随着经济发展的全球化和信息化,各行各业的竞争是全球性的且或多或少面对转型的挑战。互联网的发展也带动了旅游业的发展,我国旅游行业发展面临的也是全球的竞争,OTA即在线旅游服务供应商不断涌现并推动传统旅游行业特别是酒店业逐步走向全球化和信息化,只有独特的竞争优势和持续的竞争能力才能让酒店业蓬勃发展,酒店业的竞争实质上是酒店经营管理的竞争。本文基于海外酒店房态数据,通过建立海外酒店的房态预测模型获取海外酒店的满房状态,并从中挖掘出影响满房的关键因素,对指导酒店房间的经营管理有重要作用。本文首先根据已有变量构建与是否满房相关的特征,并对特征的缺失进行处理。针对数值型变量进行离散化处理和归一化处理,针对类别变量进行编码处理。随后建立3种采样方法下65个原始特征和筛选特征后的Logistic回归模型,并将Logistic回归的结果作为其他模型的基准值。在探究异常检测模型在酒店房态数据上的可行性后,建立不同采样方法下的随机森林、XGBoost和Light GBM的原始特征和各自筛选特征后的机器学习模型。通过对比研究异常检测模型以及不同采样方法下的机器学习模型,得出特征筛选后的过采样下的随机森林模型的在测试集上的预测效果优于其他几个文中研究的模型,该模型能够对满房房型的预测达到94.4%的识别率,且AUC达到89.4%,这表明该模型不仅能识别出测试集中的大部分满房房型也能对不满房的房型有很好的判断。