Построение нейроагентов для предприятий различных сегментов индустрии гостеприимства

Анализ рынка гостиничных услуг и прогноз его развития

В данном разделе проведен анализ рынка высококачественных гостиничных услуг города Москвы. База данных для расчета представлена в пр ил 3 и 4.

Анализ проводился по таким показателям: загрузка гостиницы (Occupancy), средняя цена за день (Average Dayly Rate) и доход на один номер (RevPAR — Revenue Per Available Room). Данные характеризуют два

сегмента рынка: четырех- и пятизвездочные гостиницы.

Сначала охарактеризуем общее положение на всем рынке, а затем по двум его сегментам. Для этого построим нейросетевую модель на основе сетей радиального базиса. Такое

предположение основано на характере поведения рядов и желаемом характере прогноза.

Удовлетворительные результаты показала сеть RBF 288(32x9)-100-9 (288 нейронов во входном слое, 100 в скрытом слое и 9 в выходном), то есть количество элементов входного слоя сети, учитывающих в полной мере периодичность изменений равно 32.

Этому предшествовало построение нескольких сетей с параметром окна, равным 7, 14 и т.д. Все эти сети показывали довольно удовлетворительные результаты в области обобщения, что проявлялось в четком определении недельной периодичности и нулевого тренда. Однако было заметно, что это обобщение довольно примитивное и не учитывало некоторые колебания переменных. С целью повышения точности модели было предпринято увеличение

количества входных элементов.

Фактически сеть с 32 входными нодами на каждую переменную отразила сразу две периодичности — недельную и месячную. Вопрос о том, почему именно 32 элемента можно разъяснить следующим очень важным положением: временной ряд с периодичностью N измерений можно смоделировать нейронной сетью с параметром временного окна (количеством входных элементов) равным N(+M), то есть ряд с недельной периодичностью (7) можно моделировать сетью с 8,9 и более входными элементами.

Это представляет следующую важ-

ную возможность и особенность нейросетевых моделей: на основе одной и той же комплексной модели можно анализировать временные ряды с абсолютно разной периодичностью. Кроме того, как и в данном случае, внутри одного и того же ряда могут быть разные периоды циклов (поскольку месяцы имеют различную, хотя и примерно одинаковую, продолжительность).

Характеристики модели показаны в таблице статистик регрессии (табл. 7)

Статистика моделей

Таблица 7

	3arp. 5 зв.	3arp. 4 зв.	3arp Всего	Цена 5 зв.	Цена 4 зв.	Цена Всего	Revpar 5 зв.	Revpar 4 зв.	Rcvpar Всего
Data Mean	43.4	37.16	40.25	224,1	164.5	194.1	97.25	61.88	78.94
Data S.D.	15.36	11.89	13 18	15.37	10.66	12.55	37.17	20.93	28.14
Error Mean	-1.059c- 13	-1 .S48e- 13	-1.133e- 13	-I. seels	1.442e- 13	1.652e- 13	1.421е- 13	-1.231е- 13	-L228e- 13
Error S.D.	1.964	2.384	1.993	3.394	2.721	2.681	4.937	4.581	4.501
S.D. Ratio	0.1278	0.2004	0.1512	0.2208	0.2553	0.2137	0.1328	0.2189	0.16

Из нее видно, что модель имеет довольно высокие показатели. Об этом свидетельствует низкое отношение стандартных отклонений и средняя ошибка. Общая ошибка сети составляет 3,304. Поскольку в качестве критерия ошибки используется комплексный показатель, учитывающий как фактические отклонения, таки и размер сети, то можно сказать о довольно высоком качестве модели.

1 в 11 1в 21 26 31 36 41 46

Рис. 101. Активационные функции

Характер поведения ряда можно изучить с помощью графика значений активационной функции (рис. 101). На этом рисунке видна

четкая недельная периодичность ряда. Но это еще не все.

На графике также обнаруживается еще один цикл. Подробности о нем будут приведе-

ны при построении прогноза по этим рядам.

В табл. 8 отражены (в сокращенном виде) результаты работы нейросетевой модели в виде фактических значений, прогнозных значений, ошибки на каждом измерении и общей ошибки. Из таблицы видно, что модель довольно точно определили структуру данных. Об этом свидетельствует как величины ошибки, так и факт соответствия наибольших и наименьших значений, то есть определения выбросов. Первые 32 измерения не указаны, по

скольку для них отсутствуют целевые значения.

Таблица 8

Результаты работы модели

№ изм.	Прогн, загр. 5 зв.	Прогн. Revpar Всего	Факт. загр. 5 зв.	Факт. Revpar Всего	Ошибка загр. 5 зв.	Ошибка Revpar Всего	Ошибка
01-32	?	?	?	7	7	?	7
33	35.5	60.69	36	60	-0.4973	0.6856	0.02124

111	12.66	22.02	13	23	-0.3429	-0.9752	0.004031
112	14.53	26.04	15	27	-0.4735	-0.9639	0.004589
125	47.26	78.64	47	78	0.2634	0.6365	0.002216
126	67.84	128.6		129	-0.1627	-0.4378	0.001122
127	71.8	128.1	72	129	-0.2003	-0.945	0.001759
128	63.88	119.8	64	120	-0.1244	-0.1758	0.002326
129	50.11	90.63	50	91	0.1119	-0.3686	0.003183
130	27.22	50.47	27	51	0.2176	-0.5298	0.004359
131	28.52	46.06	29	47	-0.4834	-0.9396	0.003879

163	57.06	109.5	59	116	-1.943	-6.451	0.01573

Прогнозы всех показателей на две недели представлены в табл.

Прогноз поведения рынка и отдельных его сегментов

Таблица 9

№ изм	Загрузка 5 звезды	Загрузка 4 звезды	Загрузка Всего	Цена 5 звезды	Цена 4 звезды	Цена Всего	Revρar 5 звезды	Revpar 4 звезды	Revpar Всего
131	48,21	47,79	47,92	232,1	163,8	193,9	109,3	76,68	91,59
132	31,52	33,72	32,81	233,1	154,6	188	70,69	51,64	60,07
133	19,62	22,11	21,15	215,9	140,1	173,5	39,86	28,96	33,69
134	17,31	21,51	19,48	220,7	146,1	176,9	37,14	30,71	33,51
135	31,14	29,59	30.63	224,3	155,6	184,7	67,44	47,39	56,84
136	43,62	44,55	44,52	238,6	165.9	197,7	102,4	76,17	88,32
137	49,44	50,81	50,21	229,4	166,3	194,5	112,1	82,89 ^π	95.99
138	47,42	50,93	49,29	227,6	163,2	190,5	105,7	82,15	92,44
139	32,09	38,26	35,52	231,5	155,2	186,4	72,35	59,89	64,96
140	21,43	26,67	24,26	212,7	140,7	172,6	44,22	36,59	39,72
141	21,52	26,43	24,16	213,4	147,9	177,1	45,59	38,52	41,54
142	42.97	36,76	39,99	222,9	158,3	189.8	95,29	58,07	75,67
143	58,11	54,05	56,27	238,3	167.1	201,6	136,9	90,33	111.9
144	62,57	57,77	60,18	228,9	164,7	196,2	142,4	93,16	115,8

- по -

Графическое отображение прогнозов представлено на рис. 102, 103 и 104

Time Series Projection

Измерение

0 ^r50 ^γ1∞ ІЇ50 І200 ЇЖІ Г300

Рис. 102. Загрузка по всему рынку гостиничных услуг

Загрузка по сегментам пяти- и четырехзвездных гостиниц в целом не отличается от поведения всего рынка. Загрузка гостиниц 5 звезд несколько выше и амплитуда колебаний немного шире, чем у гостиниц 4 звезды, В целом колебания сегментов одинаковы, поэтому на рис. 102 отражен график загрузки всего рынка. Он свидетельствует о довольно интересном характере динамики загрузки. Во-первых, пики загрузки приходятся на первую половину месяца и середину недели (а именно — среду). Резкие выбросы соответствуют неделям после замедления деловой активности, например, на неделе, следующей за каким-нибудь государственным праздником (на рисунке — среда после 9 мая).

Рис. 103. Средняя цена на номер по всему рынку гостиничных услуг и его сегментам

- ПІ -

Впадина соответствует самому этому празднику, а вернее, веренице праздников. Это подтверждает все большую переориентацию туризма в Москве на деловой и постоянное увеличение доли корпоративных клиентов.

Из рис. 103 можно заключить, что изменение средней цены на номер отдельных сегментов немного отличается от поведения всего рынка. Средняя цена зависит от дня недели и

соответствует стратегии продавать дороже, когда есть спрос и продавать дешевле, когда

спроса нет. Это указывает на широкое использование метода управления доходами (yield management) в гостини цах-совместных предприятиях и под контрактом на управление

Доход на один номер (RevPAR) служит производным от показателей загрузки и цены, а поэтому соотносится с характером их поведения (рис. 104)

Из него видно, что присутствуют те же колебания по дням недели и в течение месяца. Может оказаться непонятным: зачем рассчитывать прогноз такого показателя RevPAR, поскольку он выступает производным от первых двух. Действительно:

кол-во проданных номеров , доход

загрузка =

Rev∕*4Λ =

номерной фонд доход

номерной фонд

; среди.цена =----------- —-

кол-во проданных номеров

Rev∕Λ4∕f = загрузка х средняяцена ,

_ _ загрузка ? средняя цена , , .._n

Таким образом, ----- —--------------------------- 1 (или, как в данном случае, 100, поскольку

Re vPAR

загрузка выражена в процентах). Такое соотношение позволяет дополнительно проверить

модель. Эта проверка на полученных прогнозных значениях дополнительно характеризует

адекватность построенной нейросетевой модели.

Анализ показателен деятельности гостиниц по сегментам. Цель анализа — установить ценовую политику на основе НС и построить кривые зависимости цены от загрузки по дням недели Для этого входными берутся два показателя: день недели и загрузка. На выход подается средняя цена. Результаты выражаются в виде сети, таблицы результатов сети на фактических значениях, графиков зависимости.

В начале проведем простую кластеризацию гостиничных предприятий на каждом сегменте рынка (рис. 105). По горизонтальной оси показана загрузка гостиниц, по вертикально оси — средняя цена на номер, величина этих показателей отражена с помощью раз

мера пузырька на пузырьковой диаграмме.

-гьш»

# Средняя цена

О Загрузка

170--------- —

«Средняя єна О Загрузка

до* і

——ⁱ Загрузка ¹⁵⁰

_______ L..I

Загрузка

Рис. 105. Диаграмма кластеризации предприятий по отдельным сегментам рынка 5-й 4-х звездных гостиниц

Приведенные диаграммы показывают, что взаимозависимость средней цены и средней загрузки обратная. Разброс на рынке четырехзведочных гостиниц гораздо меньше: чем на рынке пяти звезд. Это объясняется меньшей степенью сложности ценовой политики гостиниц четыре звезды.

В сегменте гостиниц 5 звезд, гостиница «Националь» показывает точное совпадение своих характеристик с общим поведением данного сегмента. Скорее всего, это связано с тем,

что гостиница открылась сравнительно недавно и просто следует общему поведению рынка.

Поэтому она становится первым объектом дальнейшего анализа. Для анализа и построения модели ценовой полити

ки гостиницы «Националь» используется сеть с топологией, приведенной на рис. 106. Сразу видны отличия данной

сети от используемых ранее. Это связано с характером

данных, подаваемых на вход сети: дня недели и загрузки.

!--- 1479 758 3 4 3 7,730E+07 0,09 -0,06 Наклон (13) 3.699О62Е-О5 4 6 5 7,724E+07 0,18 -0,08 5 8 7 7,710E+07 0,35 -0,17 6 10 9 7,709E+07 0,37 -0,02 Наблюдений 937 Наблюдений 937 Наблюдений 937 Медиана 1512,963 Медиана 1512,963 Медиана 1512,963 Выбр. Модель ARMA(1,O) 1 кевдо R-квадрат 0,000000 Псевдо R-квадрат 0,000000 R-квадрат 0,008006 MSE 82725,37 MSE 83394,99 SSE 7,737494E+07 МАЕ 248,1862 МАЕ 249,1474 MSE 82665,53 МАРЕ 17,37652 МАРЕ 17,52163 RMS 287,5161 Прог ноз Прогної Прогноз Aft Факт Остаток (lpomoj Aft Факт Остаток Прогноз Aft Факт Остаток Прогноз 1 1343,0 -169,9 1512,9 1 ,343 -160,038 1503,038 1 1343 -145,0844 1488,084 936 1940,0 428,3 1511,7 936 1940 430,0982 1509,902 936 1940 432,8382 1507,162 937 1479,0 -37,8 1516,8 937 1479 -31,49265 1510,493 937 1479 -29,07988 1508,08 938 1512,7 938 1510,449 938 1545,2. 939 1513,0 939 1510,449 939 1455,726 940 1513,0 940 1510,449 940 1514,405 941 1513,0 941 1510,449 941 1505,167 942 1513,0 942 1510,449 942 1548,731 943 1513,0 943 1510,449 943 1515,996 944 | 1513,0 944 1510,449 944 1507,487

Построим прогноз на основе использования нейросетевых технологий.

Любая модель на основе RBF-сети сразу же покажет те же результаты, что и все пре

дыдущие стандартные, а именно нулевой тренд на уровне медианы ряда, то есть построения

одной сети достаточно для определения тенденции ряда.

Поскольку нас все-таки интересует более точный прогноз, используем другие виды сетей. Нейросетевая модель многослойного персептрона (MLP: 32-16-1; все активационные функции логистические; параметры — по умолчанию; модель отображена на рис. 124) на 1100 итерациях при достижении ошибки, равной 99,9 методом спуска по сопряженным градиентам показала следующие результаты (табл. 20).

Как видно из таблицы, результаты гораздо ближе к фактическим, кроме того, нейронная сеть

Дальнейшее сравнение моделей произведем на основе отклонений последних семи тестовых измерений.

Значения абсолютных отклонений, а также значение RMS-ошибки для всех четырех

моделей на семи тестовых точках приведено в табл. 21.

Из представленных данных можно сделать следующие выводы: общая ошибка нейросетевой модели минимальна; имеются два больших отклонения на третьем (выброс в фактических данных) и на пятом измерении (сделан необоснованно^) большой прогноз). Если удалить эти два значения, то ошибка сети составит около 60(^,)∙

Из вышеприведенных расчетов можно заключить, что нейросетевые модели определяют зависимости, как минимум, не хуже стандартных моделей. Кроме того (и самое важ

ное), пытаются и могут находить закономерности даже в рядах, ведущих себя как случайные

Нейронные сети становятся инструментом реализации такой науки как теория хаоса.

Хаос — непредсказуемое поведение, возникающее в детерминированной системе из- за большой чувствительности к начальным условиям.

Теория хаоса — горячий лед, структура бесструктурного¹. Хаос — неисчерпаемая конкретность существования².

В. Тарасенко Теория хаоса, http://www.iph.ras.ru/~vtar/haos htin ² Чжуан-цзы. Ле-цзы —М.: Мысль, 1995

Избыточность хаоса порождает конкретное знание, часто называемое порядком. Теория хаоса вводит описание системы хаотической, непредсказуемой на микроуровне, но, тем

не менее, имеющей возможности создавать различные сложные и тонкие структуры на макроуровне, Все это можно отнести «экономической системе как самой хаотичной в современных условиях развивающейся России.

Данные для расчета взяты с официального сайта Guam Hotel and Restaurant

Association, расположенного по адресу http://www.ghra.org.gu из раздела Hotel Statistics —

В таблице «Статистика гостиницы Guam Hotel and Restaurant Association» (см. прил. 6) представлены четыре показателя деятельности (помесячно): количество гостиничных номеров, общее количество посетителей, коэффициент загрузки и цена на гостиничный номер. Показатели деятельности гостиницы носят как внутренний, так и внешний характер.

Первый шаг в построении нейроагента — прогноз показателей на интересующий срок. Для проверки адекватности модели в процессе обучения будут участвовать 50 точек, три последние оставим для проверки. Прогноз показателей гостиницы производит-

Рис. 125. Топология сети первого этапа по- ся с помощью следующей модели (рис 125): многослойный пер- строения нейроагента

Переменная ТОТ VISIT масштабируется со следующими параметрами: Min∕Mean=0

Max/SD=0,7; остальные переменные — Min∕Mean=0 Max∕SD-- l Параметр размера окна временного ряда Steps=12, горизонт прогноза Lookahead=I. Обучение производится методом сопряженных градиентов (прошло за 1500 итераций).

Сеть с перечисленными параметрами показала результаты, представленные в таблице статистик регрессии (табл. 22). Цифры свидетельствуют о приемлемом качестве модели. На это указывают сравнительно небольшие значения отношений стандартных отклонений.

Статистика регрессии многофакторной модели

fc Используя обученную модель, получаем с помощью окна проекции временного ряда

прогнозы всех показателей. Он строится на 3 имеющихся измерения для проверки плюс 7

, точек. Итого на 10 точек до конца года (табл. 23).

Прогноз показателей гостиницы до конца года

Среднеквадратические ошибки прогноза на трех тестовых точках составили: CKOnorooms⁼7 1,07; CKOιorvιsτ[~8829,49, CKOavoccup^S^S; CKOavratf.⁼7,42, Несмотря на довольно высокую ошибку, можно оставить данную модель для работы, поскольку последующая модификация сети привела к меморизации.

Данные значения ошибок вполне соответствуют (как и должны) показателям статистики регрессии. Самое большое соотношение отклонений было как раз у переменной TOTVISΓT.

Увеличение размера скрытого слоя показывает уменьшение ошибки.

Однако в конфигурации сети с логистической активационной функцией и линейной во входном и выходном слоях осуществляет увеличение крутизны подгоняемой кривой.

Для понимания структуры изменений данных это может быть и допустимым явлением, поскольку фактически указывает о критическом ускорении падения, как коэффициента

В принципе этот факт можно использовать как предупреждение о возможном кризисе в дальнейшей деятельности гостиницы и рекомендовать осуществление управленческих шагов для исправления ситуации.

Графики прогнозов показателей деятельности гостиницы показаны на рис. 126.

Из графиков виден рост одного показателя и падение всех остальных. Кроме того, видно довольно хорошее обобщение сетью входных данных.

Следующий шаг — определение стандартных состояний гостиницы.

Проводим анализ показателей при помощи сети Кохонена Топология сети представлена на рис. 127. В слое

Рис. 127. Топология сети на Кохонена используются 9 нейронов. Ширина — три втором этапе построения

Параметры обучения, два периода; на первом коэффициент обучения снижался с 0,9 до 0,1, размер окрестности снижался с 3 до 1, обучение проводилось в течение 2000 итераций, на втором коэффициент обучения снижался с 0,1 до 0,01, размер окрестности снижался

с 1 до О, обучение в течение 10000 итераций. Результаты обучения представляются в виде следующих отчетов. Первый — таблица частот выигрышей (табл. 24), которая показывает количество попаданий данных для обучения в тот или иной кластер. Вид таблицы соответствует топологии слоя Кохонена.

Для того чтобы узнать какие именно наблюдения попали в тот или иной кластер, а также справиться с важнейшей задачей определения близости классов существует топологическая карта (рис. 128).

В левой части окна, называемой Case No (Номер измерения) указывается интересующий номер измерения, процесс упрощается с помощью использования прокрутки. Для каждого измерения показывается выигравший элемент, степень близости классов (интенсивность окраски) и ошибка (в правом углу). В терминах сетей Кохонена эта ошибка является ни чем

В начале окно топологии выдается чистым. Задача исследователя — разметка факти-

веских классов. Поскольку в слое Кохо йена было взято 9 нейронов, то столько же максимум будет и количество кластеров (табл. 25). Данное число предлагалось программным пакетом в соответствии со структурой входных данных.

окно прогона набора данных (рис. 129). Устанавливаем

желаемые параметры принятия и отвержения кластеризации. Фактически это максимальный размер ошибки (расстояния до центра кластера), при котором считается, что данные попали в тот или иной кластер. В противном случае данные помечаются символом «?», означающим неуверенность в правильности попадания в кластер.

В нижней части окна прогона представлена таблица соответствий порядкового номера измерений помеченным в окне топологии классам. Причем, выходные данные могут быть представлены в трех видах; variables — фактические значения, activations — значения функции активации (для сетей Кохонена это означает расстояние до центра кластера) и codebook

Координаты центров классов для данной задачи показаны в табл. 26. К сожалению,

они предоставляются пользователю программного пакета в стандартизованном виде. Это ус

ложняет численную интерпретацию результатов, однако дает некоторое представление о примерном расположении центров. Это наглядно видно из таблицы. Характер поведения ко-

ординат центров соответствует характеру данных временных рядов. Так значения координат

для первой переменной возрастает, а для всех остальных — падает. Представленная таблица

значений кодов центров кластеров, пожалуй, выступает одной из основных в задаче

Значения активационных функций (расстояний до центра кластера) Activations

Окно прогона данных в режиме Activations демонстрирует (в стандартизованном виде) расстояние до центра кластера (табл. 27). Именно по этому параметру принимается решение о достоверности отнесения измерения к тому или иному кластеру. По данным этой таблицы можно также дополнить отнесение к тому или иному кластеру информацией о месте нахождения внутри самого кластера. Возможен дальнейший анализ рядов показателей с использованием значений окна Activations в качестве входных переменных. Это поможет определить критические значения экономических показателей, при которых есть риск перехода в

возможных будущих состояний гостиницы Для этого применяется окно прогона одного нового значения (рис. 130). В верхней части

Рис. 130. Окно прогона одного значения (получения прогноза ситуации)

После нажатия на кнопку Run (прогон) в нижней части окна показывается класс, к ко

торому была отнесена введенная комбинация показателей. На рисунке изображено окно про-

гона первой после данных, использованных для обучения, комбинации показателей. Понятно, что горизонт прогноза состояний зависит только от желания пользователя.

В таблице прогноза состояний гостиничного предприятия представлен соответствующий прогноз до конца 1999 года {табл. 28),

Прогноз состояний гостиничного предприятия

Несмотря на довольно большие ошибки прогноза первого этапа на MLP, прогнозные состояния на основе этих значений соответствуют фактическим. Таким образом, с помощью сети Кохонена данной конфигурации удалось несколько сгладить ошибки предыдущего этапа и дать правильный прогноз экономической ситуации. Напомним, что для проверки прогноза оставлялись три конечных измерения.

Приступим к экономическому анализу результатов, поскольку того требует ортодоксальность ученых. Точка зрения автора полностью совпадает с точкой зрения ведущих ученых кибернетиков: фирма не является анализатором; она — распознаватель. Вот почему так

важна скорость распознавания и относительно менее важна мощность анализа. Мы должны

распознавать и затем действовать. Иначе на анализ можно потратить много драгоценных недель и спасительный ответ на угрозу будет слишком запоздалым. Огромное число аналитических работ, проводимых управляющими, оказывается бесполезным по этой причине. Такие

аналитические исследования становятся интеллектуальными играми, сопровождающими

развитие реальных процессов, но не влияющих на них.^[XXXIII]

Таблица результатов кластеризации свидетельствует о том, что предприятие находится в наихудшей, со времени начала учета своих статистических данных, ситуации. Однако она довольно стабильна и ожидать наступления какого-то кризисного события не следует.

В то же время, гостиница в свои стратегические цели должна ставить ситуацию V2 — мак

симум цены при максимуме загрузки. Дальнейшее сползание на уровень ниже даже среднемирового приведет к банкротству. К сожалению, невозможно на месте оценить так называемую форму поведения гостиницы с тем, чтобы более четко определить перспективы.

Изменение показателей во времени и по номеру ситуации представлено на рис. 131. Интегрированным показателем для анализа может служить доход. График соответст

вия дохода определенным ситуациям представлен на рис. 132.

Для анализа можно использовать индекс дохода (табл. 29), полученный путем умножения значений кодов

ситуаций (табл. 26. «Значения кодов центров кластеров (Codebook)»).

Из графика и таблицы можно сделать следующие наблюдения:

Ситуация V3 соответствует минимуму загрузки при минимуме цены и, соответственно, минимум дохода. Для данной гостиницы можно сказать, что это — худшее состояние, кроме того, это последние значения ряда. Видимо, V3 -— кризис перепроизводства на рынке

Ситуации VI и V6 соответствуют примерно одному уровню дохода (очень низкому), но имеют различия как по распределению внутренних показателей (высокая загрузка и низкая цена; средняя загрузка и средняя цена, соответственно), так и по внешним показателям.

Ситуация V5, как представляется из предыдущих графиков, служит переходной между V4 и V6. Кроме того, она встречается всего дважды. Ситуация соответствует довольно среднему доходу при максимальной цене и средней загрузке.

Ситуация V4 соответствует в точности средней цене при высокой загрузке. Данная ситуация самая распространенная в течение регистрации показателей и, видимо, соответствовала желаниям руководства по тенденциям общего функционирования. Однако именно она привела к снижению доходности в дальнейшем. Причиной такого явления может выступать несвоевременное распознавание и реагирование на рост до максимума номерного фонда всего региона и падения до минимума общего числа приезжающих.

Наконец, ситуация V2 — максимум дохода при максимуме цены и максимуме загрузки. Кроме того, V2 — максимум количества туристов при минимуме номерного фонда региона, что соответствует высокому спросу при низком предложении. Видимо, такая ситуация может быть целью деятельности гостиницы (с точки зрения максимизации дохода) и, возможно, следует направить действия на развитие и удержание именно такой ситуации. Достичь этого можно только двумя способами. Первый — при помощи стимуляции спроса, что потребует финансовых затрат. Второй — сдерживание объема предложения, что может быть

сделано в виде договора между основными участниками рынка о неувеличении номерного

№	Прогноз	Целе вое	Фактическое
936	^l^ 1721.5	1940
937	1896.2	1479
938	L607.6		1524
939	1195.9		1144
940	1530.3		1950
941	1293.8		1354
942	1920.8		1394
943	1627.2		1729
944	1210.5		1231

Модель
ARIMA	Простое эксп. сглажива ние	Эксп. сглаживание Винтерса	MLP32- 16-1
-11,3	-13,551	+21,2	+83,6
+369	+366,449	+311,726	+51,9
Л37	-439,551	-435,595	-419,7
+ 159	+156,449	+151,167	-60,2
+П9	+ 116,449	+154,731	+526,8
-216	-218,551	-213,004	-101,8
+282	+279,449	+276.487	-20,5
RMS-отклонение
227,614	227,207	223,4157	180.6429

	NOROOMS	τσrvτsιτ	AVOCCUP	AVRATE
Data Mean	6855	l.066c+05	75.82	126.5
Data S.D.	361.8	1.503c+04	11.17	11.74
Error Mean	-0.4412	-5.383	0.009513	-0.004896
Eπoτ S.D.	33.43	2232	2.078	0.6986
S,D. Ratio	0.0924 J	0.1485	0.1861	0.0595

Epoch	NOROOMS	TOTV1S1T	AVOCCUP	AVRATE
0038	7510.6	l.O538c+O5	65.589	126.08
0039	7438.4	70470	50.973	100.59
0040	7669.2	74116	48.54	105.68
0041	7407.2	77674	55.17	103.54
0042	7649	85563	52.739	120.23
0043	7662.6	79944 1	48.613	122.69
0044	7644 3	73788	49,094	103.92
0045	7708	73657	48.801	100.2
0046	7662.1	69747	47.982	96.213
0047	7740.8	74125	47,437	105.64
0048	7663	72505	48,321	102.51

Up*	Р иг* »1005
	Topdopcal
Elv2	Яу4	Я*1
0v4	0v4	■ vβ
Hv4	Hv5	ИуЗ

№	С-я	№	С-я	№	С-я	№	С-я	№	С-я
01	vl	11	vl	21	v4	31	v4	41	v6
02	vl	12	vl	22	v4	32	v4	42	v6
03	vi	13	v2	23	v4	33	v4	43	v5
04	vl	14	v2	24	v4	34	v6	44	v4
05	vl	15	v2	25	v4	35	v4	45	v6
06	vl	16	v4	26	v4	36	v6	46	v3
07	vl	17	v4	27	v4	37	v5	47	v3
ОХ	v2	IS	v4	28	v4	38	v4	48	v3
0У	vl	19	v4	29	v4	39	v4	49	v3
10	lλ1	20	v2	30	v4	40	v6	50	v3

X® измерения	NOROOMS	TOTVISIT	AVOCCUP	[AVRATE Класс
01-07, 09-12	0.06823	0.6197	0,7449	10.17	VI
08, 13-15, 20	0.04278	І0.8534	0.8492	0.6157	V2
16-19, 21-33, 35, 38-39, 44	0.166	jθ.5426	0.6435	0.5144	V4
34, 36, 4(М2, 45	0.6331	0.354	0.3055	0.3295	V6
37, 43	0.4929	0.3874	0.385	0.6514	V5
46-50	0.8558	∣0.1508	0.1053	0.2982	V3

№	V2	V4	VI	V4	∣V4 рз	V4	V5	V3
,».
05	0.503	Р.410	0.126	0.488	0.497 р.772	0.718	0.777	1.121
	і				--------- f--------- 1
21	р.376 р.041		0.352	0.241	0.416 Р.666	0.502	0.505	1.016

48	1.264 р.912		1.104 р.834		0.715 р.336	0.929	0.511	0.185
49	1.322 р.989		1.219 ∣0.888		0.784 0.462	0.937	0.546	0.305
50	1.346 jl.009		1.127 р.918		0.734 р.413	1.021 р.685		0.243

Класс	N⅛ измерения	Индекс общий	Индекс дохода
VI	01-07, 09-12	0,05	0,12
V2	08, 13-15,20	0,19	0,53
V3	46-50	0,04	0,03
V4	16-19,21-33,35,38-39,44	0,29	0,33
V5	37, 43	0,47	0,25
V6	34, 36, 40-42, 45	0,22	0,10

Построение нейроагентов для предприятий различных сегментов индустрии гостеприимства

Еще по теме Построение нейроагентов для предприятий различных сегментов индустрии гостеприимства: