DESTEK VEKTÖR REGRESYONU, RİDGE REGRESYON VE ÇOKLU DOĞRUSAL REGRESYON YÖNTEMLERİYLE TURİZM TALEP TAHMİNİ

Abstract

Günümüzde değişen ve küreselleşen dünya koşulları, insan ihtiyaçlarını ve taleplerini şekillendirmektedir. Değişen koşullar, işletmelerin faaliyetlerini ve gelecek planlamalarını gerçekleştirmek için zorluklar oluşturmaktadır. İşletmeler bu zorlukların üstesinden gelebilmek için doğru ve güvenilir tahminler yapması gerekir. Son yıllarda makine öğrenmesi gibi gelişmiş veri analiz yöntemleri, işletmelerin daha doğru tahminler yapabilmelerine yardımcı olmaktadır. Bu bağlamda çalışmada geleneksel yöntemlerden çoklu doğrusal regresyon yöntemi ile makine öğrenmesi tekniklerinden destek vektör regresyonu ve ridge regresyon yöntemleri kullanılarak bu yöntemlerin tahmin güçleri karşılaştırılmıştır. Turizm talebinin tahmin edildiği çalışmada 2004-2019 dönemi için aylık veriler kullanılmaktadır. Literatürde turizm talebi tahmin edilirken genellikle talep yönü incelenirken çalışmada turizmin konaklama kapasiteleri ve acente sayıları gibi arz yönü modele dahil edilmiştir. Analizler sonucu en iyi tahmin gücüne sahip yöntemin destek vektör regresyonu olduğu sonucuna ulaşılmıştır. Turizm sektöründeki yöneticiler için karar verme ve planlama süreçlerinde geleneksel tahmin yöntemleri yerine makine öğrenmesi yöntemlerinin kullanılabileceği ortaya koyulmaktadır.

Keywords

• Çoklu doğrusal regresyon
• Destek vektör regresyonu
• Ridge regresyon
• Turizm talep tahmini

TOURISM DEMAND FORECASTING WITH SUPPORT VECTOR REGRESSION, RIDGE REGRESSION, AND MULTIPLE LINEAR REGRESSION METHODS

Abstract

Changing and globalizing world conditions have been shaping human needs and demands recently. These changing conditions generate challenges for businesses to carry out their activities and future planning. Businesses need to make accurate and reliable predictions in order to overcome these challenges. In recent years, advanced data analysis methods such as machine learning have been helping businesses to make more accurate predictions. In this study, the forecasting powers of these methods were compared using the multiple linear regression method from traditional methods and the support vector regression and ridge regression methods from machine learning techniques. In the study, which estimates tourism demand, for the 2004-2019 period monthly data are used. While in the literature, the demand aspect of tourism is usually examined when it comes to demand forecasting, in this study, the supply aspect such as tourism accommodation capacities and agency numbers was included in the model. As a result of the analysis, it was concluded that the support vector regression method has the best forecasting power. It is revealed that machine learning methods can be used instead of traditional forecasting methods in decision-making and planning processes for tourism sector managers.

Keywords

• Multiple linear regression
• Ridge regression
• Support vector regression
• Tourism demand forecasting

References

1. Alpu, Ö., Şamkar, H., & Altan, E. (2016). Sağlam ridge regresyon analizi ve bir uygulama. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 25(2), 137-148.
2. Arslan, B., & Ertuğrul, İ. (2022). Çoklu regresyon, ARIMA ve yapay sinir ağı yöntemleri ile Türkiye elektrik piyasasında fiyat tahmin ve analizi, Yönetim ve Ekonomi Araştırmaları Dergisi, 20(1), 331-353.
3. Awad, M., Khanna, R. (2015). Support Vector Regression. Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers, 67-80.
4. Basak, D., Pal, S., & Patranabis, D. C. (2007). Support vector regression. Neural Information Processing-Letters and Reviews, 11(10), 203-224.
5. Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis, forecasting and control. San Francisco: Holden Day.
6. Burger, M. D., Kathrada, M., & Law, R. (2001). A practitioners guide to time series methods for tourism demand forecasting a case study of Durban, South Africa. Tourism Management, 22(4), 403-409.
7. Caicedo-Torres, W., & Payares, F. (2016). A machine learning model for occupancy rates and demand forecasting in the hospitality industry. In Advances in Artificial Intelligence 2016: 15th Ibero-American Conference on AI (pp. 201-211). Springer International Publishing.
8. Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?. Geoscientific Model Development Discussions, 7(1), 1525-1534.

9. Chen, J. C. (2000). Forecasting Method Applications to Recreation and Tourism Demand. (Doctoral dissertation). North Carolina State University, USA.
10. Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-Squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj computer science, 7, e623.
11. Çekerol, G., & Nalçakan, M. (2015). Lojistik sektörü içerisinde Türkiye demiryolu yurtiçi yük taşıma talebinin ridge regresyonla analizi. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 31(2), 321-344.
12. Çelebi, Ö. F., Cavdar Aksoy, N., Kocak Alan, A., & Tümer Kabadayı, E. (2023). İleri teknolojiler, yapay zekâ temelli çözümler: duygu odaklı bir yaklaşım. Öneri Dergisi, 18(60), 367-395.
13. Çoban, F., & Demir, L. (2021). Yapay sinir ağları ve destek vektör regresyonu ile talep tahmini: gıda işletmesinde bir uygulama. DEUFMD, 23(67), 327-338.
14. Çuhadar, M. (2013). Türkiye’ye yönelik dış turizm talebinin MLP, RBF VE TDNN yapay sinir ağı mimarileri ile modellenmesi ve tahmini: karşılaştırmalı bir analiz. Journal of Yasar University, 8(31), 5274-5295.
15. Çuhadar, M. (2020). Türkiye’nin dış aktif turizm gelirlerinin alternatif yaklaşımlarla modellenmesi ve tahmini. Ankara Hacı Bayram Veli Üniversitesi Turizm Fakültesi Dergisi, 23(1), 115-141.
16. Çuhadar, M. (2020). A comparative study on modelling and forecasting tourism revenues: The case of Turkey. Advances in Hospitality and Tourism Research, 8(2), 235-255.
17. Drucker, H., Burges, C. J. C., Kaufman, L., Smola A., & Vapnik, V. (1997). Support vector regression machines. Advances in Neural Information Processing Systems, 9, 155-161.
18. Durgun, H., İnce, E. Y., İnce, M., Çoban, H. O., & Eker, M. (2023). Evaluation of tree diameter and height measurements in UAV data through the integration of remote sensing and machine learning methods. Gazi Journal of Engineering Sciences, 9(4), 113-125.
19. Ercan, U., & Irmak, S. (2022). Turizm endüstrisinde otel rezervasyon iptallerinin makine öğrenmesi yöntemleri ile tahmini. Journal of Gastronomy, Hospitality and Travel, 5(1), 45-54.
20. Erdoğan, H., Terzioğlu, M., & Kayakuş, M. (2021). Almanya’dan konaklama amacıyla Türkiye’ye gelen turist sayısının yapay zekâ teknikleri kullanılarak tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (27), 961-971.
21. Goh, C., & Law, R. (2002). Modeling and forecasting tourism demand for arrivals with stochastic nonstationary seasonality and intervention. Tourism Management, 23(5), 499-510.
22. Haworth, J., Shawe-Taylor, J., Cheng, T., & Wang, J. (2014). Local online kernel ridge regression for forecasting of urban travel times. Transportation Research Part C: Emerging Technologies, 46, 151-178.
23. Hongehang, H. (2005). Ridge estimation of a semiparametric regression model. Journal of Computational and Applied Mathematics, 176(1), 215-222.
24. Hoerl, A. E., & Kennard R. W. (1970). Ridge regression: biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67.
25. Johnson P., & Ashworth J. (1990). Modelling tourism demand: a summary review, Leisure Studies. 9(2), 145-161. Karahan, M. (2015). Turizm talebinin yapay sinir ağları yöntemiyle tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195-209.
26. Kılıç, F., Akkaya, M. R., & Memili, N. (2018). Yemekhane için yapay zekâ teknikleri kullanımı ile günlük talep tahmini. Avrupa Bilim ve Teknoloji Dergisi, (13), 65-71.
27. Law, R., & Au, N. (1999). A neural network model to forecast japanese demand for travel to hong kong. Tourism Management, 20(1), 89-97.
28. Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: a deep learning approach. Annals of Tourism Research, 75, 410-423.
29. Lim, C., Chang, C., & McAleer, M. (2009). Forecasting H(M) otel guest nights in New Zealand. International Journal of Hospitality Management, 28(2), 228-235.
30. Loganathan, N., & Yahaya, İ. (2010). Forecasting international tourism demand in Malaysia using box jenkins SARIMA application. South Asian Journal of Tourism and Heritage, 3, 50-60.
31. Makridakis, S. (1993). Accuracy measures: theoretical and practical concerns. International journal of Forecasting, 9(4), 527-529.
32. Marquardt, D.W., & Snee, R.D. (1975). Ridge regression in pratice. The American Statistician, 29(1), 3-20.
33. McDonald, G. C. (2009). Ridge regression. Wiley Interdisciplinary Reviews: Computational Statistics, 1(1), 93-100.
34. Neter, J., Kutner, M. H., Nachtsheim, C. J., & William, L. (1996). Applied linear statistical models (4th ed.). Chicago, McGraw-Hill Irwin.
35. Oskay, C. (2012). Mersin turizminin Türkiye ekonomisindeki yeri ve önemi. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(2), 185-202.
36. Pandis, N. (2016). Multiple linear regression analysis. American Journal of Orthodontics and Dentofacial Orthopedics, 149(4), 581.
37. Pereira, L. N., & Cerqueira, V. (2022). Forecasting hotel demand for revenue management using machine learning regression methods. Current Issues in Tourism, 25(17), 2733-2750.
38. Sevüktekin M., & Çınar M. (2017). Ekonometrik Zaman Serileri Analizi. Bursa: Dora Yayıncılık.
39. Shan, J., & Wilson, K. (2001). Causality between trade and tourism: empirical evidence from china. Applied Economics Letters, 8, 279-283.
40. Song, H., Wong, K.K.F., & Chon, K.K.S. (2003). Modelling and forecasting the demand for Hong Kong tourism. International Journal of Hospitality Management, 22, 435-451.
41. Soysal, M., & Ömürgönülşen, M. (2010). Türk turizm sektöründe talep tahmini üzerine bir uygulama. Anatolia: Turizm Araştırmaları Dergisi, 21(1), 128-136.
42. Sönmez, O., & Zengin, K. (2019). Yiyecek ve içecek işletmelerinde talep tahmini: yapay sinir ağları ve regresyon yöntemleriyle bir karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, 302-308.
43. Sun, S., Li, Y., Guo, J., & Wang, S. (2022). Tourism demand forecasting: An ensemble deep learning approach. Tourism Economics, 28(8), 2021-2049.
44. Şamkar, H. (2018). Modeling of the numbers of tourists staying at hotels in Antalya with the robust ridge regression. Journal of Tourism & Gastronomy Studies, 6(3), 295–315.
45. Topal, M., Eyduran, E., Yağanoğlu, A. M., Sönmez, A., & Keskin, S. (2013). Çoklu doğrusal bağlantı durumunda ridge ve temel bileşenler regresyon analiz yöntemlerinin kullanımı. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 41(1), 53-57.
46. Tranmer, M., & Elliot, M. (2008). Multiple linear regression. The Cathie Marsh Centre for Census and Survey Research, 5(5), 1-5.
47. Uysal, M., & El Roubı, M. S. (1999). Artificial neural network versus multiple regression in tourism demand analysis. Journal of Travel Research, 38(2), 111-118.
48. Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer, New York, 314s.
49. Vivas, E., Allende-Cid, H., & Salas, R. (2020). A systematic review of statistical and machine learning methods for electrical power forecasting with reported mape score. Entropy, 22(12), 1412.
50. Willmott C. J., & Matsuura K. (2005). Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in assessing average model performance. Climate Research, 30, 79-82.
51. World Tourism Organization, (2023). World Tourism Barometer 2023. Erişim Adresi: https://www.e-unwto.org/ toc/wtobarometereng/21/2.
52. Yerkök, D. (2020). Yapay zekâ yöntemleri ile toplu yemek üretiminde günlük talep tahmini. (Yüksek Lisans Tezi). Mersin Üniversitesi, Mersin.
53. Yüksel, S. (2007). An integrated forecasting approach to hotel demand. Mathematical and Computer Modelling, 46(7-8), 1063-1070.
54. Zhang, F., & O’Donnell, L. J. (2020). Support vector regression. Machine Learning Methods and Applications to Brain Disorders, 123-140.