Transformador de séries temporais para previsão de demanda turística

Métodos baseados em IA têm sido amplamente adotados na previsão de demanda turística. No entanto, os métodos atuais baseados em IA são fracos na captura de dependências de longo prazo, e a maioria deles carece de interpretabilidade. Este estudo propõe um Transformador de séries temporais (Tsformer) com arquitetura Encoder-Decoder para previsão de demanda turística. O Tsformer codifica dependências de longo prazo com o codificador, mescla o calendário de pontos de dados no horizonte de previsão e captura dependências de curto prazo com o decodificador. Experimentos em dois conjuntos de dados demonstram que o Tsformer supera nove métodos de referência em previsões de curto e longo prazo antes e depois do surto de COVID-19. Estudos de ablação adicionais confirmam que a adoção do calendário de pontos de dados no horizonte de previsão beneficia o desempenho da previsão. Nosso estudo fornece um método alternativo para uma previsão de demanda turística mais precisa e interpretável.