論文の概要: A machine learning approach to itinerary-level booking prediction in
competitive airline markets
- arxiv url: http://arxiv.org/abs/2103.08405v1
- Date: Mon, 15 Mar 2021 14:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:47:36.630093
- Title: A machine learning approach to itinerary-level booking prediction in
competitive airline markets
- Title(参考訳): 競争力のある航空会社市場における itinerary level booking prediction への機械学習アプローチ
- Authors: Daniel Hopman, Ger Koole and Rob van der Mei
- Abstract要約: 競合データ、価格、ソーシャルメディア、安全、航空会社のレビューなど、複数のソースからのデータを組み合わせています。
顧客行動は価格に敏感でスケジュールに敏感で快適なODに分類できることを示す。
このモデルは、従来の時系列予測よりも高い収益をもたらす予測を生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Demand forecasting is extremely important in revenue management. After all,
it is one of the inputs to an optimisation method which aim is to maximize
revenue. Most, if not all, forecasting methods use historical data to forecast
the future, disregarding the "why". In this paper, we combine data from
multiple sources, including competitor data, pricing, social media, safety and
airline reviews. Next, we study five competitor pricing movements that, we
hypothesize, affect customer behavior when presented a set of itineraries.
Using real airline data for ten different OD-pairs and by means of Extreme
Gradient Boosting, we show that customer behavior can be categorized into
price-sensitive, schedule-sensitive and comfort ODs. Through a simulation
study, we show that this model produces forecasts that result in higher revenue
than traditional, time series forecasts.
- Abstract(参考訳): 需要予測は収益管理において極めて重要である。
結局のところ、収益を最大化することを目的とした最適化手法への入力の1つである。
ほとんどの予測手法は、未来を予測するために歴史的データを使用し、「なぜ」を無視しています。
本稿では、競合データ、価格、ソーシャルメディア、安全性、航空会社のレビューなど、複数の情報源のデータを組み合わせる。
次に,一連のイテレーションを提示した場合の顧客の行動に影響を及ぼす5つの競合価格運動について検討する。
10種類のODペアの実際の航空会社データとExtreme Gradient Boostingを用いて、顧客の行動は価格に敏感でスケジュールに敏感で快適なODに分類できることを示す。
シミュレーション研究を通じて,このモデルが従来の時系列予測よりも高い収益をもたらす予測を生成することを示した。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - Enhancing Next Destination Prediction: A Novel LSTM Approach Using
Real-World Airline Data [0.0]
本研究では,旅行データにおける逐次パターンや依存関係を正確に把握するモデルの開発に焦点をあてる。
交通業界における目的地予測のために,スライディングウインドウを用いた新しいモデルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-23T15:07:49Z) - Early Churn Prediction from Large Scale User-Product Interaction Time
Series [0.0]
本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。
我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
論文 参考訳(メタデータ) (2023-09-25T08:44:32Z) - Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。
データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。
概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
論文 参考訳(メタデータ) (2023-06-26T13:06:34Z) - Revenue Management without Demand Forecasting: A Data-Driven Approach
for Bid Price Generation [25.53238782264327]
本稿では、需要予測と最適化技術の必要性を排除したデータ駆動型の収益管理手法を提案する。
我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。
以上の結果から,我々のデータ駆動手法は,幅広い設定において理論的に最適(1%の収益格差)に近いままであることがわかった。
論文 参考訳(メタデータ) (2023-04-14T21:10:13Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T17:58:12Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。
SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文 参考訳(メタデータ) (2020-12-08T16:30:43Z) - Profit-oriented sales forecasting: a comparison of forecasting
techniques from a business perspective [3.613072342189595]
本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。
モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
論文 参考訳(メタデータ) (2020-02-03T14:50:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。