Turizm Sektöründe Doluluk Oranları Tahminlerinin Makine Öğrenmesi Ve Zaman Serisi Analizleri ile İncelenmesi

Öz

In this study, Extreme Learning Machine (ELM) and Multilayer Perceptron (MLP) methods from time series analysis methods and machine learning techniques are used to predict the occupancy rates of accommodation establishments in Turkey. In the study, the data of accommodation establishments between 2000-2024 were analysed and the performances of the models were evaluated with different training-test data ratios (80%-20%, 70%-30% and 60%-40%). Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) were used as performance measures. As a result, depending on the data separation rate, ELM model showed the best forecasting performance for domestic tourist occupancy rates, MLP model for foreign tourist occupancy rates and SARIMA model for total occupancy rates. These findings can make significant contributions to more accurate capacity planning and improvement of strategic decision-making processes in the hospitality industry.

Anahtar Kelimeler

• Tourism occupancy rate
• ELM
• MLP
• Time series analysis
• SARIMA
• Tourism demand

Turizm Sektöründe Doluluk Oranları Tahminlerinin Makine Öğrenmesi Ve Zaman Serisi Analizleri ile İncelenmesi

Öz

Bu çalışmada, Türkiye’deki konaklama işletmelerinin doluluk oranlarını tahmin etmek amacıyla zaman serisi analiz yöntemleri ile makine öğrenmesi tekniklerinden Aşırı Öğrenme Makinesi (ELM) ve Çok Katmanlı Algılayıcı (MLP) yöntemleri kullanılmıştır. Çalışmada 2000-2024 yılları arasındaki konaklama işletmelerine ait veriler analiz edilmiş olup, farklı eğitim- test veri oranları (%80-%20, %70-%30 ve %60-%40) ile modellerin performansları değerlendirilmiştir. Performans ölçütleri olarak Ortalama Mutlak Hata (MAE) ve Karekök Ortalama Hata (RMSE) kullanılmıştır. Sonuç olarak, veri ayrım oranına bağlı olarak yerli turist doluluk oranlarında ELM, yabancı turist doluluk oranlarında MLP ve toplam doluluk oranlarında SARIMA modeli en iyi tahmin performansını göstermiştir. Bu bulgular, konaklama sektöründe daha doğru kapasite planlamasına ve stratejik karar alma süreçlerinin iyileştirilmesine önemli katkılar sağlayabilir.

Anahtar Kelimeler

• Turizm doluluk oranı
• ELM
• MLP
• Zaman serisi analizi
• SARIMA
• Turizm talebi.

Kaynakça

1. UNWTO. “Glossary of tourism terms”. https://www.unwto.org/glossary-tourism-terms (18.06.2025).
2. Ulucan E, Kızılırmak İ. “Konaklama işletmelerinde talep tahmin yöntemleri: yapay sinir ağları ile ilgili bir araştırma”. Seyahat ve Otel İşletmeciliği Dergisi, 15(1), 9–101, 2018.
3. OECD. OECD Tourism Trends and Policies 2024. Paris, Fransa, OECD Publishing, 2024. https://doi.org/10.1787/80885d8b-en
4. Yalçıner A, Gelen Mert MB. “Estimating the occupancy rate of an accommodation business using artificial neural networks”. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 47, 209–218, 2021.
5. Çuhadar M, Kayacan C. “Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye'deki konaklama işletmeleri üzerine bir deneme”. Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24–30, 2005.
6. Caicedo-Torres W, Payares F. “A machine learning model for occupancy rates and demand forecasting in the hospitality industry”. In: Zorrilla M, Mazo R, Cano Á (Eds.). Advances in Artificial Intelligence – IBERAMIA 2016, 201–211, Cham, İsviçre, Springer, 2016.
7. Burger CJS, Dohnal M, Kathrada M, Law R. “A practitioner’s guide to time-series methods for tourism demand forecasting: a case study of Durban, South Africa”. Tourism Management, 22(4), 403–409, 2001.
8. Fernandes P, Teixeira J, Ferreira JM, Azevedo SG. “Modelling tourism demand: a comparative study between artificial neural networks and the Box Jenkins methodology”. Romanian Journal of Economic Forecasting, 3, 30–50, 2008.

9. Çuhadar M, Güngör İ, Göksu A. “Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama”. Süleyman Demirel Üniversitesi İİBF Dergisi, 14(1), 99–114, 2009.
10. Önder E, Hasgül Ö. “Yabancı ziyaretçi sayısının tahmininde Box-Jenkins modeli, Winters yöntemi ve yapay sinir ağlarıyla zaman serisi analizi”. İstanbul Üniversitesi İşletme İktisadı Enstitüsü Dergisi, 4, 62–83, 2009.
11. Çuhadar M. “Türkiye’ye yönelik dış turizm talebinin MLP, RBF ve TDNN yapay sinir ağı mimarileri ile modellenmesi ve tahmini: karşılaştırmalı bir analiz”. Yaşar Üniversitesi E-Dergisi, 8(31), 5274–5295, 2013. https://doi.org/10.19168/jyu.54484
12. Zorlutuna Ş, Bircan H. “Türkiye’ye gelen turist sayısı tahmininde zaman serileri analizi ve yapay sinir ağları yöntemlerinin karşılaştırılması”. Cumhuriyet Üniversitesi İİBF Dergisi, 20(2), 164–185, 2019.
13. Güler Ö. Makine Öğrenmesi Yöntemleriyle Türkiye’de Turizm Gelirine Etki Eden Parametrelerin Belirlenmesi ve Değerlendirilmesi. Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli, Türkiye, 2021.
14. Duru Ö. Zaman Serileri Analizinde ARIMA Modelleri ve Bir Uygulama. Yüksek Lisans Tezi, Sosyal Bilimler Enstitüsü, Türkiye, 2007.
15. Koç T, Dünder E, Koç H. “Forecasting of natural gas supplied for EU in Gazprom with ARIMA and machine learning methods”. International Journal of Data Science, 7(1), 39–47, 2024.
16. Çuhadar M. Turizm Sektöründe Talep Tahmini İçin Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi (Antalya İlinde Uygulama). Doktora Tezi, Akdeniz Üniversitesi, Antalya, Türkiye, 2015. https://doi.org/10.13140/RG.2.1.4503.7288
17. Akın M. “A novel approach to model selection in tourism demand modeling”. Tourism Management, 48, 64–72, 2015.
18. Kızıldağ M, Abut F, Akay MF. “Development of new electricity system marginal price forecasting models using statistical and artificial intelligence methods”. Applied Sciences, 14(21), 10011, 2024. https://doi.org/10.3390/app142110011
19. Kaya MS, İnce K. “Nesnelerin internetinde çok katmanlı algılayıcı kullanarak zamanlama analizi saldırısı ile özel anahtar tahminlemesi”. Computer Science, (Special), 385–390, 2021.
20. Kaynar O, Taştan S. “Zaman serisi analizinde MLP yapay sinir ağları ve ARIMA modelinin karşılaştırılması”. Erciyes Üniversitesi İİBF Dergisi, (33), 161–172, 2009.
21. Öztemel E. Yapay Sinir Ağları. Birinci Baskı, İstanbul, Türkiye, Papatya Yayıncılık, 2003.
22. Gültepe Y. “Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme”. European Journal of Science and Technology, (17), 8–15, 2019. https://doi.org/10.31590/ejosat.530347
23. Koç T, Akın P. “Comparison of machine learning methods in prediction Gini coefficient for OECD countries”. International Journal of Data Science and Applications, 4(1), 16–21, 2021.