Прогнозирование спроса на туристические услуги напрямую влияет на еженедельные оперативные решения и более долгосрочное планирование. Изменения в количестве прибывающих туристов в краткосрочной перспективе влияют на кадровое обеспечение, распределение номеров в отелях, спрос на билеты в музеи, выставки или на концерты, координацию транспорта и контроль за трафиком. Модели спроса у путешественников крайне изменчивы даже по показателям от года к году. Сезонность в этом сегменте бизнеса ярко выражена, погодные условия влияют на целесообразность поездок, а политические или экологические потрясения могут вызывать резкие изменения в количестве (а также качестве) посетителей. Эти особенности создают нелинейность и нестабильность, особенно когда доступные сигналы являются шумными и неоднородными.
Традиционные исследования прогнозирования часто опираются на макроэкономические показатели, такие как ВВП или относительные цены в целевой стране пребывания. Хотя такие переменные информативны для структурных тенденций, они сообщаются нечасто и с задержкой, что ограничивает их полезность для еженедельного оперативного управления. Цифровые следы предлагают сигналы более высокой частоты, которые непосредственно отражают внимание и намерения ближайших перспектив тех, кто собирается в отпуск или деловую поездку. Объёмы поисковых запросов и онлайн-отзывы также быстро реагируют на маркетинговые кампании и репутацию места отдыха.
Погодные переменные создают дополнительные краткосрочные колебания, особенно для мест отдыха, связанных с природой. Однако эти сигналы неравномерны и содержат шумы. Индексы поисковых запросов колеблются по причинам, не связанным со спросом на поездки, активность отзывов нерегулярна, а разные источники демонстрируют различные модели волатильности. В результате, увеличение числа предикторов не обязательно делает более точным прогнозирование.
В настоящее время многие туроператоры и агенства прибегают к услугам искусственного интеллекта, чтобы получить предварительную аналитику спроса. Модели глубокого обучения, и свёрточные нейронные сети (CNN), дополнительно расширяют пространство моделирования для долгосрочных и пространственно-временных зависимостей. Однако они могут страдать от переобучения и высоких требований к данным, когда выборки короткие или входные данные сильно зашумлены. Подготовка разрозненной входящей информации перед заведением её на серверы дата-центра, представляют собой весьма непростой процесс. Гибридные и ансамблевые схемы объединяют взаимодополняющие алгоритмы обучения.
Спрос на туристические услуги формируется несколькими уровнями факторов, влияющих на бюджетные ограничения путешественников, целесообразность поездок и процессы принятия краткосрочных решений. На макроуровне условия дохода, ВВП на душу населения и относительные цены влияют на покупательную способность туристов и стимулы к замещению. Помимо экономических, институциональные и инфраструктурные факторы, такие как доступность транспорта, визовый и политический режимы, а также геополитическая стабильность, определяют практическую возможность и воспринимаемую безопасность путешествий. Растущая доступность высокочастотных цифровых следов привела к появлению нового класса поведенческих предикторов. Объёмы поисковых запросов в совокупности с пользовательским контентом, таким как количество отзывов, рейтинги и тональность, служат индикаторами формирования намерений, а также привлекательности места назначения в режиме, близком к реальному времени. Температура воздуха и воды, а также возможность долговременного выпадения осадков (снег или дождь) становятся ключевыми предикторами с недельным или даже более высоким временным отрезком при спонтанном способе выбора направления.
Поэтому интеграция таких разнообразных показателей в модели составления кратковременного прогноза требует тщательного учета временной согласованности, структуры запаздывания и подавления шума, при этом необходимо избегать утечки информации и смещения, связанного с прогнозированием на будущее, во время машинного обучения и оценки. Кроме того, временные ряды туристических данных часто являются нелинейными, нестабильными. Тем не менее, большинство гибридных моделей остаются асимметричными по структуре. Разложение целевого сигнала часто осуществляется без систематической обработки зашумлённых экзогенных влияний. Таким образом, эффективность поведенческих индикаторов, получаемых на основе интернет-сигналов, зависит от тщательной предварительной обработки.
Высокочастотные компоненты в значительной степени обусловлены собственными действиями, среднечастотные компоненты включают сигналы окружающей среды и поисковые сигналы, а низкочастотные движения отражают структурную устойчивость и накопленное восприятие. Сравнение различных прогностических прикладных моделей для этой отрасли показывает, что улучшение точности результата достигается за счёт разделения этих механизмов до построения модели, а не благодаря использованию одного алгоритма обучения для их одновременного учёта.
Низкочастотная составляющая отражает структурную динамику спроса в течение нескольких недель. Этот сигнал наиболее актуален для организаций, занимающихся управлением туристическими направлениями, и местных властей, ответственных за среднесрочное планирование пропускной способности. Компоненты средней частоты отражают повторяющиеся сезонные и поведенческие циклы. Эти сигналы подходят для тактической координации в течение двух-четырёх недель. Операторы живописных районов могут корректировать квоты на билеты, схемы динамического ценообразования и интервалы отправления транспорта в ожидании циклических пиков. Поставщики услуг размещения могут согласовывать управление номерным фондом с прогнозируемыми циклами спроса. Отслеживая амплитуду циклов, а не только агрегированные прогнозы, менеджеры могут избежать чрезмерной реакции на кратковременные всплески.
Высокочастотные компоненты улавливают резкие скачки. Эти сигналы напрямую влияют на еженедельное планирование работы персонала, развёртывание мер по контролю за наплывом турпотока, а также рекомендовать усиление мер безопасности или увеличение интенсивности транспортного сообщения. И наоборот, слабые высокочастотные сигналы могут оправдать корректировки, направленные на экономию средств, без изменения долгосрочной пропускной способности. Рост поисковой активности в сочетании с благоприятными прогнозами погоды может оправдать превентивную мобилизацию ресурсов. Такое сравнение сигналов обеспечивает раннее предупреждение, а не реактивную корректировку.