Tourismusstromlenkung am Beispiel Salzburg Stadt

Projektprofil:

Titel: Datengesteuerter Tourismus für Nachhaltigkeit

Art: Von der FFG (Österreichische Forschungsgesellschaft) gefördertes Forschungsprojekt

Kooperierende Organisation: DatenVorsprung GmbH, TU Graz, FH Salzburg, Donau Uni Krems, TSG Tourismus Salzburg GmbH, Fuscher Freges GmbH (TVB Bruck/Fusch), Nexyo GmbH

Ort: Salzburg, Österreich

Ziel: Entwicklung von verifizierbaren Deep-Learning-Modellen zur Vorhersage und Steuerung von Tourismusströme in Agenten-basierten Simulationsumgebungen. Ausgeführt am Bespiel der der Stadt Salzburg und Bruck Fusch.

Problem Beschreibung/Motivation

Überfüllte Straßen: Aufgrund seiner Topographie ist das historische Stadtzentrum von Salzburg durch zahlreiche enge Gassen gekennzeichnet, die leicht mit Menschen (Touristen und Einwohnern) überfüllt sind.
Saisonale Schwankungen: Besucher aus aller Welt besuchen die Stadt das ganze Jahre über in sehr großer Zahl.
Überfüllte Sehenswürdigkeiten: Die große Anzahl an Touristen, die die Hauptattraktionen besuchen, führt zu einer Überfüllung in der Nähe bestimmter Sehenswürdigkeiten.
Dies stellt eine Herausforderung für die Stadtverwaltung dar, die ein sehr empfindliches Gleichgewicht zwischen verschiedenen Hauptakteuren auf verschiedenen Ebenen herstellen muss:
- Aus wirtschaftlicher Sicht – Sicherstellung des Gewinns für alle beteiligten Parteien
- Aus der Perspektive der Nachhaltigkeit – Sicherstellung, dass die Umwelt nicht unter dem Massentourismus leider (mit einem hohen Maß an Verschmutzung und Abfall)
- Aus sozialer Sicht – um den Besuchern ein optimales Erlebnis zu bieten und ein ausgewogenes Verhältnis zwischen Einwohnern und Touristen zu gewährleisten

KI Technologien:


Dauer	3 Jahre
Datensets	Tourismusdaten aus der "Salzburg Card" (mehr dazu weiter unten), Daten zu Wetter und weltweiten Feiertagen, Standortdaten von Mobiltelefonen (für 1-2% der Touristen), OpenStreetMap.
Modelle (AI-basiert und weitere)	RNNs, LSTMs, NeuralODE, Transformer, CT-GRN, ARIMA (statistikbasiert), GNN, Agent-based Simulation
Innovation	Nutzung der Technologie von DatenVorsprung, um sicherzustellen, dass die von uns verwendeten Vorhersagemodelle auch bei unerwarteten Anomalien (wie globalen Pandemien oder Großereignissen) stabil sind

Unsere Technologie ist speziell für Regionen gedacht, die unter Überfüllung und überbordenden Touristenströmen leiden. Sie soll dazu dienen, dies zu verhindern, Touristen an Orte zu leiten und sie über die Stadt zu verteilen.

Innovation und Einblick

Wir wendeten eine breite Palette von rekurrenten neuronalen Netzwerken (RNN) zur Vorhersage von Touristenströmen an und nutzten dafür die Stämme des Datensatzes der “Salzburg Card”, der uns zur Verfügung gestellt wurde.

Die “Salzburg Card” gewährt den Besuchern Zugang zu verschiedenen touristischen Attraktionen, und der von uns verwendete Datensatz besteht aus den Zeitstempeln der Eingänge zu jedem Point of Interest (POI), der normalisierten Besucherzahl für eine bestimmte Stunde und dem Standort des POI
Anschließend verglichen wir die Genauigkeit der verschiedenen Modelle, insbesondere der Deep-Learning-Modelle (DL) und der ARIMA-Methode (traditionelle Methode zur Vorhersage von Zeitreihen der Touristenströme)
Wir fanden heraus, dass die von uns erstellten transformatorbasierten DL-Modelle die traditionelle ARIMA-Methode übertrafen.
Erstellung des ersten Hochfrequenz-Tourismus-Datensatzes, der aus realen Daten besteht
Wir entdeckten, dass Graphische Neuronale Netze (GNN) besser geeignet sind, um räumliche Strukturen bei spärlichen Geolokalisierungsdaten zu berücksichtigen.

In der obigen Simulation sehen wir mehrere Akteure, hier die Touristen, dargestellt als gelbe Punkte, die sich frei im historischen Stadtzentrum von Salzburg bewegen. Die grünen Kreise entsprechen den wichtigsten touristischen Attraktionen, den so genannten Points of Interest (POI), und die blauen Zahlen stellen Unterkünfte dar. Anhand dieser Simulation kann man sehen, wie sich die Agenten zwischen den verschiedenen Hotspots bewegen und wie hoch die Dichte der Agenten in den verschiedenen Straßen ist. Je dicker und dunkler die Linie wird, desto höher ist die Dichte der Touristen in einer bestimmten Straße.

Publikationen

Lemmel, J., et al., “Deep-Learning vs Regression: Prediction of Tourism Flow with Limited Data”, arXiv e-prints, 2022, doi: 10.48550/arXiv.2206.13274
Accepted for publication at the IJCAI’22 Workshop AI for Time Series Analysis (AI4TS-22)

Lemmel, J., et al., “Prediction of Tourism Flow with Sparse Geolocation Data”, arXiv e-prints, 2023, doi: 10.48550/arXiv.2308.14516
Accepted for publication at the 5^th International Data Science Conference – iDSC2023

Weitere Fragen? Bitte zögern Sie nicht uns zu kontaktieren.