Predicting Tourist Visits Using LSTM for Smart Eco-Tourism Management in Banyuanyar Village, Indonesia: A Comparative Analysis with ARIMA and Prophet
Notice bibliographique
Résumé
Tourism forecasting is crucial for smart destination management.This study develops a Long Short-Term Memory (LSTM) model to predict tourist visits to the Banyuanyar Smart Eco-Tourism Village in Indonesia.Using monthly data from 2023-2024, this study develops an optimized LSTM model integrating weather and local event variables.The proposed model achieved a Root Mean Square Error (RMSE) of 0.14, a Mean Absolute Error (MAE) of 0.12, and a Mean Absolute Percentage Error (MAPE) of 7.1%.These results indicate superior forecasting accuracy compared to Prophet (MAPE 10.8%) and Autoregressive Integrated Moving Average (ARIMA) (MAPE 12.4%).The LSTM model also achieved a coefficient of determination (R² ) of 0.94, representing a 9.3%-14.6%improvement in explained variance over the baseline models.Furthermore, the model successfully captured dual-seasonal patterns during the June-July and December peak periods, which are strongly associated with local events (r = 0.72).Integrated into a Decision-Support System (DSS), it enables real-time forecasting and adaptive management.This research provides a reproducible framework demonstrating that combining climatic and event features enhances accuracy in rural smart-village ecosystems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».