최근 국민 삶의질 향상, 인구구조 변화 등에 따라 관광수요가 증가하고 관광활동 또한 다양화되고 있다. 특히 국가어항은 단순 한 어업 활동의 거점을 넘어 지역 경제, 관광, 문화까지 아우르는 복합 기능 공간으로 활용되고 있다. 본 연구는 부산 기장군에 위치한 대 변항을 대상으로 관광수요를 예측함으로써 정책적 활용이 가능한 기초자료를 제공하고자 한다. 2015년부터 2024년까지의 월별 위치 기반 방문객수를 입력 데이터로 설정하여 시계열 예측을 수행하였다. 연구방법론으로 전통적인 통계방법인 SARIMA를 기준으로 예측 정확도 를 향상시키기 위해 Hybrid model을 활용하였다. 특히 기존의 선형적 방법과 비선형 방법을 결합한 Hybrid model을 제안하고자 한다. 시계 열 구조적 분해방법인 STL 기법과 비구조적 잔차 제거 방법인 DAE 분석을 수행하였다. 즉 Trend와 Seasonal을 분해하는 STL과 머신 러닝 기반의 DAE를 활용하여 분해하고, 설명되지 않은 잔차를 대상으로 딥 러닝을 통해 예측함으로써 선형과 비선형 방법을 결합하여 예측 정확도를 제고하고자 한다. 분석결과, 연구진이 제안한 모델로 STL와 DAE를 활용하여 2중 분해하고 LSTM과 Attention을 결합한 Hybrid deep learning model이 가장 예측 정확도가 높았다. 향후 관광수요 예측에서는 분해와 잔차 기반의 노이즈 제거 과정을 거친 후, 딥 러닝 기 법을 결합하는 것이 정확성 측면에서 효과적인 방법임을 확인하였다. 본 연구는 연안 국가어항의 미래 관광수요를 전망함으로써, 관광추 세를 반영한 지속가능한 수요 대응 전략 수립 및 정책 의사결정에 기여할 수 있을 것으로 기대된다.

With the improvement of quality of life, diversification of leisure activities, and demographic shifts, tourism demand in Korea is increasing steadily, leading to greater diversity in tourism behavior. National fishing ports, in particular, evolved from simple fishing bases into multifunctional spaces that integrate local economies, tourism, and culture. This study aims to provide a policy-relevant foundation by forecasting tourism demand at Daebyeon Port in Gijang-gun, Busan. Monthly location-based visitor data from 2015 to 2024 were used to construct a time series forecasting model. This study used the Seasonal SARIMA (SARIMA) model as the baseline and employed a hybrid model to enhance forecasting accuracy by combining linear and nonlinear approaches. The Seasonal-Trend decomposition using Loess (STL) method was applied to extract trend and seasonality, while the Denoising Autoencoder (DAE) was used to eliminate unstructured residual noise. The decomposed components and residuals were then modeled using Long Short-Term Memory (LSTM) and attention-based deep learning techniques. The proposed hybrid model integrating double decomposition (STL + DAE), LSTM and attention mechanisms provided the highest forecasting accuracy among all tested models. The results confirm that combining decomposition and denoising prior to deep learning prediction substantially improves model precision.

요 약
Abstract
1. 서 론
2. 선행연구
3. 연구방법
    3.1 이론적 배경
    3.2 연구방법
4. 연구 결과
5. 결 론
Acknowledgement
References

• 황규원(한국해양과학기술원 연구원, 부산대학교 경영대학 박사과정) | Kyu Won Hwang (Researcher, Ocean Law and Policy Institute, Korea Institute of Ocean Science and Technology(KIOST), Busan, 49111, Korea, Ph.D. candidate, School of Business, Pusan National University, Busan, 46241, Korea)
• 이문숙(한국해양과학기술원 책임연구원) | Moon Suk Lee (Principal research scientist, Ocean Law and Policy Institute, Korea Institute of Ocean Science and Technology(KIOST), Busan, 49111, Korea)
• 이철용(부산대학교 경영대학 부교수, 부산대학교 미래지구환경연구소) | Chul-Yong Lee (Associate professor, School of Business, Pusan National University, Busan, 46241, Korea, Institute for Future Earth, Pusan National University, 2, Busandaehak-ro 63beon-gil, Geumjeong-gu, Busan, 46241, Korea) Corresponding author