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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000004308 accommodation Effects 0.000 claims abstract description 209
- 230000000694 effects Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 26
- 238000013210 evaluation model Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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。
<<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。
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)
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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) |
-
2022
- 2022-07-20 JP JP2022115686A patent/JP2024013528A/ja active Pending
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 |