Repository logo
 
Publication

Modelação e previsão da procura turística na Ilha do Sal – Cabo Verde: modelo SARIMA versus rede neuronal artificial

2022-11-04Doctoral thesis Embargoed access
Simple item page
datacite.subject.sdg04:Educação de Qualidadept_PT
dc.contributor.advisorFernandes, Paula Odete
dc.contributor.advisorNunes, Catarina S.
dc.contributor.authorNeves, Gilberto A.
dc.date.accessioned2023-02-15T16:46:31Z
dc.date.embargo2025-11-04
dc.date.issued2022-11-04
dc.date.submitted2023-02-15
dc.description.abstractO objetivo principal deste trabalho é a análise da série temporal "Número de dormidas mensais nos estabelecimentos turísticos da ilha do Sal - Cabo Verde” entre 2000 e 2018 e demonstrar que, no quadro dos modelos quantitativos, estimativas e previsões fiáveis para o comportamento da procura turística são preferencialmente obtidas com modelos estatísticos de previsão adequadamente especificados e testados, e com redes neuronais artificiais que permitem prever um passo à frente. Para tal, iniciou-se a investigação com uma revisão da literatura e análise de dados que possibilitou conhecer: a dinâmica do turismo mundial; o mercado emissor europeu; o desenvolvimento turístico da ilha; as características da série temporal; modelos de previsão e tendências da procura turística. Seguidamente implementaram-se diferentes estruturas de modelos de previsão. Os resultados obtidos mostram que, a nível individual, a ilha se encontra na fase de Desenvolvimento; a nível de competitividade, a ilha está estagnada dentro da fase de Exploração; e que o seu Índice de Desenvolvimento Turístico deverá crescer em 48% para entrar na fase de Envolvimento. Quanto aos modelos de previsão, obtiveram-se: o modelo SARIMA(2,1,0)(0,1,1)[12], com uma acurácia medida pelo MAPE igual a 6,77%; o modelo de redes neuronais do tipo RNAR(12,1,7)[12], com um erro de 5,61% e o método de Holt-Winters que produziu um modelo com uma precisão de 7,94%. Todos esses modelos têm alta precisão, com destaque para a rede neuronal, apesar dos dados da série não estarem adaptados à Lei de Benford. Porém, o proposto Algoritmo de Atribuição do Erro, traz melhorias ao resultado do modelo SARIMA, com uma precisão de 4,98%. Esta tese pretendeu contribuir para mostrar o potencial dos modelos estatísticos de previsão e da aplicação das redes neuronais artificiais para a previsão do número de dormidas mensais na ilha do Sal. Também se avalia a precisão das previsões de cada modelo e compara os seus diferentes desempenhos.pt_PT
dc.description.abstractThe main objective of this work is the analysis of the time series "Number of monthly overnight stays in tourist establishments on the Island of Sal- Cape Verde" between 2000 and 2018. In the framework of quantitative models, one can obtain reliable estimates and forecasts for the behavior of tourism demand, using statistical forecasting models adequately specified and tested, and artificial neural networks that allow one step ahead predictions. With this goal, the research began with a literature review and data analysis that allowed do understand: the dynamics of world tourism; the European outbound market; the island's tourism development; the time series characteristics; the forecasting models and tourism demand trends. Then, different forecast model structures were implemented. The results obtained show that, at the individual level, the island is in the Development stage; at the competitiveness level, the island is stagnated within the Exploration stage; and that its Tourism Development Index should grow by 48% to enter the Involvement stage. As for the prediction models, the following were obtained: the SARIMA(2,1,0)(0,1,1)[12] model, with an accuracy measured by MAPE equal to 6.77%; the neural network model of type RNAR(12,1,7)[12], with an error of 5.61% and the Holt Winters method that produced a model with an accuracy of 7.94%. All models show a high accuracy, with the neural network standing out, despite the series data not being adapted to Benford's Law. However, the proposed Error Assignment Algorithm brings improvements to the result of the SARIMA model, with an accuracy of 4.98%. This thesis intended to contribute to show the potential of statistical forecasting models and the application of artificial neural networks to forecast the number of monthly overnight stays in the Island of Sal. The forecasting accuracy of each model was also evaluated, and their different performances were compared.pt_PT
dc.description.sponsorshipÀ Fundação para a Ciência e Tecnologia (FCT, Portugal) pelo apoio financeiro dos fundos nacionais FCT/MCTES à UNIAG, ao abrigo do Projeto n.º UIDB/04752/2020 e para o INEGI no âmbito do projeto LAETA IDB/5022/2020.pt_PT
dc.identifier.citationNeves, Gilberto A. - Modelação e previsão da procura turística na Ilha do Sal – Cabo Verde [Em linha]: modelo SARIMA versus rede neuronal artificial. [S.l.]: [s.n.], 2022. 371 p.
dc.identifier.tid101701950pt_PT
dc.identifier.urihttp://hdl.handle.net/10400.2/13428
dc.language.isoporpt_PT
dc.relationApplied Management Research Unit
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/pt_PT
dc.subjectTurismopt_PT
dc.subjectSérie temporalpt_PT
dc.subjectModelo SARIMApt_PT
dc.subjectHolt-Winterspt_PT
dc.subjectRede Neuronal Artificialpt_PT
dc.subjectCabo Verdept_PT
dc.subjectIlha do Salpt_PT
dc.subjectTourismpt_PT
dc.subjectTime seriespt_PT
dc.subjectSARIMApt_PT
dc.subjectArtificial Neural Networkpt_PT
dc.subjectSal islandpt_PT
dc.titleModelação e previsão da procura turística na Ilha do Sal – Cabo Verde: modelo SARIMA versus rede neuronal artificialpt_PT
dc.title.alternativeModeling and forecasting tourist demand in the Island of Sal – Cape Verde: SARIMA model versus artificial neural networkpt_PT
dc.typedoctoral thesis
dspace.entity.typePublication
oaire.awardTitleApplied Management Research Unit
oaire.awardURIinfo:eu-repo/grantAgreement/FCT/6817 - DCRRNI ID/UIDB%2F04752%2F2020/PT
oaire.fundingStream6817 - DCRRNI ID
person.familyNameNeves
person.givenNameGilberto A.
person.identifier.orcid0000-0003-1817-292X
project.funder.identifierhttp://doi.org/10.13039/501100001871
project.funder.nameFundação para a Ciência e a Tecnologia
rcaap.rightsembargoedAccesspt_PT
rcaap.typedoctoralThesispt_PT
relation.isAuthorOfPublication49e9dbcf-cc11-430c-972e-502475589aa0
relation.isAuthorOfPublication.latestForDiscovery49e9dbcf-cc11-430c-972e-502475589aa0
relation.isProjectOfPublicationfa1f173d-1738-4b2c-8eca-020eeb9dbc59
relation.isProjectOfPublication.latestForDiscoveryfa1f173d-1738-4b2c-8eca-020eeb9dbc59
thesis.degree.nameTese de Doutoramento em Matemática Aplicada e Modelação apresentada à Universidade Abertapt_PT

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
TD_GilbertoNeves.pdf
Size:
4.82 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.97 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Matemática Aplicada e Modelação