DOI: https://doi.org/10.3389/frai.2026.1767465
PMID: https://pubmed.ncbi.nlm.nih.gov/42088382
تاريخ النشر: 2026-04-20
المؤلف: Chenglin Song وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم ورقة البحث إطارًا جديدًا للتنبؤ لتوقع وصول السياح إلى الوجهات الحضرية، مع التأكيد على أهمية التنبؤات الدقيقة لتخصيص الموارد واستراتيجيات التسويق. يدمج نموذج الشبكة الديناميكية للسياحة (DTN) تقنية تطبيع الشكل والفترة المنفصلتين (Dish-TS) مع الشبكات التلافيفية الزمنية (TCN) ويستخدم بيانات مؤشر بايدو لتعزيز دقة التنبؤ لوصول السياح إلى سانيا، الصين. تشير النتائج التجريبية إلى أن نموذج DTN يتفوق بشكل كبير على طرق التعلم العميق التقليدية، مثل RNN وLSTM، محققًا دقة محسنة في تقدير أحجام السياح، مما يوفر أداة قوية لإدارة السياحة الحضرية.
تسلط الدراسة الضوء على ثلاثة مساهمات رئيسية في مجال توقع الطلب السياحي. أولاً، تقدم Dish-TS، وهي تقنية تطبيع منفصلة جديدة تعزز استقرار التنبؤ تحت ظروف غير مستقرة. ثانيًا، يسمح دمج Dish-TS مع TCN في خط أنابيب متسلسل باستقرار فعال وإعادة تطبيع البيانات، مما يميزها عن النماذج الهجينة الحالية. ثالثًا، ت quantifies دراسة الإزالة مساهمات كل مكون، مما يوضح أن الجمع بين Dish-TS وTCN يحقق أفضل أداء (RMSE = 0.0503)، بينما تؤدي المكونات الفردية بشكل أقل فعالية. على الرغم من هذه التقدمات، تعترف الدراسة بالقيود المتعلقة بعمومية النتائج خارج سانيا وتقترح أن تستكشف الأبحاث المستقبلية قابلية تطبيق النموذج عبر وجهات وظروف متنوعة، بالإضافة إلى التحقيق في تقنيات التعلم الانتقالي لتعزيز قوته.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة للسياحة في الاقتصاديات الوطنية، مع التأكيد على دورها في تعزيز جودة الحياة ودفع النمو الاقتصادي المحلي. إن التنبؤ الدقيق بالطلب السياحي، وخاصة حجم السياح، أمر ضروري للتخطيط الفعال للموارد واستراتيجيات التسويق. غالبًا ما تفشل طرق التنبؤ التقليدية، التي تعتمد على البيانات التاريخية، في سياق سرعة انتشار المعلومات التي يتيحها الإنترنت المحمول. تقترح الدراسة إطارًا جديدًا قائمًا على التعلم العميق للتنبؤ، نموذج DTN، الذي يدمج Dish-TS مع الشبكات التلافيفية الزمنية (TCNs) باستخدام بيانات مؤشر بايدو لتعزيز دقة وقابلية تفسير توقعات حجم السياح.
تحدد الأبحاث القيود الرئيسية في المنهجيات الحالية، مثل عدم القدرة على تصفية الضوضاء بشكل فعال من بيانات محركات البحث عالية الأبعاد وتطبيق النماذج المتقدمة مثل الشبكات العصبية الرسومية الزمانية المكانية (ST-GNNs) على سياقات حضرية محددة. يتناول نموذج DTN هذه التحديات من خلال اعتماد نهج فريد للتطبيع يحافظ على الأنماط الموسمية ويجمع بين تقليل الأبعاد والتلافيف الزمنية في خط أنابيب قابل للتدريب من البداية إلى النهاية. يهدف هذا الإطار إلى توفير أداة تحليلية موثوقة لإدارة السياحة، خاصة في سانيا، مدينة سياحية ساحلية في الصين، بينما يقترح أيضًا إمكانية التكيف مع وجهات حضرية أخرى ذات خصائص مشابهة.
طرق
في قسم الطرق، توضح الأبحاث مختلف الأساليب لتوقع الطلب السياحي، مع التركيز على التحليل المقارن لنموذج الشبكة الزمنية العميقة (DTN) مقابل سبع طرق أساسية معروفة: SARIMA، RNN، LSTM، SAE-Bi-GRU، ATT-BiLSTM، المحول الزمني المدمج (TFT)، وN-BEATS. تم تحسين نموذج SARIMA باستخدام بحث الشبكة، بينما استخدمت RNN وLSTM هياكل قياسية من خمس طبقات. تم تنفيذ النماذج الأخرى وفقًا لتصميماتها الأصلية، مع ضبط معلمات محددة لـ TFT وN-BEATS باستخدام مكتبة Darts.
كشفت تقييم الأداء أن SARIMA أدت بشكل ضعيف بسبب فرضية خطيتها، بينما أظهرت RNN تحسينات طفيفة لكنها كانت مقيدة بالذاكرة القصيرة. حقق ATT-BiLSTM $R^2$ مرتفعًا ولكنه كان له تباين متزايد، مما أدى إلى زيادة RMSE وMAE. قدم SAE-Bi-GRU مقاييس أكثر توازنًا ولكنه لا يزال أقل مقارنة بـ DTN. أظهر TFT أداءً تنافسيًا مع RMSE = 0.0522، MAE = 0.0458، و$R^2 = 0.81$، لكنه كان أقل أداءً مقارنة بـ DTN. بينما كانت N-BEATS فعالة في التقاط الموسمية، حققت RMSE = 0.0537 وMAE = 0.0471، مما يشير إلى فائدة محدودة من الميزات الخارجية. في المقابل، أظهر DTN دقة وتكيفًا متفوقين عبر شرائح زمنية مختلفة، مما يدمج بشكل فعال النمذجة الزمنية بعيدة المدى وتطبيع الميزات التكيفية، وبالتالي الحفاظ على ملاءمة تنبؤية عالية خلال التقلبات العادية وارتفاع الطلب.
مناقشة
في قسم المناقشة من ورقة البحث، يتم تقييم منهجيات مختلفة لتوقع الطلب السياحي، مع تسليط الضوء على نقاط قوتها وقيودها. يُلاحظ أن تحليل السلاسل الزمنية، وخاصة من خلال نموذج المتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA)، يتمتع بقدرات تنبؤية ولكنه مقيد بفرضية استقرار البيانات، مما يجعله أقل فعالية خلال التغيرات المفاجئة. يعد تحليل الانحدار فعالًا في التقاط العلاقات الخطية بين الطلب السياحي والعوامل المؤثرة ولكنه قد يتجاهل التفاعلات المعقدة وغير الخطية. توفر النماذج الاقتصادية إطارًا شاملاً من خلال دمج عوامل متعددة ولكنها تتطلب بيانات عالية الجودة ومواصفات معقدة. يعد نموذج النظام الرمادي مفيدًا في سيناريوهات البيانات المحدودة ولكنه يواجه صعوبة في التنبؤات طويلة الأجل بسبب حساسيته لجودة البيانات.
تؤكد الورقة على الدور المتزايد للتعلم العميق في توقع السياحة، وخاصة من خلال نماذج مثل الشبكات التلافيفية الزمنية (TCNs) والشبكات العصبية الرسومية الزمانية المكانية، التي يمكنها التقاط الأنماط المعقدة والاعتمادات في البيانات. تستفيد هذه النماذج من بيانات البحث على الإنترنت، مثل بيانات مؤشر بايدو، لتعزيز دقة التنبؤ من خلال عكس اهتمام وسلوك المستخدمين. تهدف تقنية تطبيع الشكل والفترة المنفصلتين (Dish-TS) المقترحة ضمن إطار الشبكة الزمنية العميقة الجديدة (DTN) إلى تحسين التنبؤ من خلال فصل الميزات الشكلية والزمنية، وبالتالي معالجة التحديات التي تطرحها طرق التطبيع التقليدية. بشكل عام، تؤكد الأبحاث على التحول نحو أساليب أكثر تطورًا تعتمد على البيانات في توقع الطلب السياحي، والتي تعتبر ضرورية للتكيف مع الطبيعة الديناميكية للصناعة.
DOI: https://doi.org/10.3389/frai.2026.1767465
PMID: https://pubmed.ncbi.nlm.nih.gov/42088382
Publication Date: 2026-04-20
Author(s): Chenglin Song et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research paper presents a novel prediction framework for forecasting tourist arrivals in urban destinations, emphasizing the importance of accurate predictions for resource allocation and marketing strategies. The proposed Dynamic Tourism Network (DTN) model integrates Disentangled Shape and Time series Normalization (Dish-TS) with Temporal Convolutional Networks (TCN) and utilizes Baidu Index data to enhance predictive accuracy for tourist arrivals in Sanya, China. Empirical results indicate that the DTN model significantly outperforms traditional deep learning methods, such as RNN and LSTM, achieving improved accuracy in estimating tourist volumes, thus providing a robust tool for urban tourism management.
The study highlights three key contributions to the field of tourism demand forecasting. First, it introduces Dish-TS, a novel disentangled normalization technique that enhances forecast stability under non-stationary conditions. Second, the integration of Dish-TS with TCN in a sequential pipeline allows for effective stabilization and denormalization of data, distinguishing it from existing hybrid models. Third, an ablation study quantifies the contributions of each component, demonstrating that the combination of Dish-TS and TCN yields the best performance (RMSE = 0.0503), while individual components perform less effectively. Despite these advancements, the study acknowledges limitations related to the generalizability of findings beyond Sanya and suggests future research should explore the model’s applicability across diverse destinations and conditions, as well as investigate transfer learning techniques to enhance its robustness.
Introduction
The introduction highlights the growing significance of tourism in national economies, emphasizing its role in enhancing quality of life and driving local economic growth. Accurate forecasting of tourism demand, particularly tourist volume, is essential for effective resource planning and marketing strategies. Traditional forecasting methods, which rely on historical data, often fall short in the context of the fast-paced information dissemination enabled by the mobile Internet. The study proposes a novel deep learning-based forecasting framework, the DTN model, which integrates Dish-TS with Temporal Convolutional Networks (TCNs) using Baidu Index data to enhance the accuracy and interpretability of tourist volume predictions.
The research identifies key limitations in existing methodologies, such as the inability to effectively filter noise from high-dimensional search engine data and the limited application of advanced models like Spatio-Temporal Graph Neural Networks (ST-GNNs) to specific urban contexts. The DTN model addresses these challenges by employing a unique approach to normalization that preserves seasonal patterns and integrates dimensionality reduction with temporal convolution in an end-to-end trainable pipeline. This framework aims to provide a reliable analytical tool for tourism management, particularly in Sanya, a coastal tourism city in China, while also suggesting the potential for adaptation to other urban destinations with similar characteristics.
Methods
In the section on methods, the research outlines various approaches to tourism demand forecasting, emphasizing the comparative analysis of the proposed Deep Temporal Network (DTN) against seven established baseline methods: SARIMA, RNN, LSTM, SAE-Bi-GRU, ATT-BiLSTM, Temporal Fusion Transformer (TFT), and N-BEATS. The SARIMA model was optimized using grid search, while RNN and LSTM utilized standard five-layer architectures. The other models were implemented according to their original designs, with specific hyperparameters tuned for TFT and N-BEATS using the Darts library.
The performance evaluation revealed that SARIMA performed poorly due to its linearity assumption, while RNN showed slight improvements but was constrained by short-term memory. ATT-BiLSTM achieved a high $R^2$ but had increased variance, leading to higher RMSE and MAE. SAE-Bi-GRU provided more balanced metrics but still fell short compared to DTN. TFT demonstrated competitive performance with RMSE = 0.0522, MAE = 0.0458, and $R^2 = 0.81$, yet underperformed relative to DTN. N-BEATS, while effective in capturing seasonality, yielded RMSE = 0.0537 and MAE = 0.0471, indicating limited benefit from exogenous features. In contrast, DTN exhibited superior accuracy and adaptability across different temporal segments, effectively integrating long-range temporal modeling and adaptive feature normalization, thus maintaining high predictive fit during regular fluctuations and demand surges.
Discussion
In the discussion section of the research paper, various methodologies for tourism demand forecasting are evaluated, highlighting their strengths and limitations. Time series analysis, particularly through the Autoregressive Integrated Moving Average (ARIMA) model, is noted for its predictive capabilities but is constrained by its assumption of data stationarity, making it less effective during abrupt changes. Regression analysis is effective in capturing linear relationships between tourism demand and influencing factors but may overlook complex, nonlinear interactions. Econometric models provide a comprehensive framework by integrating multiple factors but require high-quality data and complex specifications. The gray system model is advantageous for limited data scenarios but struggles with long-term predictions due to sensitivity to data quality.
The paper emphasizes the growing role of deep learning in tourism forecasting, particularly through models like Temporal Convolutional Networks (TCNs) and Spatio-Temporal Graph Neural Networks, which can capture complex patterns and dependencies in data. These models leverage internet search data, such as from Baidu Index, to enhance prediction accuracy by reflecting user interest and behavior. The proposed Disentangled Shape and Time series normalization (Dish-TS) technique within the new Deep Temporal Network (DTN) framework aims to improve forecasting by decoupling shape and temporal features, thus addressing the challenges posed by traditional normalization methods. Overall, the research underscores the shift towards more sophisticated, data-driven approaches in tourism demand forecasting, which are essential for adapting to the dynamic nature of the industry.