| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Ντάγκα, Ελένη | |
| dc.date.accessioned | 2026-03-05T11:37:03Z | |
| dc.date.available | 2026-03-05T11:37:03Z | |
| dc.date.issued | 2026-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18967 | |
| dc.description.abstract | Ο τουρισμός αποτελεί έναν από τους πλέον δυναμικούς τομείς της παγκόσμιας οικονομίας, με
καθοριστική επίδραση στην ανάπτυξη, την απασχόληση και τη διαμόρφωση στρατηγικών. Η αυξανόμενη
πολυπλοκότητα της ζήτησης καθιστά αναγκαία την αξιοποίηση σύγχρονων υπολογιστικών μεθόδων για
πρόβλεψη και κατανόηση κρίσιμων παραμέτρων. Σε αυτό το πλαίσιο, η Μηχανική Μάθηση προσφέρει
δυνατότητες πρόβλεψης κόστους, εντοπισμού προτύπων και υποστήριξης εξατομικευμένων υπηρεσιών.
Η παρούσα εργασία βασίζεται σε μικρό σύνολο δεδομένων (137 δείγματα) από το Kaggle “Traveler details
dataset”, που περιλαμβάνει πληροφορίες όπως ο προορισμός, η διάρκεια, η εθνικότητα ταξιδιωτών, ο
τύπος καταλύματος, το μέσο μεταφοράς και σχετικά κόστη. Η περιορισμένη διάσταση του δείγματος
αποτελεί πρόκληση, απαιτώντας προσεκτική επεξεργασία για την εξαγωγή αξιόπιστων συμπερασμάτων.
Η εργασία περιλαμβάνει την πρόβλεψη του κόστους διαμονής και μεταφοράς και την ομαδοποίηση
ταξιδιωτών με βάση δημογραφικά και ταξιδιωτικά χαρακτηριστικά. Για την πρόβλεψη κόστους
εφαρμόστηκαν οι αλγόριθμοι Random Forest Regressor και CatBoost Regressor, ενώ για την ομαδοποίηση
χρησιμοποιήθηκε η τεχνική K-Modes. Τα μοντέλα παλινδρόμησης απέδωσαν ικανοποιητική ακρίβεια
στην εκτίμηση κόστους διαμονής και μεταφοράς, ενώ η ομαδοποίηση ανέδειξε διακριτά προφίλ
ταξιδιωτών βάσει εθνικότητας, ηλικίας, τύπου καταλύματος και εποχικότητας ταξιδιού.
Τα ευρήματα δείχνουν ότι ακόμη και σε μικρά σύνολα δεδομένων η Μηχανική Μάθηση μπορεί να
προσφέρει χρήσιμες γνώσεις για τη συμπεριφορά των ταξιδιωτών. Η αξιοποίησή τους μπορεί να
συμβάλει στη διαμόρφωση στοχευμένων στρατηγικών μάρκετινγκ και δυναμικής τιμολόγησης,
ενισχύοντας την ικανότητα των τουριστικών επιχειρήσεων να κατανοούν τη ζήτηση και να βελτιώνουν
την εμπειρία των επισκεπτών. Τέλος, επισημαίνεται η ανάγκη για μεγαλύτερα και πιο αντιπροσωπευτικά
σύνολα δεδομένων, ώστε να ενισχυθεί περαιτέρω η αξιοπιστία και η πρακτική εφαρμογή των μοντέλων
στον τουριστικό κλάδο. | el |
| dc.format.extent | 70 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Προβλεπτική ανάλυση κόστους διαμονής και μεταφοράς και ομαδοποίηση ταξιδιωτών με χρήση μηχανικής μάθησης σε περιορισμένο σύνολο δεδομένων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Tourism is one of the most dynamic sectors of the global economy, with a decisive impact on development,
employment, and strategic planning. The increasing complexity of demand makes it necessary to utilize
modern computational methods for forecasting and understanding critical parameters. In this context,
Machine Learning offers capabilities for cost prediction, pattern detection, and the support of personalized
services.
This study is based on a small dataset (137 samples) from Kaggle’s “Traveler details dataset,” which
includes information such as destination, trip duration, traveler nationality, accommodation type, means
of transportation, and related costs. The limited size of the dataset presents a challenge, requiring careful
processing in order to extract reliable conclusions.
The research focuses on predicting accommodation and transportation costs and clustering travelers
based on demographic and travel-related characteristics. For cost prediction, the Random Forest Regressor
and CatBoost Regressor algorithms were applied, while for clustering the K-Modes technique was used.
The regression models achieved satisfactory accuracy in estimating accommodation and transportation
costs, while clustering revealed distinct traveler profiles based on nationality, age, accommodation type,
and travel seasonality.
The findings indicate that even small datasets can enable Machine Learning to provide valuable insights
into traveler behavior. Such insights can support the design of targeted marketing strategies and dynamic
pricing, enhancing the ability of tourism enterprises to understand demand and improve visitor
experience. Finally, the need for larger and more representative datasets is highlighted, in order to further
strengthen the reliability and practical application of the models in the tourism sector. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Τουρισμός | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πρόβλεψη κόστους | el |
| dc.subject.keyword | Ομαδοποίηση | el |
| dc.subject.keyword | Random Forest | el |
| dc.subject.keyword | CatBoost | el |
| dc.subject.keyword | K-Modes | el |
| dc.date.defense | 2026-02-24 | |
