R语言用决策树的酒店收入和产量预测可视化研究

全文链接：https://tecdat.cn/?p=35130

相关视频

酒店管理者在借鉴西方发达国家经验数据的基础上，在星级酒店的具体运营过程中，通过反复验证和探讨，推演出了一批符合中国国情的经验数据，在此以较为常用的计算模块对酒店的运营数据模型进行阐述，我们根据提供的数据，帮助客户建立酒店产量预测模型（收入预测模型），通过此模型能识别出哪些酒店可以通过调整三个预订渠道的价格(b渠道卖价, c渠道卖价, e渠道卖价)使得单酒店在三个预订渠道的总产量（或总收入）最大。

1)     相关数据字段如下：

方法

决策树是一个预测模型；它代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。 数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。

建模分析

首先我们读取2016-01-01至2016-03-30的历史数据作为训练数据,我们可以对部分训练数据进行查看

然后我们读取测试数据并且以2016-04-9至2016-04-15的数据为测试集评测预测的准确度。

同样的，我们可以查看测试数据：

然后我们计算单酒店在三个预订渠道的总产量（或总收入）

data$income=data$b_price_after_app +data$c_price_after_app +data$e_price_after_app

test$income=test$b_price_after_app +test$c_price_after_app +test$e_price_after_app

在简单的进行数据处理后，我们对数据建立决策树。

并且得到以下的决策树模型：

从模型结果来看，这个决策树一共有四个分支。然后我们要找出产量排名前四分之一酒店，因此对每个酒店的产量进行绘制。

然后使用刚才得到的决策树模型对他们进行预测，并对每家酒店的间夜预测值（或收入）与实际值的对比结果：

然后绘制实际值和预测值的比较图。

从对比图来看，我们可以发现，红色的代表预测的数据，而黑色的线代表着准确度的衡量直线，当预测点越靠近准确度线，那么该模型的预测效果越好，从该图形来看，红色的点，分布在黑色的直线周围，说明该模型的预测结果较好。

左右滑动查看更多

01

02

03

04

为了对误差进行量化，我们计算产量排名前四分之一酒店平均误差值，并且使用如下的公式：

(∑|每天酒店预测值-每天酒店实际值|/每天酒店实际值)/天数

从结果来看，误差在2%左右说明该模型的预测效果较好。

在对收入进行预测之后，我们将同样的过程应用到酒店产量预测：

从决策树结果来看，我们可以看到该模型有八个分支。

同样的，我们将对酒店的产量进行汇总：

并且，得到排名靠前的酒店产量。

在得到预测结果之后，我们对每家酒店的间夜预测值（或收入）与实际值的对比结果。

绘制实际值和预测值的比较图：

从对比图来看，我们可以发现，红色的代表预测的数据，而黑色的线代表着准确度的衡量直线，当预测点越靠近准确度线，那么该模型的预测效果越好，从该图形来看，红色的点，分布在黑色的直线周围，说明该模型的预测结果较好。

为了对误差进行量化，我们计算产量排名前四分之一酒店平均误差值。

(∑|每天酒店预测值-每天酒店实际值|/每天酒店实际值)/天数

可以看到酒店产量的预测误差在4%左右，说明该模型的预测效果较好。

最后，我们将所有的预测结果进行汇总，并且输出 ：

结论

综上所述，通过建立酒店产量预测模型，可以有效识别出通过调整三个预订渠道的价格使得单酒店在三个预订渠道的总产量（或总收入）最大的方法。通过对历史数据的分析和决策树模型的构建，可以对酒店的收入和产量进行科学预测。实验结果表明，该模型具有较好的预测效果，预测误差在2%左右，对酒店投资者和管理者提供了重要的决策依据。通过科学预测和分析，投资者可以更好地评估投资风险，酒店管理者可以优化酒店运营策略，提高酒店的经营效益。因此，在现代社会经济发展的背景下，建立酒店产量预测模型具有重要的实际意义和应用价值。