Bakgrund: Denna uppsats riktar in sig på hotell i Stockholm och all data som anges gäller för staden som helhet. Inom Hotellbranschen finns det tre vedertagna nyckeltal som kan sägas beskriva hur det går ekonomiskt för ett hotell. Då hotellen till stor del styrs efter dessa tre nyckeltal så är det av stort intresse för varje enskilt hotell att jämföra sina egna värden med marknadens värden på dessa nyckeltal. Om prognoser utförs på dessa nyckeltal borde det vara av stort intresse för varje hotell att ta del av dessa prognoser för att på så vis kunna reglera prissättningen utefter hur marknaden kommer att se ut den närmaste tiden. Syfte: Ta fram modeller som utifrån framtida evenemang och framtida bokningsläge prognostiserar hotellmarknadens Beläggning och Rumsintäkter. Utifrån dessa prognoser beräknas nyckeltalen Beläggning, Snittpris och intäkt per disponibelt rum på dagsnivå ett år fram i tiden, det vill säga för år 2016. Metod: Då datamaterialet består av tidsserier med tillhörande förklarande variabler används en typ av dynamisk regressionsmodell. Dessa modeller är utformade för att hantera tidsseriedata med tillhörande förklarande variabler. Modellen som används kallas för regression med ARMA-fel och syftar till att en multipel regression anpassas och en lämplig ARMA-modell tas fram för att förklara feltermerna. På så vis modelleras även autokorrelationen som annars finns kvar i feltermerna. Resultat: Modellen för Beläggningen består av fyra förklarande variabler och feltermerna antas följa en AR-struktur. Rumsintäkterna prognostiseras med en modell med sju förklarande variabler, även för denna modell antas feltermerna följa en AR-struktur. Det tycks också finnas en säsong i data vilken också modelleras i form av en AR-struktur för de båda modellerna. Prognosen för nyckeltalen ser till största del ut att följa föregående års mönster, och evenemangs-typen Event ger oftast en hög skattning i förhållande till månaden. Evenemangstypen Högtid tycks ge en negativ effekt och Bokningsläget har en positiv effekt för båda modellerna. Slutsats: Modellerna anses välanpassade men det krävs mer bearbetning på de förklarande variablerna där till exempel event bör grupperas in beroende på vad för slags event det är. För att prognostisera rumsintäkter bör en variabel som förklara hotellens prisjusteringar modelleras. / Background: This thesis targets hotels in Stockholm with aggregated data for the city. In the hotel market there’s three key indicators of particular interest and can be said describes how the market goes. Because of how much influence these key indicator have on the hotels it’s in great interest for the hotels to compare themselves with the market values. If these key indicators where forecasted it would perhaps be of great interest for the hotels to buy these forecasts to be able to control the room pricing in advance. Purpose: Develop forecasting models due to future event and bookings with occupancy and room revenue as response variables. The key indicators revenue per available rooms and average price is then calculated through these forecasts for the year 2016. Method: Since data consist of response variables (called output series) where the future values this series depends on past values of this series and a multiple set of related time series and external events (called input series) a dynamic regression called “regression with ARMA errors” where used. The method implies that you suit a multiple regression where the error terms are modelled with an appropriate ARMA model. Results: The model for occupancy consist of four dependent variables and the model for the room revenue contain seven dependent variables. The error terms for these models include an autoregressive model with both seasonal and non-seasonal orders. The forecast for the key indicators seems to follow the same pattern as previous years, where the event type Event more often than not gives a high estimate in relation to the current month. The event type Holiday seems to have a negative impact and bookings has a small positive effect for both models. Conclusions: The models seems to fit data well but the input series needs more processing where the variable event seems to need some subgrouping. To forecast the room revenue is seems like a variable explaining price changes need to be constructed.