Prognoser benyttes til å se framtidige trender, for å identifisere mulige hendelser, advare om potensiell risiko og forberede for krisesituasjoner. De benyttes også til operasjonell planlegging, for eksempel til infrastruktur, bemanning, trafikksituasjon, tjenester etc.
Prognoser er viktige for strategisk planlegging, politikkutforming, kriseberedskap og investeringsbeslutninger innen reiseliv. Dette er utfordrende på grunn av en rekke ustabile faktorer:
- Reiselivet er svært sensitivt til eksterne faktorer som for eksempel pandemier, økonomiske kriser, krig og naturkatastrofer. Drivkrefter som utvikling i økonomi (inflasjon, valuta, arbeidsledighet, inntektsnivå), politikk (stabilitet, handel, regelverk), teknologi (innovasjon, sikkerhet, automatisering), miljø (klimaforandringer, vær, forurensing, bærekraft, miljøpolitikk) og sosio-kultur (livsstil, kulturelle barrierer, befolkningsvekst, helse, demografi) har høy påvirkning og høyt usikkerhetsnivå. Skifter i disse har vi sett kan foregå raskt og påvirker forutsigbarheten
- Kompleks menneskelig atferd – reisebeslutninger påvirkes av følelser, trender, sosiale medier, påvirkning fra andre etc.
- Mange avhengighetsfaktorer – etterspørsel i reiseliv bestemmes av mange variabler
- Dataproblemer – mangel på, forsinket og usammenhengende data er vanlig, spesielt for mindre utviklede destinasjoner
- Sesongvariasjoner
- Ikke-linearitet (en endring i utgangspunktet vil ikke bety samme endring i utgangen, ikke proporsjonal)
- Tidkrevende prosess som krever høy ekspertise og kontinuerlig kvalitetskontroll og justeringer
D3HUB-prosjektet fokuserer på å støtte databehandling på destinasjoner, med et spesielt fokus på AI og maskinlæring for prognosering.
AI handler om maskiner som utfører menneskelige oppgaver, mens maskinlæring betyr at maskiner lærer av data og fokuserer på prediksjon. Data defineres som innsamling av fakta, tall eller statistikk som brukes til analyse og beslutningstaking. Tidsseriedata er data samlet inn med jevne mellomrom (f.eks. månedlig, daglig, timevis), hvor dataverdien endres over tid, som aksjekurser eller værmålinger.
Prognoser krever historiske data med relevante funksjoner, og datainnsamlingen må være omfattende og transparent. Rådata må importeres, slås sammen, ryddes og manglende data må gjenoppbygges. Dette er et omfattende arbeid, men svært viktig da dårlig kvalitet på datasettene gir usikre prognoser.
Det er mange ulike AI-modeller for tidsserieprognoser. D3HUB har testet flere av disse og funnet varierende gjennomsnittlig feilprosent. Ulike metoder passer til ulike formål, og har også forskjellige begrensninger.
Eksempler på prognoser som ulike destinasjoner har tatt i bruk er hotellovernattinger, generell etterspørsel av en destinasjon basert på en rekke variabler, ankomster (også i sanntid), volum av tilreisende, og turisme innenlands.