CN109598383A - 出行目的的预测方法、系统、电子设备和存储介质 - Google Patents
出行目的的预测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109598383A CN109598383A CN201811480130.4A CN201811480130A CN109598383A CN 109598383 A CN109598383 A CN 109598383A CN 201811480130 A CN201811480130 A CN 201811480130A CN 109598383 A CN109598383 A CN 109598383A
- Authority
- CN
- China
- Prior art keywords
- trip
- city
- order
- trip order
- condition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001419 dependent effect Effects 0.000 claims abstract description 73
- 235000013305 food Nutrition 0.000 claims description 13
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims 1
- 238000003066 decision tree Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
Abstract
本申请提供一种出行目的的预测方法、系统、电子设备和存储介质,其中方法包括:获取预定的出行订单;获取出行订单的第一类关联特征,判断第一类关联特征与留学条件是否匹配,若是则识别出行订单的出行目的为留学,若否则执行:获取出行订单的第二类关联特征,判断第二类关联特征与回家条件是否匹配,若是则识别出行目的为回家,若否则执行:获取出行订单的第三类关联特征,判断第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别出行目的为出差,若与度假条件匹配则识别出行目的为度假。本申请通过预测出行订单的出行目的,实现不同出行目的下关联服务的个性化推荐,为下单用户提供更加精细、周到的服务,提升用户的购票体验。
Description
技术领域
本申请涉及互联网技术领域,具体地说,涉及一种出行目的的预测方法、系统、电子设备和存储介质。
背景技术
随着经济发展水平的不断提升,选择飞机出行的人群越来越庞大。由于出行目的不同,各乘机人所需要的出行服务也存在差异。例如回家的用户需要火车票、延误险等服务,出差的用户需要酒店、接送机等服务,度假的用户需要门票、餐饮等服务。
然而现有的机票预订平台,对用户出行目的的预测不够准确,导致推荐的出行服务无法满足用户需求,降低了用户的购票体验。
需要说明的是,在上述背景技术部分申请的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本申请提供一种出行目的的预测方法、系统、电子设备和存储介质,通过有效的数据采集分析准确预测出行订单的出行目的,以解决现有技术中出行目的预测不准确的问题,并实现不同出行目的下服务项目的个性化推荐。
根据本申请的一个方面,提供一种出行目的的预测方法,包括:获取预定的出行订单;获取所述出行订单的第一类关联特征,判断所述第一类关联特征与留学条件是否匹配,若匹配则识别所述出行订单的出行目的为留学,若不匹配则执行:获取所述出行订单的第二类关联特征,判断所述第二类关联特征与回家条件是否匹配,若匹配则识别所述出行订单的出行目的为回家,若不匹配则执行:获取所述出行订单的第三类关联特征,判断所述第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别所述出行订单的出行目的为出差,若与度假条件匹配则识别所述出行订单的出行目的为度假。
优选地,上述的出行目的的预测方法中,所述第二类关联特征包括所述出行订单的各个维度的关联城市,包括第一乘机人的身份证归属城市、所述出行订单的报销凭证邮寄城市、预订所述出行订单的用户账号的注册城市、所述用户账号的绑定电话归属城市、所述用户账号的近期登录城市、所述用户账号的高频出发城市,并排除所述用户账号订购酒店的城市;判断所述第二类关联特征与回家条件是否匹配的步骤包括:获取各个维度的权重系数;将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值;以权重值最大的两个关联城市作为所述用户账号的常住地;获取所述出行订单的目的地,判断所述目的地是否命中所述常住地,若是则判断所述第二类关联特征与所述回家条件匹配。
优选地,上述的出行目的的预测方法中,获取各个维度的权重系数的步骤包括:获取多个历史出行订单和其各个维度的关联城市;获取各个历史出行订单的对应账号的精准常住地;分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率;对各个维度的准确率进行归一化处理,得到各个维度的权重系数。
优选地,上述的出行目的的预测方法中,所述各个维度的权重系数分别是:身份证归属城市的权重系数为0.13,报销凭证邮寄城市的权重系数为0.17,注册城市的权重系数为0.07,绑定电话归属城市的权重系数为0.15,近期登录城市的权重系数为0.19,高频出发城市的权重系数为0.29。
优选地,上述的出行目的的预测方法中,所述第三类关联特征包括:所述出行订单是否需要行程单、是否常用航线、是否往返订单、老人小孩数、乘机人数、航班类型、到达城市、目的地国家、提前预订天数;所述出差条件包括:需要行程单、目的地中国、无老人小孩、且提前7天以下预订;需要行程单、目的地外国、1人乘机、且提前30天以下预订;不需要行程单、无老人小孩、1人乘机、国内航班、且提前7天以下预订;以及所述出行订单为常用航线,所述常用航线所述用户账号历史多次预订、且每次到达时间均为工作日的航线;所述度假条件包括:不需要行程单、且有老人或小孩;不需要行程单、无老人小孩、1人乘机、国际航班、且提前15天以上预订;不需要行程单、无老人小孩、2人以上乘机、且到达非一二线城市;需要行程单、目的地中国、无老人小孩、且提前30天以上预订;需要行程单、目的地中国、有老人或小孩、且2人以下乘机;需要行程单、目的地外国、1人乘机、且提前30天以上预订;需要行程单、目的地外国、且2人以上乘机;以及所述出行订单为往返订单、且停留时间14天以上。
优选地,上述的出行目的的预测方法中,所述留学条件包括第一子条件,所述第一子条件是留学生票,所述第一类关联特征包括:是否留学生票;所述留学条件包括第二子条件,所述第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;所述第一类关联特征还包括:是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间;其中,于所述第一子条件不满足时执行所述第二子条件的判断。
优选地,上述的出行目的的预测方法还包括:根据所述出行订单的出行目的,在所述出行订单的预订完成页面推送关联服务,包括:当所述出行订单的出行目的为留学,则推送酒店服务、接送机服务、餐饮券服务、和出境电话卡服务;当所述出行订单的出行目的为回家,且所述出行订单为国内航班,则推送接送机服务、火车票服务、和延误险服务;当所述出行订单的出行目的为回家,且所述出行订单为国际航班,则推送接送机服务、餐饮券服务、和免税店服务;当所述出行订单的出行目的为出差,且所述出行订单为国内航班,则推送酒店服务、接送机服务、火车票服务、和休息室服务;当所述出行订单的出行目的为出差,且所述出行订单为国际航班,则推送酒店服务、接送机服务、餐饮券服务、和出境电话卡服务;当所述出行订单的出行目的为度假,且所述出行订单为国内航班,则推送酒店服务、接送机服务、火车票服务、和特价门票服务;当所述出行订单的出行目的为度假,且所述出行订单为国际航班,则推送酒店服务、接送机服务、免税店服务、和餐饮券服务。
根据本申请的另一个方面,提供一种出行目的的预测系统,包括:出行订单获取模块,用于获取预定的出行订单;留学判断模块,用于获取所述出行订单的第一类关联特征,判断所述第一类关联特征与留学条件是否匹配,若匹配则识别所述出行订单的出行目的为留学,若不匹配则触发:回家判断模块,用于获取所述出行订单的第二类关联特征,判断所述第二类关联特征与回家条件是否匹配,若匹配则识别所述出行订单的出行目的为回家,若不匹配则触发:出差/度假判断模块,用于获取所述出行订单的第三类关联特征,判断所述第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别所述出行订单的出行目的为出差,若与度假条件匹配则识别所述出行订单的出行目的为度假。
优选地,上述的出行目的的预测系统中,所述回家判断模块包括:第二类关联特征获取模块,用于获取所述出行订单的各个维度的关联城市,包括所述出行订单的第一乘机人的身份证归属城市、所述出行订单的报销凭证邮寄城市、预订所述出行订单的用户账号的注册城市、所述用户账号的绑定电话归属城市、所述用户账号的近期登录城市、所述用户账号的高频出发城市,并排除所述用户账号订购酒店的城市;权重系数获取模块,用于获取各个维度的权重系数;权重值计算模块,用于将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值;常住地确定模块,用于将权重值最大的两个关联城市作为所述用户账号的常住地;以及匹配判断模块,用于获取所述出行订单的目的地,并判断所述目的地是否命中所述常住地,若是则判断所述第二类关联特征与所述回家条件匹配。
优选地,上述的出行目的的预测系统中,所述权重系数获取模块包括:历史订单获取模块,用于获取多个历史出行订单和其各个维度的关联城市;精准常住地获取模块,用于获取各个历史出行订单的对应账号的精准常住地;准确率计算模块,用于分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率;权重系数计算模块,用于对各个维度的准确率进行归一化处理,得到各个维度的权重系数。
优选地,上述的出行目的的预测系统中,所述出差/度假判断模块包括:第三类关联特征获取模块,用于获取所述出行订单是否需要行程单、是否常用航线、是否往返订单、老人小孩数、乘机人数、航班类型、到达城市、目的地国家、提前预订天数;出差判断模块,用于判断所述第三类关联特征是否匹配所述出差条件,所述出差条件包括:需要行程单、目的地中国、无老人小孩、且提前7天以下预订;需要行程单、目的地外国、1人乘机、且提前30天以下预订;不需要行程单、无老人小孩、1人乘机、国内航班、且提前7天以下预订;以及所述出行订单为常用航线,所述常用航线所述用户账号历史多次预订、且每次到达时间均为工作日的航线;度假判断模块,用于判断所述第三类关联特征是否匹配所述度假条件,所述度假条件包括:不需要行程单、且有老人或小孩;不需要行程单、无老人小孩、1人乘机、国际航班、且提前15天以上预订;不需要行程单、无老人小孩、2人以上乘机、且到达非一二线城市;需要行程单、目的地中国、无老人小孩、且提前30天以上预订;需要行程单、目的地中国、有老人或小孩、且2人以下乘机;需要行程单、目的地外国、1人乘机、且提前30天以上预订;需要行程单、目的地外国、且2人以上乘机;以及所述出行订单为往返订单、且停留时间14天以上。
优选地,上述的出行目的的预测系统中,所述留学判断模块包括:第一获取模块,用于获取所述出行订单是否是留学生票的特征;第一判断模块,用于判断所述第一获取模块获取的特征是否匹配第一子条件,所述第一子条件是留学生票;第二获取模块,用于获取所述出行订单是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间;第二判断模块,用于判断所述第二获取模块获取的特征是否匹配第二子条件,所述第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;其中,于所述第一判断模块判断为否时触发所述第二判断模块。
优选地,上述的出行目的的预测系统还包括:服务推送模块,用于根据所述出行订单的出行目的,在所述出行订单的预订完成页面推送关联服务。
根据本申请的另一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的出行目的的预测方法的步骤。
根据本申请的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的出行目的的预测方法的步骤。
本申请与现有技术相比的有益效果在于:
本申请按照留学→回家→出差/度假的顺序依次判断出行订单的不同维度的关联特征是否与留学、回家、出差/度假的判断条件相匹配,从而准确识别出行订单的出行目的,极大提高了出行目的的预测准确率;
基于出行目的的预测,提供个性化服务,提升了用户的购票体验和关联产品的选购便利性,也提升了关联产品的收益。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1和图2示出本申请实施例中出行目的的预测方法的步骤流程图;
图3示出实施例中判断出行目的是否为回家的步骤流程图;
图4示出实施例中判断出行目的为出差/度假的决策树模型的示意图;
图5示出本申请实施例中出行目的的预测系统的模块组成图;
图6示出本申请实施例中电子设备的示意图;
图7示出本申请实施例中计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使得本申请将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
用户在购买出行订单时,通常会经过查询-预订-下单三步骤,在用户下单时订票平台能准确获取出行订单的乘机人数量、出发到达目的、出发到达时间等信息。本申请以用户下单时作为预测场景,预测用户本次购买出行订单的出行目的,并根据出行目的预测结果为下单用户个性化地推荐旅行相关服务如接送机、酒店、门票等,为用户提供精准的个性化服务,提升用户的购票体验。
本申请主要用来预测机票类出行订单的出行目的。基于本申请公开的内容,也可以用于预测其他类出行订单,如火车票订单的出行目的。在预测出行订单的出行目的时,主要使用的特征包括:订单维度:是否为留学生票,是否需报销凭证,机票类别(国内/国际),出行时间,是否往返订单,目的地城市是否国内一二线,目的地停留天数等。乘机人维度:第一乘机人年龄,乘机人数量,第一乘机人身份证归属城市,报销凭证邮寄城市,乘机人是否含老人小孩等。用户维度:用户账号近期登录的城市,用户账号注册时填写的城市,用户账号绑定的手机号码归属城市,用户近一年来机票、火车、汽车高频出发的城市,用户订购酒店的城市,用户一年内常坐航线频率,提前预定天数,是否需要行程单等。根据上述订单维度、乘机人维度、用户维度的特征,按照图1所示的留学→回家→出差/度假的顺序,依次判断出行订单的出行目的。例如,根据订单维度和乘机人维度的部分特征,判断出行目的是否为留学;当不是留学时,根据订单维度、乘机人维度和用户维度的部分特征,判断出行目的是否为回家;当不是回家时,再根据订单维度、乘机人维度和用户维度的部分特征,判断出行目的是否为出差或度假。
下面结合图2具体阐述本申请的出行目的的预测方法。参照图2所示,在本申请的一些实施例中,出行目的的预测方法主要包括以下步骤:
S10、获取预定的出行订单。当某一用户账号在网页或应用上下单完成,通常指支付完成,系统即可实时地获取到该预定的出行订单,并进入预测流程。
S20、获取出行订单的第一类关联特征,判断第一类关联特征与留学条件是否匹配,若匹配则识别出行订单的出行目的为留学。
具体来说,留学条件包括第一子条件,第一子条件是留学生票,第一类关联特征包括:是否留学生票。也即当该出行订单是留学生票时,可以直接判断该出行订单的出行目的为留学。
进一步的,留学条件包括第二子条件,第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;第一类关联特征还包括:是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间。当第一子条件不满足,也即该出行订单不是留学生票时,执行第二子条件的判断,当第一类关联特征满足第二子条件时,可判断该出行订单的出行目的为留学。
在优选的实施例中,当识别出行目的为留学后,还包括根据留学行程推荐关联服务的步骤,即在该出行订单的预定完成页面推送酒店服务、接送机服务、餐饮券服务、出境电话卡服务等产品服务,以方便出行目的为留学的用户选购关联产品。
S30、若经上述判断出行订单的出行目的不是留学,则执行:获取出行订单的第二类关联特征,判断第二类关联特征与回家条件是否匹配,若匹配则识别出行订单的出行目的为回家。
具体来说,第二类关联特征包括出行订单的各个维度的关联城市,包括该出行订单的第一乘机人的身份证归属城市、该出行订单的报销凭证邮寄城市、预定该出行订单的用户账号的注册城市、该用户账号的绑定电话归属城市、该用户账号的近期登录城市、该用户账号的高频出发城市,并排除该用户账号订购酒店的城市。
其中,该出行订单的各个维度的关联城市,是指与该出行订单、该出行订单包含的乘机人、该出行订单的下单用户账号相关的各个维度的关联城市。对于机票类出行订单来说,第一乘机人即主乘机人。预定该出行订单的用户账号的注册城市是指该出行订单的下单用户账号在注册时填写的城市。该用户账号的近期登录城市,可以获取自该用户账号近三个月内的登录IP地址,包括应用(app)登录和网页(online)登录;当该用户账号的近期登录城市包括多个时,可以选取登录天次最多的一个或多个城市作为该用户账号的近期登录城市。该用户账号的高频出发城市是指在该用户账号的历史出行订单,如一年内的出行订单(包括飞机票、火车票、汽车票)中,出现频率最高的一个或多个出发城市,作为该用户账号的高频出发城市。
当用户的出行目的不是回家,如出差、度假、留学等,通常会在到达城市订购酒店,而获取关联城市的目的是识别用户的常住地,进而识别出行目的是否为回家。因此排除用户账号订购酒店的城市,以提高出行目的为回家的预测准确率。
参照图3所示,根据获取的第二类关联特征,判断与回家条件是否匹配的步骤包括:
S302、获取各个维度的权重系数。
在一些实施例中,获取各个维度的权重系数的步骤包括:首先,获取多个历史出行订单和其各个维度的关联城市。多个历史出行订单是指多个不同用户账号下的历史出行订单,例如获取1000个用户账号下近一年的历史出行订单。在优选的实施例中,为提高统计准确率,获取的不同用户账号越多,统计准确率越高。关联城市的维度即上述第二类关联特征所包括的各个城市的维度,以一个历史出行订单为例,其关联城市包括:该历史出行订单的第一乘机人的身份证归属城市、该历史出行订单的报销凭证邮寄城市、预定该历史出行订单的用户账号(为与上述出行订单所对应的用户账号相区分,下面将历史出行订单所对应的用户账号称为对应账号)的注册城市、该对应账号的绑定电话归属城市、该对应账号的近期登录城市、该对应账号的高频出发城市。
其次,获取各个历史出行订单的对应账号的精准常住地。可以通过问卷调查、用户调研等方式获取历史出行订单的对应账号的精准常住地。例如,在出行订单的预订完成页中设置红包入口,用户点击红包入口后需选择本次购买出行订单的出行目的,而后领取红包,这种数据采集方式方便、快速、成本较低。同时,为提高调研准确性,可以通过电话回访、发送链接回访、在用户浏览机票时弹窗回访等方式从多种角度获取用户购买出行订单的出行目的。根据用户调研结果,将机票用户的出行目的划分为四大类,分别是出差,度假,回家及留学。样本选择是建模预测的基础,出行目的预测过程中的难点在于建模样本的构建,即现实中无法获取机票用户准确的出行目的。本申请通过“网站+用户调研”的模式搜集建模所需的数据样本,准确率高。
再次,分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率。将每个历史出行订单的关联城市与该历史出行订单的对应账号的精准常住地进行比对,即可获知针对每个历史出行订单,其哪个维度的关联城市是其对应账号的精准常住地。通过比对各个历史出行订单的关联城市与其对应账号的精准常住地,即可计算各个维度的准确率。以调研1000个对应账号的历史出行订单为例,比对后发现,身份证归属城市这个维度的准确率是29%,报销凭证邮寄城市这个维度的准确率是37.90%,注册城市这个维度的准确率是15.60%,绑定电话归属城市这个维度的准确率是33.40%,近期登录城市这个维度的准确率是42.30%,高频出发城市这个维度的准确率是63.60%。
最后,对各个维度的准确率进行归一化处理,得到各个维度的权重系数。归一化处理即将各个维度的准确率除以所有维度的准确率之和,得到各个维度的权重系数。经计算,上各个维度的权重系数如下表1:
表1:
也即得到,身份证归属城市的权重系数0.13,报销凭证邮寄城市的权重系数0.17,注册城市的权重系数0.07,绑定电话归属城市的权重系数0.15,近期登录城市的权重系数0.19,高频出发城市的权重系数0.29。
S303、将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值。
具体来说,按城市聚合,获取各关联城市对应的权重系数之和。例如获取的关联城市中,该出行订单的第一乘机人的身份证归属城市为南京、该出行订单的报销凭证邮寄城市为上海、预定该出行订单的用户账号的注册城市为北京、该用户账号的绑定电话归属城市为上海、该用户账号的近期登录城市有南京、北京、上海、杭州,该用户账号的高频出发城市包括南京和上海。则将各个关联城市所对应维度的权重系数相加后,得到南京的权重值为0.13+0.19+0.29=0.61,上海的权重值为0.17+0.15+0.19+0.29=0.8,北京的权重值为0.07+0.19=0.25,杭州的权重值为0.19。
S304、以权重值最大的两个关联城市作为该用户账号的常住地。当分别获得南京的权重值0.61,上海的权重值0.8,北京的权重值0.25,杭州的权重值0.19,则以权重值最大的两个关联城市上海和南京作为该用户账号的常住地。
S305、获取出行订单的目的地,判断目的地是否命中常住地,若是则判断第二类关联特征与回家条件匹配。当该出行订单的目的地是上海或南京任意一个时,则可判断第二类关联特征与回家条件匹配,进而识别该出行订单的出行目的为回家。
经统计,通过上述方法预测的回家行程的出行目的,准确率高达89.4%。预测到出行目的为回家后,还可进一步包括:判断该出行订单的航班类型,若该出行订单的航班类型为国内航班,则在该出行订单的预定完成页面推送接送机服务、火车票服务、延误险服务等产品服务供用户选购;若该出行订单的航班类型为国际航班,则在该出行订单的预定完成页面推送接送机服务、餐饮券服务、免税店服务等产品服务供用户选购,以提高用户选购与该出行订单的关联产品的便利性,提升用户的购票体验。
S40、若经上述判断出行订单的出行目的不是回家,则执行:获取出行订单的第三类关联特征,判断第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别出行订单的出行目的为出差,若与度假条件匹配则识别出行订单的出行目的为度假。
可采用决策树模型进行出行目的为出差/度假的判断。图4示出判断出行目的为出差/度假的决策树模型的示意图。参照图4所示,在一些实施例中,决策树模型的根节点包括是否需要行程单、是否常用航线、是否往返订单,各级非叶子节点包括老人小孩数、乘机人数、国内/国际航班、到达城市、目的地国家、提前预定天数,叶子节点包括出差、度假。也即通过行程单、常用航线、往返订单、老人小孩数、乘机人数、国内/国际航班、到达城市、目的地国家、提前预定天数等判断条件,来预测出行订单的出行目的是否为出差或度假。
具体来说,在图4所示的决策树模型中,识别为出差的分支,也即上述的出差条件包括4支,分别是:①不需要行程单(行程单量=0)→无老人小孩(老人小孩数=0)→1人乘机(乘机人数=1)→国内航班(航班类型=国内)且提前7天以下预定(提前天数≤7)。②需要行程单(行程单量=1)→目的地中国(目的地国家=中国)→无老人小孩(老人小孩数=0)→提前7天以下预定(提前天数≤7)。③需要行程单(行程单量=1)→目的地外国(目的地国家=外国)→1人乘机(乘机人数=1)→提前30天以下预定(提前天数≤30)。④该出行订单为常用航线,常用航线指该用户账号历史多次预定、且每次到达时间均为工作日的航线。具体来说,可以规定为该用户账号近一年内乘坐3次以上,且每次到达时间均为工作日的航线为该用户账号的常用航线。当该出行订单的航线为该用户账号的常用航线时,可以直接识别该出行订单的出行目的为出差。
进一步的,在优选的实施例中,当识别该出行订单的出行目的为出差后,还包括根据出差行程推送个性化服务的步骤,包括:判断该出行订单的航班类型,若该出行订单的航班类型为国内航班,则在该出行订单的预定完成页面推送酒店服务、接送机服务、火车票服务、休息室服务等产品服务供用户选购;若该出行订单的航班类型为国际航班,则在该出行订单的预定完成页面推送酒店服务、接送机服务、餐饮券服务、出境电话卡服务等产品服务供用户选购,以提高用户选购与出差行程关联的产品服务的便利性,提升用户的购票体验。
继续参照图4,在决策树模型中,识别为度假的分支,也即上述的度假条件包括8支,分别是:①不需要行程单(行程单量=0)→有老人或小孩(老人小孩数≥1)。②不需要行程单(行程单量=0)→无老人小孩(老人小孩数=0)→1人乘机(乘机人数=1)→国际航班(航班类型=国际)且提前15天以上预定(提前天数≥15)。③不需要行程单(行程单量=0)→无老人小孩(老人小孩数=0)→2人以上乘机(乘机人数≥2)→到达非一二线城市(到达城市=非一二线)。④需要行程单(行程单量=1)→目的地中国(目的地国家=中国)→无老人小孩(老人小孩数=0)→提前30天以上预定(提前天数≥30)。⑤需要行程单(行程单量=1)→目的地中国(目的地国家=中国)→有老人或小孩(老人小孩数≥1)→2人以下乘机(乘机人数≤2)。⑥需要行程单(行程单量=1)→目的地外国(目的地国家=外国)→1人乘机(乘机人数=1)→提前30天以上预定(提前天数≥30)。⑦需要行程单(行程单量=1)→目的地外国(目的地国家=外国)→2人以上乘机(乘机人数≥2)。⑧该出行订单为往返订单,且停留时间14天以上。
进一步的,在优选的实施例中,当识别该出行订单的出行目的为度假后,还包括根据度假行程推送个性化服务的步骤,包括:判断该出行订单的航班类型,当该出行订单的航班类型为国内航班时,在该出行订单的预定完成页面推送酒店服务、接送机服务、火车票服务、特价门票服务等产品服务;当该出行订单的航班类型为国际航班时,在该出行订单的预定完成页面推送酒店服务、接送机服务、免税店服务、餐饮券服务等产品服务供用户选购,以提高用户选购与出差行程关联的产品服务的便利性,提升用户的购票体验。
上述的出行目的的预测方法中,通过预测场景选择、建模样本采集、特征选择、出行目的预测、个性化推荐等步骤,准确预测机票用户的出行目的,并基于预测结果实现产品的个性化交叉推荐。其中,预测场景选择为出行订单预定完成时。建模样本采集过程中,通过“网站+用户调研”的模式搜集万余条数据样本用于预测。特征选择过程中,通过多个维度的特征信息来识别出行目的,包括订单维度的特征信息、乘机人维度的特征信息、用户维度的特征信息等。出行目的预测的过程中,对于有强特征的出行目的如留学、回家,首先根据规则判定,并采用用户调研的方式评判规则的准确性;对于无法通过强特征直接判定的,基于决策树模型识别出差及度假目的,实现精准识别用户的出行目的,为产品的场景化、个性化推荐奠定基础,最终为用户提供更便利的服务,为企业提升旅行产品的收益。
经用户调研,出行目的为回家的预测准确率达89.4%,且在机票交叉推荐产品中,国内接送机点击率提升16.35%,订单量提升20%;国内酒店点击率提升9.5%,订单量提升10.33%;国际酒店点击率提升14.89%,订单量提升4.35%,提升了用户出行体验,提高了机票整体收益。
本申请还提供出行目的的预测系统,图5示出本申请实施例中出行目的的预测系统的模块组成图。参照图5所示,在一些实施例中,出行目的的预测系统包括:
出行订单获取模块10,用于获取预定的出行订单。在一些实施例中,出行订单获取模块10用于执行上述实施例中描述的出行目的的预测方法的步骤S10。
留学判断模块20,用于获取出行订单的第一类关联特征,判断第一类关联特征与留学条件是否匹配,若匹配则识别出行订单的出行目的为留学。
具体的,留学判断模块20包括:第一获取模块,用于获取出行订单是否是留学生票的特征;第一判断模块,用于判断第一获取模块获取的特征是否匹配第一子条件,第一子条件是留学生票;第二获取模块,用于获取出行订单是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间;第二判断模块,用于判断第二获取模块获取的特征是否匹配第二子条件,第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;其中,于第一判断模块判断为否时触发第二判断模块。
在一些实施例中,留学判断模块20执行上述实施例中描述的出行目的的预测方法的步骤S20。
回家判断模块30,用于获取出行订单的第二类关联特征,判断第二类关联特征与回家条件是否匹配,若匹配则识别出行订单的出行目的为回家。
具体的,回家判断模块30包括:第二类关联特征获取模块,用于获取出行订单的各个维度的关联城市,包括第一乘机人的身份证归属城市、出行订单的报销凭证邮寄城市、预订出行订单的用户账号的注册城市、用户账号的绑定电话归属城市、用户账号的近期登录城市、用户账号的高频出发城市,并排除用户账号订购酒店的城市;权重系数获取模块,用于获取各个维度的权重系数;权重值计算模块,用于将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值;常住地确定模块,用于将权重值最大的两个关联城市作为用户账号的常住地;以及匹配判断模块,用于获取出行订单的目的地,并判断目的地是否命中常住地,若是则判断第二类关联特征与回家条件匹配。进一步的,其中权重系数获取模块包括:历史订单获取模块,用于获取多个历史出行订单和其各个维度的关联城市;精准常住地获取模块,用于获取各个历史出行订单的对应账号的精准常住地;准确率计算模块,用于分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率;权重系数计算模块,用于对各个维度的准确率进行归一化处理,得到各个维度的权重系数。
在一些实施例中,回家判断模块30执行上述实施例中描述的出行目的的预测方法的步骤S30。
出差/度假判断模块40,用于获取出行订单的第三类关联特征,判断第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别出行订单的出行目的为出差,若与度假条件匹配则识别出行订单的出行目的为度假。
具体的,出差/度假判断模块40包括:第三类关联特征获取模块,用于获取出行订单是否需要行程单、是否常用航线、是否往返订单、老人小孩数、乘机人数、航班类型、到达城市、目的地国家、提前预订天数;出差判断模块,用于判断第三类关联特征是否匹配出差条件,出差条件包括:需要行程单、目的地中国、无老人小孩、且提前7天以下预订;需要行程单、目的地外国、1人乘机、且提前30天以下预订;不需要行程单、无老人小孩、1人乘机、国内航班、且提前7天以下预订;以及出行订单为常用航线,常用航线所述账号历史多次预订、且每次到达时间均为工作日的航线;度假判断模块,用于判断第三类关联特征是否匹配度假条件,度假条件包括:不需要行程单、且有老人或小孩;不需要行程单、无老人小孩、1人乘机、国际航班、且提前15天以上预订;不需要行程单、无老人小孩、2人以上乘机、且到达非一二线城市;需要行程单、目的地中国、无老人小孩、且提前30天以上预订;需要行程单、目的地中国、有老人或小孩、且2人以下乘机;需要行程单、目的地外国、1人乘机、且提前30天以上预订;需要行程单、目的地外国、且2人以上乘机;以及出行订单为往返订单、且停留时间14天以上。
在一些实施例中,出差/度假判断模块40执行上述实施例中描述的出行目的的预测方法的步骤S40。
进一步的,在优选的实施例中,出行目的的预测系统还包括:服务推送模块,用于根据出行订单的出行目的,在出行订单的预订完成页面推送关联服务。
上述的出行目的的预测系统通过留学判断模块20和回家判断模块30识别有强特征的出行目的,通过出差/度假判断模块40基于决策树模型识别出差及度假目的。基于预测的出行目的,进行产品服务的个性化交叉推荐,提升用户订票体验及出行相关产品的收益。
本申请实施例还提供一种电子设备,包括处理器和存储器,存储器中存储有可执行指令,处理器被配置为经由执行可执行指令来执行上述实施例中的出行目的的预测方法的步骤。
如上所述,本申请的电子设备能够在出行订单预订完成时准确预测该出行订单的出行目的,并基于出行目的进行产品的个性化推荐,为下单用户提供更加精细、周到的服务,提升用户的购票体验。
图6是本申请实施例中电子设备的结构示意图,应当理解的是,图7仅仅是示意性地示出各个模块,这些模块可以是虚拟的软件模块或实际的硬件模块,这些模块的合并、拆分及其余模块的增加都在本申请的保护范围之内。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
下面参照图6来描述本申请的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行上述实施例中描述的出行目的的预测方法的步骤。例如,处理单元610可以执行如图1和图2所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本申请实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现上述实施例描述的出行目的的预测方法的步骤。在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行上述实施例描述的出行目的的预测方法的步骤。
如上所述,本申请的计算机可读存储介质能够在出行订单预订完成时准确预测该出行订单的出行目的,并基于出行目的进行产品的个性化推荐,为下单用户提供更加精细、周到的服务,提升用户的购票体验。
图7是本申请的计算机可读存储介质的结构示意图。参考图7所示,描述了根据本申请的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上内容是结合具体的优选实施方式对本申请所作的进一步详细说明,不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本申请的保护范围。
Claims (15)
1.一种出行目的的预测方法,其特征在于,包括:
获取预定的出行订单;
获取所述出行订单的第一类关联特征,判断所述第一类关联特征与留学条件是否匹配,若匹配则识别所述出行订单的出行目的为留学,若不匹配则执行:
获取所述出行订单的第二类关联特征,判断所述第二类关联特征与回家条件是否匹配,若匹配则识别所述出行订单的出行目的为回家,若不匹配则执行:
获取所述出行订单的第三类关联特征,判断所述第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别所述出行订单的出行目的为出差,若与度假条件匹配则识别所述出行订单的出行目的为度假。
2.如权利要求1所述的出行目的的预测方法,其特征在于,所述第二类关联特征包括所述出行订单的各个维度的关联城市,包括第一乘机人的身份证归属城市、所述出行订单的报销凭证邮寄城市、预订所述出行订单的用户账号的注册城市、所述用户账号的绑定电话归属城市、所述用户账号的近期登录城市、所述用户账号的高频出发城市,并排除所述用户账号订购酒店的城市;
判断所述第二类关联特征与回家条件是否匹配的步骤包括:
获取各个维度的权重系数;
将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值;
以权重值最大的两个关联城市作为所述用户账号的常住地;
获取所述出行订单的目的地,判断所述目的地是否命中所述常住地,若是则判断所述第二类关联特征与所述回家条件匹配。
3.如权利要求2所述的出行目的的预测方法,其特征在于,获取各个维度的权重系数的步骤包括:
获取多个历史出行订单和其各个维度的关联城市;
获取各个历史出行订单的对应账号的精准常住地;
分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率;
对各个维度的准确率进行归一化处理,得到各个维度的权重系数。
4.如权利要求3所述的出行目的的预测方法,其特征在于,所述各个维度的权重系数分别是:身份证归属城市的权重系数为0.13,报销凭证邮寄城市的权重系数为0.17,注册城市的权重系数为0.07,绑定电话归属城市的权重系数为0.15,近期登录城市的权重系数为0.19,高频出发城市的权重系数为0.29。
5.如权利要求1所述的出行目的的预测方法,其特征在于,所述第三类关联特征包括:所述出行订单是否需要行程单、是否常用航线、是否往返订单、老人小孩数、乘机人数、航班类型、到达城市、目的地国家、提前预订天数;
所述出差条件包括:
需要行程单、目的地中国、无老人小孩、且提前7天以下预订;
需要行程单、目的地外国、1人乘机、且提前30天以下预订;
不需要行程单、无老人小孩、1人乘机、国内航班、且提前7天以下预订;以及
所述出行订单为常用航线,所述常用航线所述用户账号历史多次预订、且每次到达时间均为工作日的航线;
所述度假条件包括:
不需要行程单、且有老人或小孩;
不需要行程单、无老人小孩、1人乘机、国际航班、且提前15天以上预订;
不需要行程单、无老人小孩、2人以上乘机、且到达非一二线城市;
需要行程单、目的地中国、无老人小孩、且提前30天以上预订;
需要行程单、目的地中国、有老人或小孩、且2人以下乘机;
需要行程单、目的地外国、1人乘机、且提前30天以上预订;
需要行程单、目的地外国、且2人以上乘机;以及
所述出行订单为往返订单、且停留时间14天以上。
6.如权利要求1所述的出行目的的预测方法,其特征在于,所述留学条件包括第一子条件,所述第一子条件是留学生票,所述第一类关联特征包括:是否留学生票;
所述留学条件包括第二子条件,所述第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;所述第一类关联特征还包括:是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间;
其中,于所述第一子条件不满足时执行所述第二子条件的判断。
7.如权利要求1-6任一项所述的出行目的的预测方法,其特征在于,还包括:根据所述出行订单的出行目的,在所述出行订单的预订完成页面推送关联服务,包括:
当所述出行订单的出行目的为留学,则推送酒店服务、接送机服务、餐饮券服务、和出境电话卡服务;
当所述出行订单的出行目的为回家,且所述出行订单为国内航班,则推送接送机服务、火车票服务、和延误险服务;
当所述出行订单的出行目的为回家,且所述出行订单为国际航班,则推送接送机服务、餐饮券服务、和免税店服务;
当所述出行订单的出行目的为出差,且所述出行订单为国内航班,则推送酒店服务、接送机服务、火车票服务、和休息室服务;
当所述出行订单的出行目的为出差,且所述出行订单为国际航班,则推送酒店服务、接送机服务、餐饮券服务、和出境电话卡服务;
当所述出行订单的出行目的为度假,且所述出行订单为国内航班,则推送酒店服务、接送机服务、火车票服务、和特价门票服务;
当所述出行订单的出行目的为度假,且所述出行订单为国际航班,则推送酒店服务、接送机服务、免税店服务、和餐饮券服务。
8.一种出行目的的预测系统,其特征在于,包括:
出行订单获取模块,用于获取预定的出行订单;
留学判断模块,用于获取所述出行订单的第一类关联特征,判断所述第一类关联特征与留学条件是否匹配,若匹配则识别所述出行订单的出行目的为留学,若不匹配则触发:
回家判断模块,用于获取所述出行订单的第二类关联特征,判断所述第二类关联特征与回家条件是否匹配,若匹配则识别所述出行订单的出行目的为回家,若不匹配则触发:
出差/度假判断模块,用于获取所述出行订单的第三类关联特征,判断所述第三类关联特征与出差/度假条件是否匹配,若与出差条件匹配则识别所述出行订单的出行目的为出差,若与度假条件匹配则识别所述出行订单的出行目的为度假。
9.如权利要求8所述的出行目的的预测系统,其特征在于,所述回家判断模块包括:
第二类关联特征获取模块,用于获取所述出行订单的各个维度的关联城市,包括所述出行订单的第一乘机人的身份证归属城市、所述出行订单的报销凭证邮寄城市、预订所述出行订单的用户账号的注册城市、所述用户账号的绑定电话归属城市、所述用户账号的近期登录城市、所述用户账号的高频出发城市,并排除所述用户账号订购酒店的城市;
权重系数获取模块,用于获取各个维度的权重系数;
权重值计算模块,用于将各个关联城市所对应维度的权重系数相加,获得各个关联城市的权重值;
常住地确定模块,用于将权重值最大的两个关联城市作为所述用户账号的常住地;以及
匹配判断模块,用于获取所述出行订单的目的地,并判断所述目的地是否命中所述常住地,若是则判断所述第二类关联特征与所述回家条件匹配。
10.如权利要求9所述的出行目的的预测系统,其特征在于,所述权重系数获取模块包括:
历史订单获取模块,用于获取多个历史出行订单和其各个维度的关联城市;
精准常住地获取模块,用于获取各个历史出行订单的对应账号的精准常住地;
准确率计算模块,用于分别比对各个历史出行订单的关联城市与其对应账号的精准常住地,计算各个维度的准确率;
权重系数计算模块,用于对各个维度的准确率进行归一化处理,得到各个维度的权重系数。
11.如权利要求8所述的出行目的的预测系统,其特征在于,所述出差/度假判断模块包括:
第三类关联特征获取模块,用于获取所述出行订单是否需要行程单、是否常用航线、是否往返订单、老人小孩数、乘机人数、航班类型、到达城市、目的地国家、提前预订天数;
出差判断模块,用于判断所述第三类关联特征是否匹配所述出差条件,所述出差条件包括:需要行程单、目的地中国、无老人小孩、且提前7天以下预订;需要行程单、目的地外国、1人乘机、且提前30天以下预订;不需要行程单、无老人小孩、1人乘机、国内航班、且提前7天以下预订;以及所述出行订单为常用航线,所述常用航线所述用户账号历史多次预订、且每次到达时间均为工作日的航线;
度假判断模块,用于判断所述第三类关联特征是否匹配所述度假条件,所述度假条件包括:不需要行程单、且有老人或小孩;不需要行程单、无老人小孩、1人乘机、国际航班、且提前15天以上预订;不需要行程单、无老人小孩、2人以上乘机、且到达非一二线城市;需要行程单、目的地中国、无老人小孩、且提前30天以上预订;需要行程单、目的地中国、有老人或小孩、且2人以下乘机;需要行程单、目的地外国、1人乘机、且提前30天以上预订;需要行程单、目的地外国、且2人以上乘机;以及所述出行订单为往返订单、且停留时间14天以上。
12.如权利要求8所述的出行目的的预测系统,其特征在于,所述留学判断模块包括:
第一获取模块,用于获取所述出行订单是否是留学生票的特征;
第一判断模块,用于判断所述第一获取模块获取的特征是否匹配第一子条件,所述第一子条件是留学生票;
第二获取模块,用于获取所述出行订单是否需要报销凭证、机票类型、乘机人数、第一乘机人年龄、出行时间;
第二判断模块,用于判断所述第二获取模块获取的特征是否匹配第二子条件,所述第二子条件是:需要报销凭证、国际机票、1人乘机、乘机人年龄范围16~27周岁、且出行时间6月~8月;
其中,于所述第一判断模块判断为否时触发所述第二判断模块。
13.如权利要求8-12任一项所述的出行目的的预测系统,其特征在于,还包括:
服务推送模块,用于根据所述出行订单的出行目的,在所述出行订单的预订完成页面推送关联服务。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7任一项所述的出行目的的预测方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7任一项所述的出行目的的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480130.4A CN109598383A (zh) | 2018-12-05 | 2018-12-05 | 出行目的的预测方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480130.4A CN109598383A (zh) | 2018-12-05 | 2018-12-05 | 出行目的的预测方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598383A true CN109598383A (zh) | 2019-04-09 |
Family
ID=65961131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480130.4A Pending CN109598383A (zh) | 2018-12-05 | 2018-12-05 | 出行目的的预测方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598383A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905722A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 一种行为识别的方法、装置及存储介质 |
CN113379455A (zh) * | 2021-06-10 | 2021-09-10 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 订单量预测方法和设备 |
CN113946757A (zh) * | 2021-12-21 | 2022-01-18 | 深圳市活力天汇科技股份有限公司 | 一种识别用户出行目的的方法、装置及可读存储介质 |
-
2018
- 2018-12-05 CN CN201811480130.4A patent/CN109598383A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905722A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 一种行为识别的方法、装置及存储介质 |
CN112905722B (zh) * | 2019-12-04 | 2022-10-21 | 顺丰科技有限公司 | 一种行为识别的方法、装置及存储介质 |
CN113379455A (zh) * | 2021-06-10 | 2021-09-10 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 订单量预测方法和设备 |
CN113379455B (zh) * | 2021-06-10 | 2024-02-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 订单量预测方法和设备 |
CN113946757A (zh) * | 2021-12-21 | 2022-01-18 | 深圳市活力天汇科技股份有限公司 | 一种识别用户出行目的的方法、装置及可读存储介质 |
CN113946757B (zh) * | 2021-12-21 | 2022-04-12 | 深圳市活力天汇科技股份有限公司 | 一种识别用户出行目的的方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8510031B2 (en) | Systems and methods for information transformation and exchange | |
CN110334289B (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
CN107146089A (zh) | 一种刷单识别方法及装置,电子设备 | |
CN109598383A (zh) | 出行目的的预测方法、系统、电子设备和存储介质 | |
CN109155039A (zh) | 用于时间期满清单利用预测的回归树压缩的特征向量机 | |
CN104115147B (zh) | 位置感知应用搜索 | |
CN108984658A (zh) | 一种智能问答数据处理方法及装置 | |
Höpken et al. | The knowledge destination—a customer information-based destination management information system | |
CN107590246A (zh) | 用于推送信息的方法和装置 | |
CN110073382A (zh) | 用于显示商家位置处的库存数据的图形用户界面 | |
CN109902213A (zh) | 实时公交服务线路推荐方法、装置与电子设备 | |
KR102232056B1 (ko) | 맛집 정보 제공 방법 및 이를 위한 서비스 서버 | |
CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
CN110046784A (zh) | 一种用户准入的风险确定方法及装置 | |
CN112836020A (zh) | 房源信息的查询方法、装置、设备以及计算机存储介质 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
Chen et al. | Big data analytics on aviation social media: The case of china southern airlines on sina weibo | |
CN106897410A (zh) | 一种基于大数据的WiFi增值服务系统及实现方法 | |
CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
CN103348375A (zh) | 终端控制装置以及终端控制程序 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN114997812A (zh) | 一种人力资源综合管理大数据监管服务系统 | |
CN114780600A (zh) | 航班搜索方法、系统、设备及存储介质 | |
CN107590676A (zh) | 提供个性化服务的方法、装置、设备和计算机存储介质 | |
CN110852810A (zh) | 优惠信息管理方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |