SavedAdd your journal

Journals / Journal of Yasar University / 2013 / Cilt: 8 - Sayı: 31

Modeling and forecasting inbound tourism demand to Turkey by mlp, rbf and tdnn artificial neural networks: A comparative analysis

Türkiye'ye yönelik dış turizm talebinin mlp, rbf ve tdnn yapay sinir ağı mimarileri ile modellenmesi ve tahmini: Karşılaştırmalı bir analiz

MURAT ÇUHADAR
Pages
5274–5295
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

By this model it has been produced monthly inbound tourism demand forecasts to Turkey for year 2013.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Tourism demand forecasting plays important role in public and private sector officials’ future planning activities.
📊
Key Findings & Data:The aim of this study is modeling inbound tourism demand to Turkey by Feed Forward-Back Propagation (MLP), Radial Basis Function (RBF) and Time Delay (TDNN) artificial neural network architectures and forecasting monthly tourism demand for 2013 via the model providing the highest accuracy.
💡
Conclusion & Impact:By this model it has been produced monthly inbound tourism demand forecasts to Turkey for year 2013.
🔬Design:Modeling & Simulation
📍Scope:2013 Verileri
⚙️Variables:Domain Parameters

Abstract

Tourism demand forecasting plays important role in public and private sector officials’ future planning activities. The aim of this study is modeling inbound tourism demand to Turkey by Feed Forward-Back Propagation (MLP), Radial Basis Function (RBF) and Time Delay (TDNN) artificial neural network architectures and forecasting monthly tourism demand for 2013 via the model providing the highest accuracy. In this study, it is used the total number of foreign tourist arrivals as a measure of inbound tourism demand and monthly foreign tourist arrivals to Turkey in the period of January 1987 – December 2012 were utilized. In the process of modeling the data by ANN’s, it is analyzed the forecasting performance of different network architectures constituted by both unpreprocessed raw data and seasonally adjusted data taking into account of the distinct viewpoints in related studies. As a consequence of several attempts, it has been observed that 12 lagged MLP model which has [4-5-1-] architechture has presented best forecasting performance. By this model it has been produced monthly inbound tourism demand forecasts to Turkey for year 2013.

Özet

Turizm talebi tahminleri, kamu ve özel sektör temsilcilerinin ileriye yönelik planlama çalışmalarında önemli rol oynamaktadır. Bu çalışmanın amacı; Türkiye’ye yönelik aylık dış turizm talebinin, Çok Katmanlı İleri Beslemeli (MLP), Radyal Tabanlı Fonksiyon (RBF) ve Zaman Gecikmeli (TDNN) yapay sinir ağı mimarileri ile modellenmesi ve en yüksek tahmin performansı sağlayan model yardımıyla 2013 yılı tahminlerinin üretilmesidir. Çalışmada Türkiye’ye yönelik dış turizm talebinin ölçüsü olarak gelen toplam yabancı turist sayıları alınmış, Ocak 1987 – Aralık 2012 dönemine ait Türkiye’ye gelen aylık yabancı turist sayısı verilerinden yararlanılmıştır. Verilerin yapay sinir ağları ile modellenmesinde, literatürdeki farklı görüşler dikkate alınarak orijinal seri ve mevsimsel ayrıştırma yöntemi ile elde edilen mevsimsel etkilerden arındırılmış seri olmak üzere iki ayrı veri seti kullanılarak oluşturulan farklı yapay sinir ağı mimarilerinin tahmin performansları incelenmiştir. Yapılan çok sayıda deneme sonucunda on iki gecikmeli veri değerleri kullanılarak geliştirilen [4-5-1] mimarisine sahip MLP modelinin en yüksek doğruluğu sağladığı görülmüş, bu model yardımıyla 2013 yılı için Türkiye’ye yönelik aylık dış turizm talebi tahminleri üretilmiştir.

🔖

Cite This Article

ÇUHADAR, M. (2013). Modeling and forecasting inbound tourism demand to Turkey by mlp, rbf and tdnn artificial neural networks: A comparative analysis. Journal of Yasar University, Cilt: 8 - Sayı: 31, 5274–5295. https://ajindex.com/articles/220363

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Abdul Hamid, N, Nawi, N.M, Ghazali, R. ve Mohd S.N.M. (2011). Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems. International Journal of Software Engineering and Its Applications,. 5 (4): 31-44.
  2. Aladağ, Ç.H. (2010) “Farklı Öğrenme Aalgoritmalarıyla Türkiye’ye Gelen Yabancı Turist Sayısının Tahmini” I. Disiplinlerarası Turizm Araştırmaları Kongresi, 27-30 Mayıs 2010,
  3. Nevşehir. Alon, I., Qi, M. ve Sadowski, R.J. (2001): Forecasting Aggregate Retail Sales: A Comparison Of Artificial Neural Networks and Traditional Methods. Journal of Retailing and Consumer Services 8 (3): 147–156. Baldemir, E. ve Bahar, O. (2003). Türkiye’ye Yönelik Turizm Talebinin Neural (Sinir) Ağları Modelini Kullanarak Analizi. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, (2): 152-169.
  4. Burger, C.J.S.C., Dohnal, M., Kathrada, M. ve 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.
  5. Cho, V. (2003). A Comparison of Three Different Approaches To Tourist Arrival Forecasting. Tourism Management, 24(3): 323-330.
  6. Çuhadar, M. ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia Turizm Araştırmaları Dergisi, 16 (1): 121-126.
  7. Efe, Ö. ve Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları. İstanbul: Boğaziçi Üniversitesi Yayınevi.
  8. Önder, E. ve Hasgül, Ö. (2009). Yabancı Ziyaretçi Sayısının Tahmininde Box Jenkins Modeli, Wınters Yöntemi ve Yapay Sinir Ağlarıyla Zaman Serisi Analizi. İstanbul Üniversitesi İşletme İktisadi Enstitüsü Yönetim Dergisi, 20 (62): 62-83.
  9. Elmas, Ç. (2010). Yapay Zekâ Uygulamaları (Yapay Sinir Ağı, Bulanık Mantık, Genetik Algoritma). Ankara:
  10. Seçkin Yayıncılık. Fernandes, P. ve Teıxeıra, J. (2008). “Applying The Artificial Neural Network Methodology For Forecasting The Tourism Time Series”, 5th International Scientific Conference Business and Management”, 16-17 May 2008,
  11. Vilnius, Lithuania. Franses, P.H. ve Draisma, G. (1997). Recognizing Changing Seasonal Patterns Using Artificial Neural Networks. Journal of Econometrics, (82): 273-280.
  12. Güngör, İ. ve Çuhadar, M. (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Derg