Classification of tourist routes through deep learning
Clasificación de rutas turísticas por medio de deep learning
| dc.creator | Gómez Alvarado, Héctor Fernando | |
| dc.creator | Mayorga Ases, María José | |
| dc.creator | Mayorga Ases, Leticia Abigail | |
| dc.creator | Malo Martínez, Silvia Elena | |
| dc.date | 2023-03-08 | |
| dc.date.accessioned | 2024-04-29T17:00:46Z | |
| dc.date.available | 2024-04-29T17:00:46Z | |
| dc.identifier | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2038 | |
| dc.identifier | 10.33262/concienciadigital.v6i1.4.2038 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9253959 | |
| dc.description | Introduction. Currently deep learning or deep learning has applications of all kinds, tourism is not the exception, data mining has allowed optimizing processes within the tourism industry such as tourist demand, knowing the preference of people's tourist routes allows optimizing resources and propose improvements within this sector. Target. Determine if tourist routes can be classified by means of deep learning or deep learning tools. Methodology. The research design was qualitative, techniques such as the interview were used, for these two hypotheses are proposed, the first has to do with the relationship between the type of climate of the tourist destination and the preference of tourists, the second hypothesis is the verification of the conformation of tourist clusters based on the preference of the people. As verification tools, direct verification and the Weka program were used with the SimpleKMeans clusters option that allows the identification of tourists' preferences based on the data mining of 31 people. Results. The results indicate that the largest number of people interviewed prefer tourist destinations in hot climates, however, this was not a determining parameter in the formation of clusters. Conclusion. The study determined that it is possible to form clusters for the classification of tourist routes based on people's preferences. | en-US |
| dc.description | Introducción. Actualmente el deep learning o aprendizaje profundo tiene aplicaciones de todo tipo, el turismo no es la excepción, la minería de datos ha permitido optimizar procesos dentro de la industria del turismo como la demanda turística, conocer la preferencia de rutas turísticas de las personas permite optimizar recursos y plantear mejoras dentro de este sector. Objetivo. Determinar si se pueden clasificar rutas turísticas por medio de herramientas del deep learning o aprendizaje profundo. Metodología. El diseño de investigación fue cualitativo, se empleó técnicas como la entrevista, para ello se plantean dos hipótesis, la primera tiene que ver con la relación entre el tipo de clima del destino turístico y la preferencia de los turistas, la segunda hipótesis es la verificación de la conformación de clusters turísticos en base a la preferencia de las personas. Como herramientas de verificación se empleó la comprobación directa y el programa Weka con la opción de clusters SimpleKMeans que permite la identificación de las preferencias de los turistas en base a la minería de datos de 31 personas. Resultados. Los resultados indican que la mayor cantidad de personas entrevistadas prefieren destinos turísticos en climas calurosos, sin embargo, este no fue un parámetro determinante en la conformación de clusters. Conclusión. En el estudio se determinó que sí se puede formar clusters de clasificación de rutas turísticas en base a las preferencias de las personas. | es-ES |
| dc.format | application/pdf | |
| dc.format | text/plain | |
| dc.format | application/epub+zip | |
| dc.language | spa | |
| dc.publisher | Ciencia Digital Editorial | es-ES |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2038/4985 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2038/4986 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2038/6408 | |
| dc.rights | Derechos de autor 2022 ConcienciaDigital | es-ES |
| dc.source | ConcienciaDigital; Vol. 6 Núm. 1.4 (2023): Primer Congreso Científico Internacional en Ciencias Humanas y Ciencias de la Educación; 880-897 | es-ES |
| dc.source | ConcienciaDigital; Vol. 6 No. 1.4 (2023): Primer Congreso Científico Internacional en Ciencias Humanas y Ciencias de la Educación; 880-897 | en-US |
| dc.source | ConcienciaDigital; v. 6 n. 1.4 (2023): Primer Congreso Científico Internacional en Ciencias Humanas y Ciencias de la Educación; 880-897 | pt-BR |
| dc.source | 2600-5859 | |
| dc.source | 2600-5859 | |
| dc.source | 10.33262/concienciadigital.v6i1.4 | |
| dc.subject | deep learning, tourist routes, clusters, kmeans, weather | en-US |
| dc.subject | Universidad Técnica de Particular de Loja | es-ES |
| dc.title | Classification of tourist routes through deep learning | en-US |
| dc.title | Clasificación de rutas turísticas por medio de deep learning | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | Artículo revisado por pares | es-ES |