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

Technische Samenvatting: Een 2-laags Speltheoretisch Deep Learning Model voor het Voorspellen van Logiesvraag

Probleemstelling
Het voorspellen van de toeristische vraag is essentieel voor prijsstelling en revenue management in de hospitalitysector. De opkomst van peer-to-peer platforms zoals Airbnb heeft echter complexe, heterogene vraagpatronen geïntroduceerd waar traditionele tijdreeksmodellen (bijv. ARIMA, SARIMAX) moeite mee hebben om deze accuraat te vatten. Bovendien opereren geavanceerde machine learning (ML) en deep learning (DL) modellen, hoewel vaak nauwkeuriger, als "black boxes", waarbij de interpreteerbaarheid ontbreekt die nodig is voor belanghebbenden om voorspellingen te vertrouwen of de drijfveren van de vraag te begrijpen. Daarnaast behandelen bestaande voorspellingsmodellen eigendommen vaak in isolatie, waarbij de strategische interdependentie wordt genegeerd waarbij hosts hun prijzen en beschikbaarheid aanpassen op basis van acties van concurrenten en marktdynamiek. Deze studie adresseert de dubbele uitdagingen van het verbeteren van de voorspellende nauwkeurigheid terwijl de interpreteerbaarheid en het incorporeren van strategisch marktgedrag worden versterkt.

Methodologie
De studie stelt een hybride framework voor dat deep learning, explainable AI (XAI) en speltheorie integreert, toegepast op een dataset van 728.888 dagelijkse observaties van 1.852 Airbnb-vermeldingen in Ann Arbor, Michigan (januari 2021–december 2022). De methodologie werkt op twee afzonderlijke lagen:

1. Predictieve Modellering en Interpreteerbaarheid (Coöperatieve Spellaag):

   • Geteste Modellen: De studie vergelijkt traditionele baselines (Lineaire Regressie, SARIMAX) met geavanceerde architecturen: Fully Connected Neural Networks (FCNN), Long Short-Term Memory (LSTM), Transformers en een Transformer–LSTM hybride.
   • Feature Engineering: Er werden 22 kenmerken gebruikt, waaronder eigendomsattributen (slaapkamers, capaciteit), locatiegegevens (breedtegraad, lengtegraad, postcode) en temporele indicatoren (feestdagen, evenementen).
   • SHAP Integratie: Om het "black box"-probleem aan te pakken, werd Shapley Additive Explanations (SHAP) toegepast. Geworteld in de coöperatieve speltheorie, kwantificeert SHAP de marginale bijdrage van elk kenmerk aan de voorspelling, waarbij kenmerken worden behandeld als "spelers" die bijdragen aan een gedeelde uitbetaling.
   • Scenario's: Drie scenario's werden getest: (1) het gebruik van de volledige feature set, (2) het selecteren van kenmerken op basis van SHAP-scores boven een drempelwaarde, en (3) een uitgebreide selectie inclusief de top SHAP-kenmerken plus de volgende vier meest significante variabelen.

2. Strategische Simulatie (Competitieve Spellaag):

   • Clustering: De data werd geclusterd in vier submarkten met behulp van K-means clustering op basis van numerieke attributen (prijs, locatie, capaciteit) om ervoor te zorgen dat concurrenten binnen een cluster onder soortgelijke vraagcondities stonden. Het optimale aantal clusters ($k=4$) werd bepaald via de elbow-methode.
   • Spelsimulatie: Met behulp van het best presterende voorspellingsmodel (FCNN) om vraagkansen te genereren, simuleerde de studie 3x3 twee-speler prijsspellen (Bertrand en Stackelberg) tussen paren van eigendommen binnen elk cluster.
   • Strategieën: Spelers kozen tussen Lage, Medium of Hoge prijsstrategieën. Uitbetalingen werden gedef Definieerd als verwachte omzet (boekingskans $\times$ prijs). De studie analyseerde Nash-evenwichten (gelijktijdige zetten) en Stackelberg-evenwichten (sequentiële zetten) om stabiele prijsstrategieën te identificeren.

Belangrijkste Resultaten

• Modelprestaties: Deep learning-modellen presteerden significant beter dan traditionele baselines. In de volledige feature set (Scenario 1) behaalde de FCNN de hoogste prestaties (Precisie: 92,50%, F1-score: 93,21%, Nauwkeurigheid: 89,59%, ROC AUC: 95,48%). In Scenario 2 (SHAP-gebaseerde feature selectie) kwam het Transformer-model als beste naar voren (F1-score: 93,11%). De Transformer–LSTM hybride presteerde niet beter dan de enkelvoudige beste modellen in enig scenario.
• Interpreteerbaarheid: SHAP-analyse identificeerde belangrijke drijfveren van de vraag, waaronder Schoonmaakkosten (Cleaning Fee), Prijs, Aantal badkamers en geografische indicatoren (Breedtegraad, Afstand tot Stadion). Dit bood transparante, actiegerichte inzichten in de belangrijkheid van kenmerken.
• Marktdynamiek & Evenwichten:
  • Cluster 1 (Hoge Prijs, Lage Vraag): Beide spelers bereikten een Nash-evenwicht bij "Hoog/Hoog" prijsstelling, wat wijst op een defensieve prijsstrategie.
  • Cluster 2 (Lage Prijs, Lage Vraag): Er ontstond een asymmetrisch evenwicht waarbij de ene speler een hoge prijs handhaafde terwijl de andere concurreerde op het laagste prijsniveau, wat effectief de markt segmenteert.
  • Cluster 3 (Hoge Vraag, Matige Prijs): Een "Laag/Hoog" evenwicht werd waargenomen, wat duidt op een inelastische vraag waarbij eigendommen hoge vraag kunnen handhaven ongeacht prijsfluctuaties, hoewel strategische interactie complementaire prijsrollen suggereerde.
  • Cluster 4 (Hoge Prijs, Hoge Vraag): Een "Hoog/Hoog" evenwicht werd gevonden, waarbij beide spelers profiteerden van hoge prijsbanden zonder negatieve reacties van consumenten uit te lokken.
  • Stackelberg vs. Nash: In alle clusters waren de Stackelberg (leider-volger) resultaten identiek aan de Nash-evenwichten, wat aangeeft dat er geen voordeel van de eerste beweger (first-mover advantage) is in deze paar-markten.

Belangrijkste Bijdragen

1. Dual-Layer Speltheorie: De studie introduceert een nieuw framework dat speltheorie toepast op twee niveaus: coöperatief (SHAP voor feature attributie) en competitief (prijsimulatie). Dit gaat verder dan statische voorspelling door strategische interdependenties te modelleren.
2. Integratie van Explainable AI: Door feature-belangrijkheid te funderen in Shapley-waarden, overbrugt de studie de kloof tussen hoge-accuraatheid deep learning en de behoefte aan theoretische en gedragsmatige interpreteerbaarheid in toeristische markten.
3. Dynamische Evenwichtsanalyse: In tegenstelling tot voorgaande studies die steunen op statische aannames, gebruikt dit onderzoek ML-gegenereerde vraagramingen om prijsspellen in realtime te simuleren, wat een dynamisch beeld van marktevenwichten biedt.
4. Evaluatie van Hybride Architectuur: Het onderzoek levert empirisch bewijs voor de prestaties van FCNN, LSTM en Transformer modellen in de context van korte-termijn verhuur, waarbij de effectiviteit van FCNN met rijke feature sets en Transformers met selectieve inputs wordt benadrukt.

Significantie en Claims
Het artikel beweert de literatuur te doen voortschrijden door de interpreteerbaarheid van machine learning af te stemmen op economische en gedragsmatige redenering. Het stelt dat het behandelen van voorspellingskenmerken als strategische signalen en het modelleren van interacties tussen hosts via speltheorie een coherenterere verklaring biedt voor marktdynamiek dan louter op nauwkeurigheid gerichte benaderingen.

In de praktijk suggereren de bevindingen dat in sterk verzadigde markten prijsveranderingen mogelijk een lage marginale opbrengst hebben, wat een verschuiving naar niet-prijsstrategieën (bijv. kwaliteit van de listing, minimale verblijfsduur) stimuleert. Daarentegen, in competitieve kernmarkten, kunnen specifieke prijsregels (bijv. het matchen van de prijsniveaus van rivalen) effectief zijn. De studie concludeert dat de afwezigheid van een voordeel van de eerste beweger in deze paar-markten impliceert dat hosts zich moeten richten op marktpositionering in plaats van te proberen als eerste de prijzen vast te stellen. Ten slotte wordt de integratie van SHAP gepresenteerd als een oplossing voor de "black box"-barrière, waardoor AI-gestuurd revenue management transparanter en actiegericht is voor professionals.