| ชื่อบทความ |
การเปรียบเทียบประสิทธิภาพแบบจำลองการพยากรณ์ราคาห้องพักสำหรับธุรกิจโรงแรมขนาดเล็กโดยใช้เทคนิคเหมืองข้อมูล
|
| ชื่อบทความ(English) |
Performance Comparison of Room Price Forecasting Models for Small Hotel Business Using Data Mining Techniques
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
พรพินิต วิรัตน์สกุลชัย(1) และ พงศ์กร จันทราช(1*) (Pornpinit Wiratsakulchai(1) and Pongkorn Chantaraj(1*))
|
| หน่วยงาน |
สาขาวิชาวิทยาการข้อมูลและนวัตกรรมดิจิทัล คณะนวัตกรรมเทคโนโลยีและการสร้างสรรค์ มหาวิทยาลัยฟาร์อีสเทอร์น(1) (Department of Data Science and Digital Innovation, Faculty of Technology Innovation and Creativity, The Far Eastern University(1)) *Corresponding author: pongkorn@feu.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 12 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2569
|
| บทคัดย่อ |
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้าง ประเมิน และเปรียบเทียบประสิทธิภาพแบบจำลองพยากรณ์ราคาห้องพักของโรงแรมขนาดเล็กโดยใช้เทคนิคเหมืองข้อมูล สำหรับสนับสนุนการกำหนดราคาห้องพักอย่างมีประสิทธิภาพ งานวิจัยนี้วิเคราะห์ข้อมูลทุติยภูมิจากระบบบริหารจัดการโรงแรม จำนวน 1,480 รายการ โดยเปรียบเทียบประสิทธิภาพระหว่าง แบบจำลองการถดถอยเชิงเส้น Linear Regression และ XGBoost Regressor ผ่านตัวชี้วัดสำคัญ ได้แก่ ค่าสัมประสิทธิ์ตัวกำหนด R2 ซึ่งบ่งบอกสัดส่วนความผันแปรของราคาที่แบบจำลองอธิบายได้ และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ซึ่งแสดงขนาดความผิดพลาดเฉลี่ยของการพยากรณ์ในหน่วยบาท ผลการศึกษาพบว่าแบบจำลองการถดถอยเชิงเส้นมีค่า R2 เท่ากับ 0.7608 และค่า MAE อยู่ที่ 1,162.27 บาท ในขณะที่ XGBoost Regressor มีค่าดังกล่าวเท่ากับ 0.7256 และ 1,112.79 บาท ตามลำดับ ถึงแม้ว่าการถดถอยเชิงเส้นจะมีค่า R2 สูงกว่าซึ่งแสดงถึงความสามารถในการอธิบายความแปรปรวนของข้อมูลได้ดีกว่า แต่ XGBoost Regressor กลับให้ค่าความคลาดเคลื่อน (MAE) ที่ต่ำกว่า ซึ่งในบริบทของการกำหนดราคา การมีส่วนต่างของราคาที่ผิดพลาดน้อยที่สุดถือเป็นเกณฑ์ที่มีความสำคัญยิ่งกว่า ดังนั้น งานวิจัยนี้จึงสรุปว่า XGBoost Regressor มีความเหมาะสมมากกว่าในการนำมาใช้สนับสนุนการกำหนดราคาแบบพลวัต
|
| คำสำคัญ |
แบบจำลองการพยากรณ์; เหมืองข้อมูล; การถดถอยเชิงเส้น; XGBoost Regressor
|
| ปี พ.ศ. |
2569
|
| ปีที่ (Vol.) |
12
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
101-115
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0006-3877-0440
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R69055.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
วรากร ลิขิตอนุภาค. (2558). แบบจำลองการพยากรณ์ราคาห้องพักเฉลี่ยต่อคืนของโรงแรมในเมืองและรีสอร์ทระดับ 3–5 ดาวในประเทศไทย สำหรับลูกค้าที่จองห้องพักผ่านตัวแทนขายแบบออนไลน์. (วิทยานิพนธ์ปริญญาดุษฎีบัณฑิต). มหาวิทยาลัยธรรมศาสตร์.
|
| |
Alotaibi, E. (2020). Application of machine learning in the hotel industry: A critical review. Journal of Association of Arab Universities for Tourism and Hospitality, 18(3): 78-96.
|
| |
Castro, O., Bruneau, P., Sottet, J. S. & Torregrossa, D. (2023). Landscape of high-performance Python to develop data science and machine learning applications. ACM Computing Surveys, 56(3): 1-30.
|
| |
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. CRISP-DM Consortium.
|
| |
Dankorpho, P. (2024). Sales forecasting for retail business using XGBoost algorithm. Journal of Computer Science and Technology Studies, 6(2): 136–141.
|
| |
Han, H., Hsu, L. T. J. & Sheu, C. (2010). Application of customer relationship management (CRM) in the hotel industry: A review of the literature. International Journal of Hospitality Management, 29(4): 575-582.
|
| |
Kimes, S. E. (2011). The future of hotel revenue management. Journal of Revenue and Pricing Management, 10(1): 65-72.
|
| |
Lieberman, W. (2005). The theory and practice of revenue management [Book review]. Journal of Revenue and Pricing Management, 4(3): 297–299.
|
| |
Ma, Q., Feng, S. & Liu, J. (2024). Dynamic pricing and demand forecasting: Integrating time-series analysis, regression models, machine learning, and competitive analysis. In Proceedings of the 2nd International Conference on Machine Learning and Automation. (pp. 149–154).
|
| |
Maulud, D. H. & Abdulazeez, A. M. (2020). A review on linear regression comprehensive in machine learning. Journal of Applied Science and Technology Trends, 1(4): 140–147.
|
| |
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A. & Cournapeau, D. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12: 2825–2830.
|
| |
Pereira, L. N. & Cerqueira, V. (2022). Forecasting hotel demand for revenue management using machine learning regression methods. Current Issues in Tourism, 25(17): 2733–2750.
|
| |
Srianomai, S., Natshivawong, C., Klomwises, Y. & Chaikajonwat, T. (2024). Predicting prices of Airbnb accommodations in Thailand by SVM and XGBoost methods. Progress in Applied Science and Technology, 14(2): 16–23.
|
| |
Ungtrakul, P. (2018). Forecasting hotel daily occupancy for high-frequency and complex seasonality data (Master’s thesis). Faculty of Engineering, Chulalongkorn University.
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|