Косова К.А.,
ФГАОУ ВО «Московский государственный технический университет имени Н.Э. Баумана
(национальный исследовательский университет)», patrol8@yandex.ru

Ильичев В.Ю.,
к.т.н., ФГАОУ ВО «Московский государственный технический университет имени Н.Э. Баумана
(национальный исследовательский университет)», patrol8@yandex.ru

Использование интеллектуальных алгоритмов
при прогнозировании бронирования номеров в отелях

Представлена разработка и сравнительный анализ моделей машинного обучения для прогнозирования вероятности бронирования гостиничных номеров на основе открытого датасета. С использованием библиотек Python (Pandas, Scikit-learn, XGBoost, LightGBM, CatBoost) проведён корреляционный анализ признаков, построены модели логистической регрессии и градиентного бустинга. По результатам оценки метрик качества (AUC-ROC, NDCG@5) определён алгоритм, обеспечивающий наивысшую точность прогноза.

Введение

В условиях стремительной цифровизации туристической индустрии системы онлайн-бронирования гостиниц становятся ключевым элементом пользовательского опыта, напрямую влияющим на конверсию и лояльность клиентов. Современные платформы, такие как Booking.com, Expedia, Airbnb и другие, обрабатывают миллионы запросов ежедневно и сталкиваются с необходимостью не просто предоставлять релевантные результаты, но и предсказывать поведение пользователя с высокой точностью. Однако традиционные подходы, основанные на статистических методах и базовых алгоритмах машинного обучения, часто ограничены в способности улавливать сложные нелинейные зависимости и динамические паттерны поведения [1].

Как показывает анализ научной литературы, большинство существующих решений в области персонализированного поиска гостиниц сосредоточены либо на задаче бинарной классификации (будет ли совершено бронирование), либо на ранжировании (в каком порядке показывать отели). При этом редко учитываются взаимосвязи между этими задачами: например, высокая вероятность бронирования конкретного отеля не всегда означает, что он должен быть показан первым, если пользователь ищет альтернативы [2]. Подобный разрыв снижает общую эффективность рекомендательных систем и ограничивает их бизнес-ценность.

<...>

Ключевые слова: персонализированное бронирование, предиктивная аналитика, машинное обучение, Python, Pandas, Statsmodels, Scikit-learn, XGBoost, LightGBM, learning-to-rank

Полную версию статьи читайте в журнале
Подпишитесь на журнал

Комментарии могут оставлять только зарегистрированные пользователи