شقایق توکلی - دانشجوی کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی نوشیروانی بابل
ابراهیم اسدی گنگرج - دانشیار گروه مهندسی صنایع ، دانشگاه صنعتی نوشیروانی بابل

امروزه روش های مبتنی بر هوش مصنوعی در پیش بینی تقاضای گردشگری به طور زیادی مورد استفاده قرار می گیرند و جایگزینی برای روش های کلاسیک شده اند. در این پژوهش برای پیش بینی حجم ورود گردشگران ماهانه ماکائو یک معماری جدید برای استخراج خودکار ویژگی های تاثیرگذار از عوامل بالقوه مختلف، با استفاده از روش های شبکه عصبی کانولوشن (CNN)، الگوریتم جنگل تصادفی و الگوریتم XGBoost ارائه شده است. ویژگی هایی که با استفاده از شبکه عصبی کانولوشن استخراج می شود به عنوان داده های ورودی جنگل تصادفی و XGBoost است. سپس از مدل های ترکیبی شبکه عصبی کانولوشن و جنگل تصادفی (CNN-Random Forest) و همچنین شبکه عصبی کانولوشن و XGBoost (CNN- XGBoost) برای پیش بینی تقاضای گردشگری استفاده شده است. در ادامه برای بررسی دقت دو روش پیشنهادی پژوهش، از چهار معیار دقت یعنی مجذور میانگین مربع خطا (RMSE)، مطلق درصد خطا (MAPE)، میانگین خطا مطلق (MAE) و میانگین مربع خطا (MSE) استفاده شده است نتایج نشان می دهد که مقدار دقت پیش بینی روش CNN- XGBoost در این چهار معیار کمتر از روش از CNN-Random Forest است.

پیش بینی تقاضای گردشگری؛ شبکه عصبی کانولوشن؛ جنگل تصادفی؛ هوش مصنوعی؛ XGBoost.