JP2024013528A - 不正予約検出システム、不正予約検出方法、およびプログラム - Google Patents

不正予約検出システム、不正予約検出方法、およびプログラム Download PDF

Info

Publication number
JP2024013528A
JP2024013528A JP2022115686A JP2022115686A JP2024013528A JP 2024013528 A JP2024013528 A JP 2024013528A JP 2022115686 A JP2022115686 A JP 2022115686A JP 2022115686 A JP2022115686 A JP 2022115686A JP 2024013528 A JP2024013528 A JP 2024013528A
Authority
JP
Japan
Prior art keywords
reservation
information
person
accommodation
accommodation facility
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022115686A
Other languages
English (en)
Inventor
翔太郎 菊池
Shotaro Kikuchi
金文 張
Jinwen Zhang
大輔 杉井
Daisuke Sugii
祐也 小林
Yuya Kobayashi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TIS Inc
Original Assignee
TIS Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TIS Inc filed Critical TIS Inc
Priority to JP2022115686A priority Critical patent/JP2024013528A/ja
Publication of JP2024013528A publication Critical patent/JP2024013528A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】不正行為を目的とした予約者による宿泊施設の予約を推定する不正予約検出システム等を提供する。【解決手段】不正予約検出システム１０において、不正推定装置は、宿泊施設の現在の予約情報を取得する取得部と、複数の宿泊施設における過去の予約情報に含まれる、宿泊施設の予約者または宿泊予定者の属性、宿泊予定者の人数、予約者が登録したチェックイン予定時刻及び予約者の氏名の何れかに関する予約者情報、過去の所定の時点における予約者による同一の宿泊予定日又は同一の宿泊施設の予約状況情報及び過去の所定の期間における予約者による宿泊施設の予約数又は宿泊日数に関する期間予約数情報の何れかと、複数の宿泊施設夫々が不正行為目的で利用されたか否かを示す情報と、を教師データとして学習し、現在の予約情報を入力することで予約者が不正行為目的で予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力する学習部と、を備える。【選択図】図２

Description

本発明は、不正予約検出システム、不正予約検出方法、およびプログラムに関する。
予約者による施設の予約に関する予約情報に基づき、予約のキャンセルが発生するリスクを推定する情報処理装置が開示されている（例えば特許文献１）。
特開２０１９－２００７５０号公報
特許文献１記載の情報処理装置は、予約のキャンセルが発生するリスクを推定することができるため、例えば宿泊予定日までに当該予約に対する適切な処置（予約を無効にするなど）を施すことができる。
しかしながら、近年の旅行業界では、予約のキャンセルだけでなく、宿泊施設に対して様々な被害をもたらす「ＵＧ（Undesirable Guest）」と呼ばれる利用者による被害が増加している。そして、宿泊施設が被る被害の一つに、売春行為を含む不正行為を目的とした宿泊施設の利用がある。そこで、不正行為を目的とした宿泊施設の利用を防止するために、利用者による予約が不正行為を目的とするものであるか否かを推定するための新たな仕組みの実現が望まれている。
よって、本発明は、不正行為を目的とした利用者による宿泊施設の予約であるか否かを推定可能な不正予約検出システムを提供することを目的とする。
本発明の一態様に係る不正予約検出システムは、所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得する取得部と、複数の宿泊施設における過去の予約情報に含まれる情報のうち、前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報のうちの少なくともいずれかと、前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力する学習部と、を備える。
本発明の一態様に係る不正予約検出方法は、コンピュータが、所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得することと、複数の宿泊施設における過去の予約情報に含まれる情報のうち、前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報のうちの少なくともいずれかと、前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力することと、を実行する。
本発明の一態様に係るプログラムは、コンピュータに、所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得することと、複数の宿泊施設における過去の予約情報に含まれる情報のうち、前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報のうちの少なくともいずれかと、前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力することと、を実行させる。
本発明によれば、不正行為を目的とした予約者による宿泊施設の予約であるか否かを推定可能な不正予約検出システムを提供することができる。
不正予約検出システムの構成の一例を示す図である。 不正予約検出システムを構成する各種装置の機能構成の一例を示す構成図である。 予約者情報Ｄ１１１を示す図である。 予約状況情報Ｄ１１２を示す図である。 期間予約数情報Ｄ１１３を示す図である。 不正行為目的情報Ｄ１１４を示す図である。 不正予約検出システム１０の処理手順を示すフローチャートである。 コンピュータのハードウェア構成の一例を示す図である。
＝＝＝不正予約検出システム１０＝＝＝
＜＜概要＞＞
図１を参照して、本実施形態に係る不正予約検出システム１０の構成について説明する。図１は、不正予約検出システム１０の構成の一例を示す図である。
図１に示すように、不正予約検出システム１０は、例えば、不正推定装置１００と、施設予約管理装置２００とを含む。なお、図示していないが、不正予約検出システム１０は、施設予約管理装置２００が複数で構成されていてもよい。
不正予約検出システム１０の各装置は、通信ネットワークＮにより互いに通信可能に接続されている。通信ネットワークＮは、有線ネットワークまたは無線ネットワークのいずれであってもよい。
不正予約検出システム１０は、例えば、蓄積された過去の予約情報に基づき学習された評価モデルを用いて、予約者が予約対象である宿泊施設を不正行為目的で予約をしているか否かを推定するシステムである。
具体的には、不正予約検出システム１０は、例えば、少なくとも一つの施設予約管理装置２００から、宿泊施設の予約に関する情報（以下、「予約情報」という。）を取得する。不正予約検出システム１０は、取得した予約情報を評価モデルに入力して、当該宿泊予約が不正行為を目的とする予約である可能性の度合い（例えば確率）を示す情報を出力する。不正予約検出システム１０は、出力された情報に基づき算出されるスコア（以下、「ＵＧスコア」という。）を施設予約管理装置２００に提供する。
予約情報は、例えば宿泊施設を利用する予約者の予約に関する情報である。予約情報は、例えば、ユーザの操作入力に基づき、施設予約管理装置２００に対して送信される。予約情報は、例えば、予約番号、予約日時、宿泊施設の予約者の氏名や人数などを示す情報である。具体的には、予約情報には、例えば後述する予約者情報Ｄ１１１の各項目に格納される情報が含まれる。
不正行為目的は、例えば宿泊施設の利用規約に違反するような行為（違法行為を含む）目的であって、例えば売春をする目的である。以下、一例として、不正行為目的を「売春目的」として説明する。
評価モデルは、例えば回帰モデルや分類モデルである。具体的には、評価モデルは、例えば、線形回帰、ロジスティック回帰、ランダムフォレスト、ブースティング、サポートベクタマシン、ニューラルネットワークを用いる手法であってもよい。評価モデルについては後述する。
不正推定装置１００は、例えば、少なくとも一つの施設予約管理装置２００から取得される予約情報に対して、ＵＧスコアを算出するサーバ装置である。不正推定装置１００は、算出したＵＧスコアを施設予約管理装置２００に提供する。
施設予約管理装置２００は、例えば、ユーザから、宿泊施設の予約を受け付けるサーバ装置である。施設予約管理装置２００は、例えば、宿泊施設に対する予約を受け付ける旅行代理店を運営する事業者が運用する装置である。施設予約管理装置２００は、例えば、予約者から予約情報を取得すると、不正推定装置１００に送信する。そして、不正推定装置１００が出力する、予約情報それぞれのＵＧスコアを取得する。
これにより、例えば旅行代理店を運営する事業者は、施設予約管理装置２００が受信したＵＧスコアに基づき、不正行為目的で施設予約をした可能性のある予約者に対して、警告を行うなどの対策をするか否か、判断することができる。
不正推定装置１００および施設予約管理装置２００は、限定でなく例として、サーバコンピュータ、パーソナルコンピュータ（限定でなく例として、デスクトップ、ラップトップ、タブレットなど）、メディアコンピュータプラットホーム（例えば、ケーブル、衛星セットトップボックス、デジタルビデオレコーダ）、ハンドヘルドコンピュータデバイス（例えば、ＰＤＡ（Personal Digital Assistant）、電子メールクライアントなど）、あるいは他種のコンピュータ、またはコミュニケーションプラットホームであってもよい。
＜＜不正推定装置１００＞＞
図２を参照して、不正推定装置１００の機能構成について説明する。図２は、不正予約検出システム１０を構成する各種装置の機能構成の一例を示す構成図である。
不正推定装置１００は、予約者の宿泊施設の予約情報を施設予約管理装置２００から取得し、取得した予約情報に基づきＵＧスコアを出力する装置である。
図２に示す通り、不正推定装置１００は、機能部として、例えば、記憶部１１０、取得部１２０、学習部１３０、推定部１４０、および送信部１５０を含む。
記憶部１１０は、例えば、予約者情報Ｄ１１１、予約状況情報Ｄ１１２、期間予約数情報Ｄ１１３、不正行為目的情報Ｄ１１４とを含んでいてもよい。
予約者情報Ｄ１１１、予約状況情報Ｄ１１２、期間予約数情報Ｄ１１３および不正行為目的情報Ｄ１１４（以下、まとめて「予約データベース」ということがある。）は、例えば、後述する学習部１３０の評価モデルを効率良く学習させるためのデータベースであり、評価モデルに現在の予約者の情報を入力するためのデータベースである。具体的には、予約データベースは、例えば、現在および過去の予約情報を格納するデータベース（不図示）から、予約データベースそれぞれを構成するデータにつき利用者によって抽出・編集されてまとめられたデータベースである。
また、予約データベースは、例えば記憶部１１０に格納されていなくてもよい。この場合、不正推定装置１００は、現在および過去の予約情報を格納するデータベース（不図示）に基づき、学習部１３０の評価モデルを学習させるときに、予約データベースに含まれる項目に相当する情報を生成すればよい。
図３を参照して、予約者情報Ｄ１１１について説明する。図３は、予約者情報Ｄ１１１を示す図である。
予約者情報Ｄ１１１は、例えば、現在および過去の予約情報に含まれる情報のうち、予約者の属性や予約対象の宿泊施設に関する情報を抽出・編集してまとめられたデータベースである。
図３に示すように、予約者情報Ｄ１１１は、例えば、[予約ＩＤ]、[予約者ＩＤ]、[予約者氏名]、[宿泊予定者氏名]、[宿泊予定人数]、[性別]、[チェックイン予定時刻]、[予約部屋の収容可能人数]、[決済手段]、[年齢]、[部屋数]、[宿泊施設区分]、[氏名の差異]の項目を含む。
[予約ＩＤ]には、例えば予約情報それぞれを識別可能な識別符号が格納される。
[予約者ＩＤ]には、例えば予約者を識別可能な識別符号が格納される。
[予約者氏名]には、例えば予約者の氏名が格納される。
[宿泊予定者氏名]には、例えば宿泊予定者の氏名が格納される。
[宿泊予定人数]には、例えば宿泊施設を利用する予定の人数を示す情報が格納される。
[性別]には、例えば宿泊施設を利用する宿泊予定者の性別を示す情報が格納される。
[チェックイン予定時刻]には、例えば宿泊施設を利用する宿泊予定者のチェックイン予定時刻を示す情報が格納される。
[予約部屋の収容可能人数]には、例えば宿泊施設の予約対象の部屋の収容可能な人数の情報が格納される。
[決済手段]には、例えば宿泊施設の利用料金の決済手段を示す情報が格納される。具体的には、例えば、宿泊施設の利用者の決済手段には、予約者が事前にクレジットカードなどで支払う「事前決済」、予約者または宿泊者が宿泊施設で支払う「現地決済」が含まれる。
[年齢]には、例えば宿泊施設を利用する宿泊予定者の年齢を示す情報が格納される。なお、[年齢]には、例えば宿泊予定者の年齢層を示す情報が格納されていてもよい。具体的には、例えば、年齢層を示す情報とは、５歳刻みもしくは１０歳刻みで表記される情報である。
[部屋数]には、例えば予約対象の宿泊施設の総部屋数を示す情報が格納される。
[宿泊施設区分]には、例えば宿泊施設の種別（例えばビジネスホテル、旅館など）を示す区分を示す情報が格納される。
[氏名の差異]には、例えば予約者氏名と、宿泊予定者氏名とが、異なるか否かを示す情報が格納される。具体的には、例えば、過去の予約情報において、予約者氏名が「Ａ」であり、宿泊予定者氏名が「Ｂ」である場合、氏名に差異があるとして、[氏名の差異]に「１」が入力される。一方、例えば、予約者氏名が「Ｃ」であり、宿泊予定者の氏名が「Ｃ」である場合、氏名に差異がないとして、[氏名の差異]に「０」が入力される。
次に、図４を参照して、予約状況情報Ｄ１１２について説明する。図４は、予約状況情報Ｄ１１２を示す図である。
予約状況情報Ｄ１１２は、例えば、現在および過去の予約情報に含まれる情報に基づきまとめられた、同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報を含むデータベースである。
図４に示すように、予約状況情報Ｄ１１２は、例えば、[予約者ＩＤ]、[同一宿泊日予約数]、[同一宿泊日別施設予約数]、[同一施設連続宿泊日数]、[業者利用フラグ]の項目を含んでいてもよい。
[予約者ＩＤ]には、例えば予約者を識別可能な識別符号が格納される。
[同一宿泊日予約数]には、例えば予約者が予約した宿泊予定日における予約数が格納される。
具体的には、例えば予約者Ｐが、２０２２年７月５日に「宿泊施設Ａの部屋ａ」を予約している場合に、同日に「宿泊施設Ａの部屋ｂ」、「宿泊施設Ｂの部屋ｃ」、「宿泊施設Ｄの部屋ｄ」、「宿泊施設Ｄの部屋ｅ」を予約している場合、[同一宿泊日予約数]には「５」が格納される。
[同一宿泊日別施設予約数]には、例えば予約者が所定の宿泊施設を予約した宿泊予定日において、予約者が予約している所定の宿泊施設と異なる宿泊施設の予約数が格納される。
具体的には、例えば、予約者Ｐが２０２２年７月５日に「宿泊施設Ａの部屋ａ」を予約している場合に、「宿泊施設Ｂの部屋ｃ」、「宿泊施設Ｄの部屋ｄ」を予約している場合、[同一宿泊日別施設予約数]には「２」が格納される。
[同一施設連続宿泊日数]には、例えば同一の宿泊施設を連続で予約している場合に、その連続する日数の情報が格納される。
具体的には、例えば、ユーザ乙が、２０２２年７月１２日に「宿泊施設Ａの部屋ａ」を予約した場合、前日の２０２２年７月１１日に「宿泊施設Ａの部屋ａ」を予約していた場合、[同一施設連続宿泊日数]には「２」が格納される。
[業者利用フラグ]には、例えば、過去の予約情報から、不正行為目的で宿泊予約をする事業者を通じて予約されているか否かの可能性を示す情報が格納される。
具体的には、例えば、過去の予約情報のうち、不正行為斡旋業者と思われる条件に合致する場合、[業者利用フラグ]には「１」が格納される。不正行為斡旋業者と思われる条件は、例えば、予約者氏名が個人名ではなく、予約者における「同一宿泊日予約数」および「同一宿泊日別施設予約数」が、予め定められた予約数（例えば、同一宿泊日予約数が「２」で同一宿泊日別施設予約数が「４」）を超える実績を有することである。また、不正行為斡旋業者と思われる条件は、例えば、予約者氏名が個人名ではなく、予約者における「同一施設連続宿泊日数」が、予め定められた宿泊日数（例えば３０日）を超える実績を有することであってもよい。
次に、図５を参照して、期間予約数情報Ｄ１１３について説明する。図５は、期間予約数情報Ｄ１１３を示す図である。
期間予約数情報Ｄ１１３は、例えば、予約情報に基づきまとめられた、所定の時点（現在または過去のある時点）に対する過去の所定の期間における、予約者による宿泊施設の予約数または予約した宿泊日数に関する情報を含むデータベースである。図５に示すように、期間予約数情報Ｄ１１３は、例えば、[予約者ＩＤ]、[集計期間]、[最大同一宿泊日予約数]、[最大同一宿泊日別施設予約数]、[同一施設宿泊日数合計]、[利用施設数合計]の項目を含んでいてもよい。
[予約者ＩＤ]には、例えば予約者を識別可能な識別符号が格納される。
[集計期間]には、過去の所定の期を示す情報が格納されている。
[最大同一宿泊日予約数]には、例えば、過去の所定の期間において、同一の宿泊予定日における予約数の最大値が格納される。
具体的には、例えば、予約情報が示す宿泊予定日６月１日の過去３０日間において、予約者Ｐが、５月１０日に「宿泊施設Ａの部屋ａ」および「宿泊施設Ｂの部屋ｂ」を予約しており、（予約数「２」）さらに５月２０日に「宿泊施設Ｂの部屋ｃ」、「宿泊施設Ｃの部屋ｄ」および「宿泊施設Ｄの部屋ｅ」を予約している（予約数「３」）場合、[最大同一宿泊日予約数]には「３」が格納される。
[最大同一宿泊日別施設予約数]には、例えば、過去の所定の期間において、同一の宿泊予定日における、予約した宿泊施設とは異なる宿泊施設の予約数の最大値が格納される。
具体的には、例えば、予約情報が示す宿泊予定日６月４日の過去３０日間において、予約者Ｐが、５月１０日に「宿泊施設Ａ」を予約しており、「宿泊施設Ａ」と異なる宿泊施設である「宿泊施設Ｂ」および「宿泊施設Ｃ」を予約している場合[最大同一宿泊日別施設予約数]には「２」が格納される。
[同一施設宿泊日数合計]には、例えば、過去の所定の期間において、同一の宿泊施設を利用した日数の合計値が格納される。
具体的には、例えば、予約情報が示す宿泊予定日６月４日の過去３０日間において、予約者Ｐが、５月１０日、５月１３日および５月１６日に「宿泊施設Ａ」を利用した場合、[同一施設宿泊日数合計]には「３」が格納される。
[利用施設数合計]には、例えば、過去の所定の期間において、利用した宿泊施設の数の合計値が格納される。
具体的には、例えば、予約情報が示す宿泊予定日６月４日の過去３０日間において、予約者Ｐが、「宿泊施設Ａ」、「宿泊施設Ｂ」および「宿泊施設Ｃ」を利用した場合、[利用施設数合計]には「３」が格納される。
次に、図６を参照して、不正行為目的情報Ｄ１１４について説明する。図６は、不正行為目的情報Ｄ１１４を示す図である。
不正行為目的情報Ｄ１１４は、例えば、過去の宿泊施設の予約情報において、不正行為を目的としたユーザによる宿泊施設の利用であったか否かを示す情報をまとめたデータベースである。図６に示すとおり、不正行為目的情報Ｄ１１４は、例えば、[予約ＩＤ]、[予約者ＩＤ]、[不正行為フラグ]の項目を含んでいてもよい。
[予約ＩＤ]には、例えば予約情報それぞれを識別可能な識別符号が格納される。
[予約者ＩＤ]には、例えば予約者を識別可能な識別符号が格納される。
[不正行為フラグ]には、例えば、過去の予約情報が示す予約が不正行為（ここでは売春行為）を目的とした宿泊予約であったか否かを示す情報が格納される。
ここで、不正行為フラグは、例えば、過去の予約情報において、実際に不正行為が目的による予約であったか否かについての情報を、宿泊施設の予約を受け付ける旅行代理店を運営する事業者から取得して、不正行為が目的の予約であった予約情報には「１」、不正行為が目的の予約でなかった予約情報には「０」が格納される。
取得部１２０は、例えば、施設予約管理装置２００から現在および過去の予約情報を取得する。現在および過去の予約情報は、記憶部１１０に格納される。
学習部１３０は、例えば、記憶部１１０に記憶された各情報を用いた機械学習を実行する評価モデルを有する。評価モデルは、例えば、ユーザによる宿泊施設に対する予約が、不正行為目的であるか否かの可能性を評価する。
ここで、評価モデルは、例えば、複数の宿泊施設における過去の予約情報に含まれる情報（ここでは、予約データベースに含まれる情報）と、当該複数の宿泊施設それぞれを不正行為目的で利用したか否かを示す情報（ここでは、不正行為フラグ）とを教師データとして学習したモデルである。評価モデルは、例えば、予約者の現在の予約情報が入力されると、当該予約者が不正行為目的で予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力する。
具体的には、一例を示すと、学習部１３０は、宿泊施設に対する宿泊予約が不正行為を目的とする宿泊予約であったか否かを示す不正行為目的情報Ｄ１１４の「不正行為フラグ」を目的変数（正解データ）として、予約データベース（予約属性情報Ｄ１１１、予約状況情報Ｄ１１２および期間予約数情報Ｄ１１３）のうち少なくともいずれかから抽出される少なくとも一つの情報を説明変数（素性）とする回帰モデルとして求めることができる。
例えば、学習部１３０は、下記式（１）に示すような回帰モデルを評価モデルとして求める。
y＝Ｗ1・Ｘ1＋Ｗ2・Ｘ2＋・・・＋Ｗn・Ｘn ・・・（１）
式（１）において、「Ｘ」は予約データベースから抽出される情報に対応する説明変数である。「ｙ」は、「不正行為フラグ」に対応する目的変数であり、当該予約が不正行為目的であった場合には「１」になり、予約が不正行為目的でなかった場合には「－１」または「０」になる。
また、式（１）において、「Ｗ」は「Ｘ」の係数であり、重み値を示す。具体的には、「Ｗ1」は、「Ｘ1」の重み値であり、「Ｗ2」は、「Ｘ2」の重み値であり、「Ｗn」は、「Ｘn」の重み値である。このように、式（１）は、予約属性情報Ｄ１１１、予約状況情報Ｄ１１２および期間予約数情報Ｄ１１３のうち少なくともいずれかから抽出される情報に対応する説明変数「Ｘ」と、重み値「Ｗ」とを含む変数（例えば、「Ｗ1・Ｘ1」）とを組み合わせることにより作成される。
以下、まず、評価モデルを学習させる教師データとして、予約データベース（予約属性情報Ｄ１１１、予約状況情報Ｄ１１２および期間予約数情報Ｄ１１３）に含まれる情報を用いることが、不正行為目的である予約であるか否かを精度高く推定できることの根拠について説明する。
すなわち、不正予約検出システム１０は、一般的な予約情報（例えば、氏名、年齢、宿泊施設、宿泊数など）を、評価モデルに単に学習させるだけでは不正行為目的である予約であるか否かを適切に推定できなかった課題を解決できる。
以下では、過去の宿泊施設の膨大な予約について、不正行為目的ではなく通常利用であった予約と、不正行為目的であった予約との傾向を比較した結果について説明する。すなわち、以下では、不正行為目的であった予約情報が示す顕著な傾向について説明する。このような傾向を示す情報を教師データとして評価モデルに学習させることによって、精度高く推定可能な評価モデルを生成できることがわかる。
予約者の「性別」については、通常利用では男性２：女性１の割合の傾向を示すことに対して、不正行為利用では女性による予約が圧倒的に多い傾向を示すことがわかった。
予約者の「宿泊予定人数」について、通常利用では１～２名の傾向を示すことに対して、不正行為利用では１名の予約が圧倒的に多い傾向を示すことがわかった。
予約者の「チェックイン予定時刻」について、通常利用では１５時００分が最も多く、時間の経過とともに２４時００分にかけて徐々に減少する傾向を示すことに対して、不正行為を目的とする予約は、チェックイン予定時刻が１５時００分前後に集中する傾向を示すことがわかった。
予約された「予約部屋の収容可能人数」について、通常利用では３人部屋以上の予約も存在することに対して、不正行為目的の場合１人～２人部屋の予約が圧倒的に多い傾向を示すことがわかった。
予約者の「決済手段」について、通常利用では現地決済１：事前決済２の割合の傾向を示すことに対して、不正行為利用ではほぼ全ての予約が現地決済であることがわかった。
予約者の氏名と宿泊予定者の氏名との差異（氏名の差異）について、通常利用ではほとんどの予約で一致する傾向を示すことに対して、不正行為利用ではほぼ全ての予約で不一致となる傾向を示すことがわかった。
予約された宿泊施設の「宿泊施設区分」について、通常利用では旅館、リゾート等の予約も存在する傾向を示すことに対して、不正行為利用ではビジネスホテルやシティホテルの予約がほとんどとなる傾向を示すことがわかった。
予約された「宿泊施設部屋数」について、通常利用では小規模～中規模の施設に対する予約が多い傾向を示すことに対して、不正行為を目的とする予約では小規模施設の予約が非常に少ない傾向を示すことがわかった。
予約者の「年齢層」について、通常利用の予約者と比較して不正行為目的の予約者の年齢層が低く３０歳前後に集中する傾向を示すことがわかった。
予約者の「同日宿泊日予約数」、「同一宿泊日別施設予約数」および「同一施設連続宿泊日数」について、通常利用の予約者と比較して不正行為を目的とする予約者は同一日に複数の予約を行う傾向を示すことがわかった。
予約者が「業者」であることについて、通常利用の予約者と比較して、不正行為斡旋業者と思われる条件に合致する場合、予約者は、悪徳性が高い不正行為目的の予約者である可能性が高く、再度不正行為目的の宿泊予約をする傾向を示すことがわかった。
予約者の「最大同一宿泊日予約数」および「最大同一宿泊日別施設予約数」について、通常利用の予約者と比較して不正行為を目的とする予約者は同一日に複数の予約を行う傾向を示すことがわかった。
予約者の「同一宿泊施設宿泊日数合計」について、通常利用の予約者と比較して不正行為利用の予約者は同一施設での利用をあまりしない傾向を示すことがわかった。
予約者の「利用施設数合計」について、通常利用の予約者と比較して不正行為利用の予約者は同一施設での利用をあまりしない傾向を示すことがわかった。
次に、不正行為目的である予約か否かをより精度高く推定できる、予約データベースに含まれる情報のうち特定の複数の情報の組み合わせについて説明する。
具体的には、学習部１３０は、例えば、説明変数として、予約者情報のうち、宿泊予定者の「性別」、宿泊予定者の「宿泊予定人数」、および宿泊予定者の「チェックイン予定時刻」を示す情報の組み合わせを含んでいることが好適である。
これは、不正行為目的の予約情報について、特に、「宿泊予定者が女性で、宿泊予定者の人数は１名で、チェックイン予定時刻が１５：００前後」である特徴を示すからである。
これにより、不正予約検出システム１０は、宿泊施設に対する予約情報が不正行為を目的としているか否かを精度高く評価することができる。
また、学習部１３０は、例えば、説明変数として、予約者情報のうち、予約者の氏名と宿泊予定者の氏名との相違の有無に関する「氏名の差異」を示す情報を、上記の組み合わせにさらに加えて組み合わせてもよい。
これは、不正行為目的の予約情報について、特に、予約者氏名と宿泊者氏名が異なっている場合が多いという特徴を示すからである。
これにより、不正予約検出システム１０は、「氏名の差異」を示す情報を説明変数に加えることで、宿泊施設に対する予約情報が不正行為を目的としているか否かを精度高く評価することができる。
推定部１４０は、取得部１２０によって取得された現在の予約情報に対して、ＵＧスコアを推定する。例えば、推定部１４０は、取得部１２０によって取得された現在の予約情報に含まれる予約者ＩＤに関連付けられた予約者Ｐの過去の予約情報を記憶部１１０から抽出する。
そして、推定部１４０は、抽出した過去の予約情報と取得部１２０によって取得された現在の予約情報から抽出される複数の情報を説明変数とする式（１）の評価モデルを用いて、ＵＧスコアＳｃを演算することができる。
推定部１４０は、式（１）によって、ＵＧスコアＳｃを演算することができる。不正推定装置１００は、推定部１４０で演算した結果を施設予約管理装置２００に送信する。
送信部１５０は、推定部１４０によって演算したＵＧスコアを施設予約管理装置２００に送信する。
＜＜施設予約管理装置２００＞＞
図２に戻り、施設予約管理装置２００の機能構成について説明する。図２に示すように、施設予約管理装置２００は、機能部として、例えば、記憶部２１０、取得部２２０、および送信部２３０を含む。
記憶部２１０は、例えば、現在および過去の予約者の予約情報を記憶する。記憶部２１０に記憶される予約情報は、例えば、図３に示す予約者情報Ｄ１１１に含まれる項目に格納される情報であってもよい。
取得部２２０は、例えば予約者から現在の予約情報を取得する。また、取得部２２０は、例えば不正推定装置１００からＵＧスコアを取得する。
送信部２３０は、例えば、予約者から取得した現在の予約情報を不正推定装置１００に送信する。また、送信部２３０は、例えば不正推定装置１００からの要求に応じて、過去の予約情報を不正推定装置１００に送信してもよい。
＝＝＝処理手順＝＝＝
図７を参照して、不正予約検出システム１０の処理手順について説明する。図７は、不正予約検出システム１０の処理手順を示すフローチャートである。なお、図７では、一例として、予約者による宿泊施設の予約に関する現在の予約情報に基づき、不正推定装置１００が不正行為を目的とする予約である可能性を示すＵＧスコアを、施設予約管理装置２００に送信する処理手順について説明する。
ステップＳ１０１において、施設予約管理装置２００は、例えばユーザの操作入力により受け付けて、宿泊施設に関する予約情報を、不正推定装置１００に送信する。
ステップＳ１０２において、不正推定装置１００は、取得した現在の予約情報に含まれる情報を記憶部１１０に格納する。このとき、不正推定装置１００は、例えば、現在の予約情報に含まれる情報と、当該予約者の過去の予約情報とに基づき、予約状況情報Ｄ１１２および期間予約数情報Ｄ１１３に示される項目に相当する情報（以下、「予約関連情報」という。）を生成してもよい。
ステップＳ１０３において、不正推定装置１００は、例えば、評価モデルに現在の予約情報および予約関連情報を入力する。
ステップＳ１０４において、不正推定装置１００は、例えば、評価モデルからＵＧスコアを算出する。
ステップＳ１０５において、不正推定装置１００は、ＵＧスコアを施設予約管理装置２００に送信する。
ステップＳ１０６において、施設予約管理装置２００は、受信したＵＧスコアを表示する。
これにより、不正予約検出システム１０は、宿泊施設に対する予約情報に基づき、当該予約が不正行為を目的とする予約者によって行われているか否かを、精度高く推定することができる。
＝＝＝ハードウェア構成＝＝＝
図８を参照して、不正推定装置１００および施設予約管理装置２００をコンピュータ１０００により実現する場合のハードウェア構成の一例について説明する。なお、不正推定装置１００および施設予約管理装置２００の各種機能は、複数台の装置に分けて実現できる。
図８は、コンピュータのハードウェア構成の一例を示す図である。図７に示すように、 コンピュータ１０００は、例えば、プロセッサ１００１と、メモリ１００２と、記憶装置１００３と、入力Ｉ／Ｆ部１００４と、データＩ／Ｆ部１００５と、通信Ｉ／Ｆ部１００６および表示部１００７を含む。
プロセッサ１００１は、メモリ１００２に記憶されているプログラムを実行することによりコンピュータ１０００における各種の処理を制御する制御部である。
メモリ１００２は、例えばＲＡＭ（Random Access Memory）等の記憶媒体である。メモリ１００２は、プロセッサ１００１によって実行されるプログラムのプログラムコードや、プログラムの実行時に必要となるデータを一時的に記憶する。
記憶装置１００３は、例えばハードディスクドライブ（ＨＤＤ）やフラッシュメモリ等の不揮発性の記憶媒体である。記憶装置１００３は、オペレーティングシステムや、上記各構成を実現するための各種プログラムを記憶する。
入力Ｉ／Ｆ部１００４は、ユーザからの入力を受け付けるためのデバイスである。入力Ｉ／Ｆ部１００４の具体例としては、キーボードやマウス、タッチパネル、各種センサ、ウェアラブル・デバイス等である。入力Ｉ／Ｆ部１００４は、例えばＵＳＢ（Universal Serial Bus）等のインタフェースを介してコンピュータ１０００に接続されてもよい。
データＩ／Ｆ部１００５は、コンピュータ１０００の外部からデータを入力するためのデバイスである。データＩ／Ｆ部１００５の具体例としては、各種記憶媒体に記憶されているデータを読み取るためのドライブ装置等がある。データＩ／Ｆ部１００５は、コンピュータ１０００の外部に設けられることも考えられる。その場合、データＩ／Ｆ部１００５は、例えばＵＳＢ等のインタフェースを介してコンピュータ１０００へと接続される。
通信Ｉ／Ｆ部１００６は、コンピュータ１０００の外部の装置と有線又は無線により、インターネットＮを介したデータ通信を行うためのデバイスである。通信Ｉ／Ｆ部１００６は、コンピュータ１０００の外部に設けられることも考えられる。その場合、通信Ｉ／Ｆ部１００６は、例えばＵＳＢ等のインタフェースを介してコンピュータ１０００に接続される。
表示部１００７は、各種情報を表示するためのデバイスである。表示部１００７の具体例としては、例えば液晶ディスプレイや有機ＥＬ（Electro－Luminescence）ディスプレイ、ウェアラブル・デバイスのディスプレイ等が挙げられる。表示部１００７は、コンピュータ１０００の外部に設けられてもよい。その場合、表示部１００７は、例えばディスプレイケーブル等を介してコンピュータ１０００に接続される。また、入力Ｉ／Ｆ部１００４としてタッチパネルが採用される場合には、表示部１００７は、入力Ｉ／Ｆ部１００４と一体化して構成することが可能である。
＝＝＝まとめ＝＝＝
不正予約検出システム１０は、所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得する取得部１２０と、複数の宿泊施設における過去の予約情報に含まれる情報のうち、宿泊施設の予約者または宿泊予定者の属性、宿泊予定者の人数、予約者が登録したチェックイン予定時刻、および予約者の氏名のうち少なくともいずれかに関する情報である予約属性情報、過去の所定の時点における、予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および過去の所定の期間における、予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報のうちの少なくともいずれかと、複数の宿泊施設それぞれを不正行為目的で利用したか否かを示す情報と、を教師データとして学習し、予約者が不正行為目的で前記予約対象の宿泊施設を利用するリスクを示す情報を出力する学習部１３０と、学習部１３０に現在の予約情報を入力することによって学習部１３０から出力される出力結果に基づいて、予約者が不正行為目的で予約対象の宿泊施設を利用する可能性を推定する推定部１４０と、を含む。これにより、不正予約検出システム１０は不正行為を目的とする施設予約をした可能性のある予約者について、旅行代理店を運営する事業者や宿泊施設に通知することができる。このため、旅行代理店を運営する事業者や宿泊施設は、予約者に対して適切な処置（例えば、予約キャンセルなど）を行うことができる。
また、不正予約検出システム１０の学習部１３０は、予約者情報に含まれる情報のうち、予約対象の宿泊施設の宿泊予定者の性別を示す性別情報と、予約対象の宿泊施設の宿泊予定者の人数を示す人数情報と、予約対象の宿泊施設の宿泊予定者のチェックイン時刻を示すチェックイン時刻情報と、を教師データとして学習する。これにより、不正予約検出システム１０は、不正行為の目的で予約する予約者の特徴を示す情報を組み合わせて評価モデルを学習させているため、不正行為の目的での予約者であるか否かをより精度高く推定することができる。
また、不正予約検出システム１０の学習部１３０は、予約者情報に含まれる情報のうち、予約者の氏名と宿泊予定者の氏名との差異を示す氏名差異情報を前記教師データとしてさらに学習することもできる。これにより、不正予約検出システム１０は、不正行為の目的で予約する予約者の顕著な特徴をさらに加えて評価モデルを学習させているため、不正行為の目的での予約者であるか否かをより精度高く推定することができる。
また、不正予約検出システム１０の学習部１３０は、予約者情報に含まれる情報のうち、予約対象の宿泊施設における部屋の収容可能人数を示す収容可能人数情報と、予約対象の宿泊施設の宿泊予定者が利用予定の決済手段を示す決済手段情報と、予約対象の宿泊施設の宿泊予定者の年齢層を示す年齢層情報と、予約対象の宿泊施設の総部屋数を示す部屋数情報と、予約対象の宿泊施設のホテル区分を示す宿泊施設区分情報と、のうち少なくともいずれかを教師データとしてさらに学習することもできる。これにより、不正予約検出システム１０は、不正行為の目的での予約者をより精度高く推定することができる。
また、不正予約検出システム１０の学習部１３０は、予約状況情報に含まれる情報のうち、過去の所定の時点における、予約対象の宿泊施設の宿泊予定日と同日に予約者が宿泊予約している予約数を示す同一宿泊日予約数情報と、予約対象の宿泊施設の宿泊予定日において、予約者が宿泊予約している、予約対象の宿泊施設とは異なる宿泊施設の予約数を示す同一宿泊日別施設予約数情報と、予約者が同一の宿泊施設を連続で予約している予約数を示す同一施設連続宿泊日数情報と、のうち少なくともいずれかを教師データとして学習することもできる。これにより、不正予約検出システム１０は、不正行為を目的での予約者であるか否かをさらに精度高く評価することができる。
また、不正予約検出システム１０の学習部１３０は、期間予約数情報に含まれる情報のうち、過去の所定の期間における、同一の前記予約者による同一日における宿泊施設の予約数の最大値を示す最大同一宿泊日予約数情報と、同一の宿泊予定日における、同一の予約者が予約している、予約対象の宿泊施設とは異なる宿泊施設の予約数の最大値を示す最大同一宿泊日別施設予約数情報と、同一の予約者によって同一の宿泊施設が利用された宿泊日数を示す同一施設宿泊日数合計情報と、同一の予約者によって予約された施設数を示す利用施設数合計情報と、のうち少なくともいずれかを教師データとして学習することもできる。これにより、不正予約検出システム１０は、不正行為を目的での予約者であるか否かをさらに精度高く評価することができる。
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状およびサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換しまたは組み合わせることが可能である。
１０…不正予約検出システム、１００…不正推定装置、１１０…記憶部、１２０…取得部、１３０…学習部、１４０…推定部、１５０…送信部、２００…施設予約管理装置。

Claims (8)

  1. 所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得する取得部と、
    複数の宿泊施設における過去の予約情報に含まれる情報のうち、
    前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、
    過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および
    過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報
    のうちの少なくともいずれかと、
    前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、
    を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力する学習部と、
    を含む不正予約検出システム。
  2. 前記学習部は、前記予約者情報に含まれる情報のうち、
    予約対象の宿泊施設の宿泊予定者の性別を示す性別情報と、
    予約対象の宿泊施設の宿泊予定者の人数を示す人数情報と、
    予約対象の宿泊施設の宿泊予定者のチェックイン時刻を示すチェックイン時刻情報と、
    を前記教師データとして学習する、請求項１に記載の不正予約検出システム。
  3. 前記学習部は、前記予約者情報に含まれる情報のうち、前記予約者の氏名と前記宿泊予定者の氏名との差異を示す氏名差異情報を前記教師データとしてさらに学習する、
    請求項２に記載の不正予約検出システム。
  4. 前記学習部は、前記予約者情報に含まれる情報のうち、
    予約対象の宿泊施設における部屋の収容可能人数を示す収容可能人数情報と、
    予約対象の宿泊施設の宿泊予定者が利用予定の決済手段を示す決済手段情報と、
    予約対象の宿泊施設の宿泊予定者の年齢層を示す年齢層情報と、
    予約対象の宿泊施設の総部屋数を示す部屋数情報と、
    予約対象の宿泊施設のホテル区分を示す宿泊施設区分情報と、
    のうち少なくともいずれかを前記教師データとして学習する、請求項３に記載の不正予約検出システム。
  5. 前記学習部は、前記予約状況情報に含まれる情報のうち、
    過去の所定の時点における、
    予約対象の宿泊施設の宿泊予定日と同日に前記予約者が宿泊予約している予約数を示す同一宿泊日予約数情報と、
    予約対象の宿泊施設の宿泊予定日において、前記予約者が宿泊予約している、前記予約対象の宿泊施設とは異なる宿泊施設の予約数を示す同一宿泊日別施設予約数情報と、
    予約者が同一の宿泊施設を連続で予約している予約数を示す同一施設連続宿泊日数情報と、
    のうち少なくともいずれかを前記教師データとして学習する、請求項１から請求項４のいずれか一項に記載の不正予約検出システム。
  6. 前記学習部は、前記期間予約数情報に含まれる情報のうち、
    過去の所定の期間における、
    同一の前記予約者による同一日における宿泊施設の予約数の最大値を示す最大同一宿泊日予約数情報と、
    同一の宿泊予定日における、同一の前記予約者が予約している、予約対象の宿泊施設とは異なる宿泊施設の予約数の最大値を示す最大同一宿泊日別施設予約数情報と、
    同一の前記予約者によって同一の宿泊施設が利用された宿泊日数を示す同一施設宿泊日数合計情報と、
    同一の前記予約者によって予約された施設数を示す利用施設数合計情報と、
    のうち少なくともいずれかを前記教師データとして学習する、請求項１から請求項４のいずれか一項に記載の不正予約検出システム。
  7. コンピュータが、
    所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得することと、
    複数の宿泊施設における過去の予約情報に含まれる情報のうち、
    前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、
    過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および
    過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報
    のうちの少なくともいずれかと、
    前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、
    を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力することと、
    を実行する不正予約検出方法。
  8. コンピュータに、
    所定の予約者による宿泊施設の現在の予約に関する情報である予約情報を取得することと、
    複数の宿泊施設における過去の予約情報に含まれる情報のうち、
    前記宿泊施設の予約者または宿泊予定者の属性、前記宿泊予定者の人数、前記予約者が登録したチェックイン予定時刻、および前記予約者の氏名のうち少なくともいずれかに関する情報である予約者情報、
    過去の所定の時点における、前記予約者による同一の宿泊予定日または同一の宿泊施設の予約状況に関する情報である予約状況情報、および
    過去の所定の期間における、前記予約者による宿泊施設の予約数または宿泊日数に関する情報である期間予約数情報
    のうちの少なくともいずれかと、
    前記複数の宿泊施設それぞれが不正行為目的で利用されたか否かを示す情報と、
    を教師データとして学習し、前記現在の予約情報を入力することによって前記予約者が不正行為目的で前記予約対象の宿泊施設を予約した可能性の度合いを示す情報を出力することと、
    を実行させるプログラム。
JP2022115686A 2022-07-20 2022-07-20 不正予約検出システム、不正予約検出方法、およびプログラム Pending JP2024013528A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022115686A JP2024013528A (ja) 2022-07-20 2022-07-20 不正予約検出システム、不正予約検出方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022115686A JP2024013528A (ja) 2022-07-20 2022-07-20 不正予約検出システム、不正予約検出方法、およびプログラム

Publications (1)

Publication Number Publication Date
JP2024013528A true JP2024013528A (ja) 2024-02-01

Family

ID=89718989

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022115686A Pending JP2024013528A (ja) 2022-07-20 2022-07-20 不正予約検出システム、不正予約検出方法、およびプログラム

Country Status (1)

Country Link
JP (1) JP2024013528A (ja)

Similar Documents

Publication Publication Date Title
Fattah et al. Forecasting of demand using ARIMA model
Galster Nonlinear and threshold effects related to neighborhood: Implications for planning and policy
Ahiaga-Dagbui et al. Dealing with construction cost overruns using data mining
Greco et al. A strategic management framework of tangible and intangible assets
Jones et al. Forecasting daily patient volumes in the emergency department
Calvert Developing a model and applications for probabilities of student success: a case study of predictive analytics
Papapostolou et al. Analysis of policy scenarios for achieving renewable energy sources targets: A fuzzy TOPSIS approach
Yasnitsky et al. The complex neural network model for mass appraisal and scenario forecasting of the urban real estate market value that adapts itself to space and time
Reeves et al. The predictive validity of the Static-99, Static-99R, and Static-2002/R: Which one to use?
Liu et al. Flexible service policies for a Markov inventory system with two demand classes
Zhang et al. Emergency patient flow forecasting in the radiology department
US20090043615A1 (en) Systems and methods for predictive data analysis
Han Exploring threshold effects in the impact of housing abandonment on nearby property values
Watson The role of SBA loans in small business survival after disaster events
Li et al. The value of property management services: an experiment
Krafft et al. Estimating poverty and inequality in the absence of consumption data: an application to the Middle East and North Africa
Rushton et al. Forecasting inventory for the state-wide pharmaceutical service of South Australia
Zhao et al. Forecasting residential building costs in New Zealand using a univariate approach
Kuhlmann Fixing up after tearing down: The impact of demolitions on residential investment
Lee et al. A sequential pattern mining approach to identifying potential areas for business diversification
US20170161837A1 (en) User interface for latent risk assessment
Ghasemi et al. Building clustering for regional seismic response and damage analysis
Rivera et al. Pursuing Venture Growth through External Participation among Entrepreneurs in the Philippines: Evidence from the Global Entrepreneurship Monitor
Bonkiewicz Bobbies and baseball players: evaluating patrol officer productivity using sabermetrics
JP2024013528A (ja) 不正予約検出システム、不正予約検出方法、およびプログラム