Технологии искусственного интеллекта как инструмент государ- ственного управления в туризме Технологии искусственного интеллекта как инструмент государственного управления в туризме : 	EDN: LREUNA		DOI: 10.22394/2071-2367-2022-17-5-172-182

Светлана Рашидовна Муминова

Авторы

Муминова Светлана Рашидовна обучения Финансового университета при Правительстве Российской Федерации

Ключевые слова:

инновации, нейронная сеть, машинное обучение, туризм, компьютерное зрение, анализ больших данных

Аннотация

Цифровая трансформация государственного и муниципального управления предполагает активное внед- рение технологий искусственного интел- лекта (ИИ), главными из которых являют- ся алгоритмы машинного обучения, нейросети и компьютерное зрение. Цель статьи – обзор результатов зарубежных и отечественных теоретических исследова- ний, а также практических разработок в сфере ИИ, которые могут быть использо- ваны органами государственной власти при регулировании такой экономической отрасли, как туризм. Методология иссле- дования – анализ и выявление построен- ных с помощью этих инструментов про- гностических и классификационных моде- лей, позволяющих выйти на новый уро- вень в принятии решений. В результате представлен технологический вектор раз- вития внутреннего туризма в регионах. В частности, внедрение технологий ИИ поз- волит органам государственной власти не только измерять антропогенную нагрузку, проводить экологический мониторинг рекреационных территорий и моделиро- вать их устойчивое развитие, но и повы- шать уровень безопасности туристов. Что немаловажно, нейросети способны решить проблему ложных отзывов, что положи- тельно скажется на качестве информации, доступной пользователям интернета. Та- ким образом, ИИ оформляется в новую технологическую парадигму, лежащую в основе процессов управления в различных сферах, в том числе в туризме.

Биография автора

Муминова Светлана Рашидовна, обучения Финансового университета при Правительстве Российской Федерации

кандидат технических наук, доцент Департамента анализа данных и ма- шинного обучения

Author ID : 655400

Библиографические ссылки

Хамидов Э. Х. Глубокое обучение: понятие и применение // Моло- дой ученый. – 2020. – № 37 (327). – С. 8-11. – URL:

https://moluch.ru/archive/327/73499/ (дата обращения: 17.05.2022).

Муминова С. Р., Феоктистова В. М., Вагина У. В. Инновации в ту- ризме на основе информационных технологий // Сервис в России и за рубежом. – 2018. – Т. 12 (1). – С. 6-15. DOI: 10.24411/1995-042X-2018-

Su, Xiaoyan. (2020) Simulation of economic development of tourism industry based on FPGA and machine learning. Microprocessors and Mi- crosystems. 10.1016/j.micpro.2020.103523.

Luo, Yuyan& He, Jinjie & Mou, Yu& Wang, Jun & Liu, Tao (2021) Explor- ing China's 5A global geoparks through online tourism reviews: A mining model based on machine learning approach. Tourism Management Perspec- tives. 10.1016/j.tmp.2020.100769.

Bi, Jian-Wu & Liu, Yang & Li, Hui (2020) Daily tourism volume forecast- ing for tourist attractions. Annals of Tourism Research. 10.1016/j.annals.2020.102923.

Альмухамедова О. А. Применение нейросетевых систем искус- ственного интеллекта в достижении устойчивого развития туризма // Сервис в России и за рубежом. – 2021. – Т. 15. – № 3. – С. 7-17. – DOI:

24412/1995-042X-2021-3-7-17.

Khorsand, Ramina & Rafiee, Majid & Kayvanfar, Vahid (2020) Insights into TripAdvisor's online reviews: The case of Tehran's hotels. Tourism Management Perspectives. 10.1016/j.tmp.2020.100673.

Budhi, Gregorius Satia & Chiong, Raymond& Wang, Zuli & Dhakal, Sandeep (2021) Using a hybrid content-based and behaviour-based featur- ing approach in a parallel environment to detect fake reviews. Electronic Commerce Research and Applications. 10.1016/j.elerap.2021.101048.

Wang, Ning & Yang, Jun & Kong, Xuefeng& Gao, Ying (2022) A fake re- view identification framework considering the suspicion degree of reviews with time burst characteristics. Expert Systems with Applications. 10.1016/j.eswa.2021.116207.

Gómez, Diego & Salvador, Pablo& Sanz, Julia& Casanova, José Luis (2021) A new approach to monitor water quality in the Menor sea (Spain) using satellite data and machine learning methods. Environmental Pollution. 10.1016/j.envpol.2021.117489.

Zhang, Kun & Lin, Zhibin & Zhang, Jinyi (2021) Tourist gaze through computer vision: Differences between Asian, North American, and European tourists. Annals of Tourism Research. 10.1016/j.annals.2020.103039.

Payntar, Nicole D. & Hsiao, Wei-Lin& Covey, R. Alan & Grauman, Kris- ten (2021) Learning patterns of tourist movement and photography from geotagged photos at archaeological heritage sites in Cuzco, Peru. Tourism Management. 10.1016/j.tourman.2020.104165.

Zhang, Yuan & Yang, Haisheng& Wang, Guangming (2021) Monitoring and management of high-end tourism in protected areas based on 3D sensor image collection. Displays. 10.1016/j.displa.2021.102089.

Lin, Yigang (2020) Automatic recognition of image of abnormal situa- tion in scenic spots based on Internet of things. Image and Vision Computing. 10.1016/j.imavis.2020.103908.

Abkarian, Hoseb & Tahlyan, Divyakant& Mahmassani, Hani& Smilowitz, Karen (2022) Characterizing visitor engagement behavior at large-scale events: Activity sequence clustering and ranking using GPS track- ing data. Tourism Management. 10.1016/j.tourman.2021.104421.

Barnes, Stuart J. & Kirshner, Samuel Nathan (2021) Understanding the impact of host facial characteristics on Airbnb pricing: Integrating facial im- age analytics into tourism research. Tourism Management. 10.1016/j.tourman.2020.104235.

Sengupta, Pooja & Biswas, Baidyanath & Kumar, Ajay& Shankar, Ravi & Gupta, Shivam (2021) Examining the predictors of successful Airbnb book- ings with Hurdle models: Evidence from Europe, Australia, USA and Asia-

Pacific cities. Journal of Business Research. 10.1016/j.jbusres.2021.08.035.

Sánchez-Medina, Agustín J.& C-Sánchez, Eleazar.(2020). Using machine learning and big data for efficient forecasting of hotel booking cancellations. International Journal of Hospitality Management. 10.1016/j.ijhm.2020.102546.

Huang, Liyao & Zheng, Weimin (2021) Novel deep learning approach for forecasting daily hotel demand with agglomeration effect. International Journal of Hospitality Management. 10.1016/j.ijhm.2021.103038.

Al Shehhi, Mohammed& Karathanasopoulos, Andreas (2020) Forecast- ing hotel room prices in selected GCC cities using deep learning. Journal of Hospitality and Tourism Management. 10.1016/j.jhtm.2019.11.003.

Gaur, Loveleen & Afaq, Anam& Solanki, Arun & Singh, Gurmeet& Sharma, Shavneet & Jhanjhi, N.Z. & My, Hoang Thi & Le, Dac-Nhuong (2021) Capitalizing on big data and revolutionary 5G technology: Extracting and visualizing ratings and reviews of global chain hotels. Computers & Electrical Engineering. 10.1016/j.compeleceng.2021.107374.

Zhang, Chenxi & Xu, Zeshui & Gou, Xunjie & Chen, Shuixia (2021) An online reviews-driven method for the prioritization of improvements in ho- tel services. Tourism Management. 10.1016/j.tourman.2021.104382.

Ivanko, Dmytro & Sørensen, Åse Lekang & Nord, Natasa (2020) Select- ing the model and influencing variables for DHW heat use prediction in ho- tels in Norway. Energy and Buildings. 10.1016/j.enbuild.2020.110441.

Gunter, Ulrich& Zekan, Bozana (2021) Forecasting air passenger numbers with a GVAR model. Annals of Tourism Research. 10.1016/j.annals.2021.103252.

Yuan, Yalong & Yang, Min& Feng, Tao & Rasouli, Soora& Li, Dawei & Ruan, Xinpei (2021) Heterogeneity in passenger satisfaction with air-rail in- tegration services: Results of a finite mixture partial least squares model. Transportation Research Part A: Policy and Practice. 10.1016/j.tra.2021.03.003.

Hamidov, E. H. (2020) Glubokoe obuchenie: ponyatie i primenenie [Deep learning: concept and application] // Molodoj uchenyj [Young scien- tist]. № 37 (327). P. 8-11. URL: https://moluch.ru/archive/327/73499/ (da- ta obrashcheniya: 17.05.2022). (In Russ.)

Muminova, S. R., Feoktistova, V. M., Vagina, U. V. (2018) Innovacii v tur- izme na osnove informacionnyh tekhnologij [Innovations in tourism based on information technologies] // Servis v Rossii i za rubezhom [Service in Russia and abroad]. Vol. 12 (1). P. 6-15. DOI: 10.24411/1995-042X-2018- 10101. (In Russ.)

Su, Xiaoyan. (2020) Simulation of economic development of tourism industry based on FPGA and machine learning. Microprocessors and Mi- crosystems. 10.1016/j.micpro.2020.103523.

Luo, Yuyan& He, Jinjie & Mou, Yu& Wang, Jun & Liu, Tao (2021) Explor- ing China's 5A global geoparks through online tourism reviews: A mining model based on machine learning approach. Tourism Management Perspec- tives. 10.1016/j.tmp.2020.100769.

Bi, Jian-Wu & Liu, Yang & Li, Hui (2020) Daily tourism volume forecast- ing for tourist attractions. Annals of Tourism Research. 10.1016/j.annals.2020.102923.

Al'muhamedova, O. A. (2021) Primenenie nejrosetevyh sistem is- kusstvennogo intellekta v dostizhenii ustojchivogo razvitiya turizma [Appli- cation of neural network systems of artificial intelligence in achieving sus- tainable tourism development] // Servis v Rossii i za rubezhom [Service in Russia and abroad]. Vol. 15. № 3. P. 7-17. DOI: 10.24412/1995-042X-2021- 3-7-17. (In Russ.)