論文の概要: Deep Learning-Based Forecasting of Hotel KPIs: A Cross-City Analysis of Global Urban Markets

• arxiv url: http://arxiv.org/abs/2507.03028v1
• Date: Wed, 02 Jul 2025 22:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.541257
• Title: Deep Learning-Based Forecasting of Hotel KPIs: A Cross-City Analysis of Global Urban Markets
• Title（参考訳）: ホテルKPIの深層学習による予測:世界都市市場における都市横断分析
• Authors: C. J. Atapattu, Xia Cui, N. R Abeynayake,
• Abstract要約: 本研究は,5大都市におけるキーパフォーマンス指標(KPI)の予測にLSTM(Long Short-Term Memory)ネットワークを用いた。 マンチェスター、アムステルダム、ドバイ、バンコク、ムンバイ。 マンチェスターとムンバイは、需要パターンの安定を反映して、高い予測精度を示した。 ドバイとバンコクは季節やイベントによる影響により、より高い変動を示した。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study employs Long Short-Term Memory (LSTM) networks to forecast key performance indicators (KPIs), Occupancy (OCC), Average Daily Rate (ADR), and Revenue per Available Room (RevPAR), across five major cities: Manchester, Amsterdam, Dubai, Bangkok, and Mumbai. The cities were selected for their diverse economic profiles and hospitality dynamics. Monthly data from 2018 to 2025 were used, with 80% for training and 20% for testing. Advanced time series decomposition and machine learning techniques enabled accurate forecasting and trend identification. Results show that Manchester and Mumbai exhibited the highest predictive accuracy, reflecting stable demand patterns, while Dubai and Bangkok demonstrated higher variability due to seasonal and event-driven influences. The findings validate the effectiveness of LSTM models for urban hospitality forecasting and provide a comparative framework for data-driven decision-making. The models generalisability across global cities highlights its potential utility for tourism stakeholders and urban planners.
• Abstract（参考訳）: 本研究は、マンチェスター、アムステルダム、ドバイ、バンコク、ムンバイの5大都市で、キーパフォーマンス指標(KPI)、Occupancy(OCC)、ADR(Average Daily Rate)、RevPAR(RevPAR)の予測にLong Short-Term Memory(LSTM)ネットワークを用いている。 これらの都市は、経済の多様さとホスピタリティのダイナミクスのために選ばれた。 2018年から2025年までの月間データを使用し、トレーニングは80%、テストは20%だった。 高度な時系列分解と機械学習技術により、正確な予測とトレンド識別が可能になった。 その結果、マンチェスターとムンバイは需要パターンの安定を反映して高い予測精度を示し、ドバイとバンコクは季節やイベント駆動の影響により高い変動を示した。 都会の入院予測におけるLSTMモデルの有効性を検証し,データ駆動型意思決定のための比較枠組みを提供する。 グローバルな都市全体の汎用性は、観光利害関係者や都市計画者にとって潜在的に有益であることを示している。

関連論文リスト

• CityLens: Benchmarking Large Language-Vision Models for Urban Socioeconomic Sensing [18.67492140450614]
  CityLensは、衛星やストリートビューの画像から社会経済指標を予測するために、大きな言語ビジョンモデル(LLVM)の能力を評価するために設計されたベンチマークである。 経済、教育、犯罪、輸送、健康、環境の6つの主要な領域にまたがる、合計17のグローバルな分散都市をカバーするマルチモーダルデータセットを構築した。 その結果,LLVMは有望な知覚・推論能力を示すが,都市社会経済指標の予測には限界があることが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-31T12:25:33Z)
• Geospatial and Temporal Trends in Urban Transportation: A Study of NYC Taxis and Pathao Food Deliveries [0.0]
  本研究では、ニューヨーク市のTaxi TripデータセットとバングラデシュのダッカのPathao Food Tripデータセットの2つのデータセットを用いて、輸送パターンを分析した。 私たちのゴールは、需要、ピーク時、および重要な地理的ホットスポットにおける重要なトレンドを特定することです。
  論文  参考訳（メタデータ） (2025-05-02T17:41:17Z)
• Food Delivery Time Prediction in Indian Cities Using Machine Learning Models [0.4893345190925178]
  本研究では,実時間文脈変数を予測モデルに組み込むことでギャップを解消する。 我々は,線形回帰,決定木,バグング,ランダムフォレスト,XGBoost,LightGBMなどの機械学習アルゴリズムを体系的に比較した。 実験の結果、LightGBMモデルの方が予測精度が良く、R2スコアは0.76、Mean Squared Error(MSE)は20.59で、従来のベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-19T13:02:23Z)
• Demand Modeling for Advanced Air Mobility [21.445133878049333]
  Advanced Air Mobility (AAM) は有望な輸送手段として登場した。 本研究は、テネシー州の国勢調査区域における雇用ベースの旅行データを分析し、AAMの需要動態を分析した。 その結果,一般交通費の70%以上を航空輸送が占める場合,AAMにとって旅行は有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-25T21:51:39Z)
• 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)
• Identifying every building's function in large-scale urban areas with multi-modality remote-sensing data [5.18540804614798]
  本研究は,大規模都市部における建物機能同定のための半教師付き枠組みを提案する。 光画像、建築高さ、夜間光データを収集し、建物の形態特性を記述する。 結果は、政府による2万の検証ポイントと統計調査によって評価される。
  論文  参考訳（メタデータ） (2024-05-08T15:32:20Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• 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)

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。