CN109784848B - 酒店订单处理方法和相关产品 - Google Patents
酒店订单处理方法和相关产品 Download PDFInfo
- Publication number
- CN109784848B CN109784848B CN201811643290.6A CN201811643290A CN109784848B CN 109784848 B CN109784848 B CN 109784848B CN 201811643290 A CN201811643290 A CN 201811643290A CN 109784848 B CN109784848 B CN 109784848B
- Authority
- CN
- China
- Prior art keywords
- room
- reservation order
- image
- room reservation
- hotel
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了酒店订单处理方法和相关产品。一种酒店订单处理方法包括：客户端可向差旅平台发送客房预定订单。差旅平台可接收来自客户端的客房预定订单；差旅平台确定所述客房预定订单是否为配额房预定订单。在所述客房预定订单为配额房预定订单的情况下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。本申请实施例方案有利于提升酒店的立即确认率，进而提升用户体验。
Description
技术领域
本申请涉及网络和计算机技术领域，尤其涉及了酒店订单处理方法和相关产品。
背景技术
差旅管理，也称即商旅管理，是指企业在专业差旅管理服务团队的协助下，对差旅活动进行整体规划和全面监控，优化差旅管理流程与政策，整体采购资源，从而在不影响业务开展和出行体验的前提下，降低差旅成本并提高出行效率。
员工在差旅平台预订酒店时，若预订房间是酒店与差旅平台配额房(配额房是酒店承诺给差旅平台的客房存量)，订单(即配额房预定订单)会被立即确认；若非配额房，则需专门的客服人员人工通过发邮件、传真、电话到酒店，再由酒店方告知是否有房从而告知员工是否预订成功，而酒店确认订房成功时长大多在60分钟以上，这样的订房响应速度极大影响预订效率和用户体验。
发明内容
本申请实施例提供酒店订单处理方法和相关产品，有利于提升酒店的立即确认率，进而提升订房响应速度，进而提升用户体验。
第一方面，本申请实施例提供一种酒店订单处理方法，可以包括：客户端(客户端例如可部署于移动终端或台式电脑或其他终端设备之上)可向差旅平台发送客房预定订单(客房预定订单例如可记录预定时段、客房所属酒店名称，客房类型、酒店所属城市名称等信息)。差旅平台可接收来自客户端的客房预定订单；差旅平台确定所述客房预定订单是否为配额房预定订单。在所述客房预定订单为配额房预定订单的情况下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。在所述客房预定订单为非配额房预定订单的情况下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。
可以看出，本实施例方案中引入了确认预测模型，这个确认预测模型可用于对所述客房预定订单的立即确认结果进行预测。在客房预定订单为非配额房预定订单的情况下，差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，差旅平台便可直接向所述客户端发送所述客房预定订单对应的订房成功通知。相比于需在人工确认之后再向客户端响应的传统方式，上述方案有利于明显提升平台平均订房响应速度和立即确认率，进而极大提升用户体验，同时也有利于减少用户在线等待订房结果所导致的网络等资源的消耗。
其中，立即确认是行业的一个约定术语，表示在用户感知来看是实时确认的，通过将确认时长在5分钟以内的称为立即确认，当然这个时长也不一定必然是5分钟，也可能是其它满足需要的时长。
在一些可能实施方式中，方法还可以包括：在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知；并向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
可以看出，由于在查询到存在空房的情况下，差旅平台即可向所述客户端发送所述客房预定订单对应的订房成功通知，而无需等到实际订房成功之后(实际订房过程与发送订房成功通知并行进行)在发送订房成功通知，这样的机制也有利于提升平台订房响应速度，进而极大提升用户体验。
在一些可能实施方式中，方法还可以包括：在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，差旅平台向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况下，差旅平台向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
在一些可能实施方式中，方法还可以包括：在所述客房预定订单为配额房预定订单的情况下，差旅平台向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，差旅平台向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
在一些可能实施方式中，方法还可以包括：在所述客房预定订单为配额房预定订单的情况下，差旅平台向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
其中，基于所述客房预定订单生成的订房请求用于请求预定客房预定订单所指示类型的客房。
在一些可能实施方式中，所述确认预测模型基于机器学习集成算法构建，所述方法还可以包括：在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，其中，所述N为正整数。
其中，使用确认预测模型对所述客房预定订单的立即确认结果进行预测可包括：使用最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
其中，每条历史客房预定订单数据例如包括用户侧数据和/或酒店侧数据，用户侧数据例如包括如下数据之中的一种或多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数；所述酒店侧数据例如可包括如下数据之中的一种或多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态。
可以看出，引入了预测模型优化训练机制，每次使用最新的最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测，这样有利于持续提升预测准确性，进而有利于进一步提升用户体验。
在一些可能实施方式中，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练可包括：
将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据，所述数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理；
通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法；
根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。其中，拒单命中率＝拒单命中/(拒单命中+立即确认误报)。
在一些可能实施方式中，客房预定订单包含客房所在城市的城市标识，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测可包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认。
可以看出，不同城市的市场情况有可能不尽相同，针对不同城市可设计不同立即确认概率阈值，这样有利于提升不同城市的预测针对性，进而有利于进一步提升预测准确性，进而进一步提升用户体验。
第二方面，本申请实施例提供一种差旅平台，包括：
订单服务单元，用于接收来自客户端的客房预定订单；确定所述客房预定订单是否为配额房预定订单；在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知；
预测服务单元，用于在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；
所述订单服务单元还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。
在一些可能实施方式中，订单服务单元还用于，在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求；
在一些可能实施方式中，订单服务单元还可用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况之下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
在一些可能实施方式中，确认预测模型基于机器学习集成算法构建；所述差旅平台还包括模型优化单元；
其中，所述模型优化单元可用于：在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，所述N为正整数；
其中，所述预测服务单元具体用于，使用所述模型优化单元最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
其中，每条历史客房预定订单数据例如包括用户侧数据和/或酒店侧数据，用户侧数据例如包括如下数据之中的一种或多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数；所述酒店侧数据例如可包括如下数据之中的一种或多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态。
可以看出，引入了预测模型优化训练机制，每次使用最新的最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测，这样有利于持续提升预测准确性，进而有利于进一步提升用户体验。
在一些可能实施方式中，模型优化单元使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练可包括：
将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据，所述数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理；
通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法；
根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。其中，拒单命中率＝拒单命中/(拒单命中+立即确认误报)。
在一些可能实施方式中，客房预定订单可包含客房所在城市的城市标识，其中，预测服务单元使用确认预测模型对所述客房预定订单的立即确认结果进行预测可以包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认。
第三方面，本申请实施例提供另一种差旅平台，包括：
相互耦合的处理器、通信接口和存储器。
其中，所述通信接口用于，接收来自客户端的客房预定订单。
所述处理器，用于确定所述客房预定订单是否为配额房预定订单。
所述通信接口还用于，在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知。
所述处理器还用于，在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测。
所述通信接口还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被硬件(例如处理器等)执行，以本申请实施例中由差旅平台执行的任意一种方法的部分或全部步骤。
第五方面，本申请实施例提供了一种包括指令的计算机程序产品，当所述计算机程序产品在差旅平台上运行时，使得所述差旅平台执行以上各方面的差旅人员差旅出行住店审核的方法的部分或全部步骤。
附图说明
下面将对本申请实施例涉及的一些附图进行说明。
图1-A是本申请实施例提供的一种通信系统的结构示意图；
图1-B是本申请实施例提供的一种差旅平台的模块结构示意图；
图1-C是本申请实施例提供的另一种通信系统的结构示意图；
图1-D是本申请实施例提供的另一种差旅平台的模块结构示意图；
图2是本申请实施例提供的一种酒店订单处理方法的流程示意图；
图3是本申请实施例提供的另一种酒店订单处理方法的流程示意图；
图4-A是本申请实施例提供的一种模型优化训练方法的的流程的示意图；
图4-B是本申请实施例提供的一种决策树算法的样例的示意图；
图4-C是本申请实施例提供的一种随机森林算法的训练和分类样例的示意图；
图4-D是本申请实施例提供的一种确认预测模型的测试效果的示意图；
图4-E是本申请实施例提供的各评估指标之间关系的示意图；
图5-A是本申请实施例提供的样本确认结果的示意图；
图5-B是本申请实施例提供的测试一期的测试结果的示意图；
图5-C是本申请实施例提供的测试二期的测试结果的示意图；
图5-D是本申请实施例提供的测试三期的测试结果的示意图；
图6-A是本申请实施例提供的一种差旅人员住店审核方法的流程示意图；
图6-B和图6-C是本申请实施例提供的一种住店审核单的示意图；
图7-A是本申请实施例提供的一种对已审核的住店审核单中记录的酒店方住店审核反馈进行识别的方法的流程示意图；
图7-B是本申请实施例提供的一种倾斜校正前的住店审核单的示意图；
图7-C是本申请实施例提供的一种感兴趣区域的示意图；
图8是本申请实施例提供的另一种差旅平台的示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
首先请参见图1-A，图1-A是本申请实施例提供的一种通信系统的结构示意图，通信系统可以包括通过网络互连的差旅平台110和酒店资源管理系统120等。
其中，差旅平台110是主要用于提供企业专业差旅管理服务的平台。
酒店资源管理系统120用于管理自己的资源，包括各房型、房型的房量；不同的产品和对应的不同价格。例如当有预订发生时可实时在其数据库中记录减少房量，以防超售，造成用户投诉；而当有预订被取消时，则可及时在其数据库中记录中增加房量，进行销售，减少损失。
参见图1-B，图1-B是本申请实施例举例的一种差旅平台110的结构示意图，差旅平台110可包括：订单服务单元111、预测服务单元112和模型优化单元113等服务单元。订单服务单元111主要用于酒店订单的收发和存储等管理。预测服务单元112主要用于预测酒店订单的立即确认情况。模型优化单元113主要用于对预测服务单元112所使用的确认预测模型进行优化。当然差旅平台110的模块架构并不限于上述举例。
本申请实施例的技术方案可以基于图1-A举例所示架构的通信系统或其形变架构来具体实施。
参见图2，图2是本申请实施例提供的一种酒店订单处理方法的流程示意图，这种方法可包括但不限于如下步骤：
201.客户端向差旅平台发送客房预定订单。
其中，客户端例如可部署于移动终端或台式电脑或其他终端设备之上。客房预定订单例如可记录有用户名字、证件号码、通讯号码、预定时段、客房所属酒店名称，客房类型和酒店所属城市名称等信息。
202.差旅平台接收来自客户端的客房预定订单，确定所述客房预定订单是否为配额房预定订单。
其中，配额房预定订单用于请求预定配额房，非配额房预定订单则可用于请求预定配额房或非配额房。
203.在所述客房预定订单为配额房预定订单的情况下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。
204.在所述客房预定订单为非配额房预定订单的情况之下，差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测。
205.在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。
此外，订房成功通知也还可发送到客房预定订单中记录的通信号码，或所述客户端绑定的其他通讯终端。
可以看出，本实施例方案中引入了确认预测模型，这个确认预测模型可用于对所述客房预定订单的立即确认结果进行预测。在客房预定订单为非配额房预定订单的情况之下，差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。相比于需在人工确认之后再向客户端响应的传统方式，上述方案有利于明显提升平台订房响应速度，极大提升立即确认率，进而极大提升用户体验，同时也有利于减少用户在线等待订房结果所导致的网络等资源的消耗。
下面通过一些更为具体的场景进行举例描述。
参见图3，图3是本申请实施例提供的另一酒店订单处理方法的流程示意图，这种方法可包括但不限于如下步骤：
301.客户端向差旅平台发送客房预定订单。
其中，客户端例如可部署于移动终端或台式电脑或其他终端设备之上。客房预定订单例如可记录有用户名字、证件号码、通讯号码、预定时段、客房所属酒店名称，客房类型和酒店所属城市名称等信息。
302.差旅平台接收来自客户端的客房预定订单，确定所述客房预定订单是否为配额房预定订单。
若是(客房预定订单为配额房预定订单)，执行步骤303和307。
若否(客房预定订单为非配额房预定订单)，执行步骤304。
303.差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。
304.差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测。
其中，所述客房预定订单包含客房所在城市的城市标识，其中，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；从用于记录城市与立即确认概率阈值之间对应关系的数据体(这个数据体例如映射表、模型预测文件或者其他形式的数据体)中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认。
在一些可能实施方式中，确认预测模型例如基于机器学习集成算法构建，所述方法还可包括：在使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，所述N为正整数。使用确认预测模型对所述客房预定订单的立即确认结果进行预测可包括：使用最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
举例来说，每条历史客房预定订单数据包括用户侧数据和/或酒店侧数据，所述用户侧数据包括如下数据之中的一种或多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数等；所述酒店侧数据包括如下数据之中的一种或者多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态等。
可以看出，通过不断优化确认预测模型，有利于使得确认预测模型的预测准确性逐步提升优化。
当预测出的所述客房预定订单的立即确认结果为立即确认，执行步骤303和305。
当预测出的所述客房预定订单的立即确认结果为非立即确认，执行步骤305。
305、差旅平台向酒店资源管理系统发送空房查询请求。
306.酒店资源管理系统接收到空房查询请求后查询空房，向差旅平台发送用于响应所述空房查询请求的空房查询响应，空房查询响应用于指示出空房查询结果。空房查询结果例如为存在空房或不存在空房。
相应的，差旅平台接收来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，当所述空房查询响应指示存在空房的情况下，执行步骤303和307，当所述空房查询响应指示不存在空房的情况下，执行步骤308。
307、差旅平台向酒店资源管理系统发送基于所述客房预定订单生成的订房请求。酒店资源管理系统在接收这个订房请求之后，执行订房操作，并在订房操作完成后向差旅平台发送用于响应所述订房请求的订房请求响应(订房请求响应指示订房成功)。
308、差旅平台触发人工处理流程。其中，工处理流程例如可具体进行换房协商或退款补偿协商等事宜。
可以看出，本实施例方案中引入了确认预测模型，这个确认预测模型可用于对所述客房预定订单的立即确认结果进行预测。在客房预定订单为非配额房预定订单的情况之下，差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，差旅平台向所述客户端发送所述客房预定订单对应的订房成功通知。相比于需在人工确认之后再向客户端响应的传统方式，上述方案有利于明显提升平台订房响应速度，极大提升立即确认率，进而极大提升用户体验，同时也有利于减少用户在线等待订房结果所导致的网络等资源的消耗。并且，使用通过不断优化的确认预测模型，有利于使得确认预测模型的预测准确性逐步提升优化。
下面举例提供一些模型优化训练的实施方式。通过下述优化训练的确认预测模型可被用于上述实施例方案。
参见图4-A，图4-A是本申请实施例提供的一种模型优化训练方法的流程示意图，这种方法可包括但不限于如下步骤：
401.将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据。数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理。
其中，将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据之前还可以包括：存储历史非配额房预定订单(这个订单可能订房成功或失败)；基于存储历史非配额房预定订单生成历史客房预定订单数据，例如每个历史非配额房预定订单生成一条历史客房预定订单数据；例如每条历史客房预定订单数据包括用户侧数据和/或酒店侧数据，所述用户侧数据包括如下数据之中的一种或者多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数等；所述酒店侧数据包括如下数据之中的一种或多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态等。
下面对数据预处理的具体方式进行举例。
连续变量处理：包括但不限于异常值替换、缺失值的替换和无量纲化处理。异常值的定义指代，若变量的某个值与平均值的偏差超过两倍标准差，则认为该值为异常值。若某变量有n个值，分别为x1,x2,…,xn，异常值xi的判断标准可为：xi-μ>2*σ。
其中，
其中，对于异常值缺失值例如可以统一用均值替换，对于某些变量(如金额)，消除由单位不同带来的各变量之间无可比性的问题。本申请一些实施例中的无量纲化处理可为Z-score标准化。具体公式可以如下：
其中，上式中的x表示原始数据，μ表示均值，σ表示标准差。
离散变量处理：为了使得模型结果更易于解释且更具有实际意义，可对离散变量进行哑变量处理。哑变量又称为虚拟变量，它是人为虚设的变量，通常取值为0或1，来反映某个变量的不同属性。例如，如血型，一般分为A、B、AB、O四个类型，可创建4个虚拟变量：是否A血型、是否B血型、是否AB血型、是否O血型，取值为0或1。
类别标记处理：为立即确认和非立即确认订单的标记。其中。该标记为后期模型建立的因变量。这样该问题就是一个二分类的问题，目的就是要找出立即确认订单的因素，因此考虑采用机器学习中的分类算法来解决这个问题。
训练集验证集划分处理：从上述处理后的数据随机7-3分，70％的样本量为训练集(模型训练数据)，作用是用来训练模型；30％的样本量为验证集(模型测试数据)，目的在于查看训练集所得模型在验证集上表现，避免过度拟合(即在训练集上模型效果非常好，而在验证集上效果很差)。
降维处理：为了减少预测变量的个数，确保这些变量是相互独立的，可以对变量做降维处理，本申请实施例主要采用主成分分析(PCA，principal Component Analysis)方法对变量进行降维，这个方法不仅能对高维数据进行降维，更重要的是经过降维去除了噪声，发现了数据中的模式。其中，PCA把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。(1)首先对各个变量进行特征中心化，每个变量的数据减去该变量的均值，变换后每一维的均值都变成了0。(2)接着计算协方差矩阵。(3)计算协方差矩阵的特征值和特征向量。(4)选取大的特征值对应的特征向量，若前m个特征值之和已经超过了所有特征值之和的97％(该值可自定，也可以是其它值，例如95％，93％)，则选取前m个特征值对应的特征向量组成的新的数据集。(5)降维结束。对于(2)中的协方差矩阵，当样本是n维数据时，它的协方差实际上是协方差矩阵(对称矩阵)，比如对于3维数据(x,y,z)，计算它的协方差就是：
其中，样本x和样本y的协方差计算公式为：
其中，
为样本均值。若协方差为正，说明x和y是正相关关系；协方差为为负时为负相关关系；为0是表示相互独立。对于(3)中的特征值特征向量，若矩阵AX＝λX，则称λ是矩阵A的特征值，X是对应的特征向量。特别的，当A是对称矩阵时，其中，A的奇异值等于A的特征值，即存在正交矩阵Q(Q-1＝QT)，使得，
其中，上述数据预处理的具体方式仅仅为举例，在实际应用中，还可能基于需要调整具体实施方式。
402.通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器。
其中，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法。
下面对集成算法进行举例说明。
逻辑回归算法是一种机器学习算法，估算某事物的可能性，这个算法训练速度快，能够处理高维度的数据。
其中，p是立即确认的概率，x1,x2,…,xn是影响立即确认的变量。
决策树算法：决策树采用自上而下的递归构造方法，结果是一颗二叉树或多叉树，该算法速度快，计算量相对较小，容易转化成分类规则，只要沿着树根向下一直走到叶，沿途的分类条件就能够唯一确定一条分类的位次，该算法挖掘出的分类规则便于理解，可以清晰的显示各指标的重要性。图4-B举例了一种决策树算法的样例，针对的是房贷场景。
随机森林算法：随机森林算法是机器学习算法里的一种比较高效的分类算法，其训练速度快，能够处理高维度的数据，并且不需要做变量筛选。在训练完后，能够直接根据信息增益判断变量的重要性，也能检测到变量间的相互作用关系。另外基于其白盒模型特性，可以给定一个立即确认用户，它会根据所产生的决策树很容易退出相应的逻辑表达式，容易理解和解释。图4-C举例了一种随机森林算法的训练和分类样例。
支持向量机算法：在解决小样本、非线性及高维模式识别中有许多特有的优势。一个支持向量机构造一个超平面，或者高纬或无限维空间，可以用于分类，或其他任务中设定的超平面。
Xgboost算法：Xgboost算法是专注于梯度提升算法的机器学习函数库，此函数库因其优良的学习效果以及高效的训练速度而获得广泛的关注。其中，Xgboost算法是boosting算法中的一种。其中，Boosting算法比较巧妙，首先使用简单的模型去拟合数据，得到一个比较一般的结果，然后不断向模型中添加简单模型(多数情况下为层数较浅的决策树)，而随着树的增多，整个boosting模型的复杂度逐渐变高，直到接近数据本身的复杂度，此时训练达到最佳水平。Xgboost中，对每棵树的叶子节点数做了惩罚，从而限制了叶子节点的增长，使得每棵树都是弱的，同时还引入了学习速率，进一步降低了每棵树的影响。
403.根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。
其中，将训练好的确认预测模型应用于验证集(模型测试数据)上得到测试效果。立即确认和非立即确认对应的概率阈值可根据每个城市每个算法单独设置。
以逻辑回归算法为例，假设有100张订单，那么，确认预测模型的测试效果输出例如图4-D举例所示。
其中，图4-D所示举例中，if(>阈值,1,0)表示：若预测的确认概率大于给定阈值，则结果标记为1，否则标记为0。标记为1的表示为立即确认，标记为0的表示为非立即确认。
不同城市可对应不同的阈值，城市阈值选择方法例如可以为：
将阈值范围从threshold1到threshold2，按照步长step开始，计算每个城市在对应阈值下的确认率与拒单命中率之和，取得分最大的阈值作为该城市阈值。
其中，确认率＝(立即确认命中)/(立即确认漏报+立即确认命中)。
拒单命中率＝拒单命中/(拒单命中+立即确认误报)。
其中，各个评估指标的关系可如图4-E举例所示。
在得到每个分类器的预测结果后，再根据各个分类器的拒单命中率指标，选择最优结果的分类器作为所述确认预测模型的最新分类器。由于模型具有强时效性，因此通过定期进行模型优化而有利于使得预测模型更具泛化能力。
其中，模型优化单元和预测服务单元还可单独部署在同一物理设备中，若第三方机构需要购买相关功能，通过提供相关预测模型需要的数据即可使用这两个单元的功能。
下面对本申请实施例方案的测试结果进行说明。
在测试时段，差旅平台通过引入上述举例的确认预测模型以来，将原有26.46％的立即确认率提升到了60.4％，提升率达127.8％。其中，传统方案的立即确认率为配额房预定订单占所有酒店已确认的订单的比重，现有立即确认率为：(真实配额房预定订单+预测为立即确认订单实际上酒店确认的订单)/酒店确认订单。在测试时段，共有29,744个订单为真实配额房预定订单，共38152个订单为模型预测的立即确认订单，具体确认结果如图5-A举例所示：
其中，
其中，
其中，
其中，
图5-B至图5-D举例示出了2018进行的三期模拟测试结果。
其中，图5-B为一期模拟测试结果：合计全国约1500+酒店，其中预测为立即确认且真实立即确认的占比已达20％+，整体提升率达70％+。出现3个拒单，0单赔偿。
其中，图5-C为二期模拟测试结果。二期对预测模型进行定期优化，使得预测结果相比较一期进一步提升，未出现最终拒单，0单赔偿，整体提升率102％。
其中，图5-D为二期模拟测试结果。三期对预测模型进行更大样本的定期优化，使得预测结果相比较二期进一步提升，未整体提升率达140％。
可以理解，上述举例效能提升是在测试环境下进行的，在实际应用中，其效能可能会有进一步提升或其他变化，但提升趋势是可预期的。
进一步的，当用户(差旅人员)住店完毕之后，还可能产生住店审核单，差旅平台110可引入对来自酒店传真系统的已审核住店审核单进行自动传真识别的功能，从而可将已审核住店审核单的识别复核工作从人工完成变为由差旅平台来自动的完成，这也有利于极大降低人工参与的工作量，也有利于降低出错几率，提升审核效率。
首先请参见图1-C，图1-C是本申请实施例提供的另一种通信系统的结构示意图，通信系统还包括酒店传真系统130等。酒店传真系统130具有传真收发功能。差旅平台110还可具有传真收发功能和传真识别功能。
参见图1-D，图1-D是本申请实施例举例的另一种差旅平台110的结构示意图。差旅平台110还可包括住店审核服务114、传真识别服务115和传真收发服务116等。其中，住店审核服务114主要用于差旅人员住店情况的审核。传真收发服务116可用于实现传真的收发功能。传真识别服务115用于对传真件内容进行识别。当然，差旅差旅平台110的模块架构并不限于上述举例。
参见图6-A，其中，图6-A是本申请实施例提供的一种差旅人员住店审核方法的流程示意图，这种方法可包括但不限于如下步骤：
601、差旅平台向酒店传真系统传真待审核的住店审核单。
其中，这个住店审核单与客房预订订单是对应的。
其中，待审核的住店审核单包括住店信息展示区域和审核反馈填写区域等。住店信息展示区域记录有差旅人员的身份信息(身份信息例如包括姓名、性别、身份证号码等)和所述差旅人员的住店时间信息等。
审核反馈填写区域例如可包括：审核结果填写区域和/或审核备注填写区域。审核反馈填写区域例如还可包括：酒店方审核人信息填写区域和/或酒店方审核时间填写区域，当然还可包括记录其它反馈的区域。
审核结果填写区域例如可包括审核通过选择区域和审核不通过选择区域。当审核通过选择区域被填写，则可表示住店审核通过；当审核不通过选择区域被填写，则表示住店审核不通过。
当然若审核结果填写区域并未具体区分审核通过选择区域和审核不通过选择区域，那么可直接在审核结果填写区域填写“通过”或“不通过”字样，或填写表示住店审核通过或住店审核不通过的符号或图案(符号例如为√或×)。
602、酒店传真系统向差旅平台传真已审核的住店审核单。
例如已审核的住店审核单的审核结果填写区域填写了酒店方住店审核结果。已审核的住店审核单所记录的酒店方住店审核结果可能是审核通过，也可能是审核不通过。审核不通过的原因可能是住店日期有误，也可能是差旅人员身份有误等。
酒店根据住店人员实际的住店入离情况来反馈住店审核结果。其中，假设审核结果填写区包括审核通过选择区和审核不通过选择区，那么例如审核通过，可在审核通过选择区域中打钩；审核不通过，则可审核不通过选择区中打钩。
此外，在审核通过或者审核不通过的情况下，如果酒店方有需要备注说明的情况，可在审核备注填写区域填写相关备注(例如可能备注住店日期有误，或也可能备注差旅人员身份有误等)。
603、差旅平台在接收到酒店传真系统传真过来的已审核的住店审核单后，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别。
604、差旅平台保存识别出的酒店方住店审核反馈。
可以看出，上述差旅人员住店审核方案中，在差旅平台引入了对来自酒店传真系统的已审核住店审核单进行自动传真识别的功能，从而可将已审核住店审核单的识别复核工作从人工完成变为由差旅平台来自动的完成，这有利于极大降低人工参与的工作量，也有利于降低出错几率，提升审核效率。
可以理解，保存的酒店方住店审核反馈可为后续的住店费用报销等流程提供依据。例如审核结果为审核通过则可提示允许住店费用报销，如果审核结果为审核不通过则可提示暂缓住店费用报销。
进一步的，如果识别出的酒店方住店审核通过且有酒店方审核备注，则可发出需要人工审核的提示；如果识别出的酒店方住店审核不通过，则无论是否有酒店方审核备注，都可发出需要人工审核的提示。
其中，一种可能的待审核的住店审核单可如图6-B举例所示。图6-C举例示出的已审核的住店审核单，表示审核通过且填写了审核备注。
下面对通过传真识别技术对已审核的住店审核单中记录的酒店方住店审核反馈进行识别的一些具体机制进行具体举例说明。
参见图7-A，图7-A是本申请的实施例举例提供的一种通过传真识别技术对已审核的住店审核单中记录的酒店方住店审核反馈进行识别的方法的流程示意图，这种方法可包括但不限于如下步骤：
701、对已审核的住店审核单进行预处理。其中，预处理可以包括如下处理之中的一种或者多种：不敏感区域剔除处理(例如剔除已审核的住店审核单中的二维码等)、图像精度增强处理、图像降噪处理和图像二值化处理。
其中，若接收到已审核的住店审核单的格式为PDF格式，那么预处理还可包括将已审核的住店审核单的格式转换为图片格式。若接收到已审核的住店审核单的格式为图片，那么预处理可不包括图片格式转换处理。
其中，酒店方住店审核反馈被记录于所述感兴趣区域。对已审核的住店审核单进行图像二值化处理可包括：将已审核的住店审核单划分为至少X个区域，其中，感兴趣区域分布于所述至少X个区域中的至少Y个区域，所述感兴趣区域的面积小于已审核的住店审核单总面积的一半。对所述至少X个区域并行进行图像二值化处理，以得到图像二值化处理后的已审核的住店审核单。所述Y大于X/2且小于X。例如所述Y等于6，所述X等于4或5。又例如所述Y等于8，所述X等于5或6或7。
其中，对已审核的住店审核单进行图像精度增强处理可以包括：获取住店审核单中的待增强的目标图像区域，所述目标图像区域包括多个子区域图像；对多个子区域图像中的每一子区域图像进行图像质量评价，得到多个图像质量评价值；从所述多个图像质量评价值中选取小于预设图像质量评价阈值的至少一个目标图像质量评价值；获取所述至少一个目标图像质量评价值对应的至少一个目标子区域图像；对所述至少一个目标子区域图像进行图像精度增强处理，以得到增强处理后的所述目标图像区域。其中，图像质量评价指标可以包括但不仅限于：平均灰度、均方差、熵、边缘保持度、信噪比等等。可认为，得到的图像质量评价值越大，则图像质量越好。可选地，在对图像质量评价精度要求不高的情况下，可用一个图像质量评价指标进行评价，例如以熵对待处理图像进行图像质量评价值，可认为熵越大则说明图像质量越好，相反地，熵越小，则说明图像质量越差。
其中，对所述至少一个目标子区域图像进行图像精度增强处理，包括：
将目标子区域图像i划分为多个区域块，目标子区域图像i为所述至少一个目标子区域图像中的任一目标子区域图像；分别对所述多个区域块中每一区域块进行特征提取，得到多个特征点集，每一区域块对应一个特征点集；依据所述多个特征点集确定所述多个区域块中每一区域块对应的特征点分布密度，得到多个特征点分布密度；按照预设的特征点分布密度与图像增强控制系数之间的映射关系，确定所述多个特征点分布密度中每一特征点分布密度对应的目标图像增强控制系数，得到多个目标图像增强控制系数；依据所述多个目标图像增强控制系数分别对所述多个区域块中每一区域块进行图像增强处理，得到增强后的所述目标子区域图像i；对所述目标子区域图像i进行平滑处理，得到最终的目标子区域图像i。
其中，每一类图像增强算法可对应一个图像增强控制系数，图像增强控制系数的大小控制了图像增强效果。上述本申请实施例，能够依据每一区域块特征进行针对性增强，使得每个区域细节更加清晰，另外，为了让不同区域之间过渡自然，采用平滑处理，不仅达到增强效果，也优化了每个区域之间的差异增强感，图像质量更好。
702、对预处理后的所述已审核的住店审核单进行倾斜校正。
参见图7-B举例示出了一种倾斜校正前的住店审核单。
703、在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域。
参见图7-C，图7-C举例示出了一种截取到的感兴趣区域，这个感兴趣区域例如是从图6-C所示的已审核的住店审核单中截取的。这个感兴趣区域包括多个特征区域，具体包括两个正方形特征区域和一个长方形特征区域。
704、对所述感兴趣区域进行缺陷修复处理。
705、在缺陷修复处理后的所述感兴趣区域中锁定识别区域。
其中，识别区域的数量可能是一个，也可能是多个。每个识别区域包含于对应的特征区域之中。即感兴趣区域中可能存在多个特征区域，每个特征区域中包含一个识别区域。特征区域的形状可能是长方形，正方形或其他形状。
举例来说，识别区域可能包括：第二识别区域和第三识别区，其中，第二识别区域用于记录酒店方住店审核结果为审核通过，第三识别区域用于记录酒店方住店审核结果为审核不通过。此外，识别区域还可能包括用于记录酒店方住店审核备注的第四识别区域。
例如感兴趣区域中还包括定位图形(例如图6-C所示的住店审核单的右下角的黑色的定位矩形)，可先基于定位图形模版在感兴趣区域搜索到定位图形，而后基于包含识别区域的特征区域与定位图形之间的坐标偏移量，可以快速搜索到包含识别区域的各特征区域。
706、提取所述识别区域的图像特征。
其中，提取的识别区域的图像特征例如可包括：白色像素点个数、字符图案和/或图案形状等等。
707、基于提取的所述图像特征确定酒店方住店审核反馈。
此外，本申请的实施例还举例提供的一种对感兴趣区域进行缺陷修复处理的方法的流程示意图，这种方法可包括但不限于如下步骤：
对感兴趣区域进行分辨率归一化处理。对分辨率归一化处理后的所述感兴趣区域进行中值平滑处理以去除所述感兴趣区域的干扰线。对中值平滑处理后的所述感兴趣区域进行边缘扩展处理；对边缘扩展处理后的所述感兴趣区域进行膨胀操作以补充连通域。
其中，对所述感兴趣区域进行分辨率归一化处理，即将所述感兴趣区域的分辨率调整为预设标准分辨率。在标准分辨率之下，后续处理流程的结果更容易符合预期，也有利于提升处理效率。
此外，本申请的实施例还举例提供的一种在缺陷修复处理后的感兴趣区域中锁定识别区域的方法，这种方法可包括但不限于如下步骤：在异常修复处理后的感兴趣区域中搜索与正方形模版匹配的正方形特征区域。当搜索到了与所述正方形模版匹配的正方形特征区域，通过中心点扩散算法获取所述正方形特征区域的最小内接矩形。对所述正方形特征区域的最小内接矩形进行边缘收缩处理以锁定正方形特征区域中的识别区域。
此外，本申请的实施例还举例提供的一种在缺陷修复处理后的感兴趣区域中锁定识别区域的方法，在异常修复处理后的感兴趣区域中搜索与长方形模版匹配的长方形特征区域。当搜索到了与所述长方形模版匹配的长方形特征区域，通过增强型中心点扩散算法获取长方形特征区域的最小内接矩形。对长方形特征区域的最小内接矩形进行边缘收缩处理以锁定长方形特征区域中的识别区域。
其中，确定正方形模版与正方形特征区域匹配的方式可如下：
采用多尺度分解算法对正方形特征区域进行多尺度分解，得到正方形特征区域的第一高频分量图像，并对所述第一高频分量图像进行特征提取以得到第一特征集；采用多尺度分解算法对所述正方形模版进行多尺度分解，得到所述正方形模版的第二高频分量图像，并对所述第二高频分量图像进行特征提取以得到第二特征集；对所述第一特征集和所述第二特征集进行筛选，得到第一稳定特征集和所述第二稳定特征集；将所述第一稳定特征集与所述第二稳定特征集进行特征匹配，并在所述第一稳定特征集与所述第二稳定特征集之间匹配的特征点数目大于预设数量阈值时，确定所述正方形模版与正方形特征区域匹配成功。
举例来说，通过中心点扩散算法获取所述正方形特征区域的最小内接矩形可包括：获取正方形特征区域的外轮廓，获取所述正方形特征区域的外轮廓的质心；从所述质心开始逐步向上下左右方向进行同步扩散，上下左右方向上的扩散按单个像素的粒度进行扩散，上下左右方向中的任何一个方向遇到白色像素点时停止所有方向的扩散，扩散经过的矩形区域为所述正方形特征区域的最小内接矩形。
测试发现，上述举例的中心点扩散算法，有利于在正方形特征区域获得相对较纯净的最小内接矩形。
又例如，通过增强型中心点扩散算法获取所述长方形特征区域的最小内接矩形具体可以包括：获取所述长方形特征区域的外轮廓的质心；从所述质心开始逐步向上下左右方向进行同步扩散，所述外轮廓的宽为n，所述外轮廓的长为m，所述m大于n,其中，上下方向上的扩散按单个像素的粒度进行扩散，左右扩散按照m/n个像素扩散的粒度进行扩散；上下左右方向中的任何一个方向遇到白色像素点(白色像素点灰度值例如为255)时停止所有方向的扩散。其中，扩散经过的矩形区域为所述长方形特征区域的最小内接矩形。
测试发现，上述举例的增强型中心点扩散算法，有利于在长方形特征区域获得相对较纯净的最小内接矩形。
其中，边缘收缩处理的目的之一是尽量避免采集图像特征是采集到非用户输入的一些图像特征。
可以看出，本申请上述实施例的差旅人员住店审核方案中，在差旅管理系统引入了对来自酒店传真系统的已审核住店审核单进行自动传真识别的功能，从而可将已审核住店审核单的识别复核工作从人工完成变为由差旅管理系统来自动的完成，这有利于极大降低人工参与的工作量，也有利于降低出错几率，提升审核效率。
测试发现，有85％的住店审核单不需要人工介入处理，可由差旅管理系统自动完成初步审核，极大降低的人工成本。并且，测试发现上述方案极大提升传真识别的准确性，在三个月的内部测试发现，误识别率接近0；识别成功率约为93％；自动化识别率约为85％。
参见图1-B或图1-D，本申请实施例提供了一种差旅平台110，可包括：
订单服务单元111，用于接收来自客户端的客房预定订单；确定所述客房预定订单是否为配额房预定订单；在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知。
预测服务单元112，用于在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测。
所述订单服务单元111还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。
在一些可能实施方式中，订单服务单元111还用于在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
在一些可能实施方式中，订单服务单元111还可用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况之下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
在一些可能实施方式中，确认预测模型基于机器学习集成算法构建；所述差旅平台还包括模型优化单元113；
其中，所述模型优化单元113可用于：在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，所述N为正整数；
其中，所述预测服务单元112具体用于，使用所述模型优化单元最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
其中，每条历史客房预定订单数据例如包括用户侧数据和/或酒店侧数据，用户侧数据例如包括如下数据之中的一种或多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数；所述酒店侧数据例如可包括如下数据之中的一种或多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态。
可以看出，引入了预测模型优化训练机制，每次使用最新的最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测，这样有利于持续提升预测准确性，进而有利于进一步提升用户体验。
在一些可能实施方式中，模型优化单元113使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练可包括：
将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据，所述数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理；
通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法；
根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。其中，拒单命中率＝拒单命中/(拒单命中+立即确认误报)。
在一些可能实施方式中，客房预定订单可包含客房所在城市的城市标识，其中，预测服务单元112使用确认预测模型对所述客房预定订单的立即确认结果进行预测可以包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认。
进一步的，当差旅平台110还包括住店审核服务114、传真识别服务115和传真收发服务116等服务单元。
其中，传真收发服务114，用于向酒店传真系统传真待审核的住店审核单，所述待审核的住店审核单包括住店信息展示区域，所述住店信息展示区域记录有差旅人员的身份信息和所述差旅人员的住店时间信息；接收所述酒店传真系统传真的已审核的住店审核单。
传真识别服务115，用于通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别，其中，所述酒店方住店审核反馈包括酒店方住店审核结果和/或酒店方住店审核备注，所述酒店方住店审核结果为审核通过或审核不通过。
住店审核服务116，用于保存识别出的酒店方住店审核反馈。
在一些可能实施方式中，在通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别的方面，传真识别服务115具体用于对已审核的住店审核单进行预处理，所述预处理包括不敏感区域剔除处理、图像精度增强处理和/或图像降噪处理；对预处理后的所述已审核的住店审核单进行倾斜校正；在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域；对所述感兴趣区域进行缺陷修复处理；在缺陷修复处理后的所述感兴趣区域中锁定识别区域；提取所述识别区域的图像特征；基于提取的所述图像特征确定酒店方住店审核反馈。
参见图8，本申请实施例提供了一种差旅平台800，包括：
相互耦合的处理器830、通信接口820和存储器810；例如处理器830、通信接口820和存储器810通过总线840耦合。
存储器810可包括但不限于随机存储记忆体(Random Access Memory，RAM)、可擦除可编程只读存储器(Erasable Programmable ROM，EPROM)、只读存储器(Read-OnlyMemory,ROM)或便携式只读存储器(Compact Disc Read-Only Memory，CD-ROM)等等，该存储器810用于相关指令及数据。
处理器830可以是一个或多个中央处理器(Central Processing Unit，CPU)，在处理器830是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
处理器830用于读取所述存储器810中存储的程序代码，与通信接口840配合执行本申请上述实施例中由差旅平台800执行的方法的部分或全部步骤。
举例来说，所述通信接口820用于接收来自客户端的客房预定订单。
所述处理器830，用于确定所述客房预定订单是否为配额房预定订单。
所述通信接口820还用于，在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知。
所述处理器830还用于，在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测。
所述通信接口820还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知。
可以看出，本实施例方案中引入了确认预测模型，这个确认预测模型可用于对所述客房预定订单的立即确认结果进行预测。在客房预定订单为非配额房预定订单的情况下，差旅平台使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，差旅平台便可直接向所述客户端发送所述客房预定订单对应的订房成功通知。相比于需在人工确认之后再向客户端响应的传统方式，上述方案有利于明显提升平台平均订房响应速度和立即确认率，进而极大提升用户体验，同时也有利于减少用户在线等待订房结果所导致的网络等资源的消耗。
在一些可能实施方式中，所述通信接口820还用于，在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知；并向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
可以看出，由于在查询到存在空房的情况下，差旅平台即可向所述客户端发送所述客房预定订单对应的订房成功通知，而无需等到实际订房成功之后(实际订房过程与发送订房成功通知并行进行)在发送订房成功通知，这样的机制也有利于提升平台订房响应速度，进而极大提升用户体验。
在一些可能实施方式中，所述通信接口820还用于在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，差旅平台向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
在一些可能实施方式中，通信接口820还用于在所述客房预定订单为配额房预定订单的情况下，差旅平台向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，差旅平台向酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
在一些可能实施方式中，所述通信接口820还用于：在所述客房预定订单为配额房预定订单的情况之下，差旅平台向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。所述酒店资源管理系统在接收到订房请求之后执行订房操作，并可在订房操作完成后可向差旅平台发送用于指示订房成功的订房请求响应。
其中，基于所述客房预定订单生成的订房请求用于请求预定客房预定订单所指示类型的客房。
在一些可能实施方式中，所述确认预测模型基于机器学习集成算法构建，所述处理器830还用于，在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，其中，所述N为正整数。
其中，所述处理器830使用确认预测模型对所述客房预定订单的立即确认结果进行预测具体可以包括：使用最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
其中，每条历史客房预定订单数据例如包括用户侧数据和/或酒店侧数据，用户侧数据例如包括如下数据之中的一种或多种：业务类型、用户下单渠道、担保状态、支付方式、下单时间、入住时间、到店时间、房型或间夜数；所述酒店侧数据例如可包括如下数据之中的一种或多种：酒店所在城市、星级、酒店各房型已下订单量或房型房态。
可以看出，引入了预测模型优化训练机制，每次使用最新的最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测，这样有利于持续提升预测准确性，进而有利于进一步提升用户体验。
在一些可能实施方式中，处理器830使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练可包括：
将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据，所述数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理；
通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法；
根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。其中，拒单命中率＝拒单命中/(拒单命中+立即确认误报)。
在一些可能实施方式中，客房预定订单包含客房所在城市的城市标识，处理器830使用确认预测模型对所述客房预定订单的立即确认结果进行预测可包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认。
可以看出，不同城市的市场情况有可能不尽相同，针对不同城市可设计不同立即确认概率阈值，这样有利于提升不同城市的预测针对性，进而有利于进一步提升预测准确性，进而进一步提升用户体验。
此外，通信接口820还可用于，向酒店传真系统传真待审核的住店审核单，所述待审核的住店审核单包括住店信息展示区域，所述住店信息展示区域记录有差旅人员的身份信息和所述差旅人员的住店时间信息；接收所述酒店传真系统传真的已审核的住店审核单。
所述处理器830还可用于通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别，其中，所述酒店方住店审核反馈包括酒店方住店审核结果和/或酒店方住店审核备注，所述酒店方住店审核结果为审核通过或审核不通过；保存识别出的酒店方住店审核反馈。
在一些可能实施方式中，处理器830通过传真识别技术对已审核的住店审核单中记录的酒店方住店审核反馈进行识别可包括：对所述已审核的住店审核单进行预处理，所述预处理包括如下处理之中的一种或者多种：不敏感区域剔除处理、图像精度增强处理、图像降噪处理和图像二值化处理；对预处理后的所述已审核的住店审核单进行倾斜校正；在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域；对所述感兴趣区域进行缺陷修复处理；在缺陷修复处理后的所述感兴趣区域中锁定识别区域；提取所述识别区域的图像特征；基于提取的所述图像特征确定酒店方住店审核反馈。
综上，本申请实施例提供方案可在大多数情况下，在线实时进行订单立即确认，并且通过定期的对预测模型进行优化训练，有利于避免模型因时效性带来的拒单。并且，预测模型采用机器学习集成算法为基础，使得结果更具泛化能力。并且，考虑立即确认订单与城市间的依赖关系，按不同城市设计立即确认概率阈值，有利于进一步提升平台整体订单量的立即确认率。
在上述实施例中，可全部或部分地通过软件、硬件、固件、或其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如光盘)、或者半导体介质(例如固态硬盘)等。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在上述实施例中对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，也可以通过其它的方式实现。例如以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可结合或者可以集成到另一个系统，或一些特征可以忽略或不执行。另一点，所显示或讨论的相互之间的间接耦合或者直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。
另外，在本申请各实施例中的各功能单元可集成在一个处理单元中，也可以是各单元单独物理存在，也可两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，或者也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质例如可包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或光盘等各种可存储程序代码的介质。
Claims (11)
1.一种酒店订单处理方法，其特征在于，包括：
差旅平台接收来自客户端的客房预定订单；
确定所述客房预定订单是否为配额房预定订单，其中，配额房预定订单用于请求预定配额房，非配额房预定订单则能够用于请求预定配额房或非配额房；
在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知；
在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；
其中，所述客房预定订单包含客房所在城市的城市标识，其中，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；
从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认，其中，立即确认表示在用户感知来看是实时确认的；
所述方法还包括：所述差旅平台向酒店传真系统传真待审核的住店审核单；所述差旅平台在接收到酒店传真系统传真过来的已审核的住店审核单后，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别；所述差旅平台保存识别出的酒店方住店审核反馈；
其中，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别，包括：对已审核的住店审核单进行预处理；对预处理后的所述已审核的住店审核单进行倾斜校正；在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域；对所述感兴趣区域进行缺陷修复处理；在缺陷修复处理后的所述感兴趣区域中锁定识别区域；提取所述识别区域的图像特征；基于提取的所述图像特征确定酒店方住店审核反馈；
其中，所述预处理包括：不敏感区域剔除处理、图像精度增强处理、图像降噪处理和图像二值化处理；
其中，对已审核的住店审核单进行图像精度增强处理包括：获取住店审核单中的待增强的目标图像区域，所述目标图像区域包括多个子区域图像；对多个子区域图像中的每一子区域图像进行图像质量评价，得到多个图像质量评价值；从所述多个图像质量评价值中选取小于预设图像质量评价阈值的至少一个目标图像质量评价值；获取所述至少一个目标图像质量评价值对应的至少一个目标子区域图像；对所述至少一个目标子区域图像进行图像精度增强处理，以得到增强处理后的所述目标图像区域；
其中，对所述至少一个目标子区域图像进行图像精度增强处理，包括：将目标子区域图像i划分为多个区域块，目标子区域图像i为所述至少一个目标子区域图像中的任一目标子区域图像；分别对所述多个区域块中每一区域块进行特征提取，得到多个特征点集，每一区域块对应一个特征点集；依据所述多个特征点集确定所述多个区域块中每一区域块对应的特征点分布密度，得到多个特征点分布密度；按照预设的特征点分布密度与图像增强控制系数之间的映射关系，确定所述多个特征点分布密度中每一特征点分布密度对应的目标图像增强控制系数，得到多个目标图像增强控制系数；依据所述多个目标图像增强控制系数分别对所述多个区域块中每一区域块进行图像增强处理，得到增强后的所述目标子区域图像i；对所述目标子区域图像i进行平滑处理，得到最终的目标子区域图像i。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知；向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在预测出的所述客房预定订单的立即确认结果为立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，且所述空房查询响应指示存在空房的情况下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述确认预测模型基于机器学习集成算法构建，所述方法还包括：在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，所述N为正整数；
其中，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测包括：使用最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
6.根据权利要求5所述的方法，其特征在于，所述使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练包括：
将已缓存的N条历史客房预定订单数据进行数据预处理得到模型训练数据，所述数据预处理包括如下处理中的一种或多种：连续变量处理、离散变量处理、类别标记处理、训练集验证集划分处理或降维处理；
通过集成算法对模型训练数据进行模型拟合以得到确认预测模型的多个分类器，所述集成算法包括如下算法中的一种或多种：逻辑回归算法、决策树算法、随机森林算法、支持向量机算法或Xgboost算法；
根据所述确认预测模型的多个分类器在模型测试数据上的表现，选出所述多个分类器中最优结果的分类器作为所述确认预测模型的最新分类器，其中，最优结果对应的拒单命中率最高。
7.一种差旅平台，其特征在于，包括：
订单服务单元，用于接收来自客户端的客房预定订单；确定所述客房预定订单是否为配额房预定订单；在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知，其中，配额房预定订单用于请求预定配额房，非配额房预定订单则能够用于请求预定配额房或非配额房；
预测服务单元，用于在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；
所述订单服务单元还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；
其中，所述客房预定订单包含客房所在城市的城市标识，其中，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；
从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认，其中，立即确认表示在用户感知来看是实时确认的；
传真收发服务，用于向酒店传真系统传真待审核的住店审核单；
传真识别服务，用于在接收到酒店传真系统传真过来的已审核的住店审核单后，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别；
住店审核服务，保存识别出的酒店方住店审核反馈；
其中，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别，包括：对已审核的住店审核单进行预处理；对预处理后的所述已审核的住店审核单进行倾斜校正；在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域；对所述感兴趣区域进行缺陷修复处理；在缺陷修复处理后的所述感兴趣区域中锁定识别区域；提取所述识别区域的图像特征；基于提取的所述图像特征确定酒店方住店审核反馈；
其中，所述预处理包括：不敏感区域剔除处理、图像精度增强处理、图像降噪处理和图像二值化处理；
其中，对已审核的住店审核单进行图像精度增强处理包括：获取住店审核单中的待增强的目标图像区域，所述目标图像区域包括多个子区域图像；对多个子区域图像中的每一子区域图像进行图像质量评价，得到多个图像质量评价值；从所述多个图像质量评价值中选取小于预设图像质量评价阈值的至少一个目标图像质量评价值；获取所述至少一个目标图像质量评价值对应的至少一个目标子区域图像；对所述至少一个目标子区域图像进行图像精度增强处理，以得到增强处理后的所述目标图像区域；
其中，对所述至少一个目标子区域图像进行图像精度增强处理，包括：将目标子区域图像i划分为多个区域块，目标子区域图像i为所述至少一个目标子区域图像中的任一目标子区域图像；分别对所述多个区域块中每一区域块进行特征提取，得到多个特征点集，每一区域块对应一个特征点集；依据所述多个特征点集确定所述多个区域块中每一区域块对应的特征点分布密度，得到多个特征点分布密度；按照预设的特征点分布密度与图像增强控制系数之间的映射关系，确定所述多个特征点分布密度中每一特征点分布密度对应的目标图像增强控制系数，得到多个目标图像增强控制系数；依据所述多个目标图像增强控制系数分别对所述多个区域块中每一区域块进行图像增强处理，得到增强后的所述目标子区域图像i；对所述目标子区域图像i进行平滑处理，得到最终的目标子区域图像i。
8.根据权利要求7所述的差旅平台，其特征在于，
所述订单服务单元还用于，在预测出的所述客房预定订单的立即确认结果为非立即确认的情况下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求；
和/或，
所述订单服务单元还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向酒店资源管理系统发送空房查询请求；在接收到了来自所述酒店资源管理系统的用于响应所述空房查询请求的空房查询响应，并且所述空房查询响应指示存在空房的情况之下，向所述酒店资源管理系统发送基于所述客房预定订单生成的订房请求。
9.根据权利要求7或8所述的差旅平台，其特征在于，所述确认预测模型基于机器学习集成算法构建；
所述差旅平台还包括模型优化单元；
其中，所述模型优化单元，用于：在所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测之前，使用已缓存的N条历史客房预定订单数据对所述确认预测模型进行优化训练，所述N为正整数；
其中，所述预测服务单元具体用于，使用所述模型优化单元最新优化训练后的确认预测模型对所述客房预定订单的立即确认结果进行预测。
10.一种差旅平台，其特征在于，包括：
相互耦合的处理器、通信接口和存储器；
其中，所述通信接口用于，接收来自客户端的客房预定订单；
所述处理器，用于确定所述客房预定订单是否为配额房预定订单；
所述通信接口还用于，在所述客房预定订单为配额房预定订单的情况下，向所述客户端发送所述客房预定订单对应的订房成功通知，配额房预定订单用于请求预定配额房，非配额房预定订单则能够用于请求预定配额房或非配额房；
所述处理器还用于，在所述客房预定订单为非配额房预定订单的情况之下，使用确认预测模型对所述客房预定订单的立即确认结果进行预测；
所述通信接口还用于，在预测出的所述客房预定订单的立即确认结果为立即确认的情况之下，向所述客户端发送所述客房预定订单对应的订房成功通知；
其中，所述客房预定订单包含客房所在城市的城市标识，其中，所述使用确认预测模型对所述客房预定订单的立即确认结果进行预测包括：调用确认预测模型对所述客房预定订单的立即确认结果进行预测以得到的立即确认概率；
从用于记录城市与立即确认概率阈值之间对应关系的数据体中读取出所述城市标识对应的立即确认概率阈值；在预测出的所述立即确认概率，大于或等于所述城市标识对应的立即确认概率阈值的情况下，确定预测出的所述客房预定订单的立即确认结果为立即确认；在预测出的所述立即确认概率小于所述城市标识对应的立即确认概率阈值的情况下，确认预测出的所述客房预定订单的立即确认结果为非立即确认，其中，立即确认表示在用户感知来看是实时确认的；
其中，所述通信接口还用于，向酒店传真系统传真待审核的住店审核单；
其中，所述处理器还用于，在所述通信接口接收到酒店传真系统传真过来的已审核的住店审核单后，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别；保存识别出的酒店方住店审核反馈；
其中，通过传真识别技术对所述已审核的住店审核单中记录的酒店方住店审核反馈进行识别包括：对已审核的住店审核单进行预处理；对预处理后的所述已审核的住店审核单进行倾斜校正；在倾斜校正后的所述已审核的住店审核单中截取感兴趣区域；对所述感兴趣区域进行缺陷修复处理；在缺陷修复处理后的所述感兴趣区域中锁定识别区域；提取所述识别区域的图像特征；基于提取的所述图像特征确定酒店方住店审核反馈；
其中，所述预处理包括：不敏感区域剔除处理、图像精度增强处理、图像降噪处理和图像二值化处理；
其中，对已审核的住店审核单进行图像精度增强处理包括：获取住店审核单中的待增强的目标图像区域，所述目标图像区域包括多个子区域图像；对多个子区域图像中的每一子区域图像进行图像质量评价，得到多个图像质量评价值；从所述多个图像质量评价值中选取小于预设图像质量评价阈值的至少一个目标图像质量评价值；获取所述至少一个目标图像质量评价值对应的至少一个目标子区域图像；对所述至少一个目标子区域图像进行图像精度增强处理，以得到增强处理后的所述目标图像区域；
其中，对所述至少一个目标子区域图像进行图像精度增强处理，包括：
将目标子区域图像i划分为多个区域块，目标子区域图像i为所述至少一个目标子区域图像中的任一目标子区域图像；分别对所述多个区域块中每一区域块进行特征提取，得到多个特征点集，每一区域块对应一个特征点集；依据所述多个特征点集确定所述多个区域块中每一区域块对应的特征点分布密度，得到多个特征点分布密度；按照预设的特征点分布密度与图像增强控制系数之间的映射关系，确定所述多个特征点分布密度中每一特征点分布密度对应的目标图像增强控制系数，得到多个目标图像增强控制系数；依据所述多个目标图像增强控制系数分别对所述多个区域块中每一区域块进行图像增强处理，得到增强后的所述目标子区域图像i；对所述目标子区域图像i进行平滑处理，得到最终的目标子区域图像i。
11.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被硬件执行以实现权利要求书1至6任意一项中由差旅平台执行的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643290.6A CN109784848B (zh) | 2018-12-29 | 2018-12-29 | 酒店订单处理方法和相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643290.6A CN109784848B (zh) | 2018-12-29 | 2018-12-29 | 酒店订单处理方法和相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784848A CN109784848A (zh) | 2019-05-21 |
| CN109784848B true CN109784848B (zh) | 2021-08-27 |
Family
ID=66499503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811643290.6A Active CN109784848B (zh) | 2018-12-29 | 2018-12-29 | 酒店订单处理方法和相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784848B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882379B (zh) * | 2020-06-29 | 2024-06-14 | 南京意博软件科技有限公司 | 一种基于邮件的订单确认方法和装置 |
| CN114443735B (zh) * | 2022-01-27 | 2022-09-13 | 深圳市天下房仓科技有限公司 | 酒店数据映射规则生成方法、装置、设备及存储介质 |
| CN114742477B (zh) * | 2022-06-09 | 2022-08-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
| CN115660791B (zh) * | 2022-12-28 | 2023-07-18 | 在路上(北京)科技有限公司 | 一种差旅服务的订单处理方法及系统 |
| CN117495494B (zh) * | 2023-11-02 | 2024-05-24 | 广州玩么网络科技有限公司 | 基于数据分析的异常酒店订单识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136698A (zh) * | 2011-11-29 | 2013-06-05 | 艺龙网信息技术（北京）有限公司 | 一种酒店订单处理系统和处理方法 |
| CN105243545A (zh) * | 2015-09-01 | 2016-01-13 | 张泽 | 多平台资源处理方法与装置 |
| CN107506877A (zh) * | 2017-09-30 | 2017-12-22 | 携程计算机技术（上海）有限公司 | Ota平台到店无房的预测方法及系统 |
| CN108320036A (zh) * | 2017-01-18 | 2018-07-24 | 百度在线网络技术（北京）有限公司 | 一种在线预订房间的方法、装置及设备 |
| CN108510337A (zh) * | 2017-02-24 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 订单生成、库存更新方法、客户端及服务器 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10210602B2 (en) * | 2011-10-17 | 2019-02-19 | Sharp Laboratories Of America, Inc. | System and method for normalized focal length profiling |
| US20140095276A1 (en) * | 2012-09-28 | 2014-04-03 | Order Inn, Inc. | Method and system for offering combinations of goods and services for purchase and controlling expenses |
| CN103902960A (zh) * | 2012-12-28 | 2014-07-02 | 北京计算机技术及应用研究所 | 一种实时人脸识别系统及其方法 |
| CN104504711A (zh) * | 2014-12-29 | 2015-04-08 | 西安交通大学 | 一种基于圆形轮廓图极性的血管图像处理方法 |
-
2018
- 2018-12-29 CN CN201811643290.6A patent/CN109784848B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136698A (zh) * | 2011-11-29 | 2013-06-05 | 艺龙网信息技术（北京）有限公司 | 一种酒店订单处理系统和处理方法 |
| CN105243545A (zh) * | 2015-09-01 | 2016-01-13 | 张泽 | 多平台资源处理方法与装置 |
| CN108320036A (zh) * | 2017-01-18 | 2018-07-24 | 百度在线网络技术（北京）有限公司 | 一种在线预订房间的方法、装置及设备 |
| CN108510337A (zh) * | 2017-02-24 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 订单生成、库存更新方法、客户端及服务器 |
| CN107506877A (zh) * | 2017-09-30 | 2017-12-22 | 携程计算机技术（上海）有限公司 | Ota平台到店无房的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784848A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784848B (zh) | 酒店订单处理方法和相关产品 | |
| CN110659318B (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
| CN109690608A (zh) | 外推信任得分中的趋势 | |
| CN109564669A (zh) | 基于信任得分和地理范围搜索实体 | |
| CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
| CN111949643B (zh) | 基于业务建模的数据处理方法及系统 | |
| CN115063233A (zh) | 一种银行业务服务流程的实现方法、系统及装置 | |
| CN113435859A (zh) | 信访件处理方法、装置、电子设备和计算机可读介质 | |
| CN112995200A (zh) | 基于云平台的资源价值评估用户管理方法及相关产品 | |
| CN110852809A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
| CN110930238A (zh) | 提高审核任务效率的方法、装置、设备和计算机可读介质 | |
| US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
| CN115660902A (zh) | 基于大数据的智慧旅游评价系统 | |
| US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
| CN115238588A (zh) | 图数据处理方法、风险预测模型训练方法及装置 | |
| CN112001760B (zh) | 潜在用户挖掘方法、装置、电子设备和存储介质 | |
| KR102292578B1 (ko) | 에너지 데이터 중개 시스템 및 방법 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN113627997A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
| CN110610320A (zh) | 金融风险等级预测方法、装置、电子设备、存储介质 | |
| CN111752985A (zh) | 一种主体画像生成的方法、装置和存储介质 | |
| CN111241483B (zh) | 基于云平台的资源价值评估处理方法和相关产品 | |
| CN112948910B (zh) | 双主线办公空间改造方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201222 Address after: Room n14-2-9r, 101 software Avenue, Yuhuatai District, Nanjing, Jiangsu 210000 Applicant after: Nanjing Yibo Software Technology Co.,Ltd. Address before: 518000 Huawei Electric Research Center, Bantian Huawei base, Longgang District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN SMARTCOM BUSINESS Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |