Modelo predictivo basado en IA para la afluencia de visitantes en la región ecoturística de la Sierra Nororiental de Puebla
Jacobo Robles Calderón- Guadalupe Robles Calderón
- Marco Antonio Aguilar Cortés
Publicado 2024-12-31
Palabras clave
- visitor flow,
- artificial intelligence,
- KPIs,
- machine learning,
- predictive model
- afluencia de visitantes,
- inteligencia artificial,
- KPIs,
- machine learning,
- modelo predictivo
Cómo citar
Derechos de autor 2024
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Resumen
Este artículo presenta el desarrollo y aplicación de un modelo predictivo basado en inteligencia artificial (IA) para anticipar la afluencia de visitantes en los complejos ecoturísticos de la Sierra Nororiental del estado de Puebla. El objetivo principal es mejorar la planificación y gestión de recursos en esta región a través de predicciones más precisas, optimizando así la experiencia del visitante y la sostenibilidad de los destinos turísticos. Para el análisis de los datos se aplicó la metodología CRISP-DM, con el fin de organizar y estructurar el proceso de minería de datos y garantizar la precisión en las predicciones. Además, se utilizó un enfoque de machine learning para el desarrollo de modelos supervisados que pronostican la demanda de visitantes. Los resultados indican que el modelo permite anticipar los picos de afluencia turística con una alta precisión, lo cual es esencial para gestionar la capacidad de los complejos ecoturísticos y distribuir eficientemente los recursos, minimizando el impacto ambiental y maximizando la satisfacción de los turistas y las comunidades locales.
Citas
- Aggarwal, C. C. (2020). Neural networks and deep learning: A textbook. Springer.
- Borko, H., y Ransbotham, S. (2020). Business analytics and decision making: The role of visual interactive tools in enabling analytics-based decision-making in businesses. Journal of Business Analytics, 3(1), 1-12.
- Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., y Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.
- Chollet, F. (2021). Deep learning with Python. Manning Publications.
- González, J. (2021). El reto del ecoturismo en la Sierra Norte de Puebla. Revista Mexicana de Turismo Sostenible, 25(4), 45-58.
- Mendoza, R. (2022). Tecnologías de predicción en la gestión del ecoturismo: un enfoque basado en IA. Journal of Ecotourism and Sustainable Development, 30(2), 112-130.
- ONU Turismo [Organización Mundial del Turismo] (2018). Turismo sostenible. https://www.unwto.org
- Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M. Perrot, M., y Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
- Rossi, G., Schwabe, D., y Guimaraes, N. (2020). Design patterns for hypermedia applications. En Designing the user experience (pp. 25-50). Springer.
- Saltz, J. S., y Heckman, R. (2020). A framework for implementing and sustaining analytics self-service: Insights from lessons learned in a business school setting. Journal of Information Systems Education, 31(2), 93-103.
- Secretaría de Turismo del Estado de Puebla (2020). Informe sobre el turismo en la Sierra Nororiental de Puebla.
- Sharda, R., Delen, D., y Turban, E. (2021). Analytics, data science, & artificial intelligence: Systems for decision support (11a. ed.). Pearson.
- Shearer, C. (2020). CRISP-DM model for data mining: A step-by-step guide. Data Science Journal.
- Wirth, R., y Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. En Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining (pp. 29-39).