Please use this identifier to cite or link to this item:
http://hdl.handle.net/10071/30720
Author(s): | Dias, Nuno Miguel de Castro de Amorim Oliveira |
Advisor: | Lopes, Adriano Martins |
Date: | 21-Dec-2023 |
Title: | Forecasting models for Portugal’s inbound tourism |
Reference: | Dias, N. M. de C. de A. O. (2023). Forecasting models for Portugal’s inbound tourism [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/30720 |
Keywords: | Tourism forecasting Portugal’s tourism Forecasting models Previsão do turismo Turismo de Portugal Modelos de previsão |
Abstract: | In Portugal, the tourism sector has a considerable weight in the GDP and, as Small and
Medium Enterprises (SMEs) were the most impacted by the pandemic, any contribution
to help them to recover is welcome. It is in this context that the European RESETTING
project has been setup, aiming to provide tools that can help these SMEs. This research
work fits into the purpose, by studying and providing tourism forecasting models so
Portuguese SMEs can use them and adjust their products and services to tourism demand.
After analysing the research field related to tourism forecasting, we have figured out
the most popular algorithms and what data should be used. This research study follows
a well-known methodology to deal with data – CRISP-DM. Hence, we collected and
prepared the data of interest, then we analysed it so we could better understand it. Finally,
we have created two classes of forecasting models: baseline and deep learning forecasting
models. The more complex deep learning models were based on Long Short-Term Memory
(LSTM) and Gated Recurrent Unit (GRU) algorithms.
From the experiments carried out we concluded that both deep learning models
work well with data of daily frequency and were outperforming the baseline models.
However, it did not work that well in the case of monthly data, when comparing with
the baseline models. In the end, the models provided can help SMEs to obtain tourism
demand predictions, both for the near-term – nowcasting – and the medium-term horizons. Em Portugal, o mercado do turismo tem um peso considerável no PIB e, uma vez que as Pequenas e Médias Empresas (PMEs) do turismo foram as mais impactadas pela pandemia, qualquer contributo para a sua recuperação é bem-vindo. É neste contexto que surge o projeto europeu RESETTING, o qual visa disponibilizar ferramentas que possam auxiliar estas PMEs. Este trabalho de investigação enquadra-se neste propósito, estudando e disponibilizando modelos de previsão para o sector do turismo, de modo a que as PMEs portuguesas possam utilizar e, assim, ajustar os respetivos produtos e serviços à procura. Após estudo da área de investigação relacionada com modelos de previsão do turismo, constatámos quais seriam os algoritmos mais utilizados e que dados deveriam ser utilizados. Este trabalho de investigação segue uma metodologia para manipulação de dados – CRISP-DM. Assim, começamos por obter, preparar os dados de interesse e analisar os mesmos para os entender melhor. Como resultado, construimos duas classes de modelos de previsão: modelos de referência e modelos de deep learning. Os modelos mais complexos de deep learning são baseados nos algoritmos Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU). Finalmente, concluimos que ambos os modelos de deep learning funcionam muito bem com dados de frequência diária, superando os modelos de referência. No entanto, não funcionaram tão bem para dados de frequência mensal quando comparados com os modelos de referência. Concluindo, os modelos apresentados podem auxiliar as PMEs a obter previsões sobre procura de turismo, quer no horizonte de curto-prazo, quer no horizonte de médio-prazo. |
Department: | Departamento de Ciências e Tecnologias da Informação |
Degree: | Mestrado em Engenharia Informática |
Peerreviewed: | yes |
Access type: | Open Access |
Appears in Collections: | T&D-DM - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
master_nuno_oliveira_dias.pdf | 4,44 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.