендов. Непосредственно разработке модели машинного обучения посвящены только две статьи, однако и в них не ставится задача прогнозирования туристского потока.

В статье «Европейский туризм в период пандемии коронавирусной инфекции» машинное обучение используется для кластеризации и классификации стран, обладающих схожими характеристиками. В статье «Интеллектуальная система помощи туристу: сервис-ориентированная архитектура и реализация» рассматривается построение интеллектуальной системы помощи туристу. В ее основе лежит рекомендательный сервис, который подбирает достопримечательности согласно пользовательским предпочтениям и строит персонифицированный маршрут. Данное исследование являются частью проектов, финансируемых Российским фондом фундаментальных исследований и федеральным бюджетом. Примечательно, однако, что в списке работа, на которые автор дает ссылки в обзорной части статьи, отсутствуют отечественные публикации, а источниками данных о достопримечательностях города Санкт-Петербург послужили сведения из Wikipedia, OpenStreetMap и Google Places. Это является еще одним подтверждением вывода о дефиците официальных статистических данных и, как следствие, о практическом отсутствии отечественных научных исследований в области прогнозирования туристского потока с применением алгоритмов машинного обучения.

ОБЗОР МЕЖДУНАРОДНОГО ОПЫТА

Принимая во внимание обозначенные выше проблемы, обзор научных исследований подготовлен на основе анализа публикаций в англоязычных изданиях, что соответствует международному опыту в данном направлении. Можно отметить, что количество публикаций увеличивается с каждым годом (рис. 1), что, в целом, соответствует росту интереса к технологиям искусственного интеллекта в обществе. При этом следует учитывать, что на момент отбора публикаций (15.07.2021) данные по 2021 г. были еще неполными.

Наиболее «продуктивными» журналами в анализируемой области являются журналы Annals of Tourism Research и Tourism Management (табл. 1), на долю которых приходится 25% от общего количества отобранных статьей (12 и 8 соответственно). Кроме того, журнал Annals of Tourism Research в 2019 г. запустил цикл статей (Curated Collection) на тему прогнозирования туристского спроса.

Оба журнала относятся к первой квартили (Q1) по версии Scimago Journal and Country Rank, таким образом, можно предположить, что все наиболее успешные исследования собраны в этих изданиях [14].

Изменение количества статей, посвященных применению машинного обучения в области туризма

30

25

20

15

10

28

18

15 ■

5

_ _ ■

2016

2017

2018

2019

2020

2021

Рисунок 1. Динамика количества публикаций по годам Figure 1. Dynamics of the number of publications by year

ТЕМАТИКИ ПРИМЕНЕНИЯ МАШИННОГО ОБУЧЕНИЯ

Несмотря на то, что прогнозирование туристского потока (спроса) является основным направлением использования алгоритмов машинного обучения (на него приходится почти половина отобранных статей, 45%), можно выделить

еще ряд задач в сфере туризма, где этот инструмент также является востребованным. В частности, это анализ пользовательских предпочтений и построение рекомендательных систем (около 28% статей), а также моделирование передвижений внутри отдельных локаций (12%) (табл. 2).

Таблица 1. Динамика публикаций в ведущих журналах Table 1. Dynamics of publications

Название Года Всего

журнала 2019 2020 2021

Annals

of Tourism 3 б 3 12

Research

Tourism 4 1 5 8

Management

Всего 7 7 8 20

Таблица 2. Тематики применения машинного обучения в сфере туризма Table 2. Topics of machine learning

ПРОГНОЗИРОВАНИЕ ТУРИСТСКИХ ПОТОКОВ (СПРОСА)

Исследования, посвященные прогнозированию туристских потоков, приведены в табл. 3. Среди них также можно выделить несколько подкатегорий.

Так, подавляющее число исследований касается моделирования туристских прибытий в ту или иную дестинацию. При этом следует отметить, что в основном моделируются прибытия в регион, а не передвижения между регионами одной страны, что, очевидно, требует иных требований к сбору данных. В лучшем случае анализируется структура въездного туризма по международным прибытиям в Китай [15] и специальный административный район Гонконг [16], Тай-вань[17], Сингапур [18], США [19, 20], Грецию [21] и крупные европейские страны [22] и между аэропортами Азиатско-Тихоокеанского и Латино-американо-Карибского региона [23].

Также важной особенностью является то, что для целей прогнозирования чаще выбираются

локальные дестинации (например, город, национальный парк), а не регион в целом. Больше всего таких исследований проводится в Китае, однако есть работы, посвященные точкам притяжения в США и Италии. Фокус на локальных дестинациях объясняется тем, что для них легче отобрать релевантные признаки, в частности, ключевые слова в поисковых запросах.

Отдельные исследования туристского потока посвящены предсказанию объема пассажирского потока в аэропорты. Среди других малочисленных подкатегорий - предсказание наполняемости отелей, прогнозирование овертуризма, т.е. негативных последствий массового туризма [24, 25] (оба исследования посвящены Испании) и прогнозирование спроса на круизы в Китай. Анализ предпочтений, рекомендательные системы

Анализ пользовательских предпочтений предполагает изучение отклика посетителей туристских объектов и сегментацию туристов по каким-либо схожим характеристикам. Этому посвящены исследования [26, 27, 28]. Логическим продолжением анализа структуры туристского потока является построение рекомендательных систем, предлагающих пользователю наиболее подходящие для него точки притяжения, отели, рестораны и прочее. Так, примерно в половине статей из этой тематики, исследование пользовательских предпочтений было предназначено именно для построения рекомендательного сервиса [29, 30]. С точки зрения механизмов моделирования, то исследования в этой области преимущественно основываются на анализе текстового содержания и эмоциональной окраски онлайн-отзывов. Лишь для одного из исследований, посвященных анализу удовлетворенности туристов в Чили и Эквадоре, использовались специально разработанные опросные листы [31].

АНАЛИЗ И МОДЕЛИРОВАНИЕ ПЕРЕДВИЖЕНИЙ ВНУТРИ ЛОКАЦИИ

Еще одно направления применения машинного обучение в туристической сфере - анализ и моделирование передвижений внутри определенной локации, преимущественно внутри городов. Лишь две статьи из этой категории посвящены исследованию передвижений пользователей внутри национального парка. Целью анализа, как правило, является повышения качества оказания туристских услуг, например, выбора оптимального способа передвижения или маршрута, а также распределение нагрузки на городскую транспортную систему.

applications in tourism

Название тематики Количество статей

Прогнозирование туристских потоков (спроса) 3б

Анализ предпочтений, рекомендательные системы 19

Анализ и моделирование передвижений внутри локации (города) 8

Прочие тематики б

Всего б9

Таблица 3. Подборка статей по тематике прогнозирования туристского потока Table 3. A selection of articles about forecasting tourist flow

Категория Название статьи

Прогнозирование туристских прибытий A decomposition-ensemble approach for tourism forecasting

A Neural network enhanced hidden Markov model for tourism demand forecasting

A paired neural network model for tourist arrival forecasting

Air passenger forecasting using Neural Granger causal Google trend queries

Baidu index-based forecast of daily tourist arrivals through rescaled range analysis, support vector regression, and autoregressive integrated moving average

Bayesian BILSTM approach for tourism demand forecasting

Daily tourism volume forecasting for tourist attractions

Forecasting campground demand in US national parks

Forecasting international tourism demand: a local spatiotemporal model

Forecasting the number of inbound tourists with Google Trends

Forecasting tourism demand with denoised neural networks

Forecasting tourism demand with multisource big data

Forecasting tourist arrivals using denoising and potential factors

Forecasting Tourist Arrivals via Random Forest and Long Short-term Memory

Forecasting tourist arrivals with machine learning and internet search index

Geo-tagged photo metadata processing method for Beijing inbound tourism flow

Hierarchical pattern recognition for tourism demand forecasting

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Improving Tourist Arrival Prediction: A Big Data and Artificial Neural Network Approach

Intelligent forecasting of inbound tourist arrivals by social networking analysis

International tourism demand forecasting with machine learning models: The power of the number of lagged inputs

Mode decomposition method integrating mode reconstruction, feature extraction, and ELM for tourist arrival forecasting

Modelling tourism demand to Spain with machine learning techniques. The impact of forecast horizon on model selection

Multi-attraction, hourly tourism demand forecasting

Review of tourism forecasting research with internet data

Stacked autoencoder with echo-state regression for tourism demand forecasting using search query data

Tourism demand forecasting with time series imaging: A deep learning model

Tourism demand forecasting: A deep learning approach

Weight-constrained neural networks in forecasting tourist volumes: A case study

Прогнозирование пассажиропотока в аэропортах Forecasting air passenger demand with a new hybrid ensemble approach

Forecasting air passenger numbers with a GVAR model

Nonlinear vector auto-regression neural network for forecasting air passenger flow

Прогнозирование спроса на круизы Forecasting Chinese cruise tourism demand with big data: An optimized machine learning approach

Прогнозирование овертуризма Competitiveness and overtourism: A proposal for an early warning system in spanish urban destinations

Machine learning techniques as a tool for predicting overtourism: The case of Spain

Прогнозирование наполняемости отелей Big data from dynamic pricing: A smart approach to tourism demand forecasting

Machine Learning in Internet Search Query Selection for Tourism Forecasting

Прочие тематики

Прочие тематики включают в себя анализ структуры туристического потока в Южной Корее, прогнозированию онлайн-туризма на примере китайского сервиса, предсказания отмены зарезервированного отеля, исследования ценообразования на примере сервиса Airbnb в Испании, поведенче-

скому анализу туристов из Индии, а также использованию механизмов машинного обучения в индустрии гостеприимства в целом [32].

Источники данных для моделирования Базой для построения моделей машинного обучения, прогнозирующих туристский поток (целевая переменная), являются временный ряды, описывающие прибытия туристов в те ли иные де-

стинации. Следует обратить внимание на периодичность сбора этих данных официальными статистическими структурами. Так, для стран Европы и США, Сингапура, Китай и Тайваня доступны ежемесячные данные, для основных точек притяжения в Китае - ежедневные, а для достопримечательностей Пекина - почасовые. Для сравнения данные о ночевках и количестве лиц в коллективных средствах размещения в России собираются на квартальной основе, а до 2011 г. - на годовой, что, естественно, снижает объем выборки для моделирования в несколько раз. При этом, в открытом доступе имеются исключительно сведения о пребывании в официально зарегистрированных средствах коллективного размещения, что не отражает полной картины туристского потока в регионах и не дает

информации о туристах, приезжающих в дестина-цию без ночевки. Основными источниками данных для объясняющих переменных являются, помимо ретроспективных временных рядов туристских прибытий, история интернет-поиска и сведения из социальных сетей и других аналогичных ресурсов. Отдельные единичные исследования, однако, используют данные мобильной геолокации и Wi-Fi.

История интернет-поиска становится едва ли не основным источником объясняющих переменных для прогнозирования туристского спроса. С каждым годом число исследований в этом направлении растет. Растет и доля работ, использующих данные поисковых запросов, в общем количестве статей по прогнозированию туристского потока (рис. 2).

Нет "Да

2016

2018

2019

2020

2021

Прогнозирование туристских потоков (спроса)

Рисунок 2. Распределение количества исследований по признаку использования данных поисковых запросов (да, нет) Figure 2. Distribution of the number of studies based on the use of search query data (yes, no)

Еще один выделяющийся тренд - использование онлайн-отзывов, постов в социальных сетях для анализа пользовательских предпочтений и структуры туристического потока. Здесь основными источниками данных служат интернет-ресурсы TripAdviser, Flickr, Twitter, Ctrip and Qunar. И если в случае прогнозирование туристского потока использование онлайн-отзывов ограничивается отдельными статьями (ссылки), то для анализа пользовательских предпочтений и построения рекомендательных систем они, как было указано выше, являются основным источником данных (рис. 3).

12017 2018

2019

2020 2021

Рисунок 3. Количество статей, посвященных использованию данных из социальных сетей при построении моделей

машинного обучения, по годам Figure 3. Number of articles devoted to the use of social media data in building machine learning models, by year

8

6

4

2

0

4

География прогнозирования туристских потоков География исследований, посвященных прогнозированию туристского потока с применением алгоритмов машинного обучения, сконцентрирована в Китае, на который приходится более половины научных статей (рис. 4).

Распределение количества исследований

по регионам

20 -18

18 16 14 12 10 8 6 4 2 0

Европа Иные Китай США

дестинации

Рисунок 4. Распределение количества статей

по туристским дестинациям Figure 4. Distribution of the number of articles by tourist destinations

Основной интерес у исследователей вызывают локальные дестинации в Китае - Пекин, Национальный парк Цзючжайгоу, гора Сигуньян, Гонконг, отдельные работы посвящены прогнозированию туристских прибытий на остров Ку-лансу, гору Хуаншань, аэропорты Гуанджоу и Пудун, а также в Макао.

Что касается других регионов, Европы и США, то локальные дестинации рассматриваются только в трех случаях - Милан, Италия и Чарльстон, США и национальные парки в США. Все остальные исследования анализируют прибытия на уровне страны. Исключения составляет статья, где моделируется пассажиропок в крупнейшие аэропорты Азиатско-Тихоокеанского и Латино-американо-Карибского региона [33]. Следует отметить, что ни в одной работе не ставилась задача моделирования внутреннего туризма между регионами одной страны.

Выбор объясняющих переменных и алгоритма машинного обучения

Алгоритмы, выбираемые авторами исследований для прогнозирования туристских потоков, зависят от объясняющих переменных. Так, традиционно выделяют модели временного ряда. На их долю приходится 15 работ, чуть менее половины от общего количества статьей, исследующих туристские прибытия (рис. 5).

Основные группы моделей для прогнозирования туристского потока

16 14

Модели временного ряда Многофакторные модели Рисунок 5. Основные группы моделей для прогнозирования туристского потока Figure 5. The main groups of models for predicting the tourist flow Модели временного ряда Признаками в моделях временного ряда являются значения прогнозируемой переменной (то есть пассажиропотока), взятые в исторической перспективе. Другие переменные не используются. Это облегчает поиск исходных данных для модели, но имеет и ряд недостатков, так как на пассажиропоток могут влиять и другие факторы, помимо сведений о прошлом. В большинстве рассмотренных моделей временного ряда используются различные модификации нейронных сетей, в частности, авторегрессионные нейросети, LTSM, ELM и прочие модификации, иногда в комбинации с другими алгоритмами.

Особенный интерес вызывает исследование [34], где временной ряд сначала преобразуется в изображение, которое обрабатывается сверточ-ной нейросетью, а потом передается в сеть LTSM.

Среди остальных алгоритмов (табл. 4) можно выделить модели разложения на эмпирические моды, иерархический метод ближайших соседей и пространственно-временную авторегрессионную модель.

Таблица 4. Алгоритмы, используемые для моделирования временных рядов (кроме нейросетей) Table 4. Algorithms used for time series modeling

Алгоритм Название статьи

Ensemble empirical mode decomposition A decomposition-ensemble approach for tourism forecasting

Hierarchical pattern recognition Hierarchical pattern recognition for tourism demand forecasting

Spatiotemporal autoregressive models Forecasting international tourism demand: a local spatiotemporal model

Следует отметить, что практически во всех статьях результаты моделирования сравниваются с классическими эконометрическими (линейными) авторегрессионными моделями (ARIMA, ARIMAX, SARIMA, SARIMAX и проч.) для демонстрации неизменного превосходства более современных и сложных моделей.

Многофакторные модели

Альтернативой моделям временного ряда служат многофакторные регрессионные модели (рис. 6). Они, помимо исторических данных, опираются на признаки, которые, с точки зрения логики, могут оказать влияние динамику целевой переменной. Здесь, как было отмечено выше, абсолютное большинство (13 из 19 статей) составляют исследования, использующие динамику поиска, по ключевым словам, в качестве основных объясняющих переменных - и так называемые, search query data (SQD).

Среди SQD-моделей преобладают различные модификации нейронных сетей (LTSM, ELM и др., однако помимо них используются ансамблевые модели деревьев решений (в частности, случайный лес), машины опорных векторов и другие алгоритмы.

■ Многофакторые модели только с SQD

■ Многофакторые модели только с SQD и дополнительными переменными

■ Многофакторные модели без SQD

Рисунок 6. Распределение исследований в зависимости от используемых переменных Figure 6. Distribution of studies according to the variables used

В дополнение к переменным SQD, в некоторых исследованиях используются данные о погоде, информация из социальных сетей, экономические индикаторы, что, согласно выводам авторов, обогащает статистику и повышает точность моделирования (табл. 5).

Наконец, самую немногочисленную группу многофакторных моделей составляют исследования, не использующие переменные SQD (табл. 6). В качестве объясняющих переменных выступают экономические показатели, геотеги, показатели конкурентоспособности дестинации и баланс цен спроса и предложения [35].

Таблица 5. Переменные, используемые

в дополнение к SQD Table 5. Variables used in addition to SQD

Название статьи Переменные, используемые в дополнение к SQD

Forecasting tourism demand with multisource big data погода, онлайн-от-зывы (2 китайских платформы)

Forecasting Chinese cruise tourism demand with big data: An optimized machine learning approach экономические индикаторы

Forecasting tourist arrivals using denoising and potential factors погода, календарный день, сезонность

Daily tourism volume forecasting for tourist attractions погода

Intelligent forecasting of inbound tourist arrivals by social networking analysis Информация из соцсетей, ВВП, ИПЦ, курс доллара США, вместимость отелей и самолетов

ЗАКЛЮЧЕНИЕ

Как правило, современные исследования по моделированию туристских потоков - это исследования, целью которых является не просто прогнозирование туристского потока, а исследование его динамики в зависимости от конкретных показателей. Необходимо отметить, что ни в одной из проанализированных работ не ставилась задача прогнозировать туристский поток под воздействием факторов средового влияния и уровня развития инфраструктуры. Авторы считают это существенным недостатком и предполагают в дальнейшем предоставить свои результаты, которые основываются на учете этих факторов. Необходимо подчеркнуть, что такой подход будет обладать новизной и будет весьма актуален.

В данном обзорном исследовании мы указали не только на отсутствие учета актуальных аспектов, но и на рост интереса к заявленной теме.

Существенным результатом можно считать определение проблемы данных. Действительно, наличие систем сбора данных определяет рост возможностей использования современных методов анализа. Наибольшее число исследований было реализовано в Китае.

Можно сделать вывод о развитии современных методов машинного обучения в Российской Федерации. Актуальные исследования и адекватные результаты наши исследователи смогут получать лишь при наличии открытого доступа к корректно собранным датасетам. Использование датасетов коммерческих компаний в открытых исследованиях на сегодняшний день может носить случайный характер и не может быть

решением некоторой глобальной задачи описания деятельности туристической сферы. Возможно, государственные структуры вынуждены будут создать систему сбора корректной информации, которая могла бы быть использована в открытых исследованиях. В этом случае высокая скорость развития этой сферы (широкий доступ к информации позволит развивать разработку эффективных приемов и методов, отработку методов определения корректности и эффективности алгорит-

ЛИТЕРАТУРА

1. Li X. Review of tourism forecasting research with internet data. Tour. Manag. 2021. Vol. 83. P. 104245.

2. Jain P.K., Pamula R., Srivastava G. A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Comput. Sci. Rev. 2021. Vol. 41. Р. 100413.

3. Hillel T. A systematic review of machine learning classification methodologies for modelling passenger mode choice. J. Choice Model. 2021. Vol. 38. Р. 100221.

4. Santamaria-Granados L., Mendoza-Moreno J.F., Ramirez-Gonzalez G. Tourist recommender systems based on emotion recognition—a scientometric review. Futur. Internet. 2021. Vol. 13. N 1.

5. Kirilenko A.P. Automated Sentiment Analysis in Tourism: Comparison of Approaches. J. Travel Res. 2018. Vol. 57. N8.

6. Parvez M.O. Use of machine learning technology for tourist and organizational services: high-tech innovation in the hospitality industry. J. Tour. Futur. 2020.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

7. Ланина К.С., Ланин М.А. Технологии машинного обучения как один из новых векторов развития гостиничных предприятий. В сб. «Современные проблемы и перспективы развития туризма и сферы услуг в условиях глобализации». Матер. III Всерос. н.-пр. конф. Владимир: АТЛАС. 2020. С. 227-231.

8. Ведерникова А.Ю., Нянина Т.А., Гадасина Л.В. Европейский туризм в период пандемии коронавируса. В сб. «Последствия и вызовы пандемии коронавируса для технологического и социально-экономического развития общества». Матер. III Межд. н.-пр. конф. Ярославль: Ярославский государственный технический университет. 2020. С. 504-510.

мов) будет способствовать и получению более эффективных прогнозов для принятия решений в управленческой деятельности.

Получение данных выводов необходимо признать научной новизной нашего исследования.

Статья написана в рамках НИР «Разработка концепции моделирования рынка туристических услуг России с применением методов экономико-математического моделирования и современных цифровых технологий»

REFERENCES

1. Li X. Review of tourism forecasting research with internet data. Tour. Manag. 2021. Vol. 83. P. 104245.

2. Jain P.K., Pamula R., Srivastava G. A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Comput. Sci. Rev. 2021. Vol. 41. P. 100413.

3. Hillel T. A systematic review of machine learning classification methodologies for modelling passenger mode choice. J. Choice Model. 2021. Vol. 38. P. 100221

4. Santamaria-Granados L., Mendoza-Moreno J.F., Ramirez-Gonzalez G. Tourist recommender systems based on emotion recognition—a scientometric review. Futur. Internet. 2021. Vol. 13. N 1.

5. Kirilenko A.P. Automated Sentiment Analysis in Tourism: Comparison of Approaches. J. Travel Res. 2018. Vol. 57. N 8.

6. Parvez M.O. Use of machine learning technology for tourist and organizational services: high-tech innovation in the hospitality industry. J. Tour. Futur. 2020.

7. Lanina K.S., Lanin M.A. Machine learning technologies as one of the new vectors of development of hotel enterprises. Materials of the III All-Russia scientific and practical conference «Modern problems and prospects for the development of tourism and the service sector in the context of globalization» Vladimir: ATLAS. 2020. P. 227-231. (in Russian).

8. Vedernikova A.Y., Nianina T.A., Gadasina L.V. European tourism during the coronavirus pandemic. Materials of the III International scientific and practical conference «Consequences and causes of the coronavirus pandemic for technological and socio-economic development of society». Yaroslavl: Yaroslavl State Technical University. 2020. P.504-510. (in Russian).

Таблица 6. Многофакторные модели без SQD Table 6. Multifactor models without SQD

Название статьи Алгоритм Переменные

Big data from dynamic pricing: A smart approach to tourism demand forecasting SARIMA, ARIMA Цены спроса и предложения

Forecasting air passenger numbers with a GVAR model Global Vector AutoRegressive Foreign и domestic variables, country-level proxies

Bayesian BILSTM approach for tourism demand forecasting Bayesian Bidirectional Long Short-Term Memory (BBiLSTM) network Микро и макро показатели

Geo-tagged photo metadata processing method for Beijing inbound tourism flow NN, SVR, and ELM. RBF (Radial Basis Function) is selected as the kernel function of the SVR Геотеги фотографий (Flickr)

Competitiveness and overtourism: A proposal for an early warning system in spanish urban destinations Bayesian estimation,logit model, SVM, BN and CART Показатели конкурентоспособности региона

Machine learning techniques as a tool for predicting overtourism: The case of Spain - Показатели конкурентоспособности региона

9. Деменев А. Технологические тренды цифровой трансформации индустрии делового туризма в гостиничном сегменте. В сб. «Разработка и практика внедрения стратегических управленческих проектных решений по развитию гостиничного и туристского бизнеса». Матер. Межд. н.-пр. конф. М.: Русайнс. 2019. С. 176-181.

10. Михайлов С.А. Интеллектуальная система помощи туристу:сервис-ориентированная архитектура и реализация. Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19, № 3. С. 499-507.

11. Имаметдинова М.Р. Big Data технологии - основа цифровизации логистической сервисной системы в туристской отрасли. В сб. «Управление в современных системах». Матер. VIII Межд. н.-пр. конф. Челябинск: Южно-Уральский технологический университет. 2018. С. 268-276.

12. Шпырня О., Коренева М.В. Новые технологии развития рынка туристских услуг. Научный вестник Южного института менеджмента. 2019. № 4 (28). С. 113-116.

13. Першина Э.С., Дараган С.В. От больших данных к продвинутой аналитике в индустрии туризма. Научный вестникМГИИТ. 2018. № 2(52). С. 60-69.

14. Scimago Journal and Country Rank. https://www.sdma-gojr.com/journalsearch.php?q=30718&tip=sid&clean=0, https://www.scimagojr.com/journalsearch.php?q=16547& tip=sid&clean=0.

15. Xie G., Qian Y., Wang S. Forecasting Chinese cruise tourism demand with big data: An optimized machine learning approach. Tour. Manag. 2021. Vol. 82. Р. 104208.

16. Lingyu T., Jun W., Chunyu Z. Mode decomposition method integrating mode reconstruction, feature extraction, and ELM for tourist arrival forecasting. Chaos, Solitons & Fractals. 2021. Vol. 143. Р. 110423.

17. Yuan F.-C. Intelligent forecasting of inbound tourist arrivals by social networking analysis. Phys. A Stat. Mech. its Appl. 2020. Vol. 558. Р. 124944.

18. Kulshrestha A., Krishnaswamy V., Sharma M. Bayesian BILSTM approach for tourism demand forecasting. Ann. Tour. Res. 2020. Vol. 83. Р. 102925.

19. Yao Y., Cao Y. A Neural network enhanced hidden Markov model for tourism demand forecasting. Appl. Soft Comput. 2020. Vol. 94. Р. 106465.

20. Yao Y. A paired neural network model for tourist arrival forecasting. Expert Syst. Appl. 2018. Vol. 114.

21. Livieris I.E. Weight-constrained neural networks in forecasting tourist volumes: A case study. Electron. 2019. Vol. 8. N 9.

22. Jiao X., Li G., Chen J.L. Forecasting international tourism demand: a local spatiotemporal model. Ann. Tour. Res. 2020. Vol. 83. Р. 102937

23. Gunter U., Zekan B. Forecasting air passenger numbers with a GVAR model. Ann. Tour. Res. 2021. Vol. 89. Р. 103252.

24. Perles-Ribes J.F. Competitiveness and overtourism: A proposal for an early warning system in spanish urban destinations. Eur. J. Tour. Res. 2021. Vol. 27.

25. Perles-Ribes J.F. Machine learning techniques as a tool for predicting overtourism: The case of Spain. Int. J. Tour. Res.

2020. Vol. 22. N 6.

26. Jain P.K., Pamula R., Srivastava G. A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Comput. Sci. Rev.

2021. Vol. 41. Р. 100413.

27. Kirilenko A.P. Automated Sentiment Analysis in Tourism: Comparison of Approaches. J. Travel Res. 2018. Vol. 57. Р. 8.

28. Giglio S. Using social media to identify tourism attractiveness in six Italian cities. Tour. Manag. 2019. Vol. 72.

9. Demenev A. Technological trends in digital transformation of business tourism industry in the hotel segment. Materials of the International scientific and practical conference «Development and practice of implementing strategic management project solutions for the development of hotel and tourism business». Moscow: Rusains. 2019. P.176-181. (in Russian).

10. Mikhailov S.A. Intelligent system of tourist assistance: service-oriented architecture and implementation. Scientific and Technical Bulletin ofInformation Technologies, Mechanics and Optics. 2019. Vol. 19, N3. P. 499-507. (in Russian).

11. Imametdinova M.R. Big data technologies - the basis of digitalization of logistics services in the tourism industry. Materials of the VIII International scientific and practical conference «Management in modern systems». Chelyabinsk: South Ural Technological. 2018. P. 268-276. (in Russian).

12. Shpyrnia O., Koreneva M.V. New technologies of tourist services market development. Scientific Bulletin of the Southern Institute of Management. 2019. N 4(28). P. 113-116. (in Russian).

13. Pershina E.S., Daragan S.V. From big data to advanced analytics in the tourism industry. Scientific Bulletin MSITI. 2018. N 2(52). P. 60-69. (in Russian).

14. Scimago Journal and Country Rank. https://www.sdma-gojr.com/journalsearch.php?q=30718&tip=sid&clean=0, https://www.scimagojr.com/journalsearch.php?q=16547& tip=sid&clean=0.

15. Xie G., Qian Y., Wang S. Forecasting Chinese cruise tourism demand with big data: An optimized machine learning approach. Tour. Manag. 2021. Vol. 82. P. 104208.

16. Lingyu T., Jun W., Chunyu Z. Mode decomposition method integrating mode reconstruction, feature extraction, and ELM for tourist arrival forecasting. Chaos, Solitons & Fractals. 2021. Vol. 143. P. 110423.

17. Yuan F.-C. Intelligent forecasting of inbound tourist arrivals by social networking analysis. Phys. A Stat. Mech. its Appl. 2020. Vol. 558. P. 124944.

18. Kulshrestha A., Krishnaswamy V., Sharma M. Bayesian BILSTM approach for tourism demand forecasting. Ann. Tour. Res. 2020. Vol. 83. P. 102925.

19. Yao Y., Cao Y. A Neural network enhanced hidden Markov model for tourism demand forecasting. Appl. Soft Comput. 2020. Vol. 94. P. 106465.

20. Yao Y. A paired neural network model for tourist arrival forecasting. Expert Syst. Appl. 2018. Vol. 114.

21. Livieris I.E. Weight-constrained neural networks in forecasting tourist volumes: A case study. Electron. 2019. Vol. 8. N 9.

22. Jiao X., Li G., Chen J.L. Forecasting international tourism demand: a local spatiotemporal model. Ann. Tour. Res. 2020. Vol. 83. P. 102937

23. Gunter U., Zekan B. Forecasting air passenger numbers with a GVAR model. Ann. Tour. Res. 2021. Vol. 89. P. 103252.

24. Perles-Ribes J.F. Competitiveness and overtourism: A proposal for an early warning system in spanish urban destinations. Eur. J. Tour. Res. 2021. Vol. 27.

25. Perles-Ribes J.F. Machine learning techniques as a tool for predicting overtourism: The case of Spain. Int. J. Tour. Res.

2020. Vol. 22. N 6.

26. Jain P.K., Pamula R., Srivastava G. A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Comput. Sci. Rev.

2021. Vol. 41. P. 100413.

27. Kirilenko A.P. Automated Sentiment Analysis in Tourism: Comparison of Approaches. J. Travel Res. 2018. Vol. 57. P. 8.

28. Giglio S. Using social media to identify tourism attractiveness in six Italian cities. Tour. Manag. 2019. Vol. 72.

29. Wang M. Applying Internet information technology combined with deep learning to tourism collaborative recommendation system. PLoS One. 2020. Vol. 15. P. 12 December.

30. Nilashi M. Analysis of Travellers' Online Reviews in Social Networking Sites Using Fuzzy Logic Approach. Int. J. Fuzzy Syst. 2019. Vol. 21. P. 5.

31. Penagos-Londono G.I. A machine learning approach to segmentation of tourists based on perceived destination sustainability and trustworthiness. J. Destin. Mark. Manag. 2021. Vol. 19.

32. Parvez M.O. Use of machine learning technology for tourist and organizational services: high-tech innovation in the hospitality industry. J. Tour. Futur. 2020.

33. Gunter U., Zekan B. Forecasting air passenger numbers with a GVAR model. Ann. Tour. Res. 2021. Vol. 89. P. 103252.

34. Bi J.-W., Li H., Fan Z.-P. Tourism demand forecasting with time series imaging: A deep learning model. Ann. Tour. Res. 2021. Vol. 90. P. 103255.

35. Guizzardi A. Big data from dynamic pricing: A smart approach to tourism demand forecasting. Int. J. Forecast. 2021. Vol. 37, N 3. P. 1049-1060.

36. Astrakhantseva I., Astrakhantsev R. Cryptocurrency as new financial and legal instrument: defining cryptoassets in property law. SHS Web of Conferences: III International on New Industrialization and Digitalization (NID 2020). Ekaterinburg: EDP Sciences. 2021. P. 02002. DOI: 10.1051/shsconf/20219302002.