CN111861801A - 酒店满房预测方法、系统、设备及存储介质 - Google Patents
酒店满房预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111861801A CN111861801A CN202010705045.4A CN202010705045A CN111861801A CN 111861801 A CN111861801 A CN 111861801A CN 202010705045 A CN202010705045 A CN 202010705045A CN 111861801 A CN111861801 A CN 111861801A
- Authority
- CN
- China
- Prior art keywords
- hotel
- full
- room
- reservation
- probability
- 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 52
- 238000012549 training Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005111 flow chemistry technique Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了酒店满房预测方法、系统、设备及存储介质，该方法包括：获取酒店的历史订单数据；对历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据历史订单数据作为学习样本输入预测模型，预测酒店的预定后满房的概率；将用户当前的检索条件获得酒店集合，将检索条件和酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个酒店的预定后满房的概率；以及仅向用户显示预定后满房的概率低于预设阈值的酒店信息。本发明能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
Description
技术领域
本发明涉及酒店预订领域，具体地说，涉及酒店满房预测方法、系统、设备及存储介质。
背景技术
在用户预定酒店的过程中，有些用户会在其下完单后，会收到订单满房的消息，这不仅会严重影响用户体验，还可能会导致用户流失。严重的，用户还会通过社交网络进行传播，影响其他人群的购买，这会极大影响订房平台的品牌形象。产生满房的原因，主要是因为酒店供应商维护房态信息不及时，同时部分酒店存在超卖行为。从技术角度来说，每家酒店都会极大保护自身的客房数据，很大程度不会将客房数据实时同步给订房平台。因为上述原因，现有的订房流程经常会造成一部分顾客下单后被撤回，严重影响客户的体验。
因此，本发明提供了一种酒店满房预测方法、系统、设备及存储介质。
发明内容
针对现有技术中的问题，本发明的目的在于提供酒店满房预测方法、系统、设备及存储介质，克服了现有技术的困难，能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
本发明的实施例提供一种酒店满房预测方法，包括以下步骤：
S110、获取酒店的历史订单数据；
S120、对所述历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据所述历史订单数据作为学习样本输入预测模型，预测所述酒店的预定后满房的概率；
S130、将用户当前的检索条件获得酒店集合，将所述检索条件和所述酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个所述酒店的预定后满房的概率；以及
S140、仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
优选地，所述预测模型为XGBOOST与LR融合模型，将XGBOOST模型将历史订单数据的数值型特征转为one-hot特征，并将历史订单数据的数值型特征和one-hot特征共同输入LR模型获得预测结果。
优选地，使用xgboost.apply提取训练集和测试集的叶子节点，然后对其用OneHotEncoder函数编码，用fit_transform函数提取编码后的转换特征，最终用LR模型对其进行训练。
优选地，所述步骤S140中，自所述酒店集合中删除预定后满房的概率高于预设阈值的酒店。
优选地，预定后满房作为1，预定后正常入住作为0。
优选地，所述历史订单数据还包括房型历史数据、酒店星级、历史入住日期、酒店距离交通枢纽距离、酒店服务评分、酒店周边同价位其他酒店的满房数据中的至少一项或组合。
优选地，所述历史订单数据还包括房型历史数据；
所述步骤S140中，仅向用户显示所述酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
优选地，所述历史订单数据还包括房型历史数据；
所述步骤S140中，根据每个酒店所有房型的预定后满房的概率的平均值获得酒店的预定后满房的概率，仅向用户显示预定后满房的概率低于预设阈值的酒店信息，仅向用户显示所述酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
优选地，所述预定后满房的概率的预设阈值的取值范围是1％至10％。
本发明的实施例还提供一种酒店满房预测系统，用于实现上述的酒店满房预测方法，所述酒店满房预测系统包括：
历史数据模块，获取酒店的历史订单数据；
模型训练模块，对所述历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据所述历史订单数据作为学习样本输入预测模型，预测所述酒店的预定后满房的概率；
概率预测模块，将用户当前的检索条件获得酒店集合，将所述检索条件和所述酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个所述酒店的预定后满房的概率；以及
信息展示模块，仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
本发明的实施例还提供一种酒店满房预测设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
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酒店满房预测方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述酒店满房预测方法的步骤。
本发明的目的在于提供酒店满房预测方法、系统、设备及存储介质，能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的酒店满房预测方法的流程图。
图2是本发明的酒店满房预测系统的模块示意图。
图3是本发明的酒店满房预测设备的结构示意图。以及
图4是本发明一实施例的计算机可读存储介质的结构示意图。
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发明将全面和完整，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。
图1是本发明的酒店满房预测方法的流程图。如图1所示，本发明的实施例提供一种酒店满房预测方法，包括以下步骤：
S110、获取酒店的历史订单数据；
S120、对历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据历史订单数据作为学习样本输入预测模型，预测酒店的预定后满房的概率；
S130、将用户当前的检索条件获得酒店集合，将检索条件和酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个酒店的预定后满房的概率；以及
S140、仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
因而本发明用模型预测每个酒店满房概率，就会有很大的商业价值。实际上，订房平台有很多酒店房型都是低产的，然而其数量庞大，但是其产生的满房订单比例却较多，因为本发明设计了以酒店+入住为主键维度的机器学习预测模型，针对概率高的酒店，对其进行定期关房操作。
本发明的实施流程主要包括：(1)数据获取：计算模型特征，并且存储在数据库表里面,同时做好分区。(2)数据处理：对缺失值补齐，并且用smote的方法增加正样本比例。(3)XGBOOST模型训练，并且模型参数调优。(4)运用XGBOOST训练的结果，与LR做模型融合。利用训练好的模型对构建的特征进行预测，将预测结果使用qmq消息推送给开发。
在一个优选方案中，预测模型为XGBOOST与LR融合模型，将XGBOOST模型将历史订单数据的数值型特征转为one-hot特征，并将历史订单数据的数值型特征和one-hot特征共同输入LR模型获得预测结果。
本发明中的XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供并行树提升(也称为GBDT，GBM)，可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop，SGE，MPI)上运行，并且可以解决数十亿个示例之外的问题。Xgboost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为Xgboost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是CART回归树模型。Xgboost是在GBDT的基础上进行改进，使之更强大，适用于更大范围。
LR算法是线性模型，不能捕捉到非线性信息，需要大量特征工程找到特征组合。大概的思想可以描述为如下：先用已有特征训练Xgboost模型，然后利用Xgboost模型学习到的树来构造新特征，最后把这些新特征加入原有特征一起训练模型。构造的新特征向量是取值0或1的，向量的每个元素对应于Xgboost模型中树的叶子结点。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那么在新特征向量中这个叶子结点对应的元素值为1，而这棵树的其他叶子结点对应的元素值为0。新特征向量的长度等于XGBoost模型里所有树包含的叶子结点数之和。最后将新的特征扔到LR模型进行训练。例如：两棵树是GBDT(Xgboost一样)学习到的，第一棵树有3个叶子结点，而第二棵树有2个叶子节点。对于一个输入样本点x，如果它在第一棵树最后落在其中的第二个叶子结点，而在第二棵树里最后落在其中的第一个叶子结点。那么通过GBDT获得的新特征向量为[0,1,0,1,0]，其中向量中的前三位对应第一棵树的3个叶子结点，后两位对应第二棵树的2个叶子结点。
在一个优选方案中，使用xgboost.apply提取训练集和测试集的叶子节点，然后对其用OneHotEncoder函数编码，用fit_transform函数提取编码后的转换特征，最终用LR模型对其进行训练。本发明中的One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
在一个优选方案中，步骤S140中，自酒店集合中删除预定后满房的概率高于预设阈值的酒店。
在一个优选方案中，预定后满房作为1，预定后正常入住作为0。
在一个优选方案中，历史订单数据还包括房型历史数据、酒店星级、历史入住日期、酒店距离交通枢纽距离、酒店服务评分、酒店周边同价位其他酒店的满房数据中的至少一项或组合。
在一个优选方案中，历史订单数据还包括房型历史数据；
步骤S140中，仅向用户显示酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
在一个优选方案中，历史订单数据还包括房型历史数据；
步骤S140中，根据每个酒店所有房型的预定后满房的概率的平均值获得酒店的预定后满房的概率，仅向用户显示预定后满房的概率低于预设阈值的酒店信息，仅向用户显示酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
在一个优选方案中，预定后满房的概率的预设阈值的取值范围是1％至30％，但不以此为限。预定后满房的概率的预设阈值可以是3％、5％、10％、15％、20％、35％中的任意一种。
本发明要解决的问题：如何高效准确的预测每个酒店+入住满房概率，从而最终实现降低酒店满房比例的目的。酒店满房预测属于分类问题，所以针对该问题建模成了一个机器学习有监督式二分类问题。从模型融合方面，本发明使用XGBOOST+LR模型融合的方法，该方法能够较好的学习到各种交叉特征，取得了不错的模型效果，最终本发明用的是XGBOOST+LR模型融合的技术方法解决该问题。训练数据中，Y变量是以用户下单满房标记为1，即正样本；用户下单正常成交标记为0，即负样本。X特征主要是收集酒店历史满房比例，根据业务方定义的满房比例计算每个酒店的历史满房比例。通过对预处理的订单数据分析发现三个提高模型效果的业务点：
1、不同的酒店，其历史满房比例差异较大，资源好的酒店满房比例在1％以内，资源差的酒店其历史满房比例高达50％.
2、同酒店按照入住区分后，同样表现较大的数据差异，入住在节假日的时候，其满房比例特别高。
3、满房跟酒店服务也有很大关系，酒店服务评分越高，这家酒店往往满房也会较少。
利用这几个维度挖掘影响酒店满房有关的因素，运用机器学习的方法预测每个酒店对应入住日的满房概率，如下图展示了特征工程设计到的数据维度。
本发明的具体技术方案如下：
(1)数据获取：目前数据都存储在基于服务主题的数据仓库中，需要和业务定义满房的严谨定义，获取并计算相关维度的满房数据。同时和时间维度的同比数据，需要维护好同比日期对齐表，将各种节假日信息对齐。
(2)数据预处理：从数据中本发可以看到有很多数据缺省，可以用0作为填充值；同时本发的正负样本是及其数据不平衡的，实践中本发用smote的方法解决数据不平衡问题。SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中。
(3)特征工程：在清洗之后的数据基础上构建特征，特征首先考虑酒店的历史满房数据，节假日信息，酒店静态信息数据，同商圈同星级等维度信息。具体如下：
酒店历史满房维度：本发构造了酒店过去7、30、90、180天满房数量，酒店过去7、30、90、180天满房比例，以及实时满房数据等
酒店静态信息数据：酒店点评分，酒店服务评分等酒店服务数据；酒店星级，酒店距离景点距离等数据
节假日数据维度：本发区别了法定节假日，并且把农历节假日数据对齐，区别节假日中的第几天等
同商圈同星级：本发考虑酒店对应的商圈，其相同星级的满房数据，紧张度等数据
下单数据：考虑用户下单是一天当中第几个小时，提前预定天数等。
通过构造多维度的特征，作为机器学习模型训练的输入。
(4)模型训练：本发明通过多模型探索发现该问题，选择XGBOOST+LR作模型融合预测是效果最佳的。XGBOOST+LR是机器学习分类预测的一种较好模型融合方式。首先本发可以对XGBOOST进行参数优化，同时利用XGBOOST把数值型特征转为one-hot特征，将新特征和原始的特征一块训练LR模型进行最后的预测。
在XGBOOST模型中，优化参数learning_rate往往有较好的模型优化效果，学习率控制每次迭代更新权重时的步长，值越小训练越慢；参数max_depth树的深度优化，调参值越大越容易过拟合，值越小越容易欠拟合；参数n_estimators，总共迭代的次数，调参时也有较好的效果；参数subsample为训练每棵树时，使用的数据占全部训练集的比例，调参可以防止overfitting；colsample_bytree训练每棵树时，使用的特征占全部特征的比例，调参防止overfitting。
在做XGBOOST+LR模型融合时，本发用xgboost.apply提取训练集和测试集的叶子节点，然后对其用OneHotEncoder函数编码，用fit_transform函数提取编码后的转换特征，最终用LR模型对其进行训练。
利用XGBOOST+LR融合有很多优点，利用XGBOOST主要是发掘有区分度的特征和特征组合，LR模型无法实现特征组合，但是模型中特征组合很关键，依靠人工经验非常耗时而且不一定能有好的效果。利用XGBOOST可以自动发现有效的特征、特征组合。XGBOOST每次迭代都是在减少残差的梯度方向上面新建一棵决策树，XGBOOST的每个叶子结点对应一个路径，也就是一种组合方式。由于树的每条路径都是最小化均方误差等方法算出来的，得到的路径(特征组合)具有区分度不亚于人工经验。
(5)模型验证：待模型利用训练数据训练完成之后再利用测试数据对模型进行测试，因为该问题是分类问题，所以本发明使用了正类样本预测准确率作为模型优劣判别标准。
(6)预测结果应用：模型上线之后会对未来用户下的酒店+入住预测其满房概率，业务利用该概率结合酒店历史服务缺陷制定一个合适的关房策略，从而最终降低满房比例的目的。
本发明利用机器学习算法，在用户于订房平台APP下酒店房间前，准确高效的预测出其满房概率，利用该值结合其它相关信息制定一个关房策略，从而降低满房比例，提高用户体验。
运用本发明的方法，可以降低国内供应商满房服务缺陷5％，模型关房准确率可以达到70％，本发可以看到用户体验得到明显增强，服务质量得到较大提升。
本发明的酒店满房预测方法能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
图2是本发明的酒店满房预测系统的模块示意图。如图2所示，本发明的实施例还提供一种酒店满房预测系统，用于实现上述的酒店满房预测方法，酒店满房预测系统9包括：
历史数据模块91，获取酒店的历史订单数据；
模型训练模块92，对历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据历史订单数据作为学习样本输入预测模型，预测酒店的预定后满房的概率；
概率预测模块93，将用户当前的检索条件获得酒店集合，将检索条件和酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个酒店的预定后满房的概率；以及
信息展示模块94，仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
在一个优选方案中，预测模型为XGBOOST与LR融合模型，将XGBOOST模型将历史订单数据的数值型特征转为one-hot特征，并将历史订单数据的数值型特征和one-hot特征共同输入LR模型获得预测结果。
在一个优选方案中，使用xgboost.apply提取训练集和测试集的叶子节点，然后对其用OneHotEncoder函数编码，用fit_transform函数提取编码后的转换特征，最终用LR模型对其进行训练。
在一个优选方案中，信息展示模块自酒店集合中删除预定后满房的概率高于预设阈值的酒店。
在一个优选方案中，预定后满房作为1，预定后正常入住作为0。
在一个优选方案中，历史订单数据还包括房型历史数据、酒店星级、历史入住日期、酒店距离交通枢纽距离、酒店服务评分、酒店周边同价位其他酒店的满房数据中的至少一项或组合。
在一个优选方案中，历史订单数据还包括房型历史数据；
步骤S140中，仅向用户显示酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
在一个优选方案中，历史订单数据还包括房型历史数据；
步骤S140中，根据每个酒店所有房型的预定后满房的概率的平均值获得酒店的预定后满房的概率，仅向用户显示预定后满房的概率低于预设阈值的酒店信息，仅向用户显示酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
在一个优选方案中，预定后满房的概率的预设阈值的取值范围是1％至10％。
本发明的酒店满房预测系统能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
本发明实施例还提供一种酒店满房预测设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的酒店满房预测方法的步骤。
如上所示，该实施例能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明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”。
图3是本发明的酒店满房预测设备的结构示意图。下面参照图3来描述根据本发明的这种实施方式的电子设备600。图3显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3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执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
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。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的酒店满房预测方法的步骤。在一些可能的实施方式中，本发明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本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
图4是本发明的计算机可读存储介质的结构示意图。参考图4所示，描述了根据本发明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，本发明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发明操作的程序代码，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)。
综上，本发明的目的在于提供酒店满房预测方法、系统、设备及存储介质，能够准确高效的预测出其满房概率，从而降低满房比例，有效防止顾客下单后被撤回，明显增强用户体验。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (12)
1.一种酒店满房预测方法，其特征在于，包括以下步骤：
S110、获取酒店的历史订单数据；
S120、对所述历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据所述历史订单数据作为学习样本输入预测模型，预测所述酒店的预定后满房的概率；
S130、将用户当前的检索条件获得酒店集合，将所述检索条件和所述酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个所述酒店的预定后满房的概率；以及
S140、仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
2.根据权利要求1所述的酒店满房预测方法，其特征在于，所述预测模型为XGBOOST与LR融合模型，将XGBOOST模型将历史订单数据的数值型特征转为one-hot特征，并将历史订单数据的数值型特征和one-hot特征共同输入LR模型获得预测结果。
3.根据权利要求2所述的酒店满房预测方法，其特征在于，使用xgboost.apply提取训练集和测试集的叶子节点，然后对其用OneHotEncoder函数编码，用fit_transform函数提取编码后的转换特征，最终用LR模型对其进行训练。
4.根据权利要求1所述的酒店满房预测方法，其特征在于，所述步骤S140中，自所述酒店集合中删除预定后满房的概率高于预设阈值的酒店。
5.根据权利要求1所述的酒店满房预测方法，其特征在于，预定后满房作为1，预定后正常入住作为0。
6.根据权利要求1所述的酒店满房预测方法，其特征在于，所述历史订单数据还包括房型历史数据、酒店星级、历史入住日期、酒店距离交通枢纽距离、酒店服务评分、酒店周边同价位其他酒店的满房数据中的至少一项或组合。
7.根据权利要求1所述的酒店满房预测方法，其特征在于，所述历史订单数据还包括房型历史数据；
所述步骤S140中，仅向用户显示所述酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
8.根据权利要求1所述的酒店满房预测方法，其特征在于，所述历史订单数据还包括房型历史数据；
所述步骤S140中，根据每个酒店所有房型的预定后满房的概率的平均值获得酒店的预定后满房的概率，仅向用户显示预定后满房的概率低于预设阈值的酒店信息，仅向用户显示所述酒店集合的每个酒店中预定后满房的概率低于预设阈值的房型信息。
9.根据权利要求1所述的酒店满房预测方法，其特征在于，所述预定后满房的概率的预设阈值的取值范围是1％至10％。
10.一种酒店满房预测系统，用于实现权利要求1所述的酒店满房预测方法，其特征在于，包括：
历史数据模块，获取酒店的历史订单数据；
模型训练模块，对所述历史订单数据进行数据标引，至少包括预定后满房作为正样本，预定后正常入住作为负样本，根据所述历史订单数据作为学习样本输入预测模型，预测所述酒店的预定后满房的概率；
概率预测模块，将用户当前的检索条件获得酒店集合，将所述检索条件和所述酒店集合中的每一个酒店的名称作为一数据集依次输入训练后的预测模型，获得每个所述酒店的预定后满房的概率；以及
信息展示模块，仅向用户显示预定后满房的概率低于预设阈值的酒店信息。
11.一种酒店满房预测设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
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至9任意一项所述酒店满房预测方法的步骤。
12.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至9任意一项所述酒店满房预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705045.4A CN111861801A (zh) | 2020-07-21 | 2020-07-21 | 酒店满房预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705045.4A CN111861801A (zh) | 2020-07-21 | 2020-07-21 | 酒店满房预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861801A true CN111861801A (zh) | 2020-10-30 |
Family
ID=73001893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010705045.4A Pending CN111861801A (zh) | 2020-07-21 | 2020-07-21 | 酒店满房预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861801A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114443735A (zh) * | 2022-01-27 | 2022-05-06 | 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 |
| CN114706862A (zh) * | 2022-01-27 | 2022-07-05 | 深圳市天下房仓科技有限公司 | 酒店房态预测方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679674A (zh) * | 2017-10-23 | 2018-02-09 | 携程计算机技术（上海）有限公司 | Ota平台海外酒店房型服务缺陷的预测方法及系统 |
| CN109685234A (zh) * | 2018-12-27 | 2019-04-26 | 携程计算机技术（上海）有限公司 | 用于酒店房型预订的处理方法以及系统 |
-
2020
- 2020-07-21 CN CN202010705045.4A patent/CN111861801A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679674A (zh) * | 2017-10-23 | 2018-02-09 | 携程计算机技术（上海）有限公司 | Ota平台海外酒店房型服务缺陷的预测方法及系统 |
| CN109685234A (zh) * | 2018-12-27 | 2019-04-26 | 携程计算机技术（上海）有限公司 | 用于酒店房型预订的处理方法以及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 伊豆: "XGBoost+LR融合的原理和简单实现", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/42123341》, 15 August 2018 (2018-08-15), pages 1 - 7 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114443735A (zh) * | 2022-01-27 | 2022-05-06 | 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 |
| CN114706862A (zh) * | 2022-01-27 | 2022-07-05 | 深圳市天下房仓科技有限公司 | 酒店房态预测方法、装置、设备及存储介质 |
| 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 |
| CN114706862B (zh) * | 2022-01-27 | 2022-11-15 | 深圳市天下房仓科技有限公司 | 酒店房态预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112948412B (zh) | 航班库存更新方法、系统、电子设备和存储介质 | |
| Sriram et al. | Multi-network vulnerability causal model for infrastructure co-resilience | |
| CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
| CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
| CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
| CN111191825A (zh) | 用户违约预测方法、装置及电子设备 | |
| CN111861801A (zh) | 酒店满房预测方法、系统、设备及存储介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| CN109727073B (zh) | 访问流量控制方法、系统、电子设备和存储介质 | |
| CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
| CN112508690A (zh) | 一种基于联合分布适配的风险评估方法、装置和电子设备 | |
| CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
| CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN114202309A (zh) | 用户与企业的匹配参数的确定方法、电子设备及程序产品 | |
| CN115438835A (zh) | 航班的配餐量预测方法、装置、计算机设备和存储介质 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN114742645A (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
| CN114637850A (zh) | 异常行为识别及模型训练方法、装置、设备及存储介质 | |
| Martell et al. | Modeling of lifeline infrastructure restoration using empirical quantitative data | |
| CN110895564A (zh) | 一种潜在客户数据处理方法和装置 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 |
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 |