Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Esta obra est´a bajo una Licencia
Creative Commons Atribuci´on
4.0 Internacional.
Tipo de art´ıculo: Art´ıculos de revisi´on
Tem´atica: Inteligencia artificial
Recibido: 13/11/2025 | Aceptado: 2/1/2026 | Publicado: 30/3/2026
Identificadores persistentes:
DOI: 10.48168/innosoft.s29.a340
ARK: ark:/42411/s29.a340
An´alisis comparativo del uso de Inteligencia Artificial
aplicadas en Sistemas de Informaci´on Georreferencial (GIS)
para optimizaci´on de experiencias tur´ısticas
Comparative analysis of the use of Artificial Intelligence ap-
plied to Georeferenced Information Systems (GIS) for opti-
mizing tourist experiences
Javier Robinson Herrera Lopez
1[0009-0006-8712-8286]*
, Tatiana Mercedes Suarez
Rosas
2[0000-1111-2222-3333]
1
Universidad de San Mart´ın de Porres, Lima, Per´u. javier_herrera1@usmp.pe
2
Universidad de San Mart´ın de Porres, Lima, Per´u. tatiana_suarez@usmp.pe
∗
Autor para correspondencia: javier_herrera1@usmp.pe
Resumen
El turismo hoy en d´ıa tiene varios retos, como ofrecer experiencias m´as personalizadas, prever la demanda
y gestionar los recursos de forma sostenible. Los m´etodos tradicionales a menudo no alcanzan a manejar
grandes vol´umenes de datos y adaptarse a las circunstancias cambiantes. Este estudio se enfoc´o en c´omo la
Inteligencia Artificial, junto con Sistemas de Informaci´on Georreferencial, puede enriquecer las experiencias
tur´ısticas, comparando su efectividad con las formas m´as tradicionales. Se llev´o a cabo una revisi´on sistem´atica
siguiendo las pautas de PRISMA, se realiz´o b´usquedas exhaustivas en once bases de datos multidisciplinarias
.Se incluyeron estudios emp´ıricos publicados entre 2020 y 2025 que mostraran una integraci´on tecnol´ogica
con validaci´on m´etrica. De un total de 80 registros iniciales, se revisaron 69 art´ıculos completos usando una
matriz estructurada que consider´o metodolog´ıas, tecnolog´ıas utilizadas, contextos y m´etricas de evaluaci´on.
Los resultados mostraron un predominio de estudios cuantitativos que emplearon datos secundarios y modelos
de aprendizaje profundo. Tambi´en se destac´o el rendimiento en cuatro ´areas clave: sistemas de recomendaci´on
inteligentes con una precisi´on superior al 85 (con valores individuales entre 83/
Palabras claves: Inteligencia Artificial, Sistemas de Informaci´on Geogr´afica, GIS, Turismo inteligente, Ma-
chine Learning, Deep Learning, Optimizaci´on de rutas tur´ısticas, An´alisis geoespacial
Abstract
Tourism today faces several challenges, such as offering more personalized experiences, forecasting demand, and
managing resources sustainably. Traditional methods often struggle to handle large volumes of data and adapt
to changing circumstances. This study focused on how Artificial Intelligence, along with Geographic Informa-
tion Systems, can enrich tourism experiences, comparing its effectiveness with more traditional approaches.
A systematic review was conducted following the PRISMA guidelines, with comprehensive searches performed
in eleven multidisciplinary databases. Empirical studies published between 2020 and 2025 that demonstrated
technological integration with metric validation were included. Of an initial 80 records, 69 full articles were
reviewed using a structured matrix that considered methodologies, technologies used, contexts, and evaluation
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
154
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
metrics. The results showed a predominance of quantitative studies employing secondary data and deep learning
models. Performance was also highlighted in four key areas: intelligent recommendation systems with accuracy
exceeding 85 % (with individual values between 83 % and 96.3 %), multi-objective optimization algorithms that
integrate personal preferences and environmental sustainability, predictive models with a strong capacity to
forecast tourist flows, and management platforms that offer real-time monitoring along with predictive alerts.
The main limitations of the study were methodological diversity and the lack of experimental research in Latin
American contexts. The combination of Artificial Intelligence and Georeferenced Information Systems fosters
more personalized and sustainable tourism management.
Keywords: Artificial Intelligence, Geographic Information Systems, GIS, Smart Tourism, Machine Learning,
Deep Learning, Tourist Route Optimization, Geospatial Analysis
Introducci´on
En el mundo digital de hoy, el sector tur´ıstico a nivel global est´a pasando por un cambio radical gracias a la
fusi´on de tecnolog´ıas emergentes como la Inteligencia Artificial (IA) y los Sistemas de Informaci´on Geogr´afica
(SIG). Estas tecnolog´ıas est´an reformulando de manera fundamental c´omo operan, gestionan y brindan ex-
periencias personalizadas los destinos tur´ısticos [1, 2]. Esta revoluci´on tecnol´ogica ha impulsado el desarrollo
del concepto de destinos tur´ısticos inteligentes, donde la mezcla de datos georreferenciados con algoritmos
de aprendizaje autom´atico permite mejorar desde la planificaci´on del territorio hasta la personalizaci´on de
itinerarios en tiempo real [3,4] . La IA en el turismo, incluyendo redes neuronales profundas, procesamiento de
lenguaje natural y an´alisis predictivo, est´a proporcionando capacidades sin precedentes para entender los pa-
trones de movilidad tur´ıstica, anticipar los flujos de visitantes y sugerir experiencias altamente personalizadas
teniendo en cuenta las preferencias individuales y limitaciones temporales y espaciales [5–7].
A pesar del aumento en la inversi´on en soluciones tecnol´ogicas de IA y SIG para el turismo, evidenciado por
un aumento del 51.06 % en publicaciones cient´ıficas entre 2023 y 2024 en este campo [8] , la informaci´on sobre
la comparaci´on de la efectividad de distintas t´ecnicas de Machine Learning y Deep Learning junto con an´alisis
geoespacial sigue estando dispersa [9] . Estudios recientes indican que, aunque t´ecnicas como la Regresi´on de
Vectores de Soporte superan a los modelos tradicionales en previsiones a largo plazo [10] y arquitecturas de deep
learning como las CNN con mecanismos de atenci´on multi-cabeza logran m´as precisi´on que modelos recursivos
en la predicci´on de la demanda tur´ıstica [11] , hay una notable falta de marcos metodol´ogicos unificados
que permitan comparar de manera sistem´atica el rendimiento de estas t´ecnicas en contextos geoespaciales
espec´ıficos. Adem´as, aunque se ha visto que mezclar redes neuronales convolucionales con realidad aumentada
puede lograr precisiones de m´as del 90 % en el reconocimiento de recursos tur´ısticos georreferenciados [12] , y
que los modelos h´ıbridos basados en grafos son m´as precisos que los m´etodos tradicionales para prever flujos
entre destinos [13] , todav´ıa hay ´areas cr´ıticas que necesitamos entender mejor. En particular, no est´a claro
qu´e combinaciones espec´ıficas de t´ecnicas de IA y an´alisis espacial son las que dan los mejores resultados en
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
155
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
´areas tur´ısticas como la personalizaci´on de experiencias, la predicci´on de demanda, la optimizaci´on de rutas y
la gesti´on de carga [14, 15].
Esta investigaci´on tiene como objetivo responder las siguientes preguntas de investigaci´on:
¿Qu´e t´ecnicas de Machine Learning o Deep Learning integradas con an´alisis geoespacial mejoran la personali-
zaci´on de experiencias tur´ısticas y cu´al es su rendimiento comparado con sistemas tradicionales?
¿C´omo los modelos de Deep Learning combinados con an´alisis espacial/espaciotemporal mejoran la predic-
ci´on de demanda tur´ıstica, flujos de visitantes y patrones de movilidad, comparado con modelos estad´ısticos
tradicionales?
¿De qu´e manera la integraci´on de IA con SIG optimiza la gesti´on operativa de destinos tur´ısticos (planificaci´on
territorial, evaluaci´on de recursos, monitoreo en tiempo real, gesti´on de capacidad de carga)?
¿Qu´e tan efectiva es la integraci´on de modelos predictivos de IA con an´alisis espacial Sistemas de Informaci´on
Georeferencial optimiza la gesti´on de recursos tur´ısticos?
Tambi´en se abordar´an otras cuestiones sobre c´omo los modelos de Deep Learning, combinados con an´alisis
espacial o espaciotemporal, pueden mejorar la predicci´on de la demanda tur´ıstica y los patrones de visitantes
frente a los modelos estad´ısticos m´as tradicionales. Adem´as, se estudiar´a c´omo la integraci´on de la IA con los
SIG puede optimizar la gesti´on operativa de los destinos, abarcando desde la planificaci´on del territorio y el
monitoreo en tiempo real hasta la gesti´on de la carga, y qu´e tan eficiente es esta combinaci´on en la gesti´on de
recursos tur´ısticos [16–18].
Se espera que los resultados de esta revisi´on ofrezcan un marco metodol´ogico s´olido y fundamentado en eviden-
cia, que pueda guiar a investigadores, desarrolladores de sistemas inteligentes y administradores de destinos
tur´ısticos en la elecci´on de las t´ecnicas de IA y SIG m´as adecuadas seg´un sus objetivos espec´ıficos. Esto facili-
tar´a el progreso en la comprensi´on del turismo inteligente al organizar resultados emp´ıricos que est´an por ah´ı
y destacar las mejores pr´acticas que ya han funcionado [19–21] . Esta investigaci´on es especialmente impor-
tante en el contexto latinoamericano y peruano, donde destinos emergentes necesitan estrategias tecnol´ogicas
validadas para competir a nivel mundial, mientras que tambi´en buscan preservar la sostenibilidad y la equidad
en el desarrollo tur´ıstico [22, 23].
El art´ıculo presenta en la secci´on 2 una revisi´on del estado del arte sobre IA y SIG aplicados al turismo, identi-
ficando enfoques metodol´ogicos predominantes y tecnolog´ıas emergentes. La secci´on 3 describe la metodolog´ıa
de revisi´on utilizada, incluyendo estrategias de b´usqueda, criterios de selecci´on y los procesos de extracci´on
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
156
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
de datos que siguen los protocolos PRISMA , realizando b´usquedas exhaustivas en once bases de datos multi-
disciplinarias. De un total de 80 registros identificados inicialmente, se incluyeron 69 art´ıculos completos que
cumpl´ıan los criterios de inclusi´on, todos enfocados en la integraci´on de IA y SIG en contextos tur´ısticos. En
la secci´on 4 se muestran los resultados del an´alisis cienciom´etrico. En la secci´on 5 se tratan los hallazgos m´as
importantes, haciendo una comparaci´on de la efectividad de varios enfoques y se˜nalando patrones, tendencias
y contradicciones en lo que se ha publicado. La secci´on 6 se centra en las limitaciones de esta revisi´on y su-
giere posibles l´ıneas de investigaci´on para el futuro. Finalmente, en la secci´on 7, se presentan las conclusiones,
donde se ofrecen recomendaciones pr´acticas para implementar soluciones de IA y SIG en destinos tur´ısticos
inteligentes.
Materiales y m´etodos o Metodolog´ıa computacional
Metodolog´ıa
La metodolog´ıa utilizada para esta investigaci´on utiliza el m´etodo mixto, que combina el an´alisis cienciom´etrico
[24] que proporciona un examen sist´emico de las publicaciones, tendencias, brechas, as´ı como los principales
investigadores, instituciones, revistas m´as influyentes respecto al An´alisis comparativo del uso de Inteligencia
Artificial aplicadas en Sistemas de Informaci´on Georreferencial para optimizaci´on de experiencias tur´ısticas;
para el an´alisis bibliom´etrico los investigadores han usado Google Colab, Pandas, adem´as de Rayyan. Mientras
que la Revisi´on de Alcance- Scoping Review [25], permite asegurar la alta calidad de la evidencia al resumir
exhaustivamente toda la investigaci´on existente sobre una pregunta espec´ıfica, la reducci´on del sesgo al usar
m´etodos transparentes y replicables, y la capacidad de generar conclusiones m´as precisas y confiables. Esta
investigaci´on est´a basada en el framework PICO [26] y el protocolo revisi´on sistem´atica OSF [27] el cual
consiste en 10 etapas principales, conocidas como: AA, migraci´on, an´alisis, visualizaci´on, ver Tabla 1. Para la
escritura se us´o Prisma [28].
Los autores/ el autor propone todas las etapas de manera secuencial, para para comprender el alcance actual
de la Inteligencia Artificial y Sistemas Geoespaciales en rutas tur´ısticas. Los datos se recopilaron de las bases
de datos Google Acad´emico, IEEE, ACM, ARXIV, FRONTIERS, MDPI y Semantic Scholar. Se han utilizado
palabras clave espec´ıficas para las variables Inteligencia Artificial, Sistemas de informaci´on georreferencial,
Rutas tur´ısticos y un marco temporal de 13 a˜nos. Se Identificaron 80 art´ıculos, Se eliminaron los duplicados y
los 69 documentos restantes se importaron a Zotero y se analizaron utilizando el software Excel, python con
pandas y google calab. El an´alisis incluye la co-ocurrencia de palabras clave, la autor´ıa, los pa´ıses y las fuentes
para comprender la relaci´on de la red de autores.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
157
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Tabla 1. Resumen de la revisi´on
Etapa Actividad Resultado Metodolog´ıa Herramienta
Planificaci´on Revisi´on de
Literatura
informal
An´alisis comparativo del uso de
Inteligencia Artificial aplicadas
en Sistemas de Informaci´on Geo-
rreferencial para optimizaci´on de
experiencias tur´ısticas
[29] Google
acad´emico,
Semantic
Scholar, Con-
sensus
Definir la
pregunta
¿C´omo contribuyen el uso de In-
teligencia Artificial y Sistemas de
Informaci´on Geogr´afica a la me-
jora en la personalizaci´on de ex-
periencias tur´ısticas, en compa-
raci´on con m´etodos tradiciona-
les?
[26] Word, Claude,
Perplexity, Ex-
cel
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
158
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Etapa Actividad Resultado Metodolog´ıa Herramienta
Identificaci´on
de GAP
¿Qu´e t´ecnicas de Machine Lear-
ning o Deep Learning integra-
das con an´alisis geoespacial me-
joran la personalizaci´on de ex-
periencias tur´ısticas y cu´al es
su rendimiento comparado con
sistemas tradicionales? ¿C´omo
los modelos de Deep Learning
combinados con an´alisis espa-
cial/espaciotemporal mejoran la
predicci´on de demanda tur´ıstica,
flujos de visitantes y patrones de
movilidad, comparado con mo-
delos estad´ısticos tradicionales?
¿De qu´e manera la integraci´on
de IA con SIG optimiza la ges-
ti´on operativa de destinos tur´ısti-
cos (planificaci´on territorial, eva-
luaci´on de recursos, monitoreo en
tiempo real, gesti´on de capacidad
de carga)? ¿Qu´e tan efectiva es
la integraci´on de modelos predic-
tivos de IA con an´alisis espacial
Sistemas de Informaci´on Georre-
ferencial optimiza la gesti´on de
recursos tur´ısticos?
[30] Word, Claude,
Perplexity, Ex-
cel
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
159
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Etapa Actividad Resultado Metodolog´ıa Herramienta
Definici´on
y refina-
miento de
la Pregunta
de investi-
gaci´on
Lista de Inclusi´on: Las Sub-
preguntas Lista de exclusi´on:
Dise˜no del estudio: Revisiones
te´oricas sin aplicaci´on pr´actica
Sujetos: Contextos no tur´ısticos
Tama˜no muestral: Datasets insu-
ficientes para modelado predicti-
vo robusto. Intervenciones: Uso
b´asico de GPS o mapas est´ati-
cos sin an´alisis inteligente, Siste-
mas sin IA (ML/DL) integrada
con geoespacial, Implementacio-
nes que usen solo una tecnolog´ıa
de forma aislada An´alisis: M´eto-
dos exclusivamente cualitativos
[31]
B´usqueda Identificaci´on
de palabras
clave.
(
¨
Inteligencia Artificial.
O
R
.
A
rtificial Intelligence”) AND
(”Sistemas de Informaci´on
Geogr´afica.
O
R ”Geographic
Information Systems.
O
R GIS)
AND (Rutas tur´ısticas.
O
R
”Tourist routes.
O
R ”Tourism
planning”)
[31] Claude,
ChatGPT,
bd, Excel
Validaci´on
de las
palabras
clave.
Inteligencia Artificial, Sistemas
de informaci´on georeferencial,
Rutas turisticos
[32] Claude,
ChatGPT,
Excel
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
160
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Etapa Actividad Resultado Metodolog´ıa Herramienta
Cadenas de
b´usqueda
por BD
(
¨
Inteligencia Artificial.
O
R
.
A
rtificial Intelligence”) AND
(”Sistemas de Informaci´on
Geogr´afica.
O
R ”Geographic
Information Systems.
O
R GIS)
AND (Rutas tur´ısticas.
O
R ”Tou-
rist routes.
O
R ”Tourism plan-
ning”) (.
A
rtificial Intelligence.
O
R
”Machine Learning”) AND
(”Geographic Information
System.
O
R GIS OR ”Geospatial
analysis”) AND (”Tourism.
O
R
”Tourist routes.
O
R ”Travel
route optimization”) (.
A
rtificial
Intelligence.
O
R .
A
I”) AND
(”Geographic Information
System.
O
R GIS OR ”Spatial Da-
ta Systems”) AND (”Tourism.
O
R
”Tourist routes.
O
R ”Travel re-
commendations”) Artificial
Intelligence Geospatial and tou-
rism (.
A
rtificial Intelligence.
O
R
”Machine Learning”) AND
(”Geographical Information
Systems.
O
R ”Geospatial Data”)
AND (”Tourism.
O
R ”Tourist
Routes.
O
R ”Smart Tourism”)
(.
A
rtificial Intelligence.
O
R .
A
I.
O
R
”Machine Learning”) AND
(”Geographic Information
System.
O
R GIS OR ”Geospatial
analysis”) AND (”Tourism.
O
R
”Tourist route.
O
R ”Destination
management”) Artificial Intelli-
gence AND GIS AND Tourism
artificial intelligence OR ma-
chine learning AND geographic
information systems OR GIS
OR geospatial technology AND
tourism OR tourist route OR
travel recommendation
(Medina et al.,
2023
Claude,
ChatGPT,
bd, Excel
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
161
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Etapa Actividad Resultado Metodolog´ıa Herramienta
Selecci´on de
BD
Ejecuci´on
de cadenas.
(.
A
rtificial Intelligence.
O
R .
A
I.
O
R
”Machine Learning”) AND
(”Geographic Information
System.
O
R GIS OR ”Geospatial
analysis”) AND (”Tourism.
O
R
”Tourist route.
O
R ”Destination
management”)
(Medina et al.,
2023
Selecci´on de
BD.
MDPI [33] Google
Selecci´on y
evaluaci´on
Identifica
estudios.
Dataset (Medina et al.,
2023
Excel
Elimina du-
plicados
0 (Medina et al.,
2023
Rabbit
Criba por
t´ıtulo y
resumen.
80 ( se us´o la lista de exclusi´on e
inclusi´on)
(Medina et al.,
2023
Excel
Criba por
texto com-
pleto.
80 ( se identific´o los tipos de tec-
nolog´ıa, m´etodo / clase, herra-
mientas, temas tur´ısticos)
(Medina et al.,
2023
Excel
Eval´ua la
calidad
DataSet refinada, DATA (Medina et al.,
2023
Excel
Bibliometr´ıa Importar
datos a he-
rramientas
para biblio-
metr´ıa.
Se import´o 70 datos de los art´ıcu-
los recapitulados.
[34] Google Colab
Refinar
par´ametros
para el
an´alisis bi-
bliom´etrico.
Se uso Google Colab para el
an´alisis bibliom´etrico.
(Sustacha Me-
lijosa, 2022)
Google Colab
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
162
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Etapa Actividad Resultado Metodolog´ıa Herramienta
identificaci´on
de cl´uste-
res.
Todos los art´ıculos fueron agru-
pados. Mayor detalle en Ficha de
Investigador
(Sustacha Me-
lijosa, 2022)
Google Colab
An´alisis bi-
bliom´etrico
Se identifico que el pa´ıs con ma-
yor papers incluido en nuestra
l´ınea de investigaci´on es Per´u y
le sigue China.
(Sustacha Me-
lijosa, 2022)
Google Colab
S´ıntesis Extrae da-
tos y s´ınte-
sis de datos
Resultados organizados Revisi´on de al-
cance (Scoping
Review)
Word, Excel
Redacci´on Elaboraci´on
de informe
Articulo Final Informe Revisi´on de al-
cance (Scoping
Review)
Word
Justificaci´on Analizar la IA y los SIG est´an
transformando la gesti´on tur´ısti-
ca, identificando vac´ıos y avances
recientes en el ´area.
PRISMA, PI-
CO
Word
Nota: Elaboraci´on propia
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
163
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Nota: Descripci´on general se muestra en: PRISMA Flow Diagram (shinyapps.io)
Selecci´on de la base de datos y recopilaci´on de datos
Esta revisi´on utiliz´o un enfoque multi-base de datos para garantizar una cobertura exhaustiva de la literatura
cient´ıfica relacionada con la inteligencia artificial (V1), los sistemas de informaci´on georreferencial (V2) y las
rutas tur´ısticas (V3). Se seleccionaron siete bases de datos principales considerando su relevancia en el campo
de la investigaci´on tecnol´ogica y tur´ıstica, as´ı como su accesibilidad y cobertura tem´atica espec´ıfica.
Google Acad´emico se emple´o como base de datos principal debido a su amplia cobertura multidisciplinaria
y su capacidad para indexar publicaciones de diversas fuentes, incluyendo revistas cient´ıficas, tesis, libros
y documentos t´ecnicos relacionados con aplicaciones de inteligencia artificial en contextos geoespaciales y
tur´ısticos. IEEE Explorer y ACM Digital Library se incorporaron espec´ıficamente para acceder a literatura
especializada en ciencias de la computaci´on, inteligencia artificial y sistemas de informaci´on, proporcionando
acceso a conferencias y revistas de alto impacto en el desarrollo de tecnolog´ıas aplicadas.
Arxiv se incluy´o para capturar investigaciones emergentes y preprints en inteligencia artificial y aprendizaje
autom´atico que a´un no han sido publicados en revistas formales, permitiendo identificar tendencias recientes
en la aplicaci´on de algoritmos de IA para optimizaci´on de rutas y an´alisis geoespacial. Las plataformas Fron-
tiers y MDPI se seleccionaron por su enfoque en publicaciones de acceso abierto y su creciente relevancia en
investigaciones interdisciplinarias que combinan tecnolog´ıa, geograf´ıa y turismo sostenible.
Adicionalmente, se utilizaron herramientas especializadas de gesti´on bibliogr´afica y descubrimiento de litera-
tura. Research Rabbit (Rabbit) se emple´o para identificar conexiones entre publicaciones y descubrir investi-
gaciones relacionadas mediante an´alisis de redes de citaci´on, facilitando la identificaci´on de trabajos relevantes
que podr´ıan no aparecer en b´usquedas tradicionales. Semantic Scholar complement´o la b´usqueda mediante su
sistema de recomendaci´on basado en inteligencia artificial, permitiendo identificar art´ıculos altamente citados
y con mayor impacto en la intersecci´on de las tres variables de estudio.
La combinaci´on de estas bases de datos permiti´o una cobertura comprehensiva de literatura cient´ıfica des-
de m´ultiples perspectivas disciplinarias, abarcando desde aspectos t´ecnicos de implementaci´on de IA y SIG
hasta aplicaciones pr´acticas en el sector tur´ıstico, garantizando as´ı la robustez y exhaustividad de la revisi´on
bibliogr´afica.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
165
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Estrategia de selecci´on de palabras clave, criterio de inclusi´on y exclusi´on
La revisi´on utiliz´o un enfoque multi-base de datos para extraer datos bibliogr´aficos utilizando palabras clave
seleccionadas en funci´on del alcance de la investigaci´on sobre inteligencia artificial, sistemas de informaci´on
georeferencial y rutas tur´ısticas. Se emplearon principalmente Google Acad´emico, IEEE Explorer, ACM Digital
Library, Arxiv, Frontiers, MDPI, Research Rabbit y Semantic Scholar porque estas bases de datos, en conjun-
to, proporcionan una cobertura comprehensiva de art´ıculos en comparaci´on con bases de datos individuales.
Adem´as, se verific´o que existe una superposici´on significativa entre estas plataformas, permitiendo validar la
relevancia de los art´ıculos encontrados mediante b´usquedas cruzadas en las diferentes bases de datos. Se llev´o
a cabo una revisi´on documental de los documentos pertinentes para probar la fiabilidad de las palabras clave
antes de realizar b´usquedas exhaustivas en cada base de datos.
La primera cadena de b´usqueda en Google Acad´emico dio como resultado 1,540 art´ıculos, de los cuales se
seleccionaron 6 despu´es de aplicar los criterios de inclusi´on y exclusi´on. La segunda cadena de b´usqueda en
IEEE Explorer dio como resultado 53 art´ıculos, seleccion´andose 4. La tercera cadena en ACM Digital Library
arroj´o 552 art´ıculos, de los cuales se seleccionaron 6.
La b´usqueda en Arxiv dio como resultado 10 art´ıculos, seleccion´andose 9. En Frontiers, gener´o 263 art´ıculos,
de los cuales se seleccionaron 9. La b´usqueda en MDPI produjo 20 art´ıculos, seleccion´andose 12. En Research
Rabbit dio como resultado 46 art´ıculos, seleccion´andose 1. Finalmente, Semantic arroj´o 251 art´ıculos, de los
cuales se seleccionaron 6.
Los criterios de inclusi´on y exclusi´on incluyeron trabajos de ciencias de la computaci´on, ingenier´ıa, ciencias
ambientales, geograf´ıa y turismo, publicados en los ´ultimos 13 a˜nos, desde 2012 hasta 2025 y escritos en ingl´es
o espa˜nol. Se encontraron un total de 2,735 art´ıculos en las bases de datos y se seleccionaron 53 art´ıculos
relevantes que fueron importados a los gestores de referencias para su an´alisis detallado.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
166
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Tabla 2. Art´ıculos seleccionados para el trabajo por cada base de datos
Nombre Resultado Seleccionados Cadenas de b´usqueda
Google Acad´emi-
co
1540 6 (
¨
Inteligencia Artificial.
O
R .
A
rtificial Intelligence”) AND
(”Sistemas de Informaci´on Geogr´afica.
O
R ”Geographic In-
formation Systems.
O
R GIS) AND (Rutas tur´ısticas.
O
R
”Tourist routes.
O
R ”Tourism planning”)
IEEE Explorer 53 4 (.
A
rtificial Intelligence.
O
R ”Machine Learning”) AND (”Geo-
graphic Information System.
O
R GIS OR ”Geospatial analy-
sis”) AND (”Tourism.
O
R ”Tourist routes.
O
R ”Travel route
optimization”)
ACM digital
Learning
552 6 (.
A
rtificial Intelligence.
O
R .
A
I”) AND (”Geographic Infor-
mation System.
O
R GIS OR ”Spatial Data Systems”) AND
(”Tourism.
O
R ”Tourist routes.
O
R ”Travel recommenda-
tions”)
Arxiv 10 9 Artificial Intelligence Geospatial and tourism
Frontiers 263 9 (.
A
rtificial Intelligence.
O
R ”Machine Learning”) AND (”Geo-
graphical Information Systems.
O
R ”Geospatial Data”) AND
(”Tourism.
O
R ”Tourist Routes.
O
R ”Smart Tourism”)
MDPI 20 12 (.
A
rtificial Intelligence.
O
R .
A
I.
O
R ”Machine Learning”) AND
(”Geographic Information System.
O
R GIS OR ”Geospatial
analysis”) AND (”Tourism.
O
R ”Tourist route.
O
R ”Destina-
tion management”)
Rabbit (Research
Rabbit)
46 1 Artificial Intelligence AND GIS AND Tourism
Semantic Scholar 251 6 artificial intelligence OR machine learning AND geographic
information systems OR GIS OR geospatial technology
AND tourism OR tourist route OR travel recommendation
Nota: Elaboraci´on propia
Selecci´on de herramientas inform´aticas para el an´alisis y la revisi´on del an´alisis cr´ıtico
Se utiliz´o un an´alisis cienciom´etrico utilizando las bases de datos Google Acad´emico, IEEE Explorer, ACM
Digital Library, Arxiv, Frontiers, MDPI, Research Rabbit y Semantic Scholar, junto con el software de vi-
sualizaci´on Google Colab Python con sus librer´ıas bibliom´etricas, para mapear la estructura, los patrones y
la agrupaci´on tem´atica del dominio cient´ıfico relacionado con inteligencia artificial, sistemas de informaci´on
georeferencial y rutas tur´ısticas. Los datos bibliogr´aficos se filtraron y examinaron para eliminar los dupli-
cados mediante gestores de referencias como Zotero, y los documentos restantes se utilizaron para crear la
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
167
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
co-ocurrencia de palabras clave, la autor´ıa, los pa´ıses y el mapa de fuentes para mostrar la relaci´on de la red.
La co-ocurrencia de palabras clave ayuda a comprender los enlaces al tema utilizados por investigadores
anteriores en el campo e identificar brechas de investigaci´on en la intersecci´on de inteligencia artificial, sistemas
de informaci´on geogr´afica y aplicaciones tur´ısticas. La agrupaci´on de palabras clave mediante Google Colab
ayuda a los investigadores a comprender la corriente principal de la investigaci´on y d´onde se necesita una
revisi´on adicional, identificando clusters tem´aticos emergentes y consolidados. Los datos tambi´en se utilizaron
para crear redes de citas de revistas, acoplamiento bibliogr´afico, citaci´on de documentos, coautor´ıa y citas de
pa´ıses, mostrando las relaciones entre diferentes estudios y la colaboraci´on internacional en el desarrollo de
soluciones tecnol´ogicas para optimizaci´on de rutas tur´ısticas.
Entre los 80 art´ıculos seleccionados y utilizados para la cienciometr´ıa, los art´ıculos se revisaron cr´ıticamente
para examinar el proceso metodol´ogico, las herramientas y tecnolog´ıas de inteligencia artificial implementadas,
los sistemas de informaci´on geogr´afica utilizados, y el software adoptado para el dise˜no y optimizaci´on de rutas
tur´ısticas. Se prest´o especial atenci´on a los algoritmos de IA empleados (machine learning, deep learning y
otros algoritmos), los Sistemas de Geoferencial (GIS) y las metodolog´ıas de validaci´on aplicadas. Los estudios
fueron categorizados seg´un su enfoque metodol´ogico, contexto geogr´afico de aplicaci´on, y tipo de ruta tur´ıstica
abordada para identificar patrones, tendencias y enfoques similares en la literatura cient´ıfica.
Etapas adoptadas en la revisi´on sistem´atica
En la secci´on se analizan los Elementos de Informe Preferidos para las Revisiones Sistem´aticas y el Metaan´alisis
(PRISMA), el flujo de la revisi´on del art´ıculo y el marco de todo el estudio (Fig.2) muestra el proceso de
extracci´on de archivos de la de da base tos, y c´omo los duplicados e irrelevantes fueron eliminados de los
registros identificados o recopilados (Fig.3, 4, 5 y 6) tambi´en muestra la descripci´on general del documento.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
168
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Figura 2. Proceso de identificaci´on, selecci´on y exclusi´on de art´ıculos en la revisi´on sistem´atica
Nota: Elaboraci´on propia
Resultados
Esta secci´on presenta los resultados obtenidos del an´alisis cienciom´etrico a partir de los sesenta y nueve
art´ıculos seleccionados. Los datos fueron procesados mediante Google Colab, utilizando scripts en Python que
integraron rutinas de miner´ıa de texto, an´alisis de co-ocurrencia de palabras clave y mapeo tem´atico de la
literatura cient´ıfica sobre la aplicaci´on de Inteligencia Artificial en Sistemas de Informaci´on Georreferencial
para la optimizaci´on de experiencias tur´ısticas. El procesamiento permiti´o identificar los principales patrones
de evoluci´on temporal, as´ı como la productividad cient´ıfica y la distribuci´on geogr´afica de las publicaciones,
complementado con la representaci´on visual de una nube de palabras y una tabla de frecuencia de t´erminos
obtenida del conjunto de art´ıculos procesados, tambi´en se incluyen los resultados derivados del an´alisis docu-
mental, con especial ´enfasis en identificar las regiones con mayor desarrollo en la intersecci´on de IA, SIG y
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
169
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
turismo, as´ı como las t´ecnicas y metodolog´ıas predominantes.
Distribuci´on Geogr´afica y Productividad por Pa´ıs
El an´alisis geogr´afico de la producci´on cient´ıfica muestra que la investigaci´on sobre inteligencia artificial aplica-
da a sistemas de informaci´on georreferencial para experiencias tur´ısticas se concentra principalmente en pa´ıses
de Asia, Europa y Am´erica. Tal como se aprecia en la Figura 3 y la Tabla de publicaciones por pa´ıs, China
lidera significativamente la actividad cient´ıfica en el ´area con el mayor n´umero de publicaciones, seguido por
Espa˜na y Per´u. Este resultado se relaciona con la expansi´on de programas de investigaci´on en turismo inteli-
gente y la digitalizaci´on de destinos tur´ısticos en dichas regiones. Por su parte, China destaca por sus aportes
en modelos predictivos de flujos tur´ısticos y sistemas de recomendaci´on basados en deep learning. El an´alisis
realizado en Google Colab evidencia una tendencia hacia la investigaci´on nacional con colaboraciones regiona-
les emergentes, principalmente en el contexto latinoamericano. Esta din´amica ha favorecido la diversidad de
aplicaciones, desde la optimizaci´on de rutas hasta la gesti´on de capacidad de carga en destinos patrimoniales.
Asimismo, se observa una creciente participaci´on de pa´ıses latinoamericanos como Per´u, Colombia y Ecuador,
que comienzan a incorporar soluciones de IA y SIG orientadas a la mejora de la experiencia tur´ıstica y la pre-
servaci´on del patrimonio cultural. Finalmente, la disponibilidad de datos geoespaciales de plataformas como
Flickr [35] y TripAdvisor [36] contin´ua siendo esencial para la reproducibilidad de los modelos y la comparaci´on
de resultados entre investigaciones.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
170
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Figura 3. Distribuci´on geogr´afica de estudios
Nota: Se concluye que la mayor´ıa de los papers son de origen Chino. Elaboraci´on propia con la herramienta
Google Colab
Tabla 3. Cantidad de papers por pa´ıs
Pa´ıs Cantidad
China 21
Per´u 13
Espa˜na 8
Reino Unido 5
Austria 3
Colombia 2
Clasificaci´on de Publicaciones por Tipo de Documento
La Figura 4 muestra la distribuci´on de las publicaciones seg´un el tipo de documento. Los art´ıculos de revista
journalArticle representan la categor´ıa predominante con 59 publicaciones (74 %), seguidos por tesis con 10
documentos (12.5 %), libros con 7 publicaciones (9 %), y secciones de libro (bookSection) con 3 documentos
(3.5 %). Esta distribuci´on evidencia que la producci´on cient´ıfica sobre IA y SIG aplicados al turismo se concen-
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
171
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
tra principalmente en revistas acad´emicas arbitradas, lo que refleja la madurez y el rigor cient´ıfico del campo
de estudio.
Figura 4. Distribuci´on por tipo de documento
Nota: Elaboraci´on propia con la herramienta Google Colab
El Desarrollo Temporal de las Publicaciones
Durante el periodo comprendido entre 2008 y 2025, se observa una evoluci´on marcada en la producci´on cient´ıfica
relacionada con la aplicaci´on de inteligencia artificial en sistemas de informaci´on georreferencial para experien-
cias tur´ısticas. El an´alisis cienciom´etrico realizado en Google Colab muestra que el n´umero de publicaciones
mantuvo niveles bajos y relativamente estables entre 2008 y 2019, con un promedio de 2 publicaciones anuales,
reflejando una etapa inicial de exploraci´on del campo.
A partir de 2020, se evidencia un punto de inflexi´on con un crecimiento exponencial sostenido que se acelera
significativamente desde 2021. El n´umero de publicaciones pas´o de 5 trabajos en 2020 a 9 en 2021, alcanzando
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
172
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
11 publicaciones en 2022 y 13 en 2023. Este incremento se corresponde con la consolidaci´on de metodolog´ıas
de aprendizaje profundo aplicadas al turismo y la mayor disponibilidad de datos geoespaciales. El a˜no 2024
marca el pico m´aximo de producci´on cient´ıfica con 19 publicaciones, representando un aumento del 51.06 %
respecto al a˜no anterior, lo que refleja la madurez y expansi´on del campo de estudio.
Sin embargo, los datos de 2025 muestran una disminuci´on abrupta a 9 publicaciones, lo cual puede atribuirse
a que el a˜no a´un no ha concluido al momento de la recolecci´on de datos. La tendencia general evidencia un
crecimiento exponencial desde 2020, confirmando el inter´es acad´emico creciente por integrar t´ecnicas de IA y
an´alisis geoespacial para optimizar la gesti´on tur´ıstica, personalizar experiencias de viaje y desarrollar destinos
tur´ısticos inteligentes.
Figura 5. Evoluci´on temporal de publicaciones
Nota: Elaboraci´on propia con la herramienta Google Colab
Nube de Palabras y Co-ocurrencia de T´erminos
La nube de palabras generada a partir de los t´ıtulos y res´umenes de los art´ıculos analizados revela los con-
ceptos predominantes en la literatura sobre inteligencia artificial aplicada al turismo georreferenciado (Figura
6). Los t´erminos m´as prominentes fueron ”tourist”(turista, 39 art´ıculos), ”tourism”(turismo, 54 art´ıculos),
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
173
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
”planning”(planificaci´on), ”destination”(destino) y ”gis”(sistemas de informaci´on geogr´afica, 18 art´ıculos),
evidenciando el enfoque central en la planificaci´on y gesti´on de experiencias tur´ısticas mediante tecnolog´ıas
geoespaciales.
El an´alisis de frecuencias destaca la prevalencia de t´ecnicas de inteligencia artificial, especialmente ”machi-
ne learning”(aprendizaje autom´atico, 27 art´ıculos), ”deep learning”(aprendizaje profundo, 11 art´ıculos) y
.
a
lgorithms”(algoritmos, 13 art´ıculos), aplicadas principalmente en sistemas de recomendaci´on y predicci´on
de demanda tur´ıstica. La presencia significativa de t´erminos como recommendation”(recomendaci´on), rou-
te”(ruta) y ”tour route planning”(planificaci´on de rutas tur´ısticas, 11 art´ıculos) confirma el inter´es en optimizar
itinerarios mediante an´alisis algor´ıtmico.
Adicionalmente, conceptos como ”forecasting”(pron´ostico), ”predictive”(predictivo) y ”demand”(demanda)
reflejan el enfoque cuantitativo de las investigaciones, mientras que t´erminos emergentes como ”sustaina-
ble”(sostenible), ”smart”(inteligente) y .
ex
perience”(experiencia) indican la evoluci´on hacia destinos tur´ısticos
inteligentes y personalizados. La integraci´on de ”geolocation”(geolocalizaci´on, 5 art´ıculos), ”spatial”(espacial)
y ¸clustering”(agrupamiento) evidencia la importancia del an´alisis espacial en las soluciones propuestas.
Figura 6. T´ecnicas de IA/ML utilizadas
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
174
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Nota: Elaboraci´on propia con la herramienta Google Colab
Tabla 4. Tabla de palabras clave
Keyboard Cantidad Significado
tourism 54 Aparece en 54 de tus art´ıculos
tourist 39 Aparece en 39 art´ıculos
machine learning 27 Aparece en 27 art´ıculos
algorithms 13 Aparece en 13 art´ıculos
tour route planning 11 Aparece en 11 art´ıculos
geographic information
systems (gis)
18 Aparece en 18 art´ıculos
deep learning 11 Aparece en 11 art´ıculos
tourism analytics 7 Aparece en 7 art´ıculos
geolocation 5 Aparece en 5 art´ıculos
artificial intelligence 5 Aparece en 5 art´ıculos
Modelos de Aprendizaje Profundo utilizados
El an´alisis de los art´ıculos revisados revela que las redes neuronales recurrentes (RNN/LSTM) y las redes neu-
ronales convolucionales (CNN) constituyen los modelos de aprendizaje profundo m´as empleados en aplicaciones
tur´ısticas georreferenciadas, seguidas por arquitecturas h´ıbridas que integran m´ultiples t´ecnicas de inteligencia
artificial, como se ilustra en la Figura 7. Entre los modelos analizados, las arquitecturas h´ıbridas de LSTM
con mecanismos de autoatenci´on alcanzaron niveles de precisi´on superiores al 88.6 % en la recomendaci´on de
rutas personalizadas [37]. La incorporaci´on de redes generativas adversariales (GAN) con modelos Transformer
permiti´o mejorar la precisi´on del pron´ostico en un 18.37 % respecto a modelos convencionales [38], mientras
que los modelos de aprendizaje profundo por ensamble que integran autoencoders apilados demostraron un
rendimiento superior en el manejo de grandes vol´umenes de datos tur´ısticos [39].
Las redes neuronales de grafos (GNN) han sido aplicadas exitosamente para el an´alisis de recomendaciones de
evacuaci´on tur´ıstica, extrayendo informaci´on de interacci´on de alto orden mediante miner´ıa de grafos [40]. El
aprendizaje por refuerzo profundo basado en actor-cr´ıtico (AC-DRL) ha demostrado eficacia en la planifica-
ci´on adaptativa de rutas multiobjetivo [41], mientras que modelos de ensamble apilado superaron algoritmos
individuales en la clasificaci´on de turistas y locales [42]. Este avance refleja la madurez de los sistemas de
inteligencia artificial en el ´ambito tur´ıstico, marcando la transici´on hacia soluciones adaptativas orientadas a
datos que integran an´alisis geoespacial y personalizaci´on de experiencias. A continuaci´on, se presenta la Figura
7, que resume los modelos de aprendizaje profundo identificados:
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
175
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Figura 7. Modelos de aprendizaje profundo
Nota: Elaboraci´on propia
Resultados y Discusi´on
La evidencia revisada muestra que las t´ecnicas de Machine Learning y Deep Learning aplicadas al an´alisis
geoespacial han permitido avanzar hacia una personalizaci´on tur´ıstica mucho m´as precisa y sensible al contexto.
Entre los enfoques m´as representativos destaca el modelo TourBERT [43]. que adapta la arquitectura de BERT
al lenguaje tur´ıstico, combinando texto, ubicaci´on y comportamiento del usuario para generar perfiles de viajero
m´as realistas. Su capacidad para integrar sem´antica y espacialidad permite identificar patrones de inter´es con un
nivel de detalle que antes era inalcanzable con modelos cl´asicos. A su vez, el sistema GraphWin, desarrollado
con soporte de inteligencia artificial visual, ha demostrado utilidad para construir rutas personalizadas en
funci´on de preferencias individuales y condiciones espaciales din´amicas [44]. Otros estudios complementarios
proponen el uso de algoritmos bioinspirados, como Ant Colony Optimization, que mejoran la selecci´on de
itinerarios mediante simulaci´on de enjambres, logrando reducir tiempos de viaje y optimizar la satisfacci´on
del visitante [45]. En conjunto, estos trabajos confirman que la sinergia entre IA y an´alisis geogr´afico no solo
ofrece recomendaciones m´as relevantes, sino que abre paso a experiencias tur´ısticas adaptativas, en las que
cada recorrido refleja la huella ´unica del viajero.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
176
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
Modelos de Deep Learning y an´alisis espaciotemporal para la predicci´on de demanda y
movilidad tur´ıstica
El an´alisis de los resultados incluidos en la base de datos muestra una evoluci´on clara en los modelos desti-
nados a anticipar la movilidad y la demanda tur´ıstica. Los enfoques m´as recientes se apoyan en arquitecturas
que combinan memoria secuencial y atenci´on espacial para captar la variabilidad temporal de los despla-
zamientos humanos. Un ejemplo s´olido es P-RecN, un modelo LSTM con atenci´on que incorpora variables
geogr´aficas y temporales, obteniendo mejoras notables en la predicci´on de flujos tur´ısticos respecto a modelos
estad´ısticos tradicionales [37]. De forma similar, la arquitectura TMS-Net [37] mplea redes LSTM multicapa
con convoluciones temporales, lo que permite detectar patrones estacionales y prever picos de afluencia con
antelaci´on. Algunos estudios complementarios, como el basado en FTM-SAM y SSCA-SSTTA, han explorado
el uso combinado de redes neuronales y mecanismos de similitud espacial para estimar demanda en tiempo
real, reduciendo significativamente el margen de error en escenarios urbanos densos [46]. En conjunto, estos
modelos aprenden a interpretar la relaci´on entre tiempo, lugar y comportamiento tur´ıstico, ofreciendo una
visi´on mucho m´as din´amica del fen´omeno que las aproximaciones estad´ısticas cl´asicas.
Integraci´on de IA y SIG en la gesti´on operativa de destinos tur´ıstico
La incorporaci´on de inteligencia artificial en los sistemas de informaci´on geogr´afica est´a redefiniendo la manera
en que los destinos tur´ısticos se gestionan y planifican. Se propone una plataforma que combina an´alisis de
im´agenes con IA para planificar rutas, evaluar zonas cr´ıticas y distribuir la carga tur´ıstica de manera equitativa.
Gracias a la integraci´on de datos de GPS, clima y sensores ambientales, la herramienta permite anticipar la
congesti´on y redistribuir el flujo de visitantes en tiempo real. Asimismo, investigaciones m´as recientes muestran
la utilidad de los modelos FTM-SAM y SSTTA en la gesti´on territorial, al ofrecer mapas predictivos de densidad
tur´ıstica que ayudan a proteger ecosistemas sensibles y optimizar los recursos locales [46]. Estas soluciones no
solo mejoran la eficiencia t´ecnica, sino que aportan una dimensi´on ´etica y sostenible: permiten a los gestores
equilibrar la conservaci´on del patrimonio natural con la calidad de la experiencia tur´ıstica. En lugar de depender
de informes ex post, los destinos comienzan a basar sus decisiones en modelos vivos, capaces de aprender y
reaccionar a medida que cambian las condiciones del entorno [4].
Efectividad de los modelos predictivos de IA con an´alisis espacial en la gesti´on de recursos
tur´ısticos
Los modelos predictivos integrados con an´alisis espacial se consolidan como herramientas de gran valor para
la planificaci´on y administraci´on de destinos tur´ısticos. A diferencia de las metodolog´ıas tradicionales, estos
sistemas no solo pronostican flujos, sino que traducen datos geoespaciales en acciones concretas para mejorar
la distribuci´on de recursos. En los estudios revisados, las arquitecturas basadas en deep learning como Tour-
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
177
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
BERT [43] y TMS-Net [37] han logrado reducciones significativas del error medio absoluto en la estimaci´on
de demanda, al combinar informaci´on textual, meteorol´ogica y espacial. Tambi´en se observan mejoras en la
gesti´on operativa, con modelos que apoyan la toma de decisiones sobre transporte, mantenimiento o seguridad
en destinos de alta rotaci´on. Por otro lado, propuestas como la de Ant Colony Optimization [37] muestran
que la inteligencia artificial puede integrarse a los SIG para dise˜nar rutas eficientes que optimicen recursos
energ´eticos y reduzcan emisiones sin afectar la experiencia del visitante. As´ı, la efectividad de la IA radica no
solo en su precisi´on predictiva, sino en su capacidad de conectar la planificaci´on tur´ıstica con principios de
sostenibilidad y responsabilidad territorial [47, 48].
Conclusiones
La revisi´on realizada nos permiti´o ver c´omo la inteligencia artificial y los sistemas geoespaciales est´an transfor-
mando poco a poco el turismo, ya no como una promesa futurista, sino como una herramienta real que se est´a
aplicando en destinos de todo el mundo. En los estudios analizados se repite un mismo escenario: los m´etodos
tradicionales se quedan cortos para entender el movimiento de los viajeros y responder a sus necesidades en
tiempo real, mientras que los modelos de aprendizaje profundo y an´alisis espacial ofrecen nuevas formas de
anticiparse y personalizar. Tecnolog´ıas como LSTM, redes de grafos o modelos especializados como TourBERT
demuestran que es posible predecir comportamientos, sugerir rutas m´as eficientes y hasta gestionar la satura-
ci´on de puntos tur´ısticos con mayor precisi´on. Aunque todav´ıa falta investigaci´on aplicada en Latinoam´erica y
una mayor estandarizaci´on metodol´ogica, los casos revisados dejan claro que integrar IA y SIG no es solo un
asunto t´ecnico, sino una apuesta por experiencias m´as seguras y memorables para las personas, y por decisiones
m´as responsables para los gestores. Al final, lo que muestran estos hallazgos es que la tecnolog´ıa puede ser una
aliada para un turismo equilibrado, capaz de cuidar el territorio sin dejar de sorprender al viajero.
Contribuci´on de Autor´ıa
Javier Robison Herrera Lopez: Conceptualizaci´on, Investigaci´on, Metodolog´ıa, Curaci´on de datos, Redacci´on
- borrador original, Visualizaci´on. Tatiana Mercedes Suarez Rosas: Conceptualizaci´on, Investigaci´on, Metodo-
log´ıa, Curaci´on de datos, An´alisis formal, Software, Escritura, revisi´on y edici´on.
Referencias
[1] J. C. S. N´u˜nez, J. A. G´omez-Pulido, and R. R. Ram´ırez, “Machine learning applied to tourism: A syste-
matic review,” WIREs Data Mining and Knowledge Discovery, vol. 14, no. 5, p. e1549, 2024.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
178
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
[2] A. Louati et al., “Machine Learning and Artificial Intelligence for a Sustainable Tourism: A Case Study
on Saudi Arabia,” Information, vol. 15, no. 9, p. 516, aug 2024.
[3] D. Ord´o˜nez-Mart´ınez, J. M. Segu´ı-Pons, and M. Ruiz-P´erez, “Toward Establishing a Tourism Data Space:
Innovative Geo-Dashboard Development for Tourism Research and Management,” Smart Cities, vol. 7,
no. 1, pp. 633–661, feb 2024.
[4] M.
ˇ
Solt´esov´a, B. Iannaccone, L.
ˇ
Strba, and C. Sidor, “Application of GIS Technologies in Tourism Planning
and Sustainable Development: A Case Study of Gelnica,” IJGI, vol. 14, no. 3, p. 120, mar 2025.
[5] X. Zhou, J. Tian, J. Peng, and M. Su, “A Smart Tourism Recommendation Algorithm Based on Cellular
Geospatial Clustering and Multivariate Weighted Collaborative Filtering,” IJGI, vol. 10, no. 9, p. 628,
sep 2021.
[6] X. Xiao, C. Li, X. Wang, and A. Zeng, “Personalized tourism recommendation model based on temporal
multilayer sequential neural network,” Sci Rep, vol. 15, no. 1, p. 382, jan 2025.
[7] N. Mou et al., “Personalized tourist route recommendation model with a trajectory understanding via
neural networks,” International Journal of Digital Earth, vol. 15, pp. 1738–1759, oct 2022.
[8] D. M. Cevallos, J. D. Z. Mieles, and V. R. Z. Burgos, “Transformaci´on digital en la industria del turismo:
revisi´on sistem´atica de literatura y an´alisis bibliom´etrico,” GADE: Revista Cient´ıfica, vol. 5, no. 1, pp.
415–437, feb 2025.
[9] M. Badouch and M. Boutaounte, “Personalized Travel Recommendation Systems: A Study of Machine
Learning Approaches in Tourism,” JAIMLNN, no. 33, pp. 35–45, apr 2023.
[10] O. Claveria and S. Torra, “MODELLING TOURISM DEMAND TO SPAIN WITH MACHINE LEAR-
NING TECHNIQUES. THE IMPACT OF FORECAST HORIZON ON MODEL SELECTION,” Revista
de Econom´ıa Aplicada.
[11] D.-K. Kim, S. K. Shyn, D. Kim, S. Jang, and K. Kim, “A Daily Tourism Demand Prediction Framework
Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea,” dec 2021, arXiv
preprint.
[12] R. A. R. Ayquipa, “Machine Learning y realidad aumentada para el reconocimiento de recursos tur´ısticos.”
[13] H. Fang, S. Gao, and F. Zhang, “Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning
Model,” may 2023, arXiv preprint.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
179
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
[14] D. Shrestha, T. Wenan, D. Shrestha, N. Rajkarnikar, and S.-R. Jeong, “Personalized Tourist Recommender
System: A Data-Driven and Machine-Learning Approach,” Computation, vol. 12, no. 3, p. 59, mar 2024.
[15] R. Alsahafi, R. Mehmood, and S. Alqahtany, “A Machine Learning-Based Analysis of Tourism Recom-
mendation Systems: Holistic Parameter Discovery and Insights,” ijacsa, vol. 16, no. 1, 2025.
[16] J. Bravo, R. Alarc´on, C. Valdivia, and O. Serqu´en, “Application of Machine Learning Techniques to
Predict Visitors to the Tourist Attractions of the Moche Route in Peru,” Sustainability, vol. 15, no. 11,
p. 8967, jan 2023.
[17] L. Zhang et al., “Visual analytics of route recommendation for tourist evacuation based on graph neural
network,” Scientific Reports, vol. 13, oct 2023.
[18] S. Garc´ıa-Ayll´on, “GIS Assessment of Mass Tourism Anthropization in Sensitive Coastal Environments:
Application to a Case Study in the Mar Menor Area,” Sustainability, vol. 10, no. 5, p. 1344, apr 2018.
[19] K. L.-M. Ang, J. K. P. Seng, E. Ngharamike, and G. K. Ijemaru, “Emerging Technologies for Smart Ci-
ties’Transportation: Geo-Information, Data Analytics and Machine Learning Approaches,” IJGI, vol. 11,
no. 2, p. 85, jan 2022.
[20] J. Song and B. Xu, “Evaluation model of urban tourism competitiveness in the context of sustainable
development,” Front. Public Health, vol. 12, p. 1396134, jun 2024.
[21] P. M¨ullner, A. Schreuer, S. Kopeinik, B. Wieser, and D. Kowald, “Multistakeholder fairness in tourism:
what can algorithms learn from tourism management?” Front. Big Data, vol. 8, p. 1632766, sep 2025.
[22] M. A. Ruiz Palacios, C. Pereira Texeira de Oliveira, J. Serrano Gonz´alez, and S. Sa´enz Flores, “Analysis
of Tourist Systems Predictive Models Applied to Growing Sun and Beach Tourist Destination,” Sustai-
nability, vol. 13, no. 2, p. 785, jan 2021.
[23] J. Schrader et al., “Application of artificial intelligence techniques for the profiling of visitors to tourist
destinations,” Front. Artif. Intell., vol. 8, p. 1632415, aug 2025.
[24] M. Haghani, “What makes an informative and publication-worthy scientometric analysis of literature: A
guide for authors, reviewers and editors,” Transportation Research Interdisciplinary Perspectives, vol. 22,
p. 100956, nov 2023.
[25] H. Davies et al., “Scoping review of review methodologies used for guiding evidence-based practice in
critical care: a protocol,” BMJ Open, vol. 14, no. 11, p. e082661, nov 2024.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
180
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
[26] E. J. C. Reyes and R. F. B. Medina, “Estructuras metodol´ogicas PICO y PRISMA 2020 en la elaboraci´on
de art´ıculos de revisi´on sistem´atica: Lo que todo investigador debe conocer y dominar,” Ciencia Latina
Revista Cient´ıfica Multidisciplinar, vol. 9, no. 1, pp. 8525–8543, mar 2025.
[27] L. F. Becka, “Transformaci´on digital en Turismo: Un estudio sobre el uso de herramientas para la gober-
nanza inteligente,” Master’s thesis, Universidad Nacional de La Plata, 2023.
[28] M. Royo, “BiblioGu´ıas: Revisiones sistem´aticas: PRISMA 2020: gu´ıas oficiales para informar
(redactar) una revisi´on sistem´atica,” accedido: 19 de octubre de 2025. [Online]. Available:
https://biblioguias.unav.edu/revisionessistematicas/guias oficiales
[29] G. Goris and S. J. Adolf, “Utilidad y tipos de revisi´on de literatura,” Ene, vol. 9, no. 2, pp. 0–0, 2015.
[30] F. Arias-Od´on and W. Artigas, “C´omo plantear problemas cient´ıficos relevantes identificando brechas de
investigaci´on.” Mujer Andina, vol. 1, no. 1, pp. 76–82, dec 2022.
[31] P. I. V. Z´u˜niga, R. J. C. Cede˜no, and I. A. M. Palacios, “Metodolog´ıa de la investigaci´on cient´ıfica: gu´ıa
pr´actica,” Ciencia Latina Revista Cient´ıfica Multidisciplinar, vol. 7, no. 4, pp. 9723–9762, sep 2023.
[32] M. Medina, R. Rojas, W. Bustamante, R. Loaiza, C. Martel, and R. Castillo, Metodolog´ıa de la inves-
tigaci´on: T´ecnicas e instrumentos de investigaci´on. Instituto Universitario de Innovaci´on Ciencia y
Tecnolog´ıa Inudi Per´u, 2023.
[33] E. E. Espinoza-Freire, “Estrategias de b´usqueda de informaci´on en bases de datos cient´ıficas: Una gu´ıa
pr´actica,” Sociedad & Tecnolog´ıa, vol. 8, no. S2, pp. 647–658, sep 2025.
[34] I. Sustacha Melijosa, J. F. Ba˜nos Pino, and E. Del Valle Tuero, “An´alisis de la investigaci´on sobre destinos
tur´ısticos inteligentes mediante la visualizaci´on de redes bibliom´etricas,” invest. tur, no. 23, p. 266, jan
2022.
[35] S. Giglio, F. Bertacchini, E. Bilotta, and P. Pantano, “Machine learning and points of interest: typical
tourist Italian cities,” Current Issues in Tourism, vol. 23, no. 13, pp. 1646–1658, jul 2020.
[36] K. Charfaoui and S. Mussard, “Sentiment Analysis for Tourism Insights: A Machine Learning Approach,”
Stats, vol. 7, no. 4, pp. 1527–1539, dec 2024.
[37] X. Xiao, C. Li, X. Wang, and A. Zeng, “Personalized tourism recommendation model based on temporal
multilayer sequential neural network,” Sci Rep, vol. 15, no. 1, p. 382, jan 2025.
[38] T. Diao, X. Wu, L. Yang, L. Xiao, and Y. Dong, “A novel forecasting framework combining virtual samples
and enhanced Transformer models for tourism demand forecasting,” mar 2025, arXiv preprint.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
181
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 154-182
https://revistas.ulasalle.edu.pe/innosoft
[39] S. Sun, Y. Li, J. Guo, and S. Wang, “Tourism demand forecasting: An ensemble deep learning approach,”
Tourism Economics, vol. 28, no. 8, pp. 2021–2049, dec 2022.
[40] L. Zhang et al., “Visual analytics of route recommendation for tourist evacuation based on graph neural
network,” Scientific Reports, vol. 13, oct 2023.
[41] Y. Wang and P. Hu, “Deep Reinforcement Learning-Based Multi-Object Adaptive Route Planning for
Traveling Recommender Systems,” IEEE Access, vol. PP, pp. 1–1, jan 2023.
[42] A. Derdouri and T. Osaragi, “A machine learning-based approach for classifying tourists and locals using
geotagged photos: the case of Tokyo,” Inf Technol Tourism, vol. 23, no. 4, pp. 575–609, dec 2021.
[43] V. Arefieva and R. Egger, “TourBERT: A pretrained language model for the tourism industry.”
[44] T. Hou, “Design of travel route identification and scheduling system based on artificial intelligence-aided
image segmentation,” Computational Intelligence and Neuroscience, vol. 2022, pp. 1–11, Jul. 2022.
[45] S. Liang, T. Jiao, W. Du, and S. Qu, “An improved ant colony optimization algorithm based on context
for tourism route planning,” PLOS ONE, vol. 16, no. 9, p. e0257317, Sep. 2021.
[46] X. Zhou, Z. Zhang, X. Liang, and M. Su, “Intelligent geo-tour route recommendation algorithm based on
feature text mining and spatial accessibility model,” Electronics, vol. 13, no. 10, p. 1845, Jan. 2024.
[47] X. Tan, Z. Liu, L. Shi, and X. Huang, “Geospatial analysis of sports tourism resources in China’s ur-
ban clusters: a case study of the Sichuan-Chongqing region utilizing GIS and the geographic detector,”
Frontiers in Sports and Active Living, vol. 6, p. 1496469, Dec. 2024.
[48] J. Yun and X. Youyuan, “Design of personalized leisure tourism route recommendation system based
on deep learning,” in Proceedings of the 2020 2nd International Conference on Big Data and Artificial
Intelligence, Apr. 2020, pp. 158–163.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
182
