💻 computer science

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

Cette étude propose un cadre d'apprentissage profond de théorie des jeux à deux couches et explicable qui combine SHAP pour l'interprétabilité des caractéristiques et l'équilibre de Nash pour l'analyse de la tarification compétitive afin de surpasser de manière significative les modèles traditionnels dans la prévision de la demande de locations de courte durée.

Auteurs originaux : Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de deviner combien de personnes voudront louer une maison spécifique sur Airbnb la semaine prochaine. Par le passé, les experts utilisaient des règles mathématiques simples (comme regarder les chiffres de l'année dernière) pour faire ces estimations. Mais le monde est complexe, et les règles simples passent souvent à côté de l'image globale.

Ce document présente une nouvelle méthode ultra-intelligente pour prédire ces locations en utilisant une approche à « deux couches » qui combine l'apprentissage profond (Deep Learning — des super-ordinateurs qui apprennent à partir de modèles), la Théorie des Jeux (les mathématiques de la stratégie) et l'IA explicable (rendre le cerveau de l'ordinateur compréhensible).

Voici comment l'étude fonctionne, décomposée en analogies simples :

1. Le problème de la « Boîte Noire »

Considérez les modèles informatiques traditionnels comme une boule de cristal magique. Vous la secouez, posez une question (« Cette maison sera-t-elle louée ? ») et elle vous donne une réponse. Mais vous n'avez aucune idée de pourquoi elle a donné cette réponse. C'est une « boîte noire ».

La solution du document : Les chercheurs voulaient un modèle qui ne se contente pas de donner une réponse, mais qui explique aussi son raisonnement. Ils ont utilisé un outil appelé SHAP (qui signifie Shapley Additive exPlanations).
L'analogie : Imaginez un groupe d'amis essayant de cuisiner un gâteau ensemble. SHAP est comme un arbitre qui calcule exactement la contribution de chaque ami au goût final. Est-ce que la farine a le plus compté ? Ou les œufs ? Dans le modèle, SHAP nous dit exactement quels facteurs (comme le prix, l'emplacement ou les frais de ménage) sont en train de « cuisiner » la demande pour une location.

2. La stratégie à « deux couches »

Les chercheurs ont construit leur modèle avec deux couches distinctes de « Théorie des Jeux » (l'étude de la stratégie et de la compétition).

Couche 1 : Le Jeu Coopératif (SHAP)

Ce qu'il fait : Cette couche traite les caractéristiques des données (comme le « nombre de chambres » ou la « distance par rapport à un stade ») comme des coéquipiers travaillant ensemble pour faire une prédiction.
Le résultat : Elle a déterminé que le FCNN (un type de cerveau informatique d'apprentissage profond) était le meilleur « joueur » pour prédire la demande. Il a battu les modèles plus anciens et plus simples comme la Régression Linéaire et le SARIMAX.
L'enseignement : En utilisant l'arbitre SHAP, ils ont pu voir que des éléments tels que les frais de ménage, le prix et l'emplacement étaient les coéquipiers les plus importants dans le jeu.

Couche 2 : Le Jeu Compétitif (Équilibre de Nash)

Ce qu'il fait : Une fois qu'ils ont su comment prédire la demande, ils ont demandé : « Que se passe-t-il si deux voisins entrent en compétition ? » Ils ont regroupé des maisons similaires en « sous-marchés » (comme des quartiers) et ont simulé un jeu de tarification entre deux voisins.
L'analogie : Imaginez deux stands de limonade sur la même rue.
- La configuration : Ils peuvent choisir de vendre la limonade à un prix Bas, Moyen ou Élevé.
- Le jeu : Ils doivent deviner ce que l'autre stand va faire. Si le Stand A baisse ses prix, le Stand B doit-il suivre ?
- La découverte : Les chercheurs ont fait tourner ce jeu 4 fois (pour 4 types différents de quartiers).
  - Dans certains quartiers, les deux stands ont trouvé que maintenir des prix Élevés était la meilleure stratégie pour les deux, même en étant en compétition.
  - Dans d'autres, un stand devait être bon marché tandis que l'autre restait cher pour survivre.
  - Découverte cruciale : Dans presque tous les cas, il n'y avait aucun « avantage du premier arrivant » (First-Mover Advantage). Cela signifie qu'il n'importait pas que vous fixiez votre prix en premier ou en second ; la meilleure stratégie était la même dans les deux cas. Vous n'obtenez pas de récompense supplémentaire pour être le premier à crier votre prix.

3. Les résultats en langage clair

De meilleures prédictions : Le nouveau modèle d'apprentissage profond (FCNN) était bien meilleur pour deviner la demande que les anciens modèles mathématiques.
Des raisons plus claires : Parce qu'ils ont utilisé SHAP, ils ne savaient pas seulement ce qui allait arriver, mais ils savaient pourquoi (ex : « Cette maison est demandée parce qu'elle est proche du stade, et pas seulement parce qu'elle est bon marché »).
Des indices stratégiques : La partie « Jeu » a montré que dans certains quartiers, les hôtes ne devraient pas s'inquiéter de casser les prix de leurs voisins. Au lieu de cela, ils devraient se concentrer sur la qualité ou le positionnement. Dans d'autres quartiers, les guerres de prix sont réelles, et les hôtes doivent être très prudents.

Résumé

Ce document est comme si l'on donnait à un directeur d'hôtel une boule de cristal intelligente qui non seulement prédit l'avenir, mais explique aussi la logique derrière la prédiction. Elle lui dit :

Quels sont les facteurs importants (en utilisant l'arbitre SHAP).
Comment jouer au jeu des prix contre les voisins (en utilisant le Jeu Compétitif).
Que le fait d'être le premier à fixer un prix ne vous donne pas un avantage injuste ; une stratégie intelligente compte plus que la rapidité.

L'étude a utilisé des données réelles de 1 852 annonces Airbnb à Ann Arbor, Michigan, pour prouver que cette approche à « deux couches » fonctionne mieux que les anciennes méthodes.

Résumé Technique : Un modèle d'apprentissage profond à deux couches fondé sur la théorie des jeux pour la prédiction de la demande de logement

Problématique
La prévision de la demande touristique est essentielle pour la tarification et la gestion des revenus dans le secteur de l'hôtellerie. Cependant, l'émergence de plateformes de pair à pair comme Airbnb a introduit des modèles de demande hétérogènes et complexes que les modèles de séries temporelles traditionnels (ex. : ARIMA, SARIMAX) peinent à capturer avec précision. De plus, les modèles d'apprentissage automatique (ML) et d'apprentissage profond (DL) avancés, bien que souvent plus précis, fonctionnent comme des « boîtes noires », manquant de l'interprétabilité nécessaire pour que les parties prenantes puissent faire confiance aux prédictions ou comprendre les moteurs de la demande. En outre, les modèles de prévision existants traitent souvent les propriétés de manière isolée, ignorant l'interdépendance stratégique où les hôtes ajustent leurs prix et leur disponibilité en fonction des actions de leurs concurrents et de la dynamique du marché. Cette étude aborde le double défi d'améliorer la précision prédictive tout en renforçant l'interprétabilité et en intégrant le comportement stratégique du marché.

Méthodologie
L'étude propose un cadre hybride intégrant l'apprentissage profond, l'IA explicable (XAI) et la théorie des jeux, appliqué à un ensemble de données de 729 888 observations quotidiennes provenant de 1 852 annonces Airbnb à Ann Arbor, Michigan (janvier 2021 – décembre 2022). La méthodologie opère sur deux couches distinctes :

Modélisation prédictive et interprétabilité (Couche de jeu coopératif) :
- Modèles testés : L'étude compare les bases traditionnelles (Régression Linéaire, SARIMAX) à des architectures avancées : Réseaux de neurones entièrement connectés (FCNN), Long Short-Term Memory (LSTM), Transformers, et un hybride Transformer–LSTM.
- Ingénierie des caractéristiques (Feature Engineering) : 22 caractéristiques ont été utilisées, incluant les attributs de la propriété (chambres, capacité), les données de localisation (latitude, longitude, code postal) et les indicateurs temporels (jours fériés, événements).
- Intégration de SHAP : Pour résoudre le problème de la « boîte noire », les explications de Shapley additives (SHAP) ont été appliquées. Fondé sur la théorie des jeux coopératifs, SHAP quantifie la contribution marginale de chaque caractéristique à la prédiction, traitant les caractéristiques comme des « joueurs » contribuant à un gain partagé.
- Scénarios : Trois scénarios ont été testés : (1) en utilisant l'ensemble complet des caractéristiques, (2) en sélectionnant les caractéristiques basées sur les scores SHAP supérieurs à un seuil, et (3) une sélection élargie incluant les meilleures caractéristiques SHAP plus les quatre variables les plus significatives suivantes.
Simulation stratégique (Couche de jeu compétitif) :
- Clustering : Les données ont été regroupées en quatre sous-marchés via un clustering K-means basé sur des attributs numériques (prix, localisation, capacité) afin de garantir que les concurrents au sein d'un même groupe font face à des conditions de demande similaires. Le nombre optimal de clusters ( $k=4$ ) a été déterminé par la méthode du coude (elbow method).
- Simulation de jeu : Utilisant le modèle de prévision le plus performant (FCNN) pour générer des probabilités de demande, l'étude a simulé des jeux de tarification à deux joueurs de type 3x3 (Bertrand et Stackelberg) entre des paires de propriétés au sein de chaque cluster.
- Stratégies : Les joueurs choisissaient entre des stratégies de prix Faible, Moyen ou Élevé. Les gains ont été définis comme le revenu attendu (probabilité de réservation $\times$ prix). L'étude a analysé les équilibres de Nash (mouvements simultanés) et les équilibres de Stackelberg (mouvements séquentiels) pour identifier les stratégies de prix stables.

Résultats clés

Performance des modèles : Les modèles d'apprentissage profond ont nettement surpassé les bases traditionnelles. Dans l'ensemble complet des caractéristiques (Scénario 1), le FCNN a obtenu la meilleure performance (Précision : 92,50 %, score F1 : 93,21 %, Exactitude : 89,59 %, ROC AUC : 95,48 %). Dans le Scénario 2 (sélection de caractéristiques basée sur SHAP), le modèle Transformer s'est imposé comme le plus performant (score F1 : 93,11 %). L'hybride Transformer–LSTM n'a pas surpassé les meilleurs modèles uniques dans aucun scénario.
Interprétabilité : L'analyse SHAP a identifié les principaux moteurs de la demande, notamment les frais de ménage, le prix, le nombre de salles de bain et les indicateurs géospatiaux (latitude, distance du stade). Cela a fourni des informations transparentes et exploitables sur l'importance des caractéristiques.
Dynamique du marché et équilibres :
- Cluster 1 (Prix élevé, Faible demande) : Les deux joueurs ont atteint un équilibre de Nash à un tarif « Élevé/Élevé », suggérant une stratégie de prix défensive.
- Cluster 2 (Prix bas, Faible demande) : Un équilibre asymétrique est apparu où un joueur maintenait des prix élevés tandis que l'autre rivalisait sur le niveau de prix le plus bas, segmentant ainsi efficacement le marché.
- Cluster 3 (Forte demande, Prix modéré) : Un équilibre « Faible/Élevé » a été observé, indiquant une demande inélastique où les propriétés peuvent maintenir une demande élevée indépendamment des fluctuations de prix, bien que l'interaction stratégique suggère des rôles de tarification complémentaires.
- Cluster 4 (Prix élevé, Forte demande) : Un équilibre « Élevé/Élevé » a été trouvé, où les deux joueurs bénéficient de tranches de prix élevées sans déclencher de réactions négatives des consommateurs.
- Stackelberg vs Nash : Dans tous les clusters, les résultats de Stackelberg (leader-suiveur) étaient identiques aux équilibres de Nash, indiquant l'absence d'avantage du premier arrivant dans ces marchés par paires.

Contributions clés

Théorie des jeux à deux niveaux : L'étude introduit un cadre novateur appliquant la théorie des jeux à deux niveaux : coopératif (SHAP pour l'attribution des caractéristiques) et compétitif (simulation de tarification), dépassant la prévision statique pour modéliser les interdépendances stratégiques.
Intégration de l'IA explicable : En ancrant l'importance des caractéristiques dans les valeurs de Shapley, l'étude comble le fossé entre l'apprentissage profond à haute précision et le besoin d'interprétabilité théorique et comportementale dans les marchés touristiques.
Analyse d'équilibre dynamique : Contrairement aux études antérieures reposant sur des hypothèses statiques, cette recherche utilise des estimations de demande générées par le ML pour simuler des jeux de prix en temps réel, offrant une vue dynamique des équilibres de marché.
Évaluation d'architecture hybride : La recherche fournit des preuves empiriques sur la performance des modèles FCNN, LSTM et Transformer dans le contexte de la location de courte durée, soulignant l'efficacité du FCNN avec des ensembles de caractéristiques riches et des Transformers avec des entrées sélectives.

Signification et affirmations
L'article affirme faire progresser la littérature en alignant l'interprétabilité de l'apprentissage automatique avec le raisonnement économique et comportemental. Il postule que traiter les caractéristiques de prévision comme des signaux stratégiques et modéliser les interactions entre hôtes via la théorie des jeux offre une explication plus cohérente des dynamiques de marché que les approches centrées uniquement sur la précision.

Sur le plan pratique, les résultats suggèrent que dans les marchés très saturés, les changements de prix peuvent produire de faibles rendements marginaux, incitant à un passage vers des stratégies non liées au prix (ex. : qualité de l'annonce, durée de séjour minimale). Inversement, dans les marchés centraux compétitifs, des règles de tarification spécifiques (ex. : correspondre aux niveaux de prix des rivaux) peuvent être efficaces. L'étude conclut que l'absence d'avantage du premier arrivant dans ces marchés par paires implique que les hôtes doivent se concentrer sur le positionnement de marché plutôt que de tenter de fixer les prix en premier. Enfin, l'intégration de SHAP est présentée comme une solution au obstacle de la « boîte noire », rendant la gestion des revenus pilotée par l'IA plus transparente et exploitable pour les praticiens.

1. Le problème de la « Boîte Noire »

2. La stratégie à « deux couches »

3. Les résultats en langage clair

Résumé

Articles similaires