Le but de cet article est d'utiliser des algorithmes de prédiction de la demande avec une perspective stratégique pour la gestion et le succès du tourisme de croisière. Les séries de demande touristique sont souvent bruitées, conditionnellement non stationnaires et, dans certaines situations, déterministes chaotiques en raison de la complexité et de l'évolution constante du secteur du tourisme. Cette étude présente une nouvelle méthodologie pour le tourisme de croisière qui utilise une Moyenne Mobile Intégrée Auto-régressive Saisonnière (SARIMA), de la Mémoire à Long Terme Bidirectionnelle (BiLSTM), un Boosting de Gradient Extrême (XGBoost), un Boosting Catégorique (CatBoost), un Boosting Adaptatif (AdaBoost) et des modèles d'ensemble pour prédire le nombre de navires de passagers de type croisière, les passagers arrivants et les passagers partants. Les résultats soulignent comment les modèles d'ensemble peuvent être intégrés pour produire des prédictions plus précises et utiles dans le secteur du tourisme en constante évolution. Les résultats des prédictions peuvent fournir des informations exploitables pour les décideurs et les gestionnaires de destinations dans la préparation à la croissance future du tourisme de croisière.
İPEK et al. (Mon,) ont étudié cette question.