論文の概要: Research: Modeling Price Elasticity for Occupancy Prediction in Hotel Dynamic Pricing

• arxiv url: http://arxiv.org/abs/2208.03135v1
• Date: Thu, 4 Aug 2022 13:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:19:32.148556
• Title: Research: Modeling Price Elasticity for Occupancy Prediction in Hotel Dynamic Pricing
• Title（参考訳）: ホテルの動的価格予測のための価格弾力性モデリングに関する研究
• Authors: Fanwei Zhu, Wendong Xiao, Yao Yu, Ziyi Wang, Zulong Chen, Quan Lu, Zemin Liu, Minghui Wu and Shenghua Ni
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.768319677863259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Demand estimation plays an important role in dynamic pricing where the optimal price can be obtained via maximizing the revenue based on the demand curve. In online hotel booking platform, the demand or occupancy of rooms varies across room-types and changes over time, and thus it is challenging to get an accurate occupancy estimate. In this paper, we propose a novel hotel demand function that explicitly models the price elasticity of demand for occupancy prediction, and design a price elasticity prediction model to learn the dynamic price elasticity coefficient from a variety of affecting factors. Our model is composed of carefully designed elasticity learning modules to alleviate the endogeneity problem, and trained in a multi-task framework to tackle the data sparseness. We conduct comprehensive experiments on real-world datasets and validate the superiority of our method over the state-of-the-art baselines for both occupancy prediction and dynamic pricing.
• Abstract（参考訳）: 需要推定は、需要曲線に基づいて収益を最大化することで最適な価格が得られる動的価格決定において重要な役割を果たす。 オンラインホテル予約プラットフォームでは、部屋の需要や占有状況は部屋の種類によって異なり、時間とともに変化するため、正確な入室推定を得ることは困難である。 そこで本稿では,利用者予測のための需要の価格弾性を明示的にモデル化し,様々な要因から動的価格弾性係数を学習するための価格弾性予測モデルを設計する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取り組むために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。

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)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• Choice Models and Permutation Invariance: Demand Estimation in Differentiated Products Markets [5.8429701619765755]
  ニューラルネットのような非パラメトリック推定器は、選択関数を簡単に近似できることを示す。 提案する関数は、完全にデータ駆動方式で、消費者の振る舞いを柔軟に捉えることができる。 我々の経験的分析により、推定器は現実的かつ同等の自己およびクロスプライス弾性を生成することが確認された。
  論文  参考訳（メタデータ） (2023-07-13T23:24:05Z)
• 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)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Dynamic and Context-Dependent Stock Price Prediction Using Attention Modules and News Sentiment [0.0]
  本稿では,金融時系列データに対する新たなモデリング手法である$alpha_t$-RIM(リカレント・インディペンデント・メカニズム)を提案する。 このようなダイナミックな方法でデータをモデル化するために、$alpha_t$-RIMは指数的にスムーズなリカレントニューラルネットワークを使用する。 その結果、$alpha_t$-RIMは、株価とニュースセンチメントの因果構造、季節やトレンドを反映できることがわかった。
  論文  参考訳（メタデータ） (2022-03-13T15:13:36Z)
• Estimating Demand Flexibility Using Siamese LSTM Neural Networks [0.0]
  我々は、時間変動弾性という効率的なツールを用いて需要の柔軟性を定量化し、価格や意思決定のダイナミクスによって価値が変化する可能性がある。 最近の実証的な証拠は、需要の柔軟性を研究する際に、遅延応答や価格急騰後の弾性の消失など、いくつかの異常な特徴を浮き彫りにした。 本稿では,最適推定パターンを自動的かつ正確に導出するモデルフリー手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T00:59:27Z)
• Multiple Dynamic Pricing for Demand Response with Adaptive Clustering-based Customer Segmentation in Smart Grids [9.125875181760625]
  本稿では,小売市場における需要応答に対する現実的なマルチダイナミックな価格設定手法を提案する。 提案するフレームワークは,実世界のデータセットに基づくシミュレーションによって評価される。
  論文  参考訳（メタデータ） (2021-06-10T16:47:15Z)
• 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)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。