Massentourismus + begrenzte Fläche = Overcrowding ⇒ Pattsituation? DatenVorsprung arbeitet am Modell, welches es möglich macht zukünftige Tourismusströme vorherzusagen, zu lenken und ein Überlaufen von Attraktionen zu verhindert – und das durch sichere und vertrauenswürde Technik.
Das historisch gewachsene Stadtzentrum von Salzburg ist ein touristischer Hotspot, welcher die Grundlage für unzählige Betriebe darstellt. Jedoch stoßen die hohen unkontrollierten Touristenströmen auf dem begrenzten Platz des Stadtzentrums nicht ausschließlich auf Zustimmung. Wie sich der Tourismus, der damit zusammenhängende Wirtschaftsmotor, die Lebensqualität von Einheimischen sowie die Wünsche und Vorstellungen der Stadtverwaltung vereinbaren lassen wird in einem Forschungsprojekt analysiert.
In unserem neuesten Projekt mit der Tourismusregion Salzburg haben wir es uns zum Ziel gesetzt Deep Learning (DL) Modelle zu entwickeln, um akkurate Prognosen für zukünftige Tourismusströme treffen zu können. Zu diesem Zweck haben wir konkurrierende Modelle trainiert und deren Genauigkeit verglichen.
Mittels Datensätzen, welche uns von unterschiedlichen Firmen bereit gestellt werden, wollen wir Tourismusströme so steuern, dass Sehenswürdigkeiten nicht überlaufen sind, und somit das volle Potenzial der einzelnen Attraktionen optimal ausgenutzt werden kann.
Da Reisen immer unbeschwerlicher und das Streckennetz immer weitreichender wird und sich somit immer mehr Menschen rund um den Globus bewegen, sind Städte immer überfüllter, und infolgedessen die Regelung von Tourismusströmen und das lenken von Menschenmassen notwendig, um weiterhin eine Atmosphäre zu schaffen, in der sich sowohl Touristen, als auch Einheimische wohl fühlen können.
Mit ausgewählten relevanten Datensätzen , welche uns Auskunft über die Anzahl der Eintritte in die unterschiedlichen Point Of Interests (POIs) und Bewegungen in der Stadt geben, ist es uns möglich nach zu vollziehen, welche Attraktionen zu einer bestimmten Uhrzeit besonders gerne besucht werden, und wie sich die Touristenmassen innerhalb von Salzburg zwischen den einzelnen Sehenswürdigkeiten aufteilen. Bevor wir diese Daten jedoch nutzen und in Neuronale Netzwerke einspeisen konnten, mussten wir diese aufbereiten. In weiterer Folge verwendeten wir diese, um Touristenströme vorhersagen zu können. Um unsere Vorhersagen so genau wie möglich treffen zu können, verwendeten wir zusätzliche Daten, wie das Wetter, Daten zu Feiertagen in Österreich, Nutzungsdaten von Parkgaragen, Positionsdaten von Mobiltelefonnutzern, sowie Bewegungsdaten zwischen den einzelnen POIs.
Mit dem klassischen ARIMA (Auto Regressive Integrated Moving Average) Modell und DL Modellen basierend auf Rekurrenten Neuronalen Netzwerken (RNNs) haben wir Prognosen erstellt und die Ergebnisse mit der echten Besucherzahl verglichen. Alle unsere DL Modelle, mit und ohne zusätzlichen „Features“, konnten mit ihrer Performance ARIMA übertreffen. Ein beachtlicher Unterschied ließ sich in der Erstellung von den einzelnen Vorhersagen erkennen. Für die Erstellung einer Prognose für einen einzigen POI benötigte ARIMA 69 Sekunden, wohingegen unser DL Modell nur Bruchteile einer Millisekunde benötigte. Jedoch ist es äußerst schwer einen Vergleich zwischen diesen beiden Algorithmen anzustellen, da ARIMA eine Vorhersage für jeden einzelnen POI separat erstellt, hingegen DL eine Prognose für alle POIs auf einmal anfertigt– was natürlich die Dauer der Prognosen Erstellung deutlich verkürzt.
weitere Informationen zum Paper
Deep-Learning vs Regression: Prediction of Tourism Flow with Limited Data
© FFG dTS; Agenten basierte Simulation der Tourismusbewegungen
Noch Fragen? Dann hinterlassen Sie uns hier gerne eine Nachricht.