Overview
Im Freizeit-, Tourismus- und Mobilitätsmarkt schwankt das Kundenaufkommen kurzfristig. Für KMU aus dieser Branche ist es schwierig, das Kundenaufkommen hinreichend präzis abzuschätzen und auf Schwankungen angemessen zu reagieren. Die Folge kann eine Fehlallokation von Ressourcen sein. Im Rahmen des Innosuisse Projekts Kurzfristige Prognose und Steuerung des Gästeaufkommens im Freizeit- und Tourismusmarkt wurden ökonometrische Modelle und Verfahren des maschinellen Lernens evaluiert, um das Besucheraufkommen aus historischen Besucherzahlen, Wetter- und Kalenderdaten vorauszusagen. Für mehrere Fallbeispiele (u.a. Vierwaldstättersee Schifffahrtsgesellschaft, Zentralbahn, Titlisbahnen) konnte trotz extensivem Einsatz neuster (nicht-linearer) Machine Learning Modelle kein signifikant besseres Resultat erreicht werden als mit klassischen (linearen) ökonometrischen Modellen.
Dies legt die Vermutung nahe, dass die verwendete Datengrundlage für prognostische Zwecke nicht ausreicht. Es stand die Hypothese im Raum, ob durch Zusammenschluss mehrerer Tourismusunternehmen (aufgrund der Korrelationseffekte) eine informativere Datenbasis geschaffen werden könnte. Die folgenden Partner haben uns ihre Daten für den Nachweis der Hypothese zur Verfügung gestellt: Zentralbahn, Titlisbahnen, Thermalbad Zurzach (aus Innosuisse Vorgängerprojekt), Vierwaldstättersee Schifffahrtsgesellschaft (öffentlicher Datensatz), Pilatusbahn, zwei Hotelbetriebe aus Luzern.
Nebst linearen (ökonometrischen) und nicht-linearen (Machine Learning) Modellen aus dem Vorgängerprojekt wurden auch Transformer Netzwerke getestet. Dabei handelt es sich um eine neue auf die Analyse von Zeitreihen spezialisierte Architektur von Neuronalen Netzen.
