Predicción de la repetición de visitas en destinos rurales mediante aprendizaje automático: un caso de estudio en Sierra Nevada (España)

Abstract

A pesar del creciente interés por el turismo repetido como indicador de sostenibilidad rural, existen escasos estudios que integren enfoques predictivos avanzados. Este estudio analiza la capacidad de modelos de machine learning basados en datos de reconocimiento de matrículas (LPR) y encuestas. Tras contextualizar el turismo rural y el fenómeno del “repeat tourism” como motor de sostenibilidad económica y social, se describe una metodología mixta para predecir la repetición de visitas en tres pueblos rurales de Sierra Nevada (Granada). Primero, se realiza una recolección de datos mediante sensores LPR, cuestionarios presenciales e información contextual del Instituto Nacional de Estadística (INE). Segundo, una limpieza y detección de anomalías (Isolation Forest, Recorrido Intercuartílico (IQR), Z-Score). Por último, una transformación de variables seguida de normalización y estandarización. El modelo propuesto es una red neuronal con capas de autoatención, que supera un 3 % en F1-score a algoritmos clásicos (Árboles de Decisión, Regresión Logística, Support Vector Machine) y reduce el tiempo de entrenamiento en un 32 %. Los resultados permiten a ayuntamientos locales, empresas turísticas y comunidades diseñar campañas de fidelización, optimizar tarifas dinámicas y planificar rutas sostenibles ajustadas a picos de demanda. Se concluye que integrar machine learning y datos de LPR proporciona predicciones precisas y eficientes para la gestión de destinos rurales. Este trabajo contribuye a la literatura emergente sobre destinos inteligentes rurales, al demostrar el potencial de técnicas de deep learning con auto-atención aplicadas a muestras pequeñas, una problemática frecuente en contextos rurales.