SCOSC حسین ترحمی اردکانی Research Letters on Management in Organizations مجله بین‌المللی هنر، ادبیات، زبان‌شناسی و گردشگری 1 2 (زمستان) 2026 03 09 Forecasting Tourism Demand Using Hybrid Deep Learning and Online Search Data پیش بینی تقاضای گردشگری با یادگیری عمیق ترکیبی و داده های جستجوی آنلاین 42 56 FA Ali Habibi Ardakan Municipality, Fars علی حبیبی شهرداری اردکان فارس 2026 01 26 Accurate forecasting of tourism demand is vital for resource planning, infrastructure optimization, and the formulation of marketing strategies at tourism destinations. Traditional methods—relying on historical data and statistical models—face significant limitations when confronted with extreme demand fluctuations, external shocks (such as the COVID-19 pandemic), and the complexities of tourist behavior in the digital age. In recent years, the emergence of online big data—particularly search engine query data—has opened new avenues for tourism demand forecasting. Reflecting travel planning behaviors during the early stages of decision-making, these data serve as timely, leading indicators of future tourism demand. Concurrently, hybrid deep learning architectures—integrating Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, Transformers, and attention mechanisms—have demonstrated a superior ability to model non-linear patterns and complex temporal dependencies compared to single-structure models. Through a systematic review of research published between 2021 and 2026, this paper analyzes theoretical and methodological trends in tourism demand forecasting that utilize hybrid deep learning and online search data. The findings indicate that combining search data with hybrid deep learning architectures significantly enhances forecasting accuracy across short- and medium-term horizons. Furthermore, remaining challenges—such as model fragility under critical conditions, interpretability, and generalizability across different destinations—are discussed. Finally, future research directions are proposed for the development of robust, multimodal, and interpretable models. 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. https://ijallt.ir/downloadfilepdf/71656