حسین حق بین

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.