Artificial intelligence as a basis for innovation management in tourism

Светлана Рашидовна Муминова; Наталья Геннадьевна Томашевская

doi:10.24412/1995-042X-2022-2-94-100

Авторы

Светлана Рашидовна Муминова Финансовый университет при Правительстве Российской Федерации (Москва, РФ)
Наталья Геннадьевна Томашевская Российский государственный университет туризма и сервиса (Москва, РФ)

DOI:

https://doi.org/10.24412/1995-042X-2022-2-94-100

Ключевые слова:

инновации, нейронная сеть, машинное обучение, туризм, компьютерное зрение, анализ больших данных

Аннотация

В статье рассматриваются теоретические исследования и практические разработки, затрагивающие вопросы внедрения технологии искусственного интеллекта (ИИ) в туризм. В последнее время все больше внимания уделяется алгоритмам машинного обучения, нейросетям и компьютерному зрению как перспективным инструментам цифровой трансформации туриндустрии. Построенные с помощью этих инструментов прогностические и классификационные модели, позволят всем участникам туриндустрии выйти на новый уровень в принятии решений и тем самым улучшить качество сервиса. В частности, внедрение ИИ позволит органам государственной власти не только измерять антропогенную нагрузку, проводить экологический мониторинг рекреационных территорий и моделировать их устойчивое развитие, но также повышать уровень безопасности туристов. Транспортные компании смогут оптимизировать туристические маршруты и изучать поведенческие модели клиентов при покупке билетов, а отельеры и рестораторы получат более эффективные средства изучения предпочтений потребителей, степень их удовлетворенности услугами, а значит выстраивать более эффективные взаимоотношения с ними. Что немаловажно – нейросети способны решить проблему ложных отзывов, что положительно скажется на качестве информации, доступной пользователям интернета. Таким образом, ИИ оформляется в новую технологическую парадигму, лежащую в основе процессов управления в том числе и туризма.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Светлана Рашидовна Муминова , Финансовый университет при Правительстве Российской Федерации (Москва, РФ)

кандидат технических наук, доцент

Наталья Геннадьевна Томашевская, Российский государственный университет туризма и сервиса (Москва, РФ)

старший преподаватель

Библиографические ссылки

Muminova, S. R., Feoktistova, V. M., & Vagina, U. V. (2018). Innovation in tourism based on in-formation technology. Servis v Rossii i za rubezhom [Services in Russia and Abroad], 12(1), 6-15. doi: 10.24411/1995-042X-2018-10101. (In Russ).

Li, H., Hu, M., & Li, G. (2020). Forecasting tourism demand with multisource big data. Annals of Tourism Research. doi: 10.1016/j.annals.2020.102912.

Su, X. (2020). Simulation of economic development of tourism industry based on FPGA and ma-chine learning. Microprocessors and Microsystems. doi: 10.1016/j.micpro.2020.103523.

Luo, Y., He, J., Mou, Yu., Wang, J., & Liu, T. (2021). Exploring China's 5A global geoparks through online tourism reviews: A mining model based on machine learning approach. Tourism Manage-ment Perspectives. doi: 10.1016/j.tmp.2020.100769.

Bi, J.-W., Liu, Y., & Li, H. (2020). Daily tourism volume forecasting for tourist attractions. Annals of Tourism Research. doi: 10.1016/j.annals.2020.102923.

Almukhamedova, O. A. (2021). Applying the artificial intelligence neural network systems in achieving sustainable tourism development. Servis v Rossii i za rubezhom [Services in Russia and Abroad], 15(3), 7–17. doi: 10.24412/1995-042X-2021-3-7-17. (In Russ.).

Khorsand, R., Rafiee, M., & Kayvanfar, V. (2020). Insights into TripAdvisor's online reviews: The case of Tehran's hotels. Tourism Management Perspectives. doi: 10.1016/j.tmp.2020.100673.

Giglio, S., Pantano, E., Bilotta, E., & Melewar, T. C. (2020). Branding luxury hotels: Evidence from the analysis of consumers’ “big” visual data on TripAdvisor. Journal of Business Research. doi: 10.1016/j.jbusres.2019.10.053.

Budhi, G. S., Chiong, R., Wang, Z., & Dhakal, S. (2021). Using a hybrid content-based and behav-iour-based featuring approach in a parallel environment to detect fake reviews. Electronic Com-merce Research and Applications. doi: 10.1016/j.elerap.2021.101048.

Wang, N., Yang, J., Kong, X., & Gao, Y. (2022). A fake review identification framework considering the suspicion degree of reviews with time burst characteristics. Expert Systems with Applications. doi: 10.1016/j.eswa.2021.116207.

Gómez, D., Salvador, P., Sanz, J., & Casanova, J. L. (2021). A new approach to monitor water quality in the Menor sea (Spain) using satellite data and machine learning methods. Environmen-tal Pollution. doi: 10.1016/j.envpol.2021.117489.

Zhang, K., Lin, Zh., & Zhang, J. (2021). Tourist gaze through computer vision: Differences be-tween Asian, North American, and European tourists. Annals of Tourism Research. doi: 10.1016/j.annals.2020.103039.

Payntar, N. D., Hsiao, W.-L., Covey, R. A., & Grauman, K. (2021). Learning patterns of tourist movement and photography from geotagged photos at archaeological heritage sites in Cuzco, Pe-ru. Tourism Management. doi: 10.1016/j.tourman.2020.104165.

Zhang, Y., Yang, H., & Wang, G. (2021). Monitoring and management of high-end tourism in pro-tected areas based on 3D sensor image collection. Displays. doi: 10.1016/j.displa.2021.102089.

Lin, Y. (2020). Automatic recognition of image of abnormal situation in scenic spots based on In-ternet of things. Image and Vision Computing. doi: 10.1016/j.imavis.2020.103908.

Abkarian, H., Tahlyan, D., Mahmassani, H., & Smilowitz, K. (2022). Characterizing visitor engage-ment behavior at large-scale events: Activity sequence clustering and ranking using GPS tracking data. Tourism Management. doi: 10.1016/j.tourman.2021.104421.

Barnes, S. J., & Kirshner, S. N. (2021). Understanding the impact of host facial characteristics on Airbnb pricing: Integrating facial image analytics into tourism research. Tourism Management. doi: 10.1016/j.tourman.2020.104235

Sengupta, P., Biswas, B., Kumar, A., Shankar, R., & Gupta, S. (2021). Examining the predictors of successful Airbnb bookings with Hurdle models: Evidence from Europe, Australia, USA and Asia-Pacific cities. Journal of Business Research. doi: 10.1016/j.jbusres.2021.08.035.

Sánchez-Medina, A. J., & C-Sánchez, E.(2020). Using machine learning and big data for efficient forecasting of hotel booking cancellations. International Journal of Hospitality Management. doi: 10.1016/j.ijhm.2020.102546.

Webb, T., Schwartz, Z., Xiang, Zh., & Singal, M. (2020). Revenue management forecasting: The resiliency of advanced booking methods given dynamic booking windows. International Journal of Hospitality Management. doi: 10.1016/j.ijhm.2020.102590.

Huang, L., & Zheng, W. (2021). Novel deep learning approach for forecasting daily hotel demand with agglomeration effect. International Journal of Hospitality Management. doi: 10.1016/j.ijhm.2021.103038.

Al Shehhi, M., & Karathanasopoulos, A. (2020). Forecasting hotel room prices in selected GCC cit-ies using deep learning. Journal of Hospitality and Tourism Management. doi: 10.1016/j.jhtm.2019.11.003.

Gaur, L., Afaq, A., Solanki, A., Singh, G., Sharma, S., Jhanjhi, N. Z., My, H. T., & Le, D.-N. (2021). Capitalizing on big data and revolutionary 5G technology: Extracting and visualizing ratings and reviews of global chain hotels. Computers & Electrical Engineering. doi: 10.1016/j.compeleceng.2021.107374.

Zhang, C., Xu, Z., Gou, X., & Chen, S. (2021). An online reviews-driven method for the prioritiza-tion of improvements in hotel services. Tourism Management. doi: 10.1016/j.tourman.2021.104382.

Ivanko, D., Sørensen, Å. L., & Nord, N. (2020). Selecting the model and influencing variables for DHW heat use prediction in hotels in Norway. Energy and Buildings. doi: 10.1016/j.enbuild.2020.110441.

Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2020). Restaurants store management based on demand forecasting. Procedia CIRP. doi: 10.1016/j.procir.2020.05.101.

Lu, J., Meng, Y., Timmermans, H., & Zhang, A. (2021). Modeling hesitancy in airport choice: A comparison of discrete choice and machine learning methods. Transportation Research Part A: Policy and Practice. doi: 10.1016/j.tra.2021.03.006.

Gunter, U., & Zekan, B. (2021). Forecasting air passenger numbers with a GVAR model. Annals of Tourism Research. doi: 10.1016/j.annals.2021.103252.

Khan, W. A., Ma, H.-L., Chung, S.-H., & Wen, X. (2021). Hierarchical integrated machine learning model for predicting flight departure delays and duration in series. Transportation Research Part C: Emerging Technologies. doi: 10.1016/j.trc.2021.103225

Zhu, X., & Li, L. (2021). Flight time prediction for fuel loading decisions with a deep learning ap-proach. Transportation Research Part C: Emerging Technologies. doi: 10.1016/j.trc.2021.103179.

Yuan, Y., Yang, M., Feng, T., Rasouli, S., Li, D., & Ruan, X. (2021). Heterogeneity in passenger sat-isfaction with air-rail integration services: Results of a finite mixture partial least squares model. Transportation Research Part A: Policy and Practice. doi: 10.1016/j.tra.2021.03.003.

Kumova, D. M. (2021). The use of artificial intelligence-based platforms in tourism. Servis v Rossii i za rubezhom [Services in Russia and Abroad], 15(3), 18–26. doi: 10.24412/1995-042X-2021-3-18-26. (In Russ.).