온라인 리뷰의 감성분석과 순환신경망을 적용한국내 인바운드 관광수요 예측 모형 (The prediction for inbound tourism demand based on recurrent neural networks and sentiment analysis)

서지정보

· 발행기관 : 한국관광연구학회
· 수록지 정보 : 관광연구저널 / 35권 / 3호 / 69 ~ 79페이지
· 저자명 : 김은미

초록

관광객의 수요예측은 관광 상품 개발 및 정책수립 시 중요한 자료로 활용되고 있어 관광객의 정확한 수요예측은 중요하다. 기존의 관광수요 예측은 과거의 시계열 자료를 기반으로 하였으나 급변하는 관광환경에서 보다 정확한 수요예측을 위해 다양한 정보를 활용한 새로운 방식의 수요예측이 필요하다. 따라서 본 연구에서는 관광 수요예측을 위해 관광지에 대한 온라인 리뷰를 적용하고자 한다. 온라인 리뷰는 실제 방문한 관광객이 자신의 관광경험을 토대로 작성하기 때문에 잠재고객들에게 새로운 여행정보로 인식되고 있으며 관광지 선정을 위한 의사결정과정에도 영향을 미친다. 또한 관광지에 대한 온라인 리뷰는 과거자료로는 파악하기 어려운 관광지의 현재상황에 대해서도 실시간으로 파악할 수 있다. 이를 위해 세계 최대의 온라인 플랫폼인 TripAdvisor에서 서울 관광지 10곳에 대한 온라인 리뷰 총 29,467개에 대한 평점, 리뷰내용, 리뷰작성일에 대한 데이터를 수집하였다. 방문자 수는 관광지식정보시스템에서 제공하는 입국관광통계자료를 활용하였으며 온라인 리뷰에 대한 감성분석을 통해 리뷰의 감성값을 활용하여 감성의 강도차이를 반영하였다. 관광수요 예측모형을 구축하기 위해 ARIMA, 인공지능 기법, 딥러닝 기법을 적용하여 관광객 수만으로 구축한 예측모형과 온라인 리뷰정보가 반영된 예측모형의 성과를 비교하였다. 모형의 성과를 비교한 결과, 방문객 수로만 구축된 예측모형보다 온라인 리뷰의 정보를 반영하여 구축한 예측모형의 성과가 우수한 것으로 나타났으며 RNN을 적용한 딥러닝 기법에서 MAPE가 10.29%로 가장 우수하게 나타났다.

영어초록

It is essential to predict tourism demands accurately because it is used as essential data for tourism product development and policy establishment. The existing tourism demand forecasting model was based on past time series data. In a rapidly changing tourism environment, a new demand forecasting method using various information is needed to predict demand more accurately. Therefore, in this study, online reviews of tourist destinations were applied to predict tourism demand. Since online reviews are written by tourists who have visited destinations and are based on their tourism experiences, they are recognized as new form of travel information by potential customers and they influence tourist destination selection. Besides, online reviews of tourist destinations can provide real-time information on the status of tourist destinations that is difficult to know from historical data. For this, TripAdvisor, the world's largest online platform, collected data on ratings, review contents, and review submission dates for a total of 29,467 online reviews of ten tourist attractions in Seoul. For the number of visitors, statistical data provided by the Tourism Knowledge & Information System were used. Online reviews reflected the difference in sentiment intensity by using the review's polarity value through sentiment analysis. Building a predicted tourism demand model applied the ARIMA, AI (Artificial Intelligence), and deep learning techniques such as RNN (Recurrent Neural Networks). The predicted model was divided into two types: the predictive model with only visitors and the predictive model with online review information. As a result of comparing the models’ performance, it was found that the performance of the prediction model built by reflecting the information from online reviews was superior to the prediction model built only with the number of visitors.

참고자료

· 없음