論文の概要: A Novel Deep Learning Model for Hotel Demand and Revenue Prediction amid COVID-19

• arxiv url: http://arxiv.org/abs/2203.04383v1
• Date: Tue, 8 Mar 2022 20:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 07:08:43.928660
• Title: A Novel Deep Learning Model for Hotel Demand and Revenue Prediction amid COVID-19
• Title（参考訳）: 新型コロナウイルス(covid-19)にともなうホテル需要と収益予測のための新しいディープラーニングモデル
• Authors: Ashkan Farhangi, Arthur Huang, Zhishan Guo
• Abstract要約: 我々は、新型コロナウイルスのパンデミックの影響下で時系列データを予測するための新しいディープラーニングフレームワークであるDemandNetを開発した。 米国8都市から毎日のホテル需要と収益データを用いて,この枠組みを評価した。
• 参考スコア（独自算出の注目度）: 4.804738220669972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The COVID-19 pandemic has significantly impacted the tourism and hospitality sector. Public policies such as travel restrictions and stay-at-home orders had significantly affected tourist activities and service businesses' operations and profitability. To this end, it is essential to develop an interpretable forecast model that supports managerial and organizational decision-making. We developed DemandNet, a novel deep learning framework for predicting time series data under the influence of the COVID-19 pandemic. The framework starts by selecting the top static and dynamic features embedded in the time series data. Then, it includes a nonlinear model which can provide interpretable insight into the previously seen data. Lastly, a prediction model is developed to leverage the above characteristics to make robust long-term forecasts. We evaluated the framework using daily hotel demand and revenue data from eight cities in the US. Our findings reveal that DemandNet outperforms the state-of-art models and can accurately predict the impact of the COVID-19 pandemic on hotel demand and revenues.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大が観光業やホスピタリティ部門に大きな影響を与えた。 旅行制限や外出禁止令などの公共政策は観光活動やサービス事業の運営、収益性に大きな影響を与えた。 この目的のためには,管理的および組織的意思決定を支援する解釈可能な予測モデルを開発することが不可欠である。 新型コロナウイルスのパンデミックの影響下で時系列データを予測するための新しいディープラーニングフレームワークであるDemandNetを開発した。 フレームワークは、時系列データに埋め込まれた上位の静的機能と動的機能を選択することから始まる。 次に、前述のデータに対する解釈可能な洞察を提供する非線形モデルを含む。 最後に,上記の特性を利用して長期予測を行う予測モデルを開発した。 米国8都市から毎日のホテル需要と収益データを用いて,この枠組みを評価した。 demandnetが最先端のモデルを上回ることや、新型コロナウイルス(covid-19)パンデミックがホテルの需要や収入に与える影響を正確に予測できることがわかりました。

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)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• A Mobility-Aware Deep Learning Model for Long-Term COVID-19 Pandemic Prediction and Policy Impact Analysis [33.827779801577584]
  本稿では,予測をより未来へ伝播させるモデルを提案し,エッジ表現を改良した。 我々のモデルは、公衆衛生研究者や政策立案者にとって効果的なツールボックスを提供する移動分析を可能にする。
  論文  参考訳（メタデータ） (2022-12-05T19:57:28Z)
• Research: Modeling Price Elasticity for Occupancy Prediction in Hotel Dynamic Pricing [13.768319677863259]
  本稿では,需要の価格弾力性を明示的にモデル化したホテル需要関数を提案する。 本モデルは,内在性問題を軽減するために慎重に設計された弾力性学習モジュールで構成され,データスパースネスに対処するためのマルチタスクフレームワークで訓練されている。 実世界のデータセットに関する包括的実験を行い、占有率予測と動的価格の両面において、最先端のベースラインよりも手法の優位性を検証した。
  論文  参考訳（メタデータ） (2022-08-04T13:58:04Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
  シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。 提案したモデルをCityscapesとAIODriveデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-04-14T17:59:32Z)
• A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea [0.5249805590164902]
  本稿では,これらの制約に対処するためのマルチヘッドアテンションCNNモデル(MHAC)を提案する。 MHACは1D畳み込みニューラルネットワークを使用して、時間パターンとアテンションメカニズムを分析し、入力変数間の相関を反映する。 韓国では,政治,病気,季節,韓国文化の魅力といった外部要因を考慮し,来訪者の変化を予測するための予測枠組みを適用した。
  論文  参考訳（メタデータ） (2021-12-01T07:42:35Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。