The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

A Time Series Forecasting Model with the Option to Choose between Global and Clustered Local Models for Hotel Demand Forecasting

호텔 수요 예측을 위한 전역/지역 모델을 선택적으로 활용하는 시계열 예측 모델

  • 박기현 (국민대학교 비즈니스IT전문대학원) ;
  • 정경호 (국민대학교 비즈니스IT전문대학원) ;
  • 안현철 (국민대학교 비즈니스IT전문대학원)
  • Received : 2024.05.09
  • Accepted : 2024.06.13
  • Published : 2024.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

With the advancement of artificial intelligence, the travel and hospitality industry is also adopting AI and machine learning technologies for various purposes. In the tourism industry, demand forecasting is recognized as a very important factor, as it directly impacts service efficiency and revenue maximization. Demand forecasting requires the consideration of time-varying data flows, which is why statistical techniques and machine learning models are used. In recent years, variations and integration of existing models have been studied to account for the diversity of demand forecasting data and the complexity of the natural world, which have been reported to improve forecasting performance concerning uncertainty and variability. This study also proposes a new model that integrates various machine-learning approaches to improve the accuracy of hotel sales demand forecasting. Specifically, this study proposes a new time series forecasting model based on XGBoost that selectively utilizes a local model by clustering with DTW K-means and a global model using the entire data to improve forecasting performance. The hotel demand forecasting model that selectively utilizes global and regional models proposed in this study is expected to impact the growth of the hotel and travel industry positively and can be applied to forecasting in other business fields in the future.

인공지능 기술의 발전으로 인해 여행 및 호텔 산업에서도 다양한 목적의 인공지능과 기계학습 기법이 활용되고 있다. 특히 관광 산업에서는 수요 예측이 매우 중요한 요소로 인식되는데, 이는 서비스 효율성과 수익 극대화에 직접적인 영향을 미치기 때문이다. 수요 예측 시 시간에 따라 변화하는 데이터 흐름을 고려해야 하며, 이를 위해 통계적 기법과 기계학습 모델이 사용된다. 최근에는 수요 예측 데이터의 다양성과 현실의 복잡성을 반영하고자 기존 모델의 변형과 통합 연구가 진행되고 있으며, 그 결과 불확실성과 변동성에 대한 예측 성능이 향상되었음이 보고되고 있다. 본 연구에서는 기존 호텔수요 예측 연구에서 시도되지 않았던 다양한 기계학습 접근법을 통합하여 호텔 판매 수요 예측 정확도를 높이는 새로운 모델을 제안한다. 구체적으로 DTW K-means 클러스터링을 통해 지역모델을 구축하고, 전체 데이터를 활용한 전역모델과 선택적으로 결합하는 XGBoost 기반 시계열 예측 모델을 제시한다. 제안 모델은 지역과 전역 모델의 장점을 살려 호텔 수요 예측 성능을 제고할 것으로 기대된다. 이는 호텔 및 여행 산업 성장에 기여할 뿐만 아니라, 향후 다른 경영 분야 예측에도 확장 적용될 수 있을 것이다.

Keywords

References

  1. Ampountolas, A. (2021). Modeling and forecasting daily hotel demand: A comparison based on SARIMAX, neural networks, and GARCH models. Forecasting, 3(3), 580-595.
  2. 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
  3. Bouchareb, N. (2023). The role of artificial intelligence in improving hotels property management systems (PMS). International Journal of Economic Performance, 6(2), 554-567.
  4. Castelvecchi, D. (2016). Can we open the black box of AI? Nature, 538(7623), 20-23.
  5. Dowlut, N., & Gobin-Rahimbux, B. (2023). Forecasting resort hotel tourism demand using deep learning techniques - A systematic literature review. Heliyon, 9(7), e18385.
  6. 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
  7. 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.
  8. Huang, L., & Zheng, W. (2021). Novel deep learning approach for forecasting daily hotel demand with agglomeration effect. International Journal of Hospitality Management, 98.
  9. 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).
  10. 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.
  11. Laaroussi, H., Guerouate, F., & Sbihi, M. (2020). Deep learning framework for forecasting tourism demand. IEEE International Conference on Technology Management.
  12. 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.
  13. 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
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. Syahromi, T., & Sumitra, I. D. (2019). Forecasting hotel expenses using the ARIMA method. IOP Conference Series: Materials Science and Engineering, 662(2).
  19. 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.
  20. 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.
  21. 강보람, & 안현철. (2022). 리조트 교차판매 예측모형 개발 및 SHAP을 이용한 해석. 한국빅데이터학회지, 7(2), 195-204.
  22. 권보성, 박래준, & 송경빈. (2018). 다양한 정규화 방법에 따른 평일 단기 전력수요예측 정확도 분석. 조명.전기설비학회논문지, 32(6), 30-33.
  23. 김민교, & 강대전. (2015). 온라인 쇼핑 사이트 의 추천 시스템을 위한 고객패턴 분석 모델. 한국IT서비스학회 학술대회 논문집, 467-470.
  24. 김연화. (1995). 판매수익 극대화를 위한 전략적 객실가격 수립에 관한 연구. 사회과학연구, 3, 119-156.
  25. 김재성, 양여진, 오민지, 이성웅, 권순동, & 조완섭. (2020). 딥러닝 기법을 활용한 가구 부자재 주문 수요예측. 한국빅데이터학회지, 5(2), 111-120.
  26. 김정아, 정종필, 이태현, & 배상민. (2018). 중소기업 제조공장의 수요예측 기반 재고관리 모델의 효용성 평가. 한국인터넷방송통신학회논문지, 18(2), 197-207.
  27. 김진섭, 황재성, & 정재우. (2020). 시계열 분해 데이터를 이용한 LSTM 기법 기반 항공기 수리 부속 수요예측 방안 연구. 경영과학, 37(2), 1-18.
  28. 박득희, 강상훈, & 이계희. (2020). 지속가능한 관광성장을 위한 방한 일본인 관광객 수요예측: 시계열 계량 모형 적용. 관광연구저널, 34(3), 47-60.
  29. 배선경. (2005). 마케팅관점에서 본 수익률 관리전략의 중요 요소. 관광연구저널, 19(1), 249-259.
  30. 서보원, 이선덕, 곽용진, & 장호림. (2021). k-means clustering을 활용한 음성 인식 성능 개선. 한국정보과학회 학술발표논문집, 6, 940-942.
  31. 신동하, 최광호, & 김창복. (2017). RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델. 한국정보기술학회논문지, 15(10), 9-16.
  32. 유현선, & 유선종. (2017). 패널 연립방정식모형을 이용한 호텔 객실의 단기 수요 및 가격결정요인 분석. 부동산연구, 27(2), 95-109.
  33. 이민상, & 심완섭. (2002). 인터넷쇼핑몰 거래상품의 수요예측에 관한 연구. 유통연구, 7(2), 15-42.
  34. 이승운, & 곽기영. (2022). GRU 기법을 활용한 서울시 공공자전거 수요예측 모델 개발. 지능정보연구, 28(4), 1-25.
  35. 이인지, & 윤현식. (2020). 머신러닝을 활용한 지역축제 방문객 수 예측모형 개발. 정보시스템연구, 29(3), 35-52.
  36. 이현찬, 장스위, 임택, & 양위주. (2023). SARIMA를 이용한 국내 호텔 객실매출에 관한 시계열 분석 연구. 관광연구, 38(1), 47-64.
  37. 장스위, 임택, & 양위주. (2022). 시계열 분석을 통한 관광목적지 수요예측 - 감천문화마을 중심으로. 산업혁신연구, 38(3), 113-120.
  38. 정경훈. (1985). 관광호텔 객실가격 결정방법에 관한 연구. 관광학연구, 9(1), 239-256.
  39. 정은별. (2017). 서울소재 특급호텔 객실 요금에 영향을 주는 호텔 속성에 대한 연구. 관광학연구, 41(3), 131-149.
  40. 정호철, & 선영규. (2019). 에너지인터넷에서 1D-CNN과 양방향 LSTM을 이용한 에너지 수요예측. 전기학회논문지, 68(1), 134-142.
  41. 조성주, 최우석, & 최상현. (2023). 앙상블 기반의 악취 농도 다지역 통합 예측 모델 개발. 지능정보연구, 29(3), 383-400.
  42. 주일택, & 최승호. (2018). 양방향 LSTM 순환신 경망 기반 주가예측모델. 한국정보전자통신기술학회논문지, 11(2), 204-208.
  43. 최재식. (2019). 설명가능 인공지능 연구동향. 정보과학회지, 37(7), 8-14.