Олександр Іванович Мороз; Ольга Назарівна Кузь

doi:10.36074/grail-of-science.21.08.2026.002

ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ ЗАВАНТАЖЕНОСТІ ГОТЕЛІВ

Authors

Олександр Іванович Мороз Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0003-4985-5870
Ольга Назарівна Кузь Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0002-0980-2400

DOI:

https://doi.org/10.36074/grail-of-science.21.08.2026.002

Keywords:

нейронні мережі, прогнозування завантаженості готелю, LSTM, глибоке навчання, управління доходами, RevPAR, штучний інтелект, готельний менеджмент

Summary

У статті досліджено застосування нейронних мереж як сучасного інструменту прогнозування завантаженості готельних підприємств. Проаналізовано теоретичні основи архітектур нейронних мереж – багатошарового персептрона (MLP), рекурентних мереж (RNN), мереж довгої короткострокової пам'яті (LSTM) та трансформерних моделей у контексті задач готельного прогнозування. Визначено ключові фактори впливу на рівень заповнюваності готелів і показано, що глибоке навчання демонструє вищу точність порівняно з класичними часовими рядами (ARIMA, експоненційне згладжування). Представлено методику побудови прогнозної LSTM-моделі з навчальною вибіркою 80% та тестовою вибіркою 20%, включаючи етапи підготовки даних, нормалізації, налаштування гіперпараметрів і оцінювання якості за метриками RMSE, MAE та MAPE. Встановлено, що похибка прогнозу LSTM-моделі становить 3,8% (MAPE), що на 42% кращe за базовий ARIMA(1,1,1) прогноз. Визначено перспективи впровадження нейромережевих технологій у вітчизняних готельних підприємствах та окреслено основні виклики: обмеженість даних, потреба у кваліфікованих кадрах і забезпечення інтерпретованості моделей.

Downloads

PDF

Downloads

Download data is not yet available.

License

References

Claveria, O., Monte, E. & Torra S. (2015). A NEW FORECASTING APPROACH FOR THE HOSPITALITY INDUSTRY. International Journal of Contemporary Hospitality Management, 27(7), 1520–1538. https://doi.org/10.1108/IJCHM-06-2014-0286

Contessi, D., Viverit, L., Pereira, L. N. & Heo, C. Y. (2024). DECODING THE FUTURE: PROPOSING AN INTERPRETABLE MACHINE LEARNING MODEL FOR HOTEL OCCUPANCY FORECASTING USING PRINCIPAL COMPONENT ANALYSIS. International Journal of Hospitality Management, 121(6), 103802. https://doi.org/10.1016/j.ijhm.2024.103802

Dowlut, N. & Gobin-Rahimbux, B. (2023). FORECASTING RESORT HOTEL TOURISM DEMAND USING DEEP LEARNING TECHNIQUES – A SYSTEMATIC LITERATURE REVIEW. Heliyon, 9(&7), e18385. https://doi.org/10.1016/j.heliyon.2023.e18385

He, K., Ji, L., Wu, C. & Tso K. F. G. (2021). USING SARIMA–CNN–LSTM APPROACH TO FORECAST DAILY TOURISM DEMAND. Journal of Hospitality and Tourism Management, 49, 25–33. https://doi.org/10.1016/j.jhtm.2021.08.022

Huang, L. & Zheng W. (2021). NOVEL DEEP LEARNING APPROACH FOR FORECASTING DAILY HOTEL DEMAND WITH AGGLOMERATION EFFECT. International Journal of Hospitality Management, 98, 103038. https://doi.org/10.1016/j.ijhm.2021.103038

Pereira, L. N. & Cerqueira, V. (2022). FORECASTING HOTEL DEMAND FOR REVENUE MANAGEMENT USING MACHINE LEARNING REGRESSION METHODS. Current Issues in Tourism, 25(2), 1–18. https://doi.org/10.1080/13683500.2021.1999397

Salamanis, A., Xanthopoulou, G., Kehagias, D. & Tzovaras D. (2022). LSTM-BASED DEEP LEARNING MODELS FOR LONG-TERM TOURISM DEMAND FORECASTING. Electronics, 11(22), 3681. https://doi.org/10.3390/electronics11223681