ARTIFICIAL INTELLIGENCE BASED HOTEL DEMAND MODEL

Embodiments generate a demand model for a potential hotel customer of a hotel room. Embodiments, based on features of the potential hotel customer, from a plurality of clusters, each cluster including a corresponding weight and cluster probabilities. Embodiments generate an initial estimated mixture of multinomial logit ("MNL") models corresponding to each of the plurality of clusters, the mixture of MNL models including a weighted likelihood function based on the features and the weights. Embodiments determine revised cluster probabilities and update the weights. Embodiments estimate an updated estimated mixture of MNL models and maximize the weighted likelihood function based on the revised cluster probabilities and updated weights. Based on the update weights and updated estimated mixture of MNL models, embodiments generate the demand model that is adapted to predict a choice probability of room categories and rate code combinations for the potential hotel customer. Des modes de réalisation génèrent un modèle de demande pour un client d'hôtel potentiel d'une chambre d'hôtel. Des modes de réalisation, basés sur des caractéristiques du client d'hôtel potentiel, à partir d'une pluralité de grappes, chaque grappe comprenant des probabilités de poids et de grappe correspondantes. Des modes de réalisation génèrent un mélange estimé initial de modèles logit multinomial (" MNL ") correspondant à chacun de la pluralité de grappes, le mélange de modèles MNL comprenant une fonction de probabilité pondérée basée sur les caractéristiques et les poids. Des modes de réalisation déterminent les probabilités de grappes révisées et mettent à jour les pondérations. Des modes de réalisation estiment un mélange estimé mis à jour de modèles MNL et maximisent la fonction de probabilité pondérée sur la base des probabilités de grappes révisées et des pondérations mises à jour. Sur la base des poids de mise à jour et du mélange estimé mis à jour de modèles MNL, des modes de réalisation génèrent le modèle de demande qui est conçu pour prédire une probabilité de choix de catégories de pièce et de combinaisons de codes de vitesse pour le client d'hôtel potentiel.