Prediction of Tourism Flow with Sparse Geolocation Data

要約

21世紀の現代観光は多くの課題に直面しています。
中でも、歴史的な都市、博物館、橋などのボトルネックなど、スペースが限られた地域を訪れる観光客の数が急速に増加していることは、その最大の一つです。
これに関連して、特定の地域内の観光客の量と観光の流れを適切かつ正確に予測することは、環境の持続可能な処理や過密の防止などの訪問者管理タスクにとって重要かつ不可欠です。
従来の低レベルコントローラーや、混雑した会場へのアクセスを制限するなどの静的なフロー制御方法では、まだ問題を解決できません。
この論文では、RNN、GNN、トランスフォーマーなどの最先端の深層学習手法と、古典的な統計的 ARIMA 手法のパフォーマンスを実証的に評価します。
観光地域によって提供される詳細で限られたデータは、個々の観光客の地理位置情報の軌跡、天気、休日などの外生データによって拡張されます。
これにより、まばらなデータを使用した訪問者フロー予測の分野では、最新の入力特徴処理を組み込み、離散 POI データに地理位置情報データをマッピングすることで、予測の精度を向上させることができます。

要約(オリジナル)

Modern tourism in the 21st century is facing numerous challenges. Among these the rapidly growing number of tourists visiting space-limited regions like historical cities, museums and bottlenecks such as bridges is one of the biggest. In this context, a proper and accurate prediction of tourism volume and tourism flow within a certain area is important and critical for visitor management tasks such as sustainable treatment of the environment and prevention of overcrowding. Static flow control methods like conventional low-level controllers or limiting access to overcrowded venues could not solve the problem yet. In this paper, we empirically evaluate the performance of state-of-the-art deep-learning methods such as RNNs, GNNs, and Transformers as well as the classic statistical ARIMA method. Granular limited data supplied by a tourism region is extended by exogenous data such as geolocation trajectories of individual tourists, weather and holidays. In the field of visitor flow prediction with sparse data, we are thereby capable of increasing the accuracy of our predictions, incorporating modern input feature handling as well as mapping geolocation data on top of discrete POI data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google