Die Vorhersage der täglichen Belegung ist für das Revenue Management in einem Hotel sehr wichtig. Dies kann herausfordert sein, da Belegungswerte stark schwanken können. In einer Untersuchung wurde versucht, Prognosen für sechzehn Hotels in Berlin mit traditionellen Methoden zu erstellen, die Revenue Manager verwenden, und wie die Anwendung von Methoden des maschinellen Lernens die Genauigkeit dieser Prognosen verbessern kann. Wir haben fünf Prognosemethoden untersucht, darunter Exponential Smoothing (ETS), AutoRegressive Integrated Moving Average (ARIMA), Support Vector Regression (SVR), Random Forest Regression (RFR) und Long Short-Term Memory networks (LSTM). Die Ergebnisse zeigen, dass die Methoden des maschinellen Lernens die traditionellen Zeitreihenmethoden immer übertreffen. SVR übertrifft alle anderen Prognosemethoden. Darüber hinaus wurde versucht, eine Gruppenprognose zu erstellen, indem die Daten von allen sechzehn Hotels kombiniert haben. Es konnte festgestellt werden, dass das wahre Verhalten der Gruppenprognose ein komplexeres Phänomen sein kann als die Prognose eines einzelnen Hotels.

In der Analyse konnte erschlossen werden, dass Machine Learning-Modelle verwendet werden können, um genauere Prognosen für die Belegung von Hotels zu erstellen. Es gibt viele verschiedene Möglichkeiten, wie in diesen Rahmen die Vorhersage verbessert werden kann. Neben der in der Analyse verwendeten LAR (Lowest Available Rate) könnten Informationen über verschiedene Zimmertypen hinzugefügt werden.

Zusätzlich zur Verwendung expliziter Datensätze können wir auch implizite Informationen wie Benutzerbewertungen, Standortinformationen, Veranstaltungen und die Bereitschaft des Benutzers, einen bestimmten Betrag für ein Zimmer zu zahlen, verwenden, um die Vorhersage zu verbessern. Ein weiterer sehr interessanter Forschungsbereich ist die Verbesserung der Leistung von Machine-Learning-Modellen durch Ensemble-Ansätze.