УДК 338.484.2
DOI: 10.36871/ek.up.p.r.2026.04.11.023

Авторы

Марианна Александровна Половченко,
Валерия Викторовна Горпиняк,
Кубанский государственный университет, Краснодар, Россия

Аннотация

В статье рассматриваются концептуальные возможности и ограничения применения алгоритмов глубокого обучения для прогнозирования спроса в гостиничном бизнесе. На основе ана­лиза зарубежных исследований выявлены ключевые преимущества глубокого обучения перед клас­сическими методами, а также основные барьеры его внедрения в практику работы курортных отелей. На примере гранд-отеля «Поляна» (Краснодарский край) проанализированы потенциальные сценарии использования LSTM-сетей (Long Short-Term Memory). Проведена количественная оценка экономиче­ской эффективности внедрения, показывающая высокую целесообразность проекта.

Ключевые слова

глубокое обучение, прогнозирование спроса, LSTM, гостиничный бизнес, управление доходами, гранд-отель «Поляна», нейронные сети, барьеры внедрения

Список литературы

  1. Пальмов С.В., Артюшкина Е.С. Глубокое обучение: определение и отличительные особенности // Форум молодых ученых. – 2020. – № 3 (43). – URL: https://cyberleninka. ru/article/n/glubokoe-obuchenie-opredelenie-i-otlichitelnye-osobennosti (дата обращения: 28.04.2026).
  2. Ampountolas A. Modeling and forecasting daily hotel demand: A comparison based on SARIMAX, neural networks, and GARCH models // Forecasting. – 2021. – Vol. 3, No. 3. – P. 580–595.
  3. Assaf A.G., Tsionas M.G. Forecasting occupancy rate with Bayesian compression methods // Annals of Tourism Research. – 2019. – Vol. 75. – P. 439–449.
  4. Bi J.W., Liu Y., Li H. Daily tourism volume forecasting for tourist attractions // Annals of Tourism Research. – 2020. – Vol. 83.
  5. Habbat N., Anoun H., Hassouni L., Nouri H. Hotel Demand Forecasting via Booking’s Comments Using Sentiment Analysis and Topic Modeling Techniques // Smart Mobility and Industrial Technologies. – Springer, 2024.
  6. Hotel demand forecasting models and methods using artificial intelligence: a systematic literature review // Tourism & Management Studies. – 2024. – Vol. 20, No. 3. – P. 39–51.
  7. Huang L., Zheng W. Novel deep learning approach for forecasting daily hotel demand with agglomeration effect // International Journal of Hospitality Management. – 2021. – Vol. 98.
  8. Kaya K., Yılmaz Y., Yaslan Y., Öğüdücü Ş.G., Çıngı F. Demand forecasting model using hotel clustering findings for hospitality industry // Information Processing & Management. – 2022. – Vol. 59, No. 1.
  9. Law R., Li G., Fong D.K.C., Han X. Tourism demand forecasting: A deep learning approach // Annals of Tourism Research. – 2019. – Vol. 75. – P. 410–423.
  10. Li J., Zheng W., Lin Z. Predicting and planning: An intelligent system for demand-based hotel staff scheduling // International Journal of Hospitality Management. – 2026. – Vol. 133.
  11. Li X., Xu Y., Law R., Wang S. Enhancing tourism demand forecasting with a transformer-based framework // Annals of Tourism Research. – 2024. – Vol. 105.
  12. Pan B., Yang Y. Forecasting destination weekly hotel occupancy with Big Data // Journal of Travel Research. – 2017. – Vol. 56, No. 7. – P. 957–970.
  13. Pereira L.N., Cerqueira V. Forecasting hotel demand for revenue management using machine learning regression methods // Current Issues in Tourism. – 2022. – Vol. 25, No. 17. – P. 2733–2750.
  14. Wei J., Wu S., Zheng Q. Predicting tourism demand using data based on a two-stage feature selection: A hybrid deep learning approach incorporating Time2Vec // Engineering Applications of Artificial Intelligence. – 2025. – Vol. 133.
  15. Wu D.C., Song H., Shen S. New developments in tourism and hotel demand modeling and forecasting // International Journal of Contemporary Hospitality Management. – 2017. – Vol. 29, No. 1. – P. 507–529.