COVID-19 이후 외래관광객 수요 예측: GDELT 빅데이터와 머신러닝 기법 적용 (Forecasting Foreign Tourists Demand in Korea After COVID-19: Application of GDELT Big Data and Machine Learning Techniques)

서지정보

· 발행기관 : 한국관광진흥학회
· 수록지 정보 : 관광진흥연구 / 87 ~ 106페이지
· 저자명 : 이주양, 장필식

초록

본 연구는 GDELT(Global Database of Events, Language, and Tone) 빅데이터와 CNN-BiLSTM 하이브리드 모델을 결합하여 월별 해외여행객 입국자 수 예측을 위한 방법론을 제안하고 그 효과성을 실증적으로 검증하였다. 연구는 2015년부터 2024년까지의 GDELT 데이터 중 한국 관련 뉴스 기사 13,861,785 건을 분석하여 Lasso 회귀와 Boruta 기법을 통해 선별된 135개 변수를 활용하였다. CNN-BiLSTM 모델의예측 성능을 CNN-LSTM, BiLSTM, LSTM, RNN, CNN 등 다양한 딥러닝 모델과 비교 분석하였으며, MAE, RMSE, MAPE, RMSPE의 네 가지 성능지표를 통해 평가하였다. 분석 결과, CNN-BiLSTM 모델은모든 지표에서 가장 우수한 예측 정확도를 보였으며, Wilcoxon 순위 검정 결과 통계적으로 유의(p<0.05)한성능 우위가 확인되었다. 또한 RMSE 기준 65.7%~100%, MAPE 기준 61.3%~100%의 확률로 다른 모델들보다 통계적으로 유의하게 우수한 성능을 보이는 것으로 나타났다. 실증분석을 통해 CNN의 지역적 특징 추출 능력과 BiLSTM의 양방향 시간적 의존성 처리 능력이 결합된 하이브리드 아키텍처가 관광 수요 예측에특히 효과적임을 입증하였다. 본 연구는 뉴스 빅데이터를 활용한 관광 수요 예측의 가능성을 실증적으로 입증하였으며, 기존의 전통적 접근법을 넘어서는 방법론적 프레임워크를 제시함으로써 관광산업의 수요예측능력 향상에 기여할 것으로 기대된다.

영어초록

This research investigates the integration of GDELT (Global Database of Events, Language, and Tone) big data with CNN-BiLSTM (Convolutional Neural Network - Long Short-Term Memory) hybrid neural network architecture for forecasting monthly international tourist arrivals. The study implements a comprehensive analytical framework utilizing 13,861,785 Korea-related news articles from 2015-2024, extracted from GDELT's Global Knowledge Graph and GCAM components. To address the high-dimensional nature of the dataset, a sequential feature selection methodology combining Lasso regression and Boruta algorithm was employed, successfully identifying 135 significant predictor variables from thousands of potential features. The proposed CNN-BiLSTM model's predictive efficacy was systematically evaluated against five comparative deep learning architectures (CNN-LSTM, BiLSTM, LSTM, RNN, CNN) using multiple performance metrics including MAE, RMSE, MAPE, and RMSPE. Empirical analysis revealed the CNN-BiLSTM model's superior predictive performance across all evaluation metrics, demonstrating statistically significant advantages through Wilcoxon signed-rank tests (p<0.05). A distinct hierarchical performance pattern emerged, with hybrid architectures consistently outperforming single-structure models, highlighting the synergistic effect of combining CNN's local feature extraction capabilities with BiLSTM's bidirectional temporal dependency processing. This investigation makes significant theoretical contributions by: (1) empirically validating news sentiment analysis for tourism demand forecasting, (2) demonstrating the efficacy of hybrid neural architectures for complex temporal pattern recognition, and (3) establishing a methodological framework for feature selection from high-dimensional datasets. The findings provide valuable practical implications for tourism industry stakeholders, enabling enhanced forecasting capabilities that can optimize resource allocation, improve strategic planning, and increase adaptability to unexpected global events affecting tourism flows.

참고자료

· 없음