پیشبینی پویایی های گردشگری جهانی با استفاده از شبکه های کانولوشنی گرافی فضازمانی و تحلیل داده های رسانه های اجتماعی

رشد سریع رسانه های اجتماعی به عنوان بستری برای تولید داده های عظیم و چندبعدی، فرصت های بی سابقه ای برای تحلیل رفتارهای اجتماعی و پیش بینی روندهای آینده ایجاد کرده است. این تحقیق با هدف پیش بینی پویایی های گردشگری جهانی، از ترکیب تحلیل داده های رسانه های اجتماعی و شبکه های کانولوشنی گرافی فضازمانی استفاده کرده است. داده های جمع آوری شده شامل اطلاعات مکانی، زمانی و تعاملات کاربران بود که پس از پردازش، در قالب ساختار گرافی مدل سازی شدند. مدل پیشنهادی با استفاده از تکنیک های یادگیری عمیق، توانست روابط پیچیده مکانی-زمانی میان مقاصد گردشگری را استخراج کرده و رفتار گردشگران را پیش بینی نماید. نتایج نشان داد که میانگین خطای پیش بینی مدل بسیار پایین بوده و دقت آن در شناسایی روندهای نوظهور چشمگیر است. یافته های تحقیق با پیشینه های علمی قبلی همخوانی داشت و کارایی بالای شبکه های گرافی فضازمانی در تحلیل داده های پیچیده تایید شد. این مطالعه نشان داد که تحلیل داده های رسانه های اجتماعی، با بهره گیری از رویکردهای گرافی فضازمانی، نه تنها امکان درک بهتر الگوهای رفتار جمعی را فراهم می کند، بلکه به تصمیم گیرندگان در صنعت گردشگری کمک می کند تا روندهای آتی را پیش بینی و مدیریت موثرتری اعمال کنند. این رویکرد با ترکیب داده های خام از رسانه های اجتماعی با مدل سازی فضازمانی، چارچوبی جامع و نوین برای تحلیل تغییرات گردشگری جهانی ارائه داده و می تواند در حوزه های مشابه مانند تحلیل بحران ها، مدیریت مقصدهای گردشگری و پیش بینی رفتار مصرف کنندگان نیز مورد استفاده قرار گیرد. در نهایت، این تحقیق با ارائه یک مدل دقیق و قابل تعمیم، گامی موثر در توسعه روش های پیش بینی مبتنی بر داده های اجتماعی برداشته است.

کلیدواژه ها:

پیش بینی پویایی های ، گردشگری جهانی ، شبکه های کانولوشنی گرافی ، تحلیل داده های رسانه های اجتماعی