Estimación del Número de Visitantes a Destinos Turísticos en Puno, Perú, Aplicando Técnicas de Machine Learning.

La presente investigación tuvo como objetivo principal estimar el número total de visitantes a los destinos turísticos en Puno, Perú, mediante la aplicación de técnicas avanzadas de aprendizaje automático. Para ello, se empleó una base de datos única para Puno, que abarca el período de 2014 a 2024, e incorpora indicadores socioeconómicos, ambientales y de comportamiento en línea. Los algoritmos de aprendizaje automático específicos evaluados incluyeron Regresión Lineal (RL), Random Forest (RF) y K-Nearest Neighbors (KNN). La evaluación del rendimiento de los modelos se realizó utilizando métricas como R² (coeficiente de determinación), Error Absoluto Medio (MAE) y Error Cuadrático Medio (RMSE). Los hallazgos clave revelaron que, entre los modelos evaluados, Random Forest demostró el rendimiento más robusto, obteniendo un MAE de 32827.1 y un RMSE de 37449.88. Es crucial destacar que, si bien Random Forest fue el de mejor desempeño relativo, todos los modelos exhibieron valores de R² negativos (RL: -0.5855, RF: -0.0741, KNN: -0.8385). Este resultado indica que, a pesar de la complejidad de los factores que influyen en el turismo, el modelo de conjunto fue el más adecuado para capturar las relaciones no lineales y la variabilidad en la demanda turística de Puno, aunque la capacidad explicativa general de los modelos fue limitada, operando por debajo de un modelo de línea base que predice la media. Asimismo, se confirmó la influencia significativa observada a partir de variables específicas de Puno, como las condiciones climáticas (temperatura, precipitación), los conflictos sociales y los feriados largos nacionales, en la dinámica del flujo turístico. Las implicaciones prácticas de estos resultados son cruciales para mejorar la gestión turística, la planificación estratégica y el fomento del desarrollo sostenible en la región de Puno, subrayando el papel fundamental de la toma de decisiones basada en datos. El estudio subraya la complejidad inherente al pronóstico de la demanda turística en contextos regionales específicos como Puno y la necesidad de enfoques analíticos que puedan capturar relaciones no lineales.