💻 computer science

A 2-Layered Game-Theoretic Deep Learning Model for Predicting Lodging Demand: SHAP and Nash Equilibrium

Este estudio propone un marco de aprendizaje profundo de dos capas y basado en la teoría de juegos que es explicable, el cual combina SHAP para la interpretabilidad de las características y el equilibrio de Nash para el análisis de precios competitivos para superar significativamente a los modelos tradicionales en la previsión de la demanda de alquileres a corto plazo.

Autores originales: Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de adivinar cuántas personas querrán alquilar una casa específica en Airbnb la próxima semana. En el pasado, los expertos usaban reglas matemáticas simples (como mirar los números del año pasado) para hacer estas conjeturas. Pero el mundo es caótico, y las reglas simples a menudo pasan por alto el panorama general.

Este artículo presenta una nueva forma súper inteligente de predecir estos alquileres utilizando un enfoque de "dos capas" que combina el Aprendizaje Profundo (supercomputadoras que aprenden de patrones), la Teoría de Juegos (las matemáticas de la estrategia) y la IA Explicable (hacer que el cerebro de la computadora sea comprensible).

Aquí se explica cómo funciona el estudio, desglosado en analogías sencillas:

1. El problema de la "Caja Negra"

Piensa en los modelos computacionales tradicionales como una bola 8 mágica. La agitas, haces una pregunta ("¿Se alquilará esta casa?") y te da una respuesta. Pero no tienes idea de por qué dio esa respuesta. Es una "caja negra".

La solución del artículo: Los investigadores querían un modelo que no solo diera una respuesta, sino que también explicara su razonamiento. Utilizaron una herramienta llamada SHAP (que significa Explicaciones Aditivas de Shapley).
La analogía: Imagina a un grupo de amigos intentando hornear un pastel juntos. SHAP es como un árbitro que calcula exactamente cuánto contribuyó cada amigo al sabor final. ¿Importó más la harina? ¿O los huevos? En el modelo, SHSHAP nos dice exactamente qué factores (como el precio, la ubicación o las tarifas de limpieza) están "horneando" la demanda de un alquiler.

2. La estrategia de "Dos Capas"

Los investigadores construyeron su modelo con dos capas distintas de "Teoría de Juegos" (el estudio de la estrategia y la competencia).

Capa 1: El Juego Cooperativo (SHAP)

Qué hace: Esta capa trata las características de los datos (como "número de habitaciones" o "distancia a un estadio") como compañeros de equipo que trabajan juntos para hacer una predicción.
El resultado: Determinó que la FCNN (un tipo de cerebro de computadora de aprendizaje profundo) era el mejor "jugador" para predecir la demanda. Superó a modelos más antiguos y simples como la Regresión Lineal y el SARIMAX.
El conocimiento: Al usar el árbitro SHAP, pudieron ver que cosas como las Tarifas de Limpieza, el Precio y la Ubicación eran los compañeros de equipo más importantes en el juego.

Capa 2: El Juego Competitivo (Equilibrio de Nash)

Qué hace: Una vez que supieron cómo predecir la demanda, se preguntaron: "¿Qué pasa si dos vecinos compiten?". Agruparon casas similares en "submercados" (como vecindarios) y simularon un juego de precios entre dos vecinos.
La analogía: Imagina dos puestos de limonada en la misma calle.
- La configuración: Pueden elegir vender limonada a un precio Bajo, Medio o Alto.
- El juego: Tienen que adivinar qué hará el otro puesto. Si el Puesto A baja los precios, ¿debe el Puesto B seguirlo?
- El hallazgo: Los investigadores ejecutaron este juego 4 veces (para 4 tipos diferentes de vecindarios).
  - En algunos vecindarios, ambos puestos descubrieron que mantener los precios Altos era la mejor estrategia para ambos, incluso si competían.
  - En otros, un puesto tenía que ser barato mientras el otro se mantenía caro para sobrevivir.
  - Descubrimiento crucial: En casi todos los casos, no hubo "Ventaja del Primer Movimiento". Esto significa que no importaba si establecías tu precio primero o segundo; la mejor estrategia era la misma de cualquier manera. No obtienes una recompensa extra por ser el primero en gritar tu precio.

3. Los resultados en lenguaje sencillo

Mejores predicciones: El nuevo modelo de Aprendizaje Profundo (FCNN) fue mucho mejor para adivinar la demanda que los modelos matemáticos de la vieja escuela.
Razones más claras: Debido a que utilizaron SHAP, no solo sabían qué pasaría, sino que sabían por qué (por ejemplo, "Esta casa tiene demanda porque está cerca del estadio, no solo porque es barata").
Pistas estratégicas: La parte del "Juego" mostró que en algunos vecindarios, los anfitriones no deberían preocuparse por reducir sus precios frente a los demás. En cambio, deben enfocarse en la calidad o el posicionamiento. En otros vecindarios, las guerras de precios son reales y los anfitriones deben tener mucho cuidado.

Resumen

Este artículo es como darle a un gerente de hotel una bola de cristal inteligente que no solo predice el futuro, sino que también explica la lógica detrás de la predicción. Les dice:

Quiénes son los factores importantes (usando el árbitro SHAP).
Cómo jugar el juego de precios contra los vecinos (usando el Juego Competitivo).
Que establecer el precio primero no te da una ventaja injusta; la estrategia inteligente importa más que la velocidad.

El estudio utilizó datos reales de 1,852 anuncios de Airbnb en Ann Arbor, Michigan, para demostrar que este enfoque de "dos capas" funciona mejor que las formas antiguas de hacer las cosas.

Resumen Técnico: Un Modelo de Aprendizaje Profundo de Dos Capas Basado en la Teoría de Juegos para la Predicción de la Demanda de Alojamiento

Planteamiento del Problema
La previsión de la demanda turística es esencial para la fijación de precios y la gestión de ingresos en el sector de la hospitalidad. Sin embargo, la aparición de plataformas de pares a pares (P2P) como Airbnb ha introducido patrones de demanda complejos y heterogéneos que los modelos tradicionales de series temporales (p. ej., ARIMA, SARIMAX) tienen dificultades para capturar con precisión. Además, los modelos avanzados de aprendizaje automático (ML) y aprendizaje profundo (DL), aunque suelen ser más precisos, operan como "cajas negras", careciendo de la interpretabilidad necesaria para que las partes interesadas confíen en las predicciones o comprendan los impulsores de la demanda. Asimismo, los modelos de previsión existentes suelen tratar las propiedades de forma aislada, ignorando la interdependencia estratégica donde los anfitriones ajustan sus precios y disponibilidad basándose en las acciones de la competencia y la dinámica del mercado. Este estudio aborda los desafíos duales de mejorar la precisión predictiva y, al mismo tiempo, aumentar la interpretabilidad e incorporar el comportamiento estratégico del mercado.

Metodología
El estudio propone un marco híbrido que integra el aprendizaje profundo, la IA explicable (XAI) y la teoría de juegos, aplicado a un conjunto de datos de 729,888 observaciones diarias de 1,852 anuncios de Airbnb en Ann Arbor, Michigan (enero de 2021 – diciembre de 2022). La metodología opera en dos capas distintas:

Modelado Predictivo e Interpretabilidad (Capa de Juego Cooperativo):
- Modelos Probados: El estudio compara modelos base tradicionales (Regresión Lineal, SARIMAX) frente a arquitecturas avanzadas: Redes Neuronales Completamente Conectadas (FCNN), Memoria de Corto Plazo de Largo Esfuerzo (LSTM), Transformers y un híbrido de Transformer–LSTM.
- Ingeniería de Características: Se utilizaron 22 características, incluyendo atributos de la propiedad (dormitorios, capacidad), datos de ubicación (latitud, longitud, código postal) e indicadores temporales (festivos, eventos).
- Integración de SHAP: Para abordar el problema de la "caja negra", se aplicaron las Explicaciones Aditivas de Shapley (SHAP). Basado en la teoría de juegos cooperativos, SHAP cuantifica la contribución marginal de cada característica a la predicción, tratando las características como "jugadores" que contribuyen a un beneficio compartido.
- Escenarios: Se probaron tres escenarios: (1) utilizando el conjunto completo de características, (2) seleccionando características basadas en puntuaciones SHAP por encima de un umbral, y (3) una selección ampliada que incluye las principales características de SHAP más las siguientes cuatro variables más significativas.
Simulación Estratégica (Capa de Juego Competitivo):
- Clustering: Los datos se agruparon en cuatro submercados mediante clustering K-means basado en atributos numéricos (precio, ubicación, capacidad) para asegurar que los competidores dentro de un grupo enfrentaran condiciones de demanda similares. El número óptimo de grupos ( $k=4$ ) se determinó mediante el método del codo (elbow method).
- Simulación de Juego: Utilizando el modelo de previsión con mejor desempeño (FCNN) para generar probabilidades de demanda, el estudio simuló juegos de precios de 3x3 entre dos jugadores (Bertrand y Stackelberg) entre pares de propiedades dentro de cada grupo.
- Estrategias: Los jugadores eligieron entre estrategias de precios Bajas, Medias o Altas. Los beneficios se definieron como el ingreso esperado (probabilidad de reserva $\times$ precio). El estudio analizó los Equilibrios de Nash (movimientos simultáneos) y los equilibrios de Stackelberg (movimientos secuenciales) para identificar estrategias de precios estables.

Resultados Clave

Desempeño del Modelo: Los modelos de aprendizaje profundo superaron significativamente a los modelos base tradicionales. En el conjunto completo de características (Escenario 1), la FCNN logró el mayor desempeño (Precisión: 92.50%, F1-score: 93.21%, Exactitud: 89.59%, ROC AUC: 95.48%). En el Escenario 2 (selección de características basada en SHAP), el modelo Transformer emergió como el mejor performer (F1-score: 93.11%). El híbrido Transformer–LSTM no superó a los modelos individuales más destacados en ningún escenario.
Interpretabilidad: El análisis SHAP identificó los impulsores clave de la demanda, incluyendo la Tasa de Limpieza, el Precio, el Número de Baños e indicadores geoespaciales (Latitud, Distancia al Estadio). Esto proporcionó información transparente y accionable sobre la importancia de las características.
Dinámica de Mercado y Equilibrios:
- Grupo 1 (Precio Alto, Demanda Baja): Ambos jugadores alcanzaron un Equilibrio de Nash en el precio "Alto/Alto", lo que sugiere una estrategia de precios defensiva.
- Grupo 2 (Precio Bajo, Demanda Baja): Surgió un equilibrio asimétrico donde un jugador mantenía precios altos mientras el otro competía en el nivel de precio más bajo, segmentando efectivamente el mercado.
- Grupo 3 (Demanda Alta, Precio Moderado): Se observó un equilibrio "Bajo/Alto", lo que indica una demanda inelástica donde las propiedades pueden mantener una alta demanda independientemente de las fluctuaciones de precio, aunque la interacción estratégica sugirió roles de precios complementarios.
- Grupo 4 (Precio Alto, Demanda Alta): Se encontró un equilibrio "Alto/Alto", donde ambos jugadores se beneficiaron de bandas de precios altas sin provocar reacciones adversas de los consumidores.
- Stackelberg vs. Nash: En todos los grupos, los resultados de Stackelberg (líder-seguidor) fueron idénticos a los Equilibrios de Nash, lo que indica la ausencia de una ventaja de primer movimiento en estos mercados de pares.

Contribuciones Clave

Teoría de Juegos de Doble Capa: El estudio introduce un marco novedoso que aplica la teoría de juegos en dos niveles: cooperativo (SHAP para la atribución de características) y competitivo (simulación de precios), yendo más allá de la previsión estática para modelar las interdependencias estratégicas.
Integración de IA Explicable: Al fundamentar la importancia de las características en los valores de Shapley, el estudio cierra la brecha entre la alta precisión del aprendizaje profundo y la necesidad de interpretabilidad teórica y conductual en los mercados turísticos.
Análisis de Equilibrio Dinámico: A diferencia de estudios previos que dependen de supuestos estáticos, esta investigación utiliza estimaciones de demanda generadas por ML para simular juegos de precios en tiempo real, ofreciendo una visión dinámica de los equilibrios de mercado.
Evaluación de Arquitecturas Híbridas: La investigación proporciona evidencia empírica sobre el desempeño de los modelos FCNN, LSTM y Transformer en el contexto de la demanda de alquileres a corto plazo, destacando la eficacia de la FCNN con conjuntos de características ricos y de los Transformers con entradas selectivas.

Significado y Afirmaciones
El artículo afirma avanzar en la literatura al alinear la interpretabilidad del aprendizaje automático con el razonamiento económico y conductual. Postula que tratar las características de previsión como señales estratégicas y modelar las interacciones de los anfitriones a través de la teoría de juegos ofrece una explicación más coherente de la dinámica del mercado que los enfoques centrados únicamente en la precisión.

Prácticamente, los hallazgos sugieren que en mercados altamente saturados, los cambios de precio pueden generar retornos marginales bajos, lo que impulsa un cambio hacia estrategias no relacionadas con el precio (p. ej., calidad del anuncio, estancias mínimas). Por el contrario, en los núcleos competitivos, ciertas reglas de precios (p. ej., igualar los niveles de precios de los rivales) pueden ser efectivas. El estudio concluye que la ausencia de una ventaja de primer movimiento en estos mercados de pares implica que los anfitriones deben centrarse en el posicionamiento de mercado en lugar de intentar establecer los precios primero. Finalmente, la integración de SHAP se presenta como una solución a la barrera de la "caja negra", haciendo que la gestión de ingresos impulsada por la IA sea más transparente y accionable para los profesionales.

1. El problema de la "Caja Negra"

2. La estrategia de "Dos Capas"

3. Los resultados en lenguaje sencillo

Resumen

Más como este