Нейроагентные технологии в индустрии гостеприимства и туризма
Neuroagents in hospitality industry and tourismУДК 338.27:311.17 30.09.2016 Выходные сведения: Авторы: Authors: Ключевые слова: Keyword: Аннотация: Annotation: Введение Прогнозирование в индустрии гостеприимства и туризма выступает важнейшим элементом управления. Классические методы прогнозирования уже не дают качественных результатов по причине возрастания сложности экономических связей и количества факторов, влияющих на отрасль и предприятия, входящие в ее состав. В этих условиях необходим инструмент, позволяющий упростить процесс принятия решений, получить более точные прогнозы, предупредить о возможных неприятностях и способах их предотвращения. В статье раскрывается методика применения нейроагентных технологий и их возможности в индустрии гостеприимства и туризма. Особенности применения нейросетевых технологий В последнее время нейросетевые технологии получают все более широкое распространение в прогнозировании макро- и микроэкономических процессов, поскольку они обладают широкими способностями в области распознавания и моделирования линейных и нелинейных взаимосвязей между экономическими показателями. Обзоры нейросетевых решений показывают, что нейромодели оказываются гораздо продуктивнее классических линейных моделей при прогнозировании сложных экономических явлений и всевозможных экономических показателей. Многие исследователи рассматривают нейросетевые технологии как замену традиционным эконометрическим методам, однако нейросети являются мощным средством, которое необходимо применять параллельно, совместно с современными методами прогнозирования. «Нейронная сеть (искусственная нейронная сеть, Artificial Neural Network, ANN) – математическая модель, а также ее программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма» [1]. В целом, нейронная сеть – это математическая модель, структурированная наподобие человеческого мозга, цель которой определить определенные шаблоны в существующих данных. К достоинствам нейросетей можно отнести: успешное моделирование нелинейных зависимостей, отсутствие необходимости исходных предположений о характере зависимости переменных, высокая гибкость модели. К недостаткам можно отнести: сложность интерпретации весов («черный ящик»), практически невозможно найти глобальный минимум ошибки, даже достаточно простые нейронные сети могут содержать большое количество внутренних весов, разработка архитектуры нейронной сети может занять достаточно большое время. Задачи, решаемые с помощью нейронных сетей, напрямую связаны с основной идеей выявления неких шаблонов в существующих данных. Соответственно, можно указать три больших группы решаемых задач: прогнозирование, классификация и агенты. В экономике и управлении нейросети применяются все чаще и чаще [2]. Много исследований в качестве предположений определяло возможности нейросетей в прогнозировании волатильных финансовых показателей, поведение которых было затруднительно смоделировать существующими статистическими прогнозными методиками, например обменных курсов, курсов акций и т.п. Нейросети были успешно применены в вопросах макроэкономического прогнозирования, например таких показателей, как экономический рост, показатели промышленности, потребление ресурсов и т.д. К возможным вариациям применения относятся анализ и оценка рисков, обнаружение финансовых и прочих фальсификаций, макро- и микроэкономическое прогнозирование, маркетинговые исследования, прогноз поведения клиента, прогноз движения наличных денежных средств, всевозможных экономических параметров, индексов. На уровне предприятия индустрии гостеприимства и туризма максимальный эффект достигается при прогнозе спроса, продаж, загрузки, выявления рыночных тенденций, существующих корреляций, шаблонов и исключений в поведении, конкурентного анализа, контроля качества, прогноза потребления ресурсов, обеспечения безопасности на основании распознавания фото- и видео информации, распознавания подписи и многие другие применения. Нейросети можно применять во всех задачах, в которых присутствует база данных исторических событий, используемых для обучения, и там, где классические формальные методы количественного или качественного прогнозирования показывают свою неэффективность. В 2016 г. в области нейросетевых теорий и приложений произошел целый ряд значительных событий, однако на первое место можно поставить такое важнейшее событие, как разгромная победа искусственного нейросетевого интеллекта AlphaGo (разработан компанией Google) над чемпионом мира по игре в го. Кроме этого события, свои разработки в области распознавания графических изображений продемонстрировала компания Microsoft (проекты How-Old.net, CaptionBot, WhatDog и др), а также интересные сервисы MSQRD, likemo.net, Prisma, Mlvch и другие. Некоторые программные продукты для гостиниц работают именно на нейросетях, решая, например, такие задачи, как сегментация потребителя, принятие решений по бронированию групп и выработка прогнозов показателей гостиниц. Таким образом, нейронные сети выступают одним из направлений современного развития систем искусственного интеллекта. Они могут применяться в вопросах прогнозирования, классификации и принятия решений. Существует большое количество современных действующих разработок в области применения нейросетевых технологий, которые позволяют получать значимые результаты. Обзор нейросетевых исследований в индустрии гостеприимства и туризма В индустрии гостеприимства и туризма за последние 10-15 лет произошел качественный скачок в области применения нейросетевых технологий для прогнозирования. Рассмотрим примеры применения, некоторые результаты и особенности проведенных исследований. В своей работе H. Song и G. Li указали огромное количество исследований, посвященных моделированию и прогнозированию туристского спроса. Исследования, действительно проводились по всему свету; среди свыше 100 исследований только следующие были осуществлены с применением нейронных сетей: Burger (2001, исследовалась Южная Африка), Cho (2003, Гонконг), Kon и Turner (2005, Сингапур), Law (2000, Тайвань-Гонконг и 2001, Япония-Гонконг), Pai и Hong (2005, Барбадос), Palmer (2006, Сингапур) [3]. В 2014 г. Murat Cuhadar, Iclal Cogurcu и Ceyda Kukrer провели исследование туристского спроса на круизы в Измир, применяя сразу несколько архитектур нейронных сетей. В результате исследования они выявили, что нелинейная и нестационарная природа туристского спроса делает прогнозирование очень сложным и ведет к необходимости разработки новых методов, в том числе выделяют именно нейросетевое моделирование как один из важнейших инструментов исследователя. Прежде всего, по их мненеию, нейросети не требуют каких-то изначальных гипотез о моделях и проблемах, кроме того, существует целый набор нейросетевых методик, которые можно применять для получения наилучшего результата. В своей работе они использовали многослойный перцептрон, сети радиального базиза и обобщенно-регрессионные нейронные сети для анализа месячных данных о прибытиях. экспериментальная работа показала, что в качестве прогнозной модели лучше всего работали радиально-базисные сети. Наблюдение показало, что нейронные сети без проблем (переобучения, структурных ошибок) справились с задачей прогнозирования, добившись хорошего прогноза на 2014 г. Авторы указывают, что для совершенствования методик прогнозирования необходимы также дальнейшие разработки в области метода опорных векторов (алгоритм, схожий с обучением с учителем), нечеткой логики, генетических алгоритмов, а также адаптивных сетей на основе систем нечеткого вывода [4]. В 2016 г. Edi Noersasongko, Fenty Tristanti Julfia, Abdul Syukur, Purwanto, Ricardus Anggi Pramunendar и Catur Supriyanto провели исследование туристских прибытий с помощью нейросетей на основе генетических алгоритмов. В данном исследовании авторы указывают, что многие ученые применяют сети на основе обратного распространения, однако результат не всегда их устраивает. На основании исторических данных за 1991-2013 гг. исследователи провели сравнение трех прогнозных моделей: нейросети обратного распространения, метода ближайшего соседа (k-nearest) и линейной регрессионной модели. Для оптимизации нейросети использовался генетический алгоритм. В результате нейросеть показала гораздо меньшую ошибку, нежели два остальных метода. Ошибка измерялясь показателем RMSE [5]. В 2016 г. Selcuk Cankurt и Abdulhamit Subasi провели исследование, посвященное интеллектуальному анализу данных при моделировании и прогнозировании туристского спроса. Они заключают, что при изучении таких сложных многофакторных задач необходимо не просто изучать конкретный временной ряд, но и выявлять взаимодействие нескольких переменных. исследователи проанализировали прибытия в Турцию и 26 наиболее важных стран-источников. Результаты оказались следующими: наилучшей стала модель, разработанная на основе метода опроного вектора. Однако авторы заключают, что на настоящий момент нет системы в выборе подходящей модели прогнозирования, руководство туристских организаций испытывает потребность в таких методиках и прогнозах в целях совершенствования управления туризмом на национальном уровне [6]. В 2008 г. Tugba Efendigil, Semih Onut и Cengiz Kahraman исследовали системы принятия решений и прогнозирования на основе искусственных нейронных сетей и нечетких нейромоделей. В этой работе авторы указывают, что в любой организации существует необходимость принятия решений на основе показателей текущего спроса для того, чтобы достичь конкурентного преимущества. В их работе предложен механизм, комбинирующий нейросетевые технологии с методами нечетких систем в целя разработки прогнозов нечетких или неполных данных о спросе. Исследование показало результативность выдвигаемых гипотез и модели адаптивных сетей на основе систем нечеткого вывода [7]. В 2013 г. Oscar Claveria, Enric Monte и Salvador Torra провели исследование, посвященное прогнозированию туристского спроса различными моделями нейронных сетей. Были исследованы туристские потоки в Каталонию из различных стран за период с 2001 по 2012 гг. с помощью трех моделей: многослойного перцептрона, радиальными базисными функциями и сетью Элмана (вид реккурентной нейросети). Исследовались также различные топологии данных типов нейросетей. В результате, лучшие показатели оказались у сетей на основе многослойного перцептрона и радиальных функций, а наиболее качественный прогноз показали именно радиальные функции. Исследователи также выдвинули гипотезу о том, что необходимо также выявлять зависимости между показателями прибытий из разных стран. Кроме того, одним из выводов исследования был такой, что наилучшие результаты нейронные сети могут показывать при долгосрочном прогнозировании [8]. В 2011 г. Chang-Jui Lin, Hsueh-Fang Chen и Tian-Shyug Lee провели исследование, посвященное прогнозированию туристского спроса на основе нейронных сетей и многомерных адаптивных регрессионных сплайнов. В нем анализировались месячные данные о туристских прибытиях в Тайвань на основе трех методов: нейросетей, ARIMA и многомерных регрессионных сплайнов (были впервые предложены Фридманом в 1991 г. для задач регрессии и классификации; является непараметрической процедурой, не использует никаких предположений о виде зависимости между переменными). Результатами исследования оказались следующие: наихудшие показатели у сплайнов, наилучшие – у ARIMA-моделей, а нейросети оказались между ними, однако продемонстрировали также высокое качество модели и прогноза [9]. В 2012 г. HuaiQiang Zhang и JingBing Li исследовали прогнозирование количества туристов на основе нейронных сетей радиальных базисных функций. С помощью нейросети они смогли строить прогноза количества туристов в одной из провинций Китая – острове Хайнань: по данным за пять лет строился прогноз на шестой год. Нейросеть успешно обучилась и дает адекватные прогнозы, что, по словам авторов, очень помогает созданию Международного Туристского Острова Хайнань [10]. В 2011 г. Paula Odete Fernandes, João Paulo Teixeira, João Matos Ferreira, Susana Garrido Azevedo исследовали туристский спрос на деревенский туризм в двух районах Португалии. Исследование показало превосходные результаты работы нейросетевых моделей по обоим регионам. авторы заключают, что нейросети обязательно следует использовать, если исходные данные носят нелинейный характер. Нейронная сеть состояла из 4 нейронов в скрытом слое, логистической активационной функции и алгоритма обучения обратного распространения [11]. В 2016 г. опубликована работа российских исследователей К.А. Милорадова и Г.М. Эйдлиной на тему взаимовлияния выездного и внутреннего туризма в России на основе нейросетевой модели. В работе анализируется влияние изменения в выездных турпотоках, связанные с закрытием Египта и Турции для российского туриста [12]. К сожалению, технические подробности в исследовании опущены, авторы ограничиваются вербальным описанием происходящих в российском туризме изменений. Таким образом, искусственные нейронные сети очень активно применяются в задачах исследования, анализа и прогнозирования в индустрии гостеприимства и туризма. На уровне конкретных предприятий нейронные сети могут использоваться в большом количестве приложения: оценка рисков, выявление угроз, помощь в принятии решений, что будет рассмотрено далее. Методика нейроагента для индустрии гостеприимства и туризма Исследователи и аналитики в сфере индустрии гостеприимства и туризма применяют на практике в основном количественные причинно-следственные методы анализа и прогноза, а также анализ временных рядов. Однако, нейросетевой анализ позволяет проводить исследования взаимосвязей и влияния различных факторов на состояние данной сферы экономики, исследуя большие объемы данных и выявляя скрытые закономерности, далеко не всегда определяемые традиционными методами. Все шире проявляется присутствие распределенных процессов в индустрии гостеприимства и туризма, что делает необходимым применение интеллектуального управления. Одним из важных направлений применения такого интеллектуального управления выступает автоматизация обнаружения и исправления максимального количества негативных событий в отрасли с помощью современных программно-аппаратных компьютерных систем. Применение элементов искусственного интеллекта в совокупности с облачными технологиями позволяют создавать обучающиеся советующие ситуационные системы, которые могут быстро реагировать на изменение условий хозяйствования и предлагать варианты выхода из возникающих негативных экономических ситуаций. Всемирная туристская организация рекомендует довольно ограниченный набор методов для прогнозирования показателей туризма. Такой подход применим в макроэкономических исследованиях на уровне национальных экономик, где показатели ведут себя достаточно стабильно и точность получаемых прогнозов достаточно велика. На микроэкономическом уровне такой подход не всегда оказывается максимально эффективным. В связи с этим предлагается концепция разработки прогнозов, основанная на следующем: ключ к прогнозному управлению в индустрии гостеприимства и туризма – идентифицировать ряд состояний, которые последовательно ведут к другим известным состояниям. Для реализации такого подхода возможно применение так называемой агентной технологии, которая может быть реализована с помощью разных инструментов, включая такой как искусственные нейронные сети. В этом случае они называются нейроагентами. В экономике существует ряд вопросов, где применение таких технологий может принести пользу. К ним можно отнести анализ и прогноз всевозможной экономической информации на разных уровнях хозяйствования, прогноз спроса на основании многофакторных моделей, идентификация нестандартных экономических ситуаций или возникновения экономических угроз, необычных рисков, анализ их возможных последствий. Нейроагент способен проанализировать большое количество информации, включающей огромные базы данных, собираемые как на уровне экономики в целом, так и на уровне конкретных предприятий, сегментов предприятий или конкурентов. В результате такого анализа нейроагент в состоянии определить явные и скрытые зависимости в данных, модели экономического поведения для того, чтобы обнаружить неожиданные или неявные изменения и получить прогноз развития. Для того чтобы нейроагент начал успешно функционировать, ему необходимо обучение. Таковое обучение заключается в прогоне определенного количества данных, характеризующих некие шаблоны поведения экономической системы. Это делается для того, чтобы распознать существующие в их основе модели, а также определить причинно-следственные связи. Этот процесс обучения продолжается постоянно: при появлении новых данных нейроагент добавляет их в базу обучения, что приводит к обновлению или коррекции моделей и связей. Может случиться такое, что нейроагент выявляет ситуацию, которая раньше ему была неизвестна. В этом случае он опять обновит свою внутреннюю модель, увеличив свои аналитические способности. В конечном счете, нейроагент использует все более и более возрастающее адаптивное обучение, которое ведет только к росту его способностей. В этом смысле нейроагенты можно использовать как некую прогнозную систему, которая выявляет возможные проблемы прежде чем они произойдут на самом деле. Таким образом, нейроагент осуществляет прогнозирование неких критических состояний экономической системы, что позволяет управлять ими и производить требуемые действия по их предупреждению прежде, чем они проявят негативное воздействие на экономику в целом или на деятельность конкретного предприятия. Нейроагент не требует больших материальных или нематериальных ресурсов; он не становится проблемой сам по себе, ему не нужно присутствие высококвалифицированных сотрудников, как это необходимо при применении классических методов прогнозирования. Нейроагент может настраиваться на определенные условия, при которых система переходит в состояние тревоги. Кроме того, отсутствует потребность пересмотра прогнозных моделей при возникновении каких-то новых, ранее неизвестных данных или ситуаций, поскольку при их возникновении нейроагент обновляет существующие экономические профили, что повышает качество разрабатываемых прогнозов. Нейроагент очень быстро обучается, однако для его работы не требуется супервычислительные мощности. Кроме того, в нейроагент можно подгружать данные по новым факторам, влияющим на экономическую деятельность. Выводы Проведенное исследование позволяет сделать следующие выводы: вопросам применения нейросетевых технологий в анализе и прогнозе в индустрии гостеприимства и туризма уделяется большое внимание; современная индустрия гостеприимства и туризма выступает очень подверженной влиянию большого количества факторов, носящих, зачастую, нелинейный характер, что затрудняет применение классических статистических процедур анализа и прогноза; в качестве одного из решения проблемы многофакторности и сложности данных выступает применение нейросетевых технологий; нейроагенты, как комплексный метод прогнозирования и принятия решений, могут быть хорошим решением при анализе скрытых взаимосвязей и поиске оптимального отклика на возникающие рыночные угрозы. Библиографический список 1. Искусственная нейронная сеть [Электронный ресурс]. Режим доступа – https://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть References 1. Iskusstvennaja nejronnaja set’ [Jelektronnyj resurs]. Rezhim dostupa – ‘ |
