|
عنوان
|
یک چارچوب یادگیری ماشین برای پیشبینی نرخ اشغال ماهانه هتل با استفاده از مدل XGBoo
|
|
نوع پژوهش
|
مقالات در همایش ها
|
|
کلیدواژهها
|
نرخ اشغال، صنعت هتلدار ی، سری زمانی، یادگیری ماشین، استخراج ویژگی، ویژگیهای تاخیری، میانگین متحرک، پ یش بینی بازگشتی ،
مدیریت درآمد
|
|
چکیده
|
پیش بینی نرخ اشغال هتل به دلیل وجود نوسانهای فصلی، تغییرات غیرخطی و محدودیت داده های واقع ی، یکی از چالش های مهم در
مدیریت داده محور هتلداری است. روشهای کالسیک سری زمانی مانند SARIMA/ARIMA اگرچه در مدل سازی روند و فصلپذیری
عملکرد قابل قبولی دارند، اما در مواجهه با الگوها ی پ یچیده و تغییرات ناگهانی دچار محدودیت می شوند. از سوی دیگر، بس یاری از
رویکردهای یادگیری ماشین به داده های حجیم یا مجموعها ی گسترده از ویژگی ها وابسته اند که پیادهسازی آنها را در مح یط های
عملیاتی دشوار می سازد. در این پژوهش، یک چارچوب ساده و قابل پیاده سازی مبتنی بر XGBoost برای پ یش بینی نرخ اشغال ماهانه
ارائه شد که با استفاده از ویژگی های تأخیری، میانگین های متحرک و ویژگی ماه، سری زمانی را به قالب یادگیری نظارت شده تبدیل
می کند. نتایج ارزیابی نشان داد روش پ یشنهادی توانایی مناسب ی در بازنمایی روند و نوسانات نرخ اشغال دارد.
|
|
پژوهشگران
|
مریم سلطانی (نفر اول)، عقیل عزیز زاده (نفر دوم)، سیده زهره موسوی (نفر سوم)، حسین حق بین (نفر چهارم)
|
|
تاریخ انجام
|
1404-11-08
|