Literatur vom gleichen Autor/der gleichen Autor*in
plus bei Google Scholar

Bibliografische Daten exportieren
 

Using Machine Learning to Predict POI Occupancy to Reduce Overcrowding

Titelangaben

Bollenbach, Jessica ; Neubig, Stefan ; Hein, Andreas ; Keller, Robert ; Krcmar, Helmut:
Using Machine Learning to Predict POI Occupancy to Reduce Overcrowding.
In: Demmler, Daniel ; Krupka, Daniel ; Federrath, Hannes , Gesellschaft für Informatik e.V. (Hrsg.): Informatik 2022 : Informatik in den Naturwissenschaften. - Bonn , 2022 . - S. 393-408 . - (Lecture Notes in Informatics (LNI) - Proceedings ; P-326 )
ISBN 978-3-88579-720-3
DOI: https://doi.org/10.18420/inf2022_34

Volltext

Link zum Volltext (externe URL): Volltext

Angaben zu Projekten

Projekttitel:
Offizieller Projekttitel
Projekt-ID
Projektgruppe WI Künstliche Intelligenz
Ohne Angabe

Abstract

Due to the rapid growth of the tourism industry, associated effects like overcrowding, overtourism, and increasing greenhouse gas emissions lead to unsustainable development. A prerequisite for avoiding those adverse effects is the prediction of occupancy. The present study elaborates on the applicability and performance of various prediction models by taking a case study of beach occupancy data in Scharbeutz, Germany. The case study compares different machine learning models once as supervised machine learning models and once as time series models with a persistence model. XGBoost and Random Forest as time series demonstrate the most accurate prediction, followed by the supervised XGBoost model. However, the short prediction span of time series models is a disadvantage for longer-term visitor management to avoid the explained unsustainable effects through steering measures, so depending on the use case, the XGBoost model is to be favoured.

Weitere Angaben

Publikationsform: Aufsatz in einem Buch
Begutachteter Beitrag: Ja
Keywords: Beach Occupancy; Time series Forecast; XGBoost; Random Forest; Support Vector Regression; SARIMA; Tourism Demand
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und digitales Energiemanagement
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und digitales Energiemanagement > Professur Wirtschaftsinformatik und digitales Energiemanagement - Univ.-Prof. Dr. Jens Strüker
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und strategisches IT-Management
Forschungseinrichtungen
Forschungseinrichtungen > Institute in Verbindung mit der Universität
Forschungseinrichtungen > Institute in Verbindung mit der Universität > Projektgruppe Wirtschaftsinformatik der Fraunhofer FIT
Forschungseinrichtungen > Institute in Verbindung mit der Universität > FIM Kernkompetenzzentrum Finanz- & Informationsmanagement
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Titel an der UBT entstanden: Ja
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Eingestellt am: 18 Jan 2023 08:16
Letzte Änderung: 06 Feb 2023 12:03
URI: https://eref.uni-bayreuth.de/id/eprint/73459