Automobilių nuomos kainų parinkimas remiantis mašininio mokymo metodais
Tinkamos kainos parinkimas yra svarbus automobilių nuomos įmonių pelno maksimizavimui. Šiame darbe nagrinėjamas mašinio mokymo metodų pritaikymas siekiant nustatyti automobilių nuomos vartotojams patrauklias kainas. Darbo tikslas - sukurti automobilių savaitinių nuomos kainų minimalios ir maksimalios kainos prognozavimo modelį su mažiausia prognozės paklaida.
Pirmojoje darbo dalyje pristatomi ankstesniuose tyrimuose aprašomi kainos parinkimo metodai, automobilių nuomą charakterizuojantys duomenys, duomenyse aptinkamų išskirčių bei išimčių pašalinimo metodai bei geriausios kainos nustatymo metodika. Antrojoje dalyje aprašomi sudaryti minimalios ir maksimalios savaitinių kainų intervalo prognozės modeliai. Modeliai palyginami ir atrenkamas modelis su mažiausia paklaida. Paklaidoms įvertinti naudojama vidutinė kvadratinė paklaidos funkcija. Lyginami standartiniai laiko eilučių modeliai ir mašininio mokymo algoritmai. Taip pat, lyginamas eksponentinio glodinimo metodas su sudetingesniais prognozavimo modeliais, siekiant atsakyti į klausimą ar verta taikyti sudetingus prognozės modelius.
Setting the right car rental price is very important for car rental companies to maximize their profit. This paper examines the application of machine learning techniques to set attractive prices for car rental customers. The aim of the work - create a model for forecasting minimum and maximum weekly car rental prices with the least forecast error.
The first part of the work presents methods for selecting the best price described in the previous research papers, the car rental cases describing data, methods for removing outliers and exceptions and best pricing methodology. The second part describes the developed models for forecasting the minimum and maximum weekly price range. The models are compared and the model with the smallest error is selected. The mean squared error function is used to estimate the forecast errors. Standard time series models and machine learning algorithms are compared. Also, the exponential smoothing method is compared with more sophisticated prediction models to answer the question of whether it is worthwhile to apply sophisticated prediction models.