💻 computer science

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

Questo studio propone un framework di deep learning a due livelli e di tipo teoria dei giochi, spiegabile, che combina SHAP per l'interpretabilità delle caratteristiche e l'equilibrio di Nash per l'analisi dei prezzi competitivi, superando significativamente i modelli tradizionali nella previsione della domanda di affitti a breve termine.

Autori originali: Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Pubblicato 2026-07-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nasim Binesh, Kushi Vardhan Reddy Pasham, Atul Sheel, Debojyoti Seth, Gidon Jakar

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di indovinare quante persone vorranno affittare una specifica casa su Airbnb la prossima settimana. In passato, gli esperti usavano semplici regole matematiche (come guardare i numeri dell'anno scorso) per fare queste previsioni. Ma il mondo è caotico e le regole semplici spesso perdono il quadro generale.

Questo articolo introduce un nuovo modo, super intelligente, per prevedere questi affitti utilizzando un approccio a "due livelli" che combina il Deep Learning (super-computer che imparano dai pattern), la Teoria dei Giochi (la matematica della strategia) e l'IA Spiegabile (rendere comprensibile il cervello del computer).

Ecco come funziona lo studio, suddiviso in semplici analogie:

1. Il problema della "Scatola Nera" (Black Box)

Pensa ai modelli informatici tradizionali come a una Magic 8-Ball. La scuoti, fai una domanda ("Questa casa verrà affittata?") e lei ti dà una risposta. Ma non hai idea del perché abbia dato quella risposta. È una "scatola nera".

La soluzione del documento: I ricercatori volevano un modello che non desse solo una risposta, ma spiegasse anche il suo ragionamento. Hanno usato uno strumento chiamato SHAP (che sta per Shapley Additive exPlanations).
L'analogia: Immagina un gruppo di amici che cerca di preparare una torta insieme. SHAP è come un arbitro che calcola esattamente quanto ogni amico ha contribuito al sapore finale. La farina è stata la più importante? O le uova? Nel modello, SHSHAP ci dice esattamente quali fattori (come il prezzo, la posizione o le spese di pulizia) stanno "cucinando" la domanda di un affitto.

2. La strategia a "Due Livelli"

I ricercatori hanno costruito il loro modello con due distinti livelli di "Teoria dei Giochi" (lo studio della strategia e della competizione).

Livello 1: Il Gioco Cooperativo (SHAP)

Cosa fa: Questo livello tratta le caratteristiche dei dati (come "numero di camere da letto" o "distanza da uno stadio") come compagni di squadra che lavorano insieme per fare una previsionazione.
Il risultato: Ha scoperto che la FCNN (un tipo di cervello informatico di deep learning) era il "giocatore" migliore per prevedere la domanda. Ha battuto modelli più vecchi e semplici come la Regressione Lineare e il SARIMAX.
L'intuizione: Usando l'arbitro SHAP, hanno potuto vedere che elementi come le Spese di Pulizia, il Prezzo e la Posizione erano i compagni di squadra più importanti nel gioco.

Livello 2: Il Gioco Competitivo (Equilibrio di Nash)

Cosa fa: Una volta capito come prevedere la domanda, si sono chiesti: "Cosa succede se due vicini competono?". Hanno raggruppato case simili in "sottomercati" (come i quartieri) e hanno simulato un gioco di prezzi tra due vicini.
L'analogia: Immagina due chioschi di limonata sulla stessa strada.
- L'impostazione: Possono scegliere di vendere la limonata a un prezzo Basso, Medio o Alto.
- Il gioco: Devono indovinare cosa farà l'altro chiosco. Se il Chiosco A abbassa i prezzi, il Chiosco B deve seguirlo?
- La scoperta: I ricercatori hanno eseguito questo gioco 4 volte (per 4 diversi tipi di quartieri).
  - In alcuni quartieri, entrambi i chioschi hanno scoperto che mantenere i prezzi Alti era la strategia migliore per entrambi, anche se competevano.
  - In altri, un chiosco doveva essere economico mentre l'altro restava costoso per sopravvivere.
  - Scoperta cruciale: In quasi tutti i casi, non c'era un "Vantaggio del Primo a Muoversi" (First-Mover Advantage). Ciò significa che non importava se stabilivi il tuo prezzo per primo o per secondo; la strategia migliore era la stessa in entrambi i casi. Non ottieni un premio extra per essere stato il primo a urlare il tuo prezzo.

3. I Risultati in Parole Semplici

Previsioni Migliori: Il nuovo modello di Deep Learning (FCNN) è stato molto più bravo a indovinare la domanda rispetto ai vecchi modelli matematici.
Ragioni Più Chiare: Poiché hanno usato SHAP, non sapevano solo cosa sarebbe successo, ma sapevano anche il perché (ad esempio: "Questa casa è molto richiesta perché è vicina allo stadio, non solo perché è economica").
Indizi Strategici: La parte del "Gioco" ha mostrato che in alcuni quartieri, gli host non dovrebbero preoccuparsi di farsi concorrenza abbassando i prezzi. Invece, dovrebbero concentrarsi sulla qualità o sul posizionamento. In altri quartieri, le guerre dei prezzi sono reali e gli host devono fare molta attenzione.

Riassunto

Questo documento è come dare a un manager di un hotel una sfera di cristallo intelligente che non solo prevede il futuro, ma spiega anche la logica dietro la previsione. Dice loro:

Chi sono i fattori importanti (usando l'arbitro SHAP).
Come giocare il gioco dei prezzi contro i vicini (usando il Gioco Competitivo).
Che essere i primi a stabilire un prezzo non dà un vantaggio sleale; la strategia intelligente conta più della velocità.

Lo studio ha utilizzato dati reali di 1.852 annunci Airbnb ad Ann Arbor, Michigan, per dimostrare che questo approccio a "due livelli" funziona meglio dei vecchi metodi.

Sintesi Tecnica: Un Modello di Deep Learning Teoria-dei-Giochi a 2 Livelli per la Previsione della Domanda di Alloggi

Problematica
Prevedere la domanda turistica è essenziale per il pricing e la gestione dei ricavi nel settore dell'ospitalità. Tuttavia, l'emergere di piattaforme peer-to-peer come Airbnb ha introdotto modelli di domanda complessi ed eterogenei che i modelli tradizionali di serie temporali (es. ARIMA, SARIMAX) faticano a catturare accuratamente. Inoltre, i modelli avanzati di machine learning (ML) e deep learning (DL), pur essendo spesso più accurati, operano come "black box", mancando dell'interpretabilità necessaria affinché gli stakeholder possano fidarsi delle previsioni o comprendere i driver della domanda. Inoltre, i modelli di previsione esistenti spesso trattano le proprietà in isolamento, ignorando l'interdipendenza strategica dove gli host regolano prezzi e disponibilità in base alle azioni dei competitor e alle dinamiche di mercato. Questo studio affronta la duplice sfida di migliorare l'accuratezza predittiva e, contemporaneamente, potenziare l'interpretabilità e integrare il comportamento strategico del mercato.

Metodologia
Lo studio propone un framework ibrido che integra il deep learning, l'intelligenza artificiale spiegabile (XAI) e la teoria dei giochi, applicato a un dataset di 729.888 osservazioni giornaliere provenienti da 1.852 annunci Airbnb ad Ann Arbor, Michigan (gennaio 2021–dicembre 2022). La metodologia opera su due livelli distinti:

Modellazione Predittiva e Interpretabilità (Livello di Gioco Cooperativo):
- Modelli Testati: Lo studio confronta i baseline tradizionali (Regressione Lineare, SARIMAX) con architetture avanzate: Reti Neurali Completamente Connesse (FCNN), Long Short-Term Memory (LSTM), Transformer e un ibrido Transformer–LSTM.
- Ingegneria delle Caratteristiche (Feature Engineering): Sono state utilizzate 22 caratteristiche, tra cui attributi della proprietà (camere da letto, capacità), dati sulla posizione (latitudine, longitudine, codice postale) e indicatori temporali (festività, eventi).
- Integrazione SHAP: Per affrontare il problema della "black box", sono stati applicati i valori di Shapley Additive Explanations (SHAP). Radicato nella teoria dei giochi cooperativi, SHAP quantifica il contributo marginale di ogni caratteristica alla previsione, trattando le caratteristiche come "giocatori" che contribuiscono a un payoff condiviso.
- Scenari: Sono stati testati tre scenari: (1) utilizzando l'intero set di caratteristiche, (2) selezionando le caratteristiche basate sui punteggi SHAP sopra una determinata soglia, e (3) una selezione ampliata che include le principali caratteristiche SHAP più le quattro variabili più significative successive.
Simulazione Strategica (Livello di Gioco Competitivo):
- Clustering: I dati sono stati raggruppati in quattro sottomercati tramite clustering K-means basato su attributi numerici (prezzo, posizione, capacità) per garantire che i competitor all'interno di un cluster affrontassero simili condizioni di domanda. Il numero ottimale di cluster ( $k=4$ ) è stato determinato tramite il metodo del gomito (elbow method).
- Simulazione di Gioco: Utilizzando il modello di previsione con le migliori prestazioni (FCNN) per generare probabilità di domanda, lo studio ha simulato giochi di pricing 3x3 a due giocatori (Bertrand e Stackelberg) tra coppie di proprietà all'interno di ogni cluster.
- Strategie: I giocatori hanno scelto tra strategie di pricing Low (Bassa), Medium (Media) o High (Alta). I payoff sono stati definiti come ricavo atteso (probabilità di prenotazione $\times$ prezzo). Lo studio ha analato gli Equilibri di Nash (mosse simultanee) e gli equilibri di Stackelberg (mosse sequenziali) per identificare strategie di pricing stabili.

Risultati Chiave

Performance dei Modelli: I modelli di deep learning hanno superato significativamente i baseline tradizionali. Nel set completo di caratteristiche (Scenario 1), la FCNN ha ottenuto le prestazioni più elevate (Precisione: 92,50%, F1-score: 93,21%, Accuratezza: 89,59%, ROC AUC: 95,48%). Nello Scenario 2 (selezione delle caratteristiche basata su SHAP), il modello Transformer è emerso come il top performer (F1-score: 93,11%). L'ibrido Transformer–LSTM non ha superato i singoli migliori modelli in nessuno scenario.
Interpretabilità: L'analisi SHAP ha identificato i driver chiave della domanda, tra cui la Cleaning Fee (spesa di pulizia), il Prezzo, il numero di Bagni e indicatori geospaziali (Latitudine, Distanza dallo Stadio). Ciò ha fornito insight trasparenti e azionabili sull'importanza delle caratteristiche.
Dinamiche di Mercato ed Equilibri:
- Cluster 1 (Prezzo Alto, Bassa Domanda): Entrambi i giocatori hanno raggiunto un Equilibrio di Nash a pricing "High/High", suggerendo una strategia di pricing difensiva.
- Cluster 2 (Prezzo Basso, Bassa Domanda): È emerso un equilibrio asimmetrico in cui un giocatore manteneva prezzi alti mentre l'altro competeva sul livello di prezzo più basso, segmentando efficacemente il mercato.
- Cluster 3 (Alta Domanda, Prezzo Moderato): È stato osservato un equilibrio "Low/High", indicando una domanda anelastica dove le proprietà potevano sostenere un'alta domanda indipendentemente dalle fluttuazioni di prezzo, sebbene l'interazione strategica suggerisse ruoli di pricing complementari.
- Cluster 4 (Prezzo Alto, Alta Domanda): È stato trovato un equilibrio "High/High", dove entrambi i giocatori beneficiavano di fasce di prezzo elevate senza innescare reazioni avverse da parte dei consumatori.
- Stackelberg vs. Nash: In tutti i cluster, i risultati di Stackelberg (leader-follower) sono stati identici agli Equilibri di Nash, indicando l'assenza di un vantaggio del primo operatore (first-mover advantage) in questi mercati a coppie.

Contributi Chiave

Teoria dei Giochi a Doppio Livello: Lo studio introduce un nuovo framework che applica la teoria dei giochi a due livelli: cooperativo (SHAP per l'attribuzione delle caratteristiche) e competitivo (simulazione del pricing). Questo va oltre la semplice previsione statica per modellare le interdipendenze strategiche.
Integrazione dell'IA Spiegabile: Fondando l'importanza delle caratteristiche sui valori di Shapley, lo studio colma il divario tra l'alta accuratezza del deep learning e la necessità di interpretabilità teorica e comportamentale nei mercati turistici.
Analisi dell'Equilibrio Dinamico: A differenza degli studi precedenti basati su assunzioni statiche, questa ricerca utilizza stime di domanda generate dal ML per simulare giochi di pricing in tempo reale, offrendo una visione dinamica degli equilibri di mercato.
Valutazione dell'Architettura Ibrida: La ricerca fornisce prove empiriche sulle performance di modelli FCNN, LSTM e Transformer nel contesto della domanda di affitti a breve termine, evidenziando l'efficacia della FCNN con set di caratteristiche ricchi e dei Transformer con input selettivi.

Significatività e Claim
Il documento sostiene di far avanzare la letteratura allineando l'interpretabilità del machine learning con il ragionamento economico e comportamentale. Postula che trattare le caratteristiche di previsione come segnali strategici e modellare le interazioni tra host attraverso la teoria dei giochi offra una spiegazione più coerente delle dinamiche di mercato rispetto agli approcci centrati solo sull'accuratezza.

Praticamente, i risultati suggeriscono che in mercati altamente saturi, le variazioni di prezzo possono produrre rendimenti marginali bassi, promuovendo un passaggio verso strategie non legate al prezzo (es. qualità dell'annuncio, soggiorni minimi). Al contrario, nei mercati centrali competitivi, regole di pricing specifiche (es. pareggiare le fasce di prezzo dei rivali) possono essere efficaci. Lo studio conclude che l'assenza di un vantaggio del primo operatore in questi mercati a coppie implica che gli host dovrebbero concentrarsi sul posizionamento di mercato piuttosto che cercare di fissare i prezzi per primi. Infine, l'integrazione di SHAP è presentata come una soluzione alla barriera della "black box", rendendo la gestione dei ricavi guidata dall'IA più trasparente e azionabile per i professionisti.

1. Il problema della "Scatola Nera" (Black Box)

2. La strategia a "Due Livelli"

3. I Risultati in Parole Semplici

Riassunto

Articoli simili