Publication
Tourism demand forecasting in Portugal's municipalities : an explainable machine learning approach
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Guedes, Ana | |
| dc.contributor.author | Neves, Catarina | |
| dc.date.accessioned | 2024-04-30T15:10:29Z | |
| dc.date.available | 2024-04-30T15:10:29Z | |
| dc.date.issued | 2024-01-30 | |
| dc.date.submitted | 2024-01 | |
| dc.description.abstract | In recent decades, the tourism industry has experienced remarkable growth, making it essential to provide accurate forecasts of tourism demand for the efficient allocation of resources and continued growth of the industry. This thesis presents a machine learning approach to forecast tourism demand in Portugal. However, forecasting in the tourism sector faces a challenge: compromising the balance between model accuracy and interpretability. While some highly accurate models lack transparency, making them difficult to understand, this study addresses this concern using the Tree SHAP method. By identifying the contributions of the features, this approach offers a globally interpretable model, increasing the reliability of tourism demand forecasts. This thesis aims to answer: 1) What are the tourism demand trends in Portugal?; 2) What are the key features that most significantly influence tourism demand for different tourist accommodations in Portugal's municipalities?; 3) How to trigger valuable insights in tourism demand forecasting models via the application of explainability strategies? For this purpose, non-public data from Turismo de Portugal and additional variables, such as population, are used to train an XGBoost model. The main predictors of demand in Portugal were revealed, including summer, population, and number of beds. This study has practical implications for policymakers and management teams in the marketing and tourism sectors, providing valuable information for decision-making in the sector. | pt_PT |
| dc.description.abstract | Nas últimas décadas, a indústria do turismo tem registado um crescimento significativo, sendo essencial o fornecimento de previsões precisas da procura turística para a alocação eficiente de recursos e para o crescimento contínuo da indústria. Esta tese apresenta uma abordagem de aprendizagem automática para prever a procura turística em Portugal. No entanto, a previsão no setor do turismo enfrenta um desafio: comprometer o equilíbrio entre a precisão do modelo e a sua interpretabilidade. Embora alguns modelos altamente precisos careçam de transparência, tornando-os difíceis de compreender, este estudo aborda esta preocupação utilizando o método Tree SHAP. Ao identificar as contribuições das variáveis, esta abordagem oferece um modelo globalmente interpretável, aumentando a credibilidade das previsões da procura turística. Esta tese pretende responder a: 1) Quais sao as tendências da procura turística em Portugal?; 2) Quais são as características chave que influenciam de forma mais significativa a procura turística por diferentes alojamentos turísticos nos municípios de Portugal?; 3) Como acionar conhecimentos valiosos em modelos de previsão da procura turística através da aplicação de estratégias de explicabilidade? Para este propósito, são utilizados dados não públicos do Turismo de Portugal e variáveis adicionais, como a populacão, para treinar um modelo XGBoost. Os principais fatores de previsão da procura em Portugal foram revelados, incluindo o verão, a população e o número de camas. Este estudo tem implicações práticas para os responsáveis políticos e para as equipas de gestão nos setores do marketing e do turismo, fornecendo informações valiosas para a tomada de decisões no setor. | pt_PT |
| dc.identifier.tid | 203589114 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/44861 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Tourism demand forecasting | pt_PT |
| dc.subject | Tourist overnight stays | pt_PT |
| dc.subject | Bed occupancy rate | pt_PT |
| dc.subject | Explainable AI | pt_PT |
| dc.subject | Tree SHAP | pt_PT |
| dc.subject | XGBoost | pt_PT |
| dc.subject | Previsão da procura turística | pt_PT |
| dc.subject | Dormidas de turistas | pt_PT |
| dc.subject | Taxa de ocupação de camas | pt_PT |
| dc.subject | Inteligência artificial explicável | pt_PT |
| dc.title | Tourism demand forecasting in Portugal's municipalities : an explainable machine learning approach | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Análise de Dados para Gestão | pt_PT |