Der moderne Tourismus im 21. Jahrhundert steht vor zahlreichen Herausforderungen. Eine dieser Herausforderungen ist die rapide wachsende Anzahl von Touristen in räumlich begrenzten Regionen wie historischen Stadtzentren, Museen oder geografischen Engpässen wie schmalen Tälern. In diesem Kontext ist eine angemessene und genaue Vorhersage des Tourismusvolumens und des Tourismusflusses innerhalb eines bestimmten Gebiets wichtig und kritisch für Aufgaben des Besuchermanagements wie die Steuerung des Besucherflusses und die Vermeidung von Überfüllung. Statische Flusssteuerungsmethoden wie die Begrenzung des Zugangs zu Hotspots oder die Verwendung herkömmlicher Niedrigstufenregler konnten das Problem bisher nicht lösen. In dieser Arbeit bewerten wir empirisch die Leistung mehrerer moderner Deep-Learning-Methoden im Bereich der Vorhersage von Besucherströmen mit begrenzten Daten. Wir verwenden hierbei verfügbare granulare Daten, die von einer Tourismusregion bereitgestellt wurden, und vergleichen die Ergebnisse mit ARIMA, einer klassischen statistischen Methode. Unsere Ergebnisse zeigen, dass Deep-Learning-Modelle im Vergleich zur ARIMA-Methode bessere Vorhersagen liefern, während beide eine schnellere Inferenzzeit aufweisen und in der Lage sind, zusätzliche Eingabefeatures zu integrieren.

Mehr zu unserem veröffentlichtem Paper finden Sie unter https://arxiv.org/abs/2206.13274