Research Article
PDF Mendeley EndNote BibTex Cite

Predicting Hotel Reservation Cancellation by Using Machine Learning Methods

Year 2018, Volume 1, Issue 1, 7 - 14, 25.12.2018

Abstract

In order to maximize profit for hotels, occupancy rates must be high. For this reason, hotels should allocate a limited number of their rooms to the right customer at the right time using reservation systems software. However, reservations may be cancelled by the customer for various reasons. Cancellations may result for hotels in loss of income if the right policies are

not processed. For this reason, it is very important to estimate reservation cancellations.

In this study, the hotel reservation data set consisting of 38,826 records of 5 different hotels were analyzed by machine learning algorithms to estimate the cancellation of future bookings of hotels. In this context, 4 different models were formed in this study by using Random Forest (RF), Support Vector Machines (SVM), k-Nearest Neighbor (kNN) and Decision Tree (C4.5) algorithms and then, performance comparisons were made among these models. The best result was obtained from C4.5 decision tree algorithm with 73% accuracy.

References

  • [1] Kimes SE, Wirtz J. “Has revenue management become acceptable? Findings from an international study on the perceived fairness of rate fences”. J. Serv. Res., 6(2), 125–135, 2003.
  • [2] Mehrotra R, Ruttley J. “Revenue management”. (2nd ed.). Washington, DC, American Hotel and Lodging Association, 2006.
  • [3] Smith SJ, Parsa HG, Bujisic M, van der Rest JP. “Hotel cancelation policies, distributive and procedural fairness, and consumer patronage: A study of the lodging industry”. J. Travel Tour. Mark., 32(7), 886–906, 2015.
  • [4] Morales DR, Wang J. “Forecasting cancellation rates for services booking revenue management using data mining”. Eur. J. Oper. Res., 202(2), 554–562, 2010.
  • [5] Liu PH. “Hotel demand/cancellation analysis and estimation of unconstrained demand using statistical methods”. Revenue Manag. Pricing Case Stud. Appl., 91–101, 2004.
  • [6] Carbonell CG, Michalski RS, Mitchell TM. “An overview of machine learning”. In Machine Learning, San Francisco, CA, Morgan Kaufmann, 3-23, 1983.
  • [7] Sullivan W. “Machine learning Beginners Guide Algorithms Supervised & Unsupervised learning, Decision Tree & Random Forest Introduction”. USA, CreateSpace Independent Publishing Platform, 2017.
  • [8] Pölt S, “Forecasting is difficult–especially if it refers to the future”. In AGIFORS- Reservations and Yield Management Study Group Meeting Proceedings, 61–91, 1998.
  • [9] Antonio N, de Almeida A, Nunes L. “Predicting hotel booking cancellations to decrease uncertainty and increase revenue”, Tour. Manag. Stud., 13(2), 2017.
  • [10] Ho TK. “Random decision forests”. In Document analysis and recognition, 1995., proceedings of the third international conference on, 1, 278–282, 1995.
  • [11] Breiman L. “Random forests”. Mach. Learn., 45(1), 5–32, 2001.
  • [12] Louppe G. “Understanding Random Forests: From Theory to Practice”. Doktora Tezi, University of Liege, Belgium, 2014.
  • [13] Breiman L, Cutler A. “Random forests - classification description”. 2005. [Çevrimiçi]: https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm. [Erişim: 10-Nis- 2018].
  • [14] Liaw A, Wiener M. “Classification and Regression by randomForest”. R News, 2(3), 18-22, 2002.
  • [15] Cunningham P, Delany SJ, “k-Nearest neighbour classifiers”, Mult. Classif. Syst., 34(8), 1–17, 2007.
  • [16] Balaban ME ve Kartal E, “Veri madenciliği ve makine öğrenmesi temel algoritmaları ve R dili ile uygulamaları”. 2. Baskı. İstanbul, Çağlayan Kitabevi, 2018.
  • [17] Bhatia N. “Survey of nearest neighbor techniques”, ArXiv Prepr. ArXiv10070085, 2010.
  • [18] Vapnik V, Lerner A. “Pattern recognition using generalized portrait method”. Autom. Remote Control, 24, 774-780, 1963.
  • [19] Nayak J, Naik B, Behera H. “A comprehensive survey on support vector machine in data mining tasks: applications & challenges”. Int. J. Database Theory Appl., 8(1), 169–186, 2015.
  • [20] Quinlan JR. “C4. 5: programs for machine learning”, CA, Morgan Kaufmann Publishers, 1993.
  • [21] Kartal E. “Sınıflandırmaya dayalı makine öğrenmesi teknikleri ve kardiyolojik risk değerlendirmesine ilişkin bir uygulama”. Doktora Tezi, İstanbul Üniversitesi, İstanbul, 2015.
  • [22] Kartal E, Özen Z. “Dengesiz Veri Setlerinde Sınıflandırma”. İçinde Mühendislikte Yapay Zekâ Uygulamaları, Sakarya, 109-131, 2017.
  • [23] Lunardon N, Menardi G, Torelli N, “ROSE: a Package for Binary Imbalanced Learning”.R J., 6(1), 82–92, 2014.
  • [24] R Core Team, “R: A Language and Environment for Statistical Computing”. 2017. [Çevrimiçi]: https://www.R-project.org/. [Erişim: 01-Eki-2018].
  • [25] Acuna E, The CASTLE Research Group “dprep: Data Pre-Processing and Visualization Functions for Classification”. 2015.
  • [26] Meyer D, Dimitriadou E, Hornik K, Weingessel A, Leisch F. “e1071: Misc Functions of the Department of Statistics”. Probability Theory Group (Formerly: E1071), TU Wien. 2017.
  • [27] Hornik K, Buchta C, Zeileis A. “Open-Source Machine Learning: R Meets Weka”,Comput. Stat., 24(2), 225–232, 2009.
  • [28] Hastie T, Tibshirani R, Friedman J. “The elements of statistical learning: Data Mining, Inference, and Prediction”. 1st ed., New York, Springer, 2001.
  • [29] Kuhn M., caret: Classification and Regression Training. 2018.

Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi

Year 2018, Volume 1, Issue 1, 7 - 14, 25.12.2018

Abstract

Konaklama hizmeti veren otellerin maksimum kâr elde edebilmesi için doluluk oranlarının yüksek olması gerekmektedir. Bu sebeple oteller rezervasyon sistemleri aracılığıyla sınırlı sayıdaki odalarını doğru zamanda, doğru müşteriye tahsis etmelidir. Ancak rezervasyonlar çeşitli nedenlerle müşteri tarafından iptal edilebilmektedir. Oteller açısından iptal edilen rezervasyonlar doğru politikalar izlenmezse gelir kaybına neden olabilmektedir. Bu sebeple iptallerin önceden tahmin edilmesi büyük önem taşımaktadır.

Bu çalışmada, makine öğrenmesi teknikleriyle 5 farklı otele ait toplam 38.826 kayıttan oluşan hotel rezervasyon verisi kullanılarak otellerin gelecekteki rezervasyonlarının iptal durumları tahmin edilmeye çalışılmıştır. Çalışmada sınıflandırma algoritmalarından Random Forest Algoritması (RF), Destek Vektör Makineleri (SVM), k-En Yakın Komşu (kNN) ve Karar Ağacı (C4.5) algoritmaları kullanılarak 4 farklı model oluşturulmuş ve modellerin performans karşılaştırmaları yapılmıştır. En iyi sonuç %73 doğruluk oranı ile C4.5 karar ağacı algoritmasından elde edilmiştir.

References

  • [1] Kimes SE, Wirtz J. “Has revenue management become acceptable? Findings from an international study on the perceived fairness of rate fences”. J. Serv. Res., 6(2), 125–135, 2003.
  • [2] Mehrotra R, Ruttley J. “Revenue management”. (2nd ed.). Washington, DC, American Hotel and Lodging Association, 2006.
  • [3] Smith SJ, Parsa HG, Bujisic M, van der Rest JP. “Hotel cancelation policies, distributive and procedural fairness, and consumer patronage: A study of the lodging industry”. J. Travel Tour. Mark., 32(7), 886–906, 2015.
  • [4] Morales DR, Wang J. “Forecasting cancellation rates for services booking revenue management using data mining”. Eur. J. Oper. Res., 202(2), 554–562, 2010.
  • [5] Liu PH. “Hotel demand/cancellation analysis and estimation of unconstrained demand using statistical methods”. Revenue Manag. Pricing Case Stud. Appl., 91–101, 2004.
  • [6] Carbonell CG, Michalski RS, Mitchell TM. “An overview of machine learning”. In Machine Learning, San Francisco, CA, Morgan Kaufmann, 3-23, 1983.
  • [7] Sullivan W. “Machine learning Beginners Guide Algorithms Supervised & Unsupervised learning, Decision Tree & Random Forest Introduction”. USA, CreateSpace Independent Publishing Platform, 2017.
  • [8] Pölt S, “Forecasting is difficult–especially if it refers to the future”. In AGIFORS- Reservations and Yield Management Study Group Meeting Proceedings, 61–91, 1998.
  • [9] Antonio N, de Almeida A, Nunes L. “Predicting hotel booking cancellations to decrease uncertainty and increase revenue”, Tour. Manag. Stud., 13(2), 2017.
  • [10] Ho TK. “Random decision forests”. In Document analysis and recognition, 1995., proceedings of the third international conference on, 1, 278–282, 1995.
  • [11] Breiman L. “Random forests”. Mach. Learn., 45(1), 5–32, 2001.
  • [12] Louppe G. “Understanding Random Forests: From Theory to Practice”. Doktora Tezi, University of Liege, Belgium, 2014.
  • [13] Breiman L, Cutler A. “Random forests - classification description”. 2005. [Çevrimiçi]: https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm. [Erişim: 10-Nis- 2018].
  • [14] Liaw A, Wiener M. “Classification and Regression by randomForest”. R News, 2(3), 18-22, 2002.
  • [15] Cunningham P, Delany SJ, “k-Nearest neighbour classifiers”, Mult. Classif. Syst., 34(8), 1–17, 2007.
  • [16] Balaban ME ve Kartal E, “Veri madenciliği ve makine öğrenmesi temel algoritmaları ve R dili ile uygulamaları”. 2. Baskı. İstanbul, Çağlayan Kitabevi, 2018.
  • [17] Bhatia N. “Survey of nearest neighbor techniques”, ArXiv Prepr. ArXiv10070085, 2010.
  • [18] Vapnik V, Lerner A. “Pattern recognition using generalized portrait method”. Autom. Remote Control, 24, 774-780, 1963.
  • [19] Nayak J, Naik B, Behera H. “A comprehensive survey on support vector machine in data mining tasks: applications & challenges”. Int. J. Database Theory Appl., 8(1), 169–186, 2015.
  • [20] Quinlan JR. “C4. 5: programs for machine learning”, CA, Morgan Kaufmann Publishers, 1993.
  • [21] Kartal E. “Sınıflandırmaya dayalı makine öğrenmesi teknikleri ve kardiyolojik risk değerlendirmesine ilişkin bir uygulama”. Doktora Tezi, İstanbul Üniversitesi, İstanbul, 2015.
  • [22] Kartal E, Özen Z. “Dengesiz Veri Setlerinde Sınıflandırma”. İçinde Mühendislikte Yapay Zekâ Uygulamaları, Sakarya, 109-131, 2017.
  • [23] Lunardon N, Menardi G, Torelli N, “ROSE: a Package for Binary Imbalanced Learning”.R J., 6(1), 82–92, 2014.
  • [24] R Core Team, “R: A Language and Environment for Statistical Computing”. 2017. [Çevrimiçi]: https://www.R-project.org/. [Erişim: 01-Eki-2018].
  • [25] Acuna E, The CASTLE Research Group “dprep: Data Pre-Processing and Visualization Functions for Classification”. 2015.
  • [26] Meyer D, Dimitriadou E, Hornik K, Weingessel A, Leisch F. “e1071: Misc Functions of the Department of Statistics”. Probability Theory Group (Formerly: E1071), TU Wien. 2017.
  • [27] Hornik K, Buchta C, Zeileis A. “Open-Source Machine Learning: R Meets Weka”,Comput. Stat., 24(2), 225–232, 2009.
  • [28] Hastie T, Tibshirani R, Friedman J. “The elements of statistical learning: Data Mining, Inference, and Prediction”. 1st ed., New York, Springer, 2001.
  • [29] Kuhn M., caret: Classification and Regression Training. 2018.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Mehmet BOZ This is me
İSTANBUL ÜNİVERSİTESİ, REKTÖRLÜK, ENFORMATİK BÖLÜMÜ
Türkiye


Erokan CANBAZOĞLU (Primary Author)
AKDENİZ ÜNİVERSİTESİ, TEKNİK BİLİMLER MESLEK YÜKSEKOKULU
Türkiye


Zeki ÖZEN
İSTANBUL ÜNİVERSİTESİ, REKTÖRLÜK, ENFORMATİK BÖLÜMÜ
0000-0001-9298-3371
Türkiye


Sevinç GÜLSEÇEN
İSTANBUL ÜNİVERSİTESİ, REKTÖRLÜK, ENFORMATİK BÖLÜMÜ
0000-0001-8537-7111
Türkiye

Publication Date December 25, 2018
Published in Issue Year 2018, Volume 1, Issue 1

Cite

Bibtex @research article { veri490816, journal = {Veri Bilimi}, eissn = {2667-582X}, address = {}, publisher = {Murat GÖK}, year = {2018}, volume = {1}, number = {1}, pages = {7 - 14}, title = {Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi}, key = {cite}, author = {Boz, Mehmet and Canbazoğlu, Erokan and Özen, Zeki and Gülseçen, Sevinç} }
APA Boz, M. , Canbazoğlu, E. , Özen, Z. & Gülseçen, S. (2018). Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi . Veri Bilimi , 1 (1) , 7-14 . Retrieved from https://dergipark.org.tr/en/pub/veri/issue/41532/490816
MLA Boz, M. , Canbazoğlu, E. , Özen, Z. , Gülseçen, S. "Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi" . Veri Bilimi 1 (2018 ): 7-14 <https://dergipark.org.tr/en/pub/veri/issue/41532/490816>
Chicago Boz, M. , Canbazoğlu, E. , Özen, Z. , Gülseçen, S. "Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi". Veri Bilimi 1 (2018 ): 7-14
RIS TY - JOUR T1 - Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi AU - Mehmet Boz , Erokan Canbazoğlu , Zeki Özen , Sevinç Gülseçen Y1 - 2018 PY - 2018 N1 - DO - T2 - Veri Bilimi JF - Journal JO - JOR SP - 7 EP - 14 VL - 1 IS - 1 SN - -2667-582X M3 - UR - Y2 - 2018 ER -
EndNote %0 Veri Bilimi Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi %A Mehmet Boz , Erokan Canbazoğlu , Zeki Özen , Sevinç Gülseçen %T Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi %D 2018 %J Veri Bilimi %P -2667-582X %V 1 %N 1 %R %U
ISNAD Boz, Mehmet , Canbazoğlu, Erokan , Özen, Zeki , Gülseçen, Sevinç . "Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi". Veri Bilimi 1 / 1 (December 2018): 7-14 .
AMA Boz M. , Canbazoğlu E. , Özen Z. , Gülseçen S. Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi. Veri Bilim Derg. 2018; 1(1): 7-14.
Vancouver Boz M. , Canbazoğlu E. , Özen Z. , Gülseçen S. Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi. Veri Bilimi. 2018; 1(1): 7-14.
IEEE M. Boz , E. Canbazoğlu , Z. Özen and S. Gülseçen , "Otel Rezervasyon İptallerinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi", Veri Bilimi, vol. 1, no. 1, pp. 7-14, Dec. 2018



Dergimizin Tarandığı Dizinler (İndeksler)


Academic Resource Index

logo.png

journalseeker.researchbib.com

Google Scholar

scholar_logo_64dp.png

ASOS Index

asos-index.png

Rooting Index

logo.png

www.rootindexing.com

The JournalTOCs Index

journal-tocs-logo.jpg?w=584

www.journaltocs.ac.uk

General Impact Factor (GIF) Index

images?q=tbn%3AANd9GcQ0CrEQm4bHBnwh4XJv9I3ZCdHgQarj_qLyPTkGpeoRRmNh10eC

generalif.com

Directory of Research Journals Indexing

DRJI_Logo.jpg

olddrji.lbp.world/indexedJournals.aspx

I2OR Index

8c492a0a466f9b2cd59ec89595639a5c?AccessKeyId=245B99561176BAE11FEB&disposition=0&alloworigin=1

http://www.i2or.com/8.html



logo.png