INIT – Institut für Nachhaltige und Innovative Tourismusentwicklung
Refine
Year of publication
Document Type
- Article (25)
- Working Paper (12)
- conference proceeding (article) (7)
- Part of a Book (6)
- conference proceeding (volume) (4)
- Report (3)
- Preprint (2)
- Other (1)
Publication reviewed
- begutachtet (42)
- nicht begutachtet (15)
Keywords
- Carsharing (2)
- BayernCloud (1)
- Bitcoin (1)
- Blockchain (1)
- Digital transformation (1)
- Electric vehicle (1)
- FEB-NAFV (1)
- Generative adversarial network (1)
- Knowledge Graphs (1)
- Machine learning (1)
Tourism is an important economic driver for numerous regions, at- tracting more than one billion visitors annually. While economically significant, excessive numbers of visitors lead to local overcrowding, which negatively im- pacts visitors’ experience and safety, and causes environmental harm. This paper proposes a practical approach to empowering destination management organiza- tions (DMOs) to manage tourist flows. We advocate for a rule-based approach that models visitor occupancy based on easily understandable influence factors like weather and date. As a central component, an ontology-guided knowledge graph ensures compatibility with diverse touristic data models and allows seam- less integration into existing infrastructures. By digitizing DMOs’ experiential knowledge, we facilitate the implementation of lean and cost-effective visitor guidance. We demonstrate our approach by implementing two applications for two different use cases. The results of our qualitative evaluation reveal the com- pelling potential for rule-based occupancy modeling approaches serving as a baseline for future visitor management systems.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Füssen ländlicher Raum werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Sauerland (Winter) werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Sauerland (Sommer) werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Ruhrgebiet werden in diesem Bericht dargestellt.
Perception of Crowding
(2023)
One of the reasons for establishing digital visitor management systems can be to avoid overcrowding and crowding (Schmücker et al., 2022).
Objective data (counts) or subjective assessments by visitors, residents or businesses can be used to identify "overcrowding", "crowding", "crowdedness" or "crowding". This analysis is about the subjective perception of crowding by visitors in selected German destinations in summer 2022.
Wahrnehmung von Crowding
(2023)
Einer der Gründe für die Etablierung von digitalen Besuchermanagementsystemen kann die Vermeidung von Überfüllung und Gedränge sein.
Zur Identifizierung von „Überfüllung“, „Gedränge“, Crowdedness“ oder „Crowding“ können objektive Daten (Zählungen) oder subjektive Einschätzungen von Besuchenden, Einwohnerinnen und Einwohnern oder Unternehmen herangezogen werden. In dieser Analyse geht es um die subjektive Wahrnehmung von Crowding durch Besuchende in ausgewählten deutschen Destinationen im Sommer 2022.
Digitales Besuchermanagement beschreibt die Beeinflussung von Reise- und Ausflugsentscheidungen durch digitale Verfahren zur Vermeidung von Überlastungen in Destinationen. Es umfasst die Bereitstellung von Daten, die Datenhaltung, das Erarbeiten von Empfehlungen und das Ausspielen der Ergebnisse über digitale Touchpoints. Dieses Kapitel beschreibt die Ziele und Bestandteile eines digitalen Besuchermanagementsystems im Tourismus und bewertet Möglichkeiten und Grenzen. Abschließend werden offene Forschungsfelder definiert.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Ostsee werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Füssen Innenstadt werden in diesem Bericht dargestellt.
Carsharing is an integral part of the transformation toward flexible and sustainable mobility. New carsharing programs are entering the market to challenge large operators by offering innovative services. This study investigates the use of generative machine learning models for creating synthetic data to support carsharing decision–making when data access is limited. To this end, it explores the evaluation, selection, and implementation of leading-edge methods, such as generative adversarial networks (GANs) and variational autoencoders (VAEs), to generate synthetic tabular transaction data of carsharing trips. The study analyzes usage data of an emerging carsharing program that is expanding its services to include free-floating electric vehicles (EVs). The results show that augmenting real training data with synthetic samples improves predictive modeling of upcoming trips by up to 4.63%. These results support carsharing researchers and practitioners in generating and leveraging synthetic mobility data to develop solutions to real-world decision support problems in carsharing.
Sustainability is a critical challenge in modern tourism, exacerbated by climate change and globalization. Thanks to digitization, data-driven approaches constitute a key technology for addressing related issues, such as overtourism. However, the overarching complexity of the touristic data landscape, amplified by the interplay of diverse digital platform ecosystems, poses considerable challenges to both data owners and consumers. To mitigate such issues, knowledge graphs (KGs) have received significant attention. KGs focus on data quality by employing unified data models and continuous data refinements, making them well-suited for data-driven applications. Although promising, many challenges must be addressed to make KGs useful in practice. This paper overviews the state of the art of the field and identifies avenues for future research, explicitly focusing on touristic value and sustainability. Following our results, future research should focus on different areas, notably real-time knowledge graph population, distributed and parallelized processes, and ontologies for dynamic data types.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Nordsee Schleswig-Holstein - Sylt werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Nordsee Schleswig-Holstein - Speicherkoog werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Nordsee Schleswig-Holstein - Büsum werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets, das Informationsverhalten sowie die Offenheit für Lenkungssysteme zu erhalten. Die Ergebnisse der Befragungen im Use Case Nordsee Schleswig-Holstein - St. Peter-Ording werden in diesem Bericht dargestellt.
Green information systems are often praised for their potential to foster sustainability in citizens’ daily lives and meet their needs. With this focus on citizens, districts that use smart technologies provide a litmus test, the results of which will indicate how to design smart green information systems that better meet the needs and desires of citizens. To date, however, guidelines on how to design such green information systems in urban areas or actively involve citizens in this process are few and far between. In recognition and remedy of this shortage, the study draws on the design science research paradigm to develop seven design principles for citizen-centric green information systems that can be used in sustainable smart districts. These principles are evaluated in 15 semi-structured interviews and a prototype of a mobile district app for a citizen-centric green information system is instantiated. By taking this citizen-centric perspective, the paper fosters the active involvement of humans in the design of sustainable urban environments.
Executive Summary
Um die Ziele des Pariser Klimaabkommens zu erreichen, besteht rascher Handlungsbedarf in allen Sektoren. Dies gilt insbesondere für den Verkehrssektor, für den eine umfassende Transformation unumgänglich ist.
Aktuelle Forschungsarbeiten zeigen, dass neben der Elektrifizierung des motorisierten Individualverkehrs insbesondere der Ausbau und die Umsetzung alternativer Mobilitätsformen mit geringeren Treibhaus-gasemissionen (z.B. ÖPNV, Radfahren und Carsharing) aus Klimasicht zu bevorzugen und weiter voranzutreiben msind. Daher reicht es nicht aus, den derzeitigen Fahrzeugbestand mit Verbrennungsmotoren „einfach“ durch Fahrzeuge mit batterieelektrischem Antrieb zu ersetzen. Vielmehr müssen Wege gefunden werden, das Verhältnis von hergestellten Fahrzeugen und ihrer tatsächlichen Nutzung zu verbessern, um eine umfassende Reduktion der Treibhausgase im Bereich der individuellen Mobilität zu erreichen. Es ist daher notwendig, ein Bewusstsein für die Relevanz alternativer Mobilitätsformen (z.B. Mobilität-on-De-mand) zu schaffen und entsprechende Maßnahmen zum Ausbau dieser Mobilitätsformen zu ergreifen.
Due to the rapid growth of the tourism industry, associated effects like overcrowding, overtourism, and increasing greenhouse gas emissions lead to unsustainable development. A prerequisite for avoiding those adverse effects is the prediction of occupancy. The present study elaborates on the applicability and performance of various prediction models by taking a case study of beach occupancy data in Scharbeutz, Germany. The case study compares different machine learning models once as supervised machine learning models and once as time series models with a persistence model. XGBoost and Random Forest as time series demonstrate the most accurate prediction, followed by the supervised XGBoost model. However, the short prediction span of time series models is a disadvantage for longer-term visitor management to avoid the explained unsustainable effects through steering measures, so depending on the use case, the XGBoost model is to be favoured.
Durch die direkte Verbindung von Mobilität und Tourismus beeinflusst die fortschreitende Elektrifizierung des Verkehrs auch unmittelbar die Tourismusbranche. Öffentlich zugängliche Ladeinfrastruktur gewinnt immer mehr an Bedeutung und so werden auch an touristischen Zielorten Lademöglichkeiten nachgefragt. Doch gerade dort stellt der wirtschaftliche Betrieb eine große Herausforderung dar. Grund hierfür sind vor allem volatile Ladebedarfe, die hohe Lastspitzen und aufgrund der Bepreisung im deutschen Stromsystem hohe Kosten nach sich ziehen können. Nach einer kurzen Darstellung der aktuellen Kostenstruktur von Ladeinfrastruktur werden daher touristische Zielorte anhand verschiedener Ausprägungen, die das Lastprofil und damit die Kosten beeinflussen können, charakterisiert. Anschließend werden vielfältige, insbesondere durch die Digitalisierung realisierbare, Lösungsansätze aufgezeigt und mögliche zukünftige Entwicklungen diskutiert.