离散选择宾馆房间需求模型制造技术

实施例对宾馆房间的需求和定价进行建模。实施例接收关于多个先前客人的历史数据并生成具有需求冲击变量的多项logit(“MNL”)模型，需求冲击变量使用MNL效用参数表达。实施例使用似然最大化来估计MNL效用参数并且使用估计MNL效用参数来确定需求冲击参数。然后实施例基于需求冲击参数预测宾馆房间的未来需求。基于需求冲击参数预测宾馆房间的未来需求。基于需求冲击参数预测宾馆房间的未来需求。

【技术实现步骤摘要】
【国外来华专利技术】离散选择宾馆房间需求模型


[0001]一个实施例一般而言涉及一种计算机系统，并且特别地涉及一种生成宾馆房间需求模型的计算机系统。

技术介绍

[0002]收入管理是响应于市场条件变化或供应条件变化而动态调整商品或服务价格的过程。收入管理过程由航空客运业开创，并已被诸如货运航空公司、宾馆、汽车租赁、托运人、广告经纪人等之类的其它行业效仿。
[0003]收入管理的一个非常常见的应用涉及正在为“有日期限制的服务”进行预订的服务提供商。有日期限制的服务涉及对买方可以使用他们购买的服务的日期施加特定于交易的限制。此类限制的示例包括航空公司预订的指定到达和离开日期以及宾馆预订的指定入住(check
‑
in)和退房(check
‑
out)日期。时间限制使得尤其难以估计需求并且然后确定使有日期限制的服务的收入/利润最大化的优化定价，尤其是在宾馆行业中。

技术实现思路

[0004]实施例对宾馆房间的需求和定价进行建模。实施例接收关于多个先前客人的历史数据并生成具有需求冲击变量的多项logit(“MNL”)模型，需求冲击变量使用MNL效用参数表达。实施例使用似然最大化来估计MNL效用参数并且使用估计MNL效用参数来确定需求冲击参数。然后实施例基于需求冲击参数预测宾馆房间的未来需求。
附图说明
[0005]图1是图示宾馆房间的价格内生性(endogeneity)的图表。
[0006]图2是根据本专利技术的实施例的计算机服务器/系统的框图。
[0007]图3是图示根据实施例的图2的房间需求模型模块的功能的流程图。
具体实施方式
[0008]实施例包括一种新颖的需求建模系统，其适于基于房间价格和特征来预测对不同等级的宾馆房间的需求。可以使用关于特定日期的预期需求的可用信息来校准预测。实施例使用需求建模来确定宾馆房间的优化定价。为了在存在价格内生性的情况下一致地估计底层的需求模型，实施例实现了包括时间固定效应的多项logit模型。实施例针对可能朝相同方向驱动价格和需求的可能时间冲击进行校正，并且如果关于此类未来冲击的某些信息可用，那么还提供一种直观的方式来校准需求预测。
[0009]实施例针对作为宾馆需求估计背景下广泛承认的问题的价格内生性进行校正。未能校正内生性会导致有偏差的估计。当模型中的解释变量与可能影响关注的结果变量的一些未观察到的因素相关时，就会出现价格内生性。宾馆业环境中价格内生性最显著的示例是内生房价，因为宾馆经理的通常做法是在预期需求高的时段(周末、假期、休假时间等)设
置较高的价格并且当预计需求将相对低时设置较低的价格。如果在不考虑内生性的情况下估计价格敏感度，那么价格敏感度系数可能被严重低估，并且甚至可能有错误的(正)符号，因为模型会得出如下结论：平均而言，较高的需求对应于价格较高的时段，反之亦然。
[0010]图1是图示宾馆房间的价格内生性的图表。在图1中，X轴表示平均每晚房价，其从右到左递增。Y轴表示宾馆被预订容量(入住率)，其中1.0对应于100％房间被预订。对于大多数商品和服务，随着价格上涨，需求减少。但是，对于诸如图1的示例之类的许多宾馆，如具有上坡(而不是预计的下坡)的线100所指示的，价格内生性实际上反映了随着价格上涨而增加的需求。
[0011]诸如宾馆、航空公司和零售业之类的行业中的已知解决方案使用工具变量(“IV”)方法来校正内生性。但是，IV方法需要找到有效的工具，即，与内生变量相关但与其它一切不相关的变量。为了估计对特定产品的需求，工具变量可以被选为产品制造中使用的成分的成本。例如，碱性和氯成分的价格指数以及用于包装的塑料价格作为工具变量可以用于分析洗衣粉的需求。一般的想法是，当这些成分的价格波动时，制造商也会调整最终产品(例如，洗衣粉)的价格。但是，最终产品需求的变化与成分价格变化无关。
[0012]如果需求系统以价格以线性方式影响结果变量的方式建模，那么可以非常直接地使用IV方法，其中两阶段最小二乘法(“2SLS”)回归是一种常见方法。其它方法使用更复杂的离散选择模型，并允许需求模型捕获公司提供的不同产品的需求之间的相互依赖性。例如，在宾馆环境中，不同的房间类型表示客户在进行预订时可以从中选择的不同备选方案，并且需求模型可以捕获特定房间类型相对于其它房间类型的价格变化的需求弹性。因为在离散选择模型中，价格以非线性方式影响需求，因此不能应用2SLS程序，并且取决于模型制定，可以使用诸如“BLP”和控制函数之类的方法。
[0013]但是，由于在没有有效工具变量的情况下无法实现IV解决方案，因此其实际应用受到可能难以找到适当工具这一事实的限制，尤其是在宾馆环境中。一般而言，校正内生性的已知解决方案都需要使用工具变量。在不使用IV的一些已知解决方案中，估计所需的数据范围通常包括竞争对手的价格和详细需求数据，它们的收集成本很高，甚至无法收集。
[0014]与宾馆房间的需求建模的已知解决方案相比，实施例将时间冲击直接添加到模型，这考虑了这些时间冲击同时影响价格和需求的事实。实施例产生模型参数的一致估计。冲击本身是不可观察的，而是与其余模型参数一起估计的。数据集通常跨越的时间段数量可能非常大，并且如果直接估计模型，那么要估计的参数数量也会很大。因此，实施例转换了原始问题，使得仅同时估计少量参数，所有时间冲击参数都在随后的单独步骤中估计。因此，估计模型所需的计算能力大大降低，这使得模型的应用非常实用，并提高了计算机的性能。
[0015]图2是根据本专利技术的实施例的计算机服务器/系统10的框图。虽然示出为单个系统，但是系统10的功能可以被实现为分布式系统。此外，本文公开的功能可以在可以通过网络耦合在一起的单独的服务器或设备上实现。此外，可以不包括系统10的一个或多个部件。例如，当被实现为基于web服务器或基于云的功能时，系统10被实现为一个或多个服务器，并且不需要诸如显示器、鼠标等之类的用户接口。
[0016]系统10包括用于传送信息的总线12或其它通信机制，以及耦合到总线12以处理信息的处理器22。处理器22可以是任何类型的通用或专用处理器。系统10还包括用于存储将
由处理器22执行的指令和信息的存储器14。存储器14可以包括随机存取存储器(“RAM”)、只读存储器(“ROM”)、诸如磁盘或光盘之类的静态存储装置，或任何其它类型的计算机可读介质的任意组合。系统10还包括通信设备20，诸如网络接口卡，以提供对网络的访问。因此，用户可以直接地或通过网络远程地或任何其它方法与系统10对接。
[0017]计算机可读介质可以是处理器22可以访问的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质以及通信介质。通信介质可以包括计算机可读指令、数据结构、程序模块，或调制数据信号(诸如载波或其它传输机制)中的其它数据，并且包括任何信息传递介质。
[0018]处理器22还经由总线12耦合到显示器24，诸如液晶显示器(“LCD”)。键盘26和光标控制设备28(本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种对宾馆房间的需求和定价进行建模的方法，所述方法包括：接收关于多个先前客人的历史数据；生成具有需求冲击变量的多项logit(MNL)模型，所述需求冲击变量使用MNL效用参数来表达；使用似然最大化来估计MNL效用参数；使用所述估计MNL效用参数来确定需求冲击参数；以及基于需求冲击参数来预测宾馆房间的未来需求。2.如权利要求1所述的方法，还包括：基于所述未来需求，优化宾馆房间的定价。3.如权利要求1所述的方法，其中所述似然函数包括聚合似然函数。4.如权利要求1所述的方法，其中所述似然函数包括个体选择似然函数。5.如权利要求1所述的方法，所述历史数据包括客户特征，所述方法还包括对人物特征进行聚类。6.如权利要求2所述的方法，还包括：基于未来需求和定价，为第一客户预留第一宾馆房间，并且响应于所述预留，使用宾馆房间钥匙机来制作与第一宾馆房间对应的房间钥匙。7.如权利要求1所述的方法，其中确定需求冲击参数包括：7.如权利要求1所述的方法，其中确定需求冲击参数包括：8.一种计算机可读介质，其上存储有指令，所述指令在由一个或多个处理器执行时，使所述处理器对宾馆房间的需求和定价进行建模，所述建模包括：接收关于多个先前客人的历史数据；生成具有需求冲击变量的多项logit(MNL)模型，所述需求冲击变量使用MNL效用参数来表达；使用似然最大化来估计MNL效用参数；使用所述估计MNL效用参数来确定需求冲击参数；以及基于需求冲击参数预测宾馆房间的未来需求。9.如权利要求8所述的计算机可读介质，所述建模还包括：基于未来需求，优化宾馆房间的定价。10.如权利要求8所述的计算机可读介质，其中所述似然函数包括聚合似然函数。11.如权利...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：甲骨文国际公司，
类型：发明
国别省市：