پیش بینی دقیق تقاضای گردشگری برای برنامه ریزی منابع، بهینه سازی زیرساخت ها و تدوین стратеژی های بازاریابی در مقاصد گردشگری حیاتی است. روش های سنتی مبتنی بر داده های تاریخی و مدل های آماری در مواجهه با نوسانات شدید تقاضا، شوک های بیرونی مانند پاندمی کووید-19 و پیچیدگی های رفتاری گردشگران در عصر دیجیتال با محدودیت های جدی روبرو شده اند. در سال های اخیر، ظهور کلان داده های آنلاین به ویژه داده های جستجوی موتورهای جستجو، پنجره جدیدی را به روی پیش بینی تقاضای گردشگری گشوده است. این داده ها که رفتار برنامه ریزی سفر گردشگران را در مراحل اولیه تصمیم گیری منعکس می کنند، به عنوان شاخص های پیشرو و به هنگام از تقاضای آتی گردشگری عمل می کنند. همزمان، معماری های یادگیری عمیق ترکیبی که ترکیبی از شبکه های عصبی کانولوشنی، حافظه کوتاه مدت بلندمدت، ترنسفورمرها و مکانیزم های توجه را به کار می گیرند، توانسته اند الگوهای غیرخطی و وابستگی های زمانی پیچیده را به شکلی مؤثرتر از مدل های تک ساختاری مدل سازی کنند. مقاله مروری حاضر با بررسی نظام مند پژوهش های منتشر شده در بازه زمانی 2021 تا 2026، به تحلیل روندهای نظری و روش شناختی در حوزه پیش بینی تقاضای گردشگری با تکیه بر یادگیری عمیق ترکیبی و داده های جستجوی آنلاین می پردازد. یافته های این مرور نشان می دهد که ترکیب داده های جستجو با معماری های عمیق ترکیبی، به طور معناداری دقت پیش بینی را در افق های زمانی کوتاه مدت و میان مدت بهبود می بخشد. همچنین، چالش های باقی مانده از جمله شکنندگی مدل ها در شرایط بحرانی، مسئله تفسیرپذیری و تعمیم پذیری بین مقاصد مختلف مورد بحث قرار می گیرد. در پایان، مسیرهای آینده پژوهش برای توسعه مدل های مقاوم، چندوجهی و قابل تفسیر پیشنهاد می شود.

پیش بینی تقاضای گردشگری یادگیری عمیق ترکیبی داده های جستجوی آنلاین روندهای گوگل