Clasificación de rutas turísticas por medio de deep learning

Contenido principal del artículo

Héctor Fernando Gómez Alvarado
María José Mayorga Ases
Leticia Abigail Mayorga Ases
Silvia Elena Malo Martínez

Resumen

Introducción. Actualmente el deep learning o aprendizaje profundo tiene aplicaciones de todo tipo, el turismo no es la excepción, la minería de datos ha permitido optimizar procesos dentro de la industria del turismo como la demanda turística, conocer la preferencia de rutas turísticas de las personas permite optimizar recursos y plantear mejoras dentro de este sector.  Objetivo. Determinar si se pueden clasificar rutas turísticas por medio de herramientas del deep learning o aprendizaje profundo. Metodología. El diseño de investigación fue cualitativo, se empleó técnicas como la entrevista, para ello se plantean dos hipótesis, la primera tiene que ver con la relación entre el tipo de clima del destino turístico y la preferencia de los turistas, la segunda hipótesis es la verificación de la conformación de clusters turísticos en base a la preferencia de las personas. Como herramientas de verificación se empleó la comprobación directa y el programa Weka con la opción de clusters SimpleKMeans que permite la identificación de las preferencias de los turistas en base a la minería de datos de 31 personas. Resultados. Los resultados indican que la mayor cantidad de personas entrevistadas prefieren destinos turísticos en climas calurosos, sin embargo, este no fue un parámetro determinante en la conformación de clusters. Conclusión. En el estudio se determinó que sí se puede formar clusters de clasificación de rutas turísticas en base a las preferencias de las personas.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Gómez Alvarado, H. F., Mayorga Ases, M. J., Mayorga Ases, L. A., & Malo Martínez, S. E. (2023). Clasificación de rutas turísticas por medio de deep learning. ConcienciaDigital, 6(1.4), 880-897. https://doi.org/10.33262/concienciadigital.v6i1.4.2038
Sección
Artículos

Citas

Ahmad, J., Farman, H., & Jan, Z. (2019). Deep Learning Methods and Applications. Deep Learning: Convergence to Big Data Analytics (pp. 31-42). Springer. https://doi.org/10.1007/978-981-13-3459-7_3
Enseñat, F. (2020). Clasificación de las zonas arqueológicas según su nivel de atracción. Investigaciones geográficas, 102. https://doi.org/10.14350/rig.60146
Hao, X., Zhang, G., & Ma, S. (2016). Deep Learning. International Journal of Semantic Computing, 10(03), 417-439. https://doi.org/10.1142/S1793351X16500045
Jeong, C. S., Ryu, K. H., Lee, J. Y., & Jung, K. D. (2020). Deep Learning-based Tourism Recommendation System using Social Network Analysis. International Journal of Internet, Broadcasting and Communication, 12(2), 113-119. https://doi.org/10.7236/IJIBC.2020.12.2.113
Labzioui, H. (2020). Aplicación de Deep Learning a la predicción de turismo en la Costa del Sol. https://riuma.uma.es/xmlui/handle/10630/20490
Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: A deep learning approach. Annals of Tourism Research, 75, 410-423. https://doi.org/10.1016/j.annals.2019.01.014
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Ma, Y., Xiang, Z., Du, Q., & Fan, W. (2018). Effects of user-provided photos on hotel review helpfulness: An analytical approach with deep leaning. International Journal of Hospitality Management, 71, 120-131. https://doi.org/10.1016/j.ijhm.2017.12.008
Molinar, C. M. A., Espinoza, P. M., & Llamas, I. O. (2017). Evaluación de destinos turísticos mediante la tecnología de la ciencia de datos. Estudios y perspectivas en turismo, 26(2), 286-305. https://dialnet.unirioja.es/servlet/articulo?codigo=6327726
Renteria Ayquipa, R. A. (2021). Machine learning y realidad aumentada para el reconocimiento de recursos turísticos. Repositorio Institucional. http://repositorio.unap.edu.pe/handle/UNAP/16669
Rodríguez, C. R., & Abeal, J. P. (2016). El itinerario cultural urbano como producto turístico: El caso de Galicia. International journal of scientific management and tourism, 2(2), 373-396. https://dialnet.unirioja.es/servlet/articulo?codigo=5665888
Vinces, O. M., Cabrera, K. R., & Grunauer, M. N. (2021). Diseño de un modelo de aplicación móvil de las rutas turísticas del cantón Pasaje, Ecuador. 593 digital Publisher CEIT, 6(6), 196-211. https://dialnet.unirioja.es/servlet/articulo?codigo=8149604
Wang, D., Zhang, J., Cao, W., Li, J., & Zheng, Y. (2018, Abril 26). When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks. Thirty-Second AAAI Conference on Artificial Intelligence. Thirty-Second AAAI Conference on Artificial Intelligence. https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/16657
Wang, M. (2020). Applying Internet information technology combined with deep learning to tourism collaborative recommendation system. PLOS ONE, 15(12), e0240656. https://doi.org/10.1371/journal.pone.0240656
Zhang, K., Chen, Y., & Li, C. (2019). Discovering the tourists’ behaviors and perceptions in a tourism destination by analyzing photos’ visual content with a computer deep learning model: The case of Beijing. Tourism Management, 75, 595-608. https://doi.org/10.1016/j.tourman.2019.07.002

Artículos más leídos del mismo autor/a