References
- Ampountolas, A. (2021). Modeling and forecasting daily hotel demand: A comparison based on SARIMAX, neural networks, and GARCH models. Forecasting, 3(3), 580-595.
- Bandara, K., Shi, P., Bergmeir, C., Hewamalage, H., Tran, Q., & Seaman, B. (2019). Sales demand forecast in e-commerce using a long short-term memory neural network methodology. Computer Science Statistics. Retrieved from http://arxiv.org/abs/1901.04028
- Bouchareb, N. (2023). The role of artificial intelligence in improving hotels property management systems (PMS). International Journal of Economic Performance, 6(2), 554-567.
- Castelvecchi, D. (2016). Can we open the black box of AI? Nature, 538(7623), 20-23.
- Dowlut, N., & Gobin-Rahimbux, B. (2023). Forecasting resort hotel tourism demand using deep learning techniques - A systematic literature review. Heliyon, 9(7), e18385.
- Elsayed, S., Thyssens, D., Rashed, A., Jomaa, H. S., & Schmidt-Thieme, L. (2021). Do we really need deep learning models for time series forecasting? Computer Science Statistics, Department of Computer Science, University of Hildesheim, Germany. Retrieved from http://arxiv.org/abs/2101.02118
- Gulmez, M., Ajanovic, E., & Karayun, I. (2015). Cloud-based vs desktop-based property management systems in hotel. USV Annals of Economics & Public Administration, 15(1), 160-168.
- Huang, L., & Zheng, W. (2021). Novel deep learning approach for forecasting daily hotel demand with agglomeration effect. International Journal of Hospitality Management, 98.
- Kim, D., Shyn, S. K., Kim, D., Jang, S., & Kim, K. (2021). A daily tourism demand prediction framework based on multi-head attention CNN: The case of the foreign entrant in South Korea. 2021 IEEE Symposium Series on Computational Intelligence (SSCI).
- Kim, K., & Ahn, H. (2008). A recommender system using GA K-means clustering in an online shopping market. Expert Systems with Applications, 34(2), 1200-1209.
- Laaroussi, H., Guerouate, F., & Sbihi, M. (2020). Deep learning framework for forecasting tourism demand. IEEE International Conference on Technology Management.
- Livieris, I., Stavroyiannis, S., Pintelas, E., & Pintelas, P. (2020). A novel validation framework to enhance deep learning models in time-series forecasting. Neural Computing and Applications, 32(23), 17149-17167.
- Oviedo, E. H. S., Trave-Massuyes, L., Subias, A., Pavlov, M., & Alonso, C. (2023). DTW K-means clustering for fault detection in photovoltaic modules. XI Congreso Internacional de Ingenieria Mecanica, Mecatronica y Automatizacion, Carthagene, Colombia. Retrieved from http://arxiv.org/abs/2306.08003
- Pereira, L. N., & Cerqueira, V. (2022). Forecasting hotel demand for revenue management using machine learning regression methods. Current Issues in Tourism, 25(17), 2733-2750.
- Phumchusri, N. (2021). Forecasting hotel daily room demand with transformed data using time series methods. Journal of Revenue and Pricing Management, 22(1), 44-56.
- Pucciani, K. K., & Murphy, H. C. (2011). An investigation of data management and property management systems in hotels. Tourism & Hospitality Management, 17(1), 101-114.
- Rusman, J. A., Chunady, K., Makmud, S. T., Setiawan, K. E., & Hasani, M. F. (2023). Crude oil price forecasting: A comparative analysis of ARIMA, GRU, and LSTM models. IEEE 9th International Conference.
- Syahromi, T., & Sumitra, I. D. (2019). Forecasting hotel expenses using the ARIMA method. IOP Conference Series: Materials Science and Engineering, 662(2).
- Zhang, Q., Qiu, L., Wu, H., Wang, J., & Luo, H. (2019). Deep learning based dynamic pricing model for hotel revenue management. 2019 International Conference on Data Mining Workshops, 370-375.
- Zhao, J., Wang, Z., Zhang, Z., & Han, Y. (2019). A combined model based on GM and SARIMA: An example of excavator demand forecasting. 2019 IEEE 4th International Conference on Cloud Computing and Big Data Analysis (ICCCBDA), 232-236.
- 강보람, & 안현철. (2022). 리조트 교차판매 예측모형 개발 및 SHAP을 이용한 해석. 한국빅데이터학회지, 7(2), 195-204.
- 권보성, 박래준, & 송경빈. (2018). 다양한 정규화 방법에 따른 평일 단기 전력수요예측 정확도 분석. 조명.전기설비학회논문지, 32(6), 30-33.
- 김민교, & 강대전. (2015). 온라인 쇼핑 사이트 의 추천 시스템을 위한 고객패턴 분석 모델. 한국IT서비스학회 학술대회 논문집, 467-470.
- 김연화. (1995). 판매수익 극대화를 위한 전략적 객실가격 수립에 관한 연구. 사회과학연구, 3, 119-156.
- 김재성, 양여진, 오민지, 이성웅, 권순동, & 조완섭. (2020). 딥러닝 기법을 활용한 가구 부자재 주문 수요예측. 한국빅데이터학회지, 5(2), 111-120.
- 김정아, 정종필, 이태현, & 배상민. (2018). 중소기업 제조공장의 수요예측 기반 재고관리 모델의 효용성 평가. 한국인터넷방송통신학회논문지, 18(2), 197-207.
- 김진섭, 황재성, & 정재우. (2020). 시계열 분해 데이터를 이용한 LSTM 기법 기반 항공기 수리 부속 수요예측 방안 연구. 경영과학, 37(2), 1-18.
- 박득희, 강상훈, & 이계희. (2020). 지속가능한 관광성장을 위한 방한 일본인 관광객 수요예측: 시계열 계량 모형 적용. 관광연구저널, 34(3), 47-60.
- 배선경. (2005). 마케팅관점에서 본 수익률 관리전략의 중요 요소. 관광연구저널, 19(1), 249-259.
- 서보원, 이선덕, 곽용진, & 장호림. (2021). k-means clustering을 활용한 음성 인식 성능 개선. 한국정보과학회 학술발표논문집, 6, 940-942.
- 신동하, 최광호, & 김창복. (2017). RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델. 한국정보기술학회논문지, 15(10), 9-16.
- 유현선, & 유선종. (2017). 패널 연립방정식모형을 이용한 호텔 객실의 단기 수요 및 가격결정요인 분석. 부동산연구, 27(2), 95-109.
- 이민상, & 심완섭. (2002). 인터넷쇼핑몰 거래상품의 수요예측에 관한 연구. 유통연구, 7(2), 15-42.
- 이승운, & 곽기영. (2022). GRU 기법을 활용한 서울시 공공자전거 수요예측 모델 개발. 지능정보연구, 28(4), 1-25.
- 이인지, & 윤현식. (2020). 머신러닝을 활용한 지역축제 방문객 수 예측모형 개발. 정보시스템연구, 29(3), 35-52.
- 이현찬, 장스위, 임택, & 양위주. (2023). SARIMA를 이용한 국내 호텔 객실매출에 관한 시계열 분석 연구. 관광연구, 38(1), 47-64.
- 장스위, 임택, & 양위주. (2022). 시계열 분석을 통한 관광목적지 수요예측 - 감천문화마을 중심으로. 산업혁신연구, 38(3), 113-120.
- 정경훈. (1985). 관광호텔 객실가격 결정방법에 관한 연구. 관광학연구, 9(1), 239-256.
- 정은별. (2017). 서울소재 특급호텔 객실 요금에 영향을 주는 호텔 속성에 대한 연구. 관광학연구, 41(3), 131-149.
- 정호철, & 선영규. (2019). 에너지인터넷에서 1D-CNN과 양방향 LSTM을 이용한 에너지 수요예측. 전기학회논문지, 68(1), 134-142.
- 조성주, 최우석, & 최상현. (2023). 앙상블 기반의 악취 농도 다지역 통합 예측 모델 개발. 지능정보연구, 29(3), 383-400.
- 주일택, & 최승호. (2018). 양방향 LSTM 순환신 경망 기반 주가예측모델. 한국정보전자통신기술학회논문지, 11(2), 204-208.
- 최재식. (2019). 설명가능 인공지능 연구동향. 정보과학회지, 37(7), 8-14.