Bu çalışma sonucunda elde edilen tahminlerin doğruluğu açısından parametrik olmayan SSA yönteminin daha başarılı olduğu görülmektedir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Antalya turizminin sürekli büyümesiyle birlikte, daha doğru turizm talep öngörülerine duyulan ihtiyaç ortaya çıkmakta ve öngörü performansı zaman serisi yöntemlerine göre değerlendirilmektir.
📊
Key Findings & Data:Mevsimsel dalgalanmalar turizm serilerinin en önemli özelliğidir ve bu özelliği onu farklı modellerin öngörü performanslarını karşılaştırmak için uygun bir ortam haline getirmektedir.
💡
Conclusion & Impact:Bu çalışma sonucunda elde edilen tahminlerin doğruluğu açısından parametrik olmayan SSA yönteminin daha başarılı olduğu görülmektedir.
🔬Design:Modeling & Simulation
📍Scope:2007-2018 Verileri
⚙️Variables:Turizm · öngörü · zaman serisi yöntemleri
Özet
Antalya turizminin sürekli büyümesiyle birlikte, daha doğru turizm talep öngörülerine duyulan ihtiyaç ortaya çıkmakta ve öngörü performansı zaman serisi yöntemlerine göre değerlendirilmektir. Mevsimsel dalgalanmalar turizm serilerinin en önemli özelliğidir ve bu özelliği onu farklı modellerin öngörü performanslarını karşılaştırmak için uygun bir ortam haline getirmektedir. Bu çalışmada, 2007-2018 yılları arasında Rusya'dan Antalya'ya gelen turistlerin verileri kullanılmaktadır. Turizm talebinin öngörüsünde parametrik ve parametrik olmayan tek değişkenli zaman serisi teknikleri, ARIMA, ETS, Kombinasyon (veya Hibrit) ve SSA, karşılaştırılmaktadır. Bu çalışma sonucunda elde edilen tahminlerin doğruluğu açısından parametrik olmayan SSA yönteminin daha başarılı olduğu görülmektedir.
ÇEKİM, H. Ö., KOYUNCU, A. (2021). Assessment of tourist arrival from Russian to Antalya using the univariate time series methods. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Cilt: 10 - Sayı: 3, 841–848. https://ajindex.com/articles/477411
Kim, J. H., Wong, K., Athanasopoulos, G., Liu, S. 2011. Beyond point forecasting: evaluation of alternative prediction intervals for tourist arrivals. International Journal of Forecasting, 27 (3): 887-901
Alvarez-Diaz, M., Rossello-Nadal, J. 2010. Forecasting British tourist arrivals in the Balearic Islands using meteorological variables. Tourism Economics, 16 (1): 153-168
De Livera, A. M., Hyndman, R. J., Snyder, R. D. 2011. Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, 106 (496): 1513-1527
Dong, Z., Yang, D., Reindl, T., Walsh, W. M. 2013. Short-term solar irradiance forecasting using exponential smoothing state space model. Energy, 55: 1104-1113
Hyndman, R. J., Koehler, A. B., Snyder, R. D., Grose, S. 2002. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18(3), 439-454
Lim, C., McAleer, M. 2001. Forecasting tourist arrivals. Annals of Tourism Research, 28 (4): 965-977
Bergmeir, C., Hyndman, R. J., Benitez, J. M. 2016. Bagging exponential smoothing methods using STL decomposition and Box-Cox transformation. International journal of forecasting, 32 (2): 303-312
Hassani, H., Heravi, S., Zhigljavsky, A. 2009. Forecasting European industrial production with singular spectrum analysis. International journal of forecasting, 25 (1): 103-118
Hassani, H., Ghodsi, Z. 2015. A glance at the applications of singular spectrum analysis in gene expression data. Biomolecular detection and quantification, 4: 17-21
Khan, M. A., Poskitt, D. S. 2017. Forecasting stochastic processes using singular spectrum analysis: Aspects of the theory and application. International Journal of Forecasting, 33 (1): 199-213
Rekapalli, R., Tiwari, R. K. 2014. Windowed SSA (Singular Spectral Analysis) for Geophysical Time Series Analysis. Journal of Geological Resource and Engineering, 3: 167-173
Beneki, C., Eeckels, B., Leon, C. 2012. Signal extraction and forecasting of the UK tourism income time series: