CN115062725B - 酒店收益异常分析方法及系统 - Google Patents
酒店收益异常分析方法及系统 Download PDFInfo
- Publication number
- CN115062725B CN115062725B CN202210816880.4A CN202210816880A CN115062725B CN 115062725 B CN115062725 B CN 115062725B CN 202210816880 A CN202210816880 A CN 202210816880A CN 115062725 B CN115062725 B CN 115062725B
- Authority
- CN
- China
- Prior art keywords
- data
- hotel
- algorithm
- acquired
- abnormal
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000003066 decision tree Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007635 classification algorithm Methods 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 9
- 238000004140 cleaning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种酒店收益异常分析方法及系统,通过获取酒店各房间传感器或智能卡采集到的数据;采用聚类算法或分类算法对数据进行前置分析处理;获取酒店物业管理系统内的订单信息;根据决策树算法将传感器或智能卡采集到的数据和获取的订单信息进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和异常值等级;根据异常值等级采取不同的处理措施;本申请在查找异常点的同时最大限度地减少误判情况的产生。
Description
技术领域
本申请涉及酒店收益管理分析技术领域,具体涉及一种酒店收益异常分析方法及系统。
背景技术
新时代的环境下,行业与大数据、物联网及互联网等技术的融合发展已经成为必然的发展趋势,并在将来会呈现向上的态势。智慧酒店的出现为酒店的发展带来了全新的机遇与挑战。
酒店数字化主要包括智慧管理、智能场景和数字化营销。智慧管理指的是在管理方面运用物联网手段进行有效管理。酒店会将每个房间设计为物联网系统中的一个节点,在客房里设置多个传感器埋点,检测客房的状态。在人员管理上,酒店可将每个工作人员设置为物联网系统中的一个节点,通过构建的管理系统来对人员进行合理的安排和科学管理,以此提升酒店管理的效率与质量。智能场景指主要包括酒店房间灯光控制、设备语音控制、智能电梯控制、安全报警控制等。智能化场景通过交互系统能够以最快的速度读取客人的需求与实时情况,根据综合情况提供快速服务,更好地满足客人的需求。数字化营销是指通过信息化手段来帮助酒店进行全方位营销。
目前,酒店集团以轻资产运作为主,门店多以特许经营方式进行拓展,所以酒店运营涉及到三个方面的参与人员:酒店集团、投资方(业主)以及门店店长(经理人,多由酒店集团指派)。酒店目前的模式主要为产权、经营权、管理权三权分离的方式,产权属于物业,经营权属于投资方、管理权属于酒店集团。投资方是酒店门店的实际经营者,一般酒店集团会下派或雇佣职业经理人作为酒店门店的店长,履行酒店集团标准的管理输出。大多数酒店的经营情况和订单数据是由集团统一的标准PMS系统处理的。
但是由于酒店集团连锁规模较大,三权分离,投资方是酒店门店的实际经营者,一般酒店集团会下派或雇佣职业经理人作为酒店门店的店长。按照PMS系统内记录的订单情况和收益情况,酒店集团会按照一定比例提取管理费。那么在这一过程中会存在两方面的订单异常情况:1、门店店长或门店工作员工这些实际参与到酒店门店日常经营的人员,向投资方隐瞒收益,这个俗称“飞房”;2、投资方向酒店集团隐瞒收益,这个叫“收益泄漏”。
常见的订单异常有以下几种。最常见也是最好操作的一种就是入住不入账,基本发生在到店现场下单的客户身上。前台工作人员采集客户的身份信息后不录入PMS系统,多为员工利用总卡为旅客开房,总卡是无需经过制卡流程做出来的卡,以及制卡系统与PMS系统没有整合的酒店,宾客卡随便开。
第二种常见模式是延迟入住,如该客户早6点前入住,前台拖到6点后登记,房间可用到第二天中午。当第1个客人当天离店后,不注销门卡,第2个客人入住不登记,私吞其房费,即一间房间收取了两次费用,系统只记录了第一位客户的订单信息。
第三种常见订单异常为换房型飞单,利用客户更换房间赚取差价,第1个客人入住后(例如301)换房到另一个房(例如302),但301不注销,给第2个客人入住不登记,私吞其房费。
第四种常见订单异常为一房多卖,如第1个客人为钟点房,但系统中登记为过夜房,客人离店后不注销房卡,第2个过夜客人入住不登记,私吞第1个客人钟点房费。
现有的酒店管理体系中,一般通过对酒店物业管理系统(PMS)内记录的订单进行核对,往往很难发现订单异常的情况。
发明内容
为此,本申请提供一种酒店收益异常分析方法及系统,以解决现有技术存在的通过对酒店物业管理系统(PMS)内记录的订单进行核对很难发现订单异常的问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种酒店收益异常分析方法,包括:
获取酒店各房间传感器或智能卡采集到的数据;
采用聚类算法或分类算法对数据进行前置分析处理;
获取酒店物业管理系统内的订单信息;
根据决策树算法将所述传感器或智能卡采集到的数据和所述获取的订单信息进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和异常值等级;
根据所述异常值等级采取不同的处理措施。
作为优选,所述获取酒店各房间传感器或智能卡采集到的数据,具体为:
对于无智能卡系统的酒店,通过酒店各房间传感器采集持卡人的插卡时间和取卡时间;
对于有智能卡系统的酒店,通过智能卡获取智能卡持卡人的身份信息。
作为优选,所述采用聚类算法或分类算法对数据进行前置分析处理,具体为:
对于无智能卡系统的酒店,采用聚类算法对采集到的数据进行聚类处理,得到持卡人类型分类并附上标签;
对于有智能卡系统的酒店,采用分类算法对不同身份持卡人身份进行分类,生成不同身份持卡人不同行为的合理持续时长以及合理能耗情况。
作为优选,所述持卡人身份类型包括:客户卡、清洁人员卡、维修人员卡和管理人员卡。
作为优选,所述聚类算法为K-means聚类算法。
作为优选,所述分类算法为朴素贝叶斯算法。
作为优选,所述订单信息包括:订单号、房间号、开房时间、退房时间、持续时长和各用电器能耗情况。
作为优选,所述根据数据差值进行分类,具体为:根据数据差值将异常等级分为三级,Ⅰ级为最严重级别的数据异常,Ⅱ级为一般级别的数据异常,Ⅲ级为较低级别的数据异常。
第二方面,一种酒店收益异常分析系统,包括:
房间智能传感器埋点数据获取模块,用于获取酒店各房间传感器或智能卡采集到的数据,并将获取的数据传输至数据前置处理模块和订单异常点分类算法模块;
酒店物业管理系统数据获取模块,用于获取订单信息,并将获取的订单信息传输至所述数据前置处理模块和所述订单异常点分类算法模块;
所述数据前置处理模块,用于接收所述房间智能传感器埋点数据获取模块和所述酒店物业管理系统数据获取模块获取的数据并采用聚类算法或分类算法对数据进行前置分析,将处理结果传输至所述订单异常点分类算法模块;
所述订单异常点分类算法模块,用于根据决策树算法将所述房间智能传感器埋点数据获取模块和所述酒店物业管理系统数据获取模块获取的数据进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和等级。
作为优选,所述数据前置处理模块包括:
持卡人类型聚类算法模块,用于接收所述房间智能传感器埋点数据获取模块获取的插卡时间和取卡时间以及所述酒店物业管理系统数据获取模块获取的订单信息,采用K-means聚类算法将数据进行聚类分析,得到持卡人类型分类并附上标签,将聚类结果传输至所述订单异常点分类算法模块;
持卡人行为分类算法模块,用于接收所述房间智能传感器埋点数据获取模块获取的智能卡持卡人的身份信息和所述酒店物业管理系统数据获取模块获取的订单信息,采用朴素贝叶斯算法对不同身份持卡人身份进行分类,生成不同身份持卡人不同行为的合理持续时长以及合理能耗情况,将分类结果传输至所述异常点分类算法模块。
相比现有技术,本申请至少具有以下有益效果:
本申请提供了一种酒店收益异常分析方法及系统,通过获取酒店各房间传感器或智能卡采集到的数据;采用聚类算法或分类算法对数据进行前置分析处理;获取酒店物业管理系统内的订单信息;根据决策树算法将传感器或智能卡采集到的数据和获取的订单信息进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和异常值等级;根据异常值等级采取不同的处理措施。本申请在查找异常点的同时最大限度地减少误判情况的产生。
附图说明
为了更直观地说明现有技术以及本申请,下面给出几个示例性的附图。应当理解,附图中所示的具体形状、构造,通常不应视为实现本申请时的限定条件;例如,本领域技术人员基于本申请揭示的技术构思和示例性的附图,有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请提供的一种酒店收益异常分析方法流程图;
图2为本申请提供的用户模式选择流程图;
图3为本申请提供的一种酒店收益异常分析系统结构示意图。
具体实施方式
以下结合附图,通过具体实施例对本申请作进一步详述。
在本申请的描述中:除非另有说明,“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象,而不具有技术内涵方面的特别意义(例如,不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式,同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,通常是为了便于对照附图直观理解,而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下,这些相对位置关系的改变,当亦视为本申请表述的范畴。
从表1中可以看出,常见的订单异常基本上可以通过PMS系统中记录的订单情况和智能卡\能耗传感器记录的数据情况存在差距而进行判别。
表1:不同订单异常对应的数据异常情况
为应对订单异常情况,发现数据异常点,本发明拟采用K-means聚类算法结合朴素贝叶斯算法对持卡人身份类型和行为类型进行分类,并利用决策树算法对异常点进行分类,不同等级的异常点对应不同的处理措施,在发现订单异常情况的同时尽可能地减少误判。
实施例一:
请参阅图1,本实施例提供一种酒店收益异常分析方法,包括:
S1:获取酒店各房间传感器或智能卡采集到的数据;
具体的,对于无智能卡系统的酒店,通过酒店各房间传感器采集持卡人的插卡时间和取卡时间;
对于有智能卡系统的酒店,通过智能卡获取智能卡持卡人的身份信息。
S2:采用聚类算法或分类算法对数据进行前置分析处理;
具体的,对于无智能卡系统的酒店获取持卡人插卡时间和取卡时间,对传入的数据进行聚类处理,得到持卡人类型分类并附上标签,作为后续异常点分类的身份信息依据,为后续异常点分析提供数据基础。
更具体的,对传入的数据进行聚类处理时采用K-means聚类算法,根据采集到的持卡人插卡时间和取卡时间的数据进行聚类分析,最终输出相似活动行为的持卡人并为其附上身份标签。K-means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的,相近的就会放到同一个类别中去。因此,只存在较为初级传感器埋点的酒店可以通过接口输入插卡时间和取卡时间,系统会经过分析自动为相近行为类型的持卡人附上身份信息,为后续订单异常点分类提供数据支持。
具体的,对于设置了智能卡系统的酒店,采用朴素贝叶斯算法进行数据前置处理,不同身份的人对房间进行插卡取电,传感器埋点会传回其身份信息。大体分为:客户卡、清洁人员卡、维修人员卡、管理人员卡。不同身份的人在房间的停留时间存在一个合理范围的临界值,如果超过这一阈值则可能出现了异常情况,应该及时向管理人员(店长或投资方)反映,对此情况进行排查。酒店同时在各个客房设置了能耗传感器:各个房间设置了对能耗进行检测的传感器埋点,实时传回该房间能耗情况(灯开关情况、空调开关情况和温度、电视等电器开关情况、用电情况)。本发明旨在对不同身份持卡人行为进行分类,得到不同身份持卡人合理的数据范围。
更具体的,朴素贝叶斯算法对不同身份的持卡人,执行的不同操作进行分类,分类依据是智能卡传感器埋点获取的在房间内持续时间和持续时间内的能耗情况。朴素贝叶斯是一种概率分类器,是一种直接衡量标签和特征之间的概率关系的有监督学习算法。朴素贝叶斯算法的原理是根据特征的先验概率用贝叶斯模型计算出后验概率,然后选择具有最大后验概率的类作为该特征所属的类。
朴素贝叶斯算法流程为:假设有m个类,分别用C1、…Cm表示,x1、…、xn是类的属性变量。给定一个未知类的数据样本S,分类法将预测S具有的最高后验概率的类,即满足PCi|S)>P(Cj|S),1≤j≤m,j≠i的类Ci。根据贝叶斯定理,在样本S的情况下Ci类的概率P(Ci|S)为:
算法需要通过对过往数据分析,分类处理不同身份的人在酒店房间中执行不同操作时的持续时长和用电情况,为后续异常点分类做准备。例如,对清扫人员而言,客户退房时的清扫持续时长和客户未退房时的常规清扫持续时长肯定是存在一定差异的,具体分类情况如表2所示:
表2:持卡人不同行为特征
最后,通过在算法中输入不同情况的持续时长和用电量,利用朴素贝叶斯算法对数据进行分类,输出结果为不同身份的智能卡,在不同的情况下持续时长和用电量的合理范围。为后续异常点分类提供数据基础。
S3:获取酒店物业管理系统内的订单信息;
具体的,酒店订单信息包括订单号、房间号、开房时间、退房时间、持续时长和各用电器能耗情况。
S4:根据决策树算法将所述传感器或智能卡采集到的数据和所述获取的订单信息进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和异常值等级;
具体的,利用决策树算法对订单异常点进行分类,通过智能酒店服务系和常见订单异常,可以看出各种类型的订单异常产生的后果均为酒店物业管理系统(PMS)中输入的数据和酒店房间内智能卡\传感器收集到的数据不一致。因此,可以将两组数据集合在一起,并计算分析其差值,差值较大的异常点作为异常值点。根据发生异常值点的情况不同、差值的大小不同将各异常值点分类。对于不同类型的异常值点,管理者可以采取不同等级的处理措施。如大等级的异常值点(极度异常情况)基本可以判定为发生了订单异常,管理者立即介入处理;小等级的异常点(轻微异常情况),可由基层人员进行人工核实,判断是否存在订单异常。
决策树是一种包含根节点、内部节点、叶节点3种节点的树型结构。当分类算法为决策树时,它由树的内部节点逐一标注所构成,叶节点表示对应的类别标签,与叶节点相连的分支上标注着其对应的权重,树的叶子节点表示分类目标,当从根开始遍历查询最终到达某一个叶子节点,这样就完成了一次分类,树的高度就是时间复杂度,它是一个自顶向下、分而治之的总过程。决策树的准确率会因重复的属性而受一定影响,因而用决策树进行分类是要对数据进行特征选择。决策树在开始阶段会浪费时间,但只要模型建立起来,运用阶段非常快。决策树算法是一种无监督分类方法,决策树的生成主要分为节点分裂和阈值确定,节点分裂指当一个节点所代表的属性无法判断时,则选择将一节点分为多个子节点,而选择适当的阈值可以使分类错误率最小。决策树以树的层次规则为特征,叶子节点为分类目标,通过遍历根节点到叶子节点完成一次分类操作。决策树分类算法与其他决策支持工具相比较起来易于理解和解释。
决策树算法的本质是一种图结构,只需要问一系列问题就可以对数据进行分类了。本发明设置的目标是将异常数据分类,在系统采集到待分析数据后,系统将进行异常点分类。
S5:根据所述异常值等级采取不同的处理措施。
具体的,本发明拟对不同等级的数据差异进行分级处理,拟分为三级,Ⅰ级为最严重级别的数据异常,出现Ⅰ级异常系统会立即通知管理者,管理者直接处理;Ⅱ级为一般级别的数据异常,有时工作操作失误、数据记录失误或突发事件等情况也会产生数据异常点,Ⅱ级异常会被汇总到异常情况表中,管理者周期性的对这些异常进行检查处理;Ⅲ级为较低级别的数据异常,即数据差异较为轻微,系统会通知在店的基层管理人员对人工核实情况。表3为异常点的分级情况,具体数据差值范围根据具体情况训练模型后即可确定。
表3:异常点分级表
请参阅图2,由于各酒店的基础设施建设不同,传感器埋点能采集到的数据种类也不尽相同,因此异常点分析模式拟设计三种模式供酒店方选择,其需要传入的数据和可判断的飞单情况如表4所示:
表4:不同模式下输入的数据类型及可判断的飞单类型
本发明通过对智能酒店的收益泄露情况进行分析处理,以智能卡-传感器系统采集到的数据与酒店物业管理系统(PMS)内记录的数据为基准,利用决策树算法进行分析,寻找异常点。在现有的记录体系下,时常会存在记录误差或操作不当,也会导致微小误差的产生。为了减少误判,本发明设置了异常值分级,对于不同程度的异常现象采取不同的处理手段,在查找异常点的同时最大限度地减少误判情况的产生,有较好的现实意义。
实施例二:
请参阅图3,本实施例提供一种酒店收益异常分析系统,包括房间智能传感器埋点数据获取模块、酒店物业管理系统数据获取模块、数据前置处理模块和订单异常点分类算法模块。
房间智能传感器埋点数据获取模块,用于获取酒店各房间插卡时间、取卡时间和持续时间内的能耗,并将获取的数据传输至数据前置处理模块和订单异常点分类算法模块。
酒店物业管理系统数据获取模块,用于获取订单信息,并将获取的订单信息传输至数据前置处理模块和订单异常点分类算法模块。
数据前置处理模块,用于接收房间智能传感器埋点数据获取模块和酒店物业管理系统数据获取模块获取的数据并采用K-means聚类算法结合朴素贝叶斯算法对持卡人身份类型和行为类型进行分类,将分类结果传输至订单异常点分类算法模块。
具体的,数据前置处理模块包括持卡人类型聚类算法模块和持卡人行为分类算法模块。
Ⅰ:持卡人类型聚类算法模块,用于接收房间智能传感器埋点数据获取模块获取的插卡时间和取卡时间以及酒店物业管理系统数据获取模块获取的订单信息,采用K-means聚类算法将数据进行聚类分析,得到持卡人类型分类并附上标签,将聚类结果传输至所述订单异常点分类算法模块。
Ⅱ:持卡人行为分类算法模块,用于接收房间智能传感器埋点数据获取模块获取的房间内持续时间和持续时间内的能耗情况以及酒店物业管理系统数据获取模块获取的订单信息,采用朴素贝叶斯算法对不同身份持卡人身份进行分类,生成不同身份持卡人不同行为的合理持续时长以及合理能耗情况,将分类结果传输至异常点分类算法模块。
订单异常点分类算法模块,用于根据决策树算法将房间智能传感器埋点数据获取模块和酒店物业管理系统数据获取模块获取的数据进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和等级。
关于酒店收益异常分析系统的具体限定可以参见上文中对于酒店收益异常分析方法的限定,在此不再赘述。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解,基于本申请的技术构思,还可以对这些具体实施例作出若干常规的调整或进一步的创新;但只要未脱离本申请的技术构思,这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。
Claims (5)
1.一种酒店收益异常分析方法,其特征在于,包括:
获取酒店各房间传感器或智能卡采集到的数据;
采用聚类算法或分类算法对数据进行前置分析处理;所述聚类算法为K-means聚类算法;所述分类算法为朴素贝叶斯算法;
获取酒店物业管理系统内的订单信息;
根据决策树算法将所述传感器或智能卡采集到的数据和所述获取的订单信息进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和异常值等级;
根据所述异常值等级采取不同的处理措施;
所述获取酒店各房间传感器或智能卡采集到的数据,具体为:
对于无智能卡系统的酒店,通过酒店各房间传感器采集持卡人的插卡时间和取卡时间;
对于有智能卡系统的酒店,通过智能卡获取智能卡持卡人的身份信息;
所述采用聚类算法或分类算法对数据进行前置分析处理,具体为:
对于无智能卡系统的酒店,采用聚类算法对采集到的数据进行聚类处理,得到持卡人类型分类并附上标签;
对于有智能卡系统的酒店,采用分类算法对不同身份持卡人身份进行分类,生成不同身份持卡人不同行为的合理持续时长以及合理能耗情况。
2.根据权利要求1所述酒店收益异常分析方法,其特征在于,所述持卡人身份类型包括:客户卡、清洁人员卡、维修人员卡和管理人员卡。
3.根据权利要求1所述酒店收益异常分析方法,其特征在于,所述订单信息包括:订单号、房间号、开房时间、退房时间、持续时长和各用电器能耗情况。
4.根据权利要求1所述酒店收益异常分析方法,其特征在于,所述根据数据差值进行分类,具体为:根据数据差值将异常等级分为三级,Ⅰ级为最严重级别的数据异常,Ⅱ级为一般级别的数据异常,Ⅲ级为较低级别的数据异常。
5.一种酒店收益异常分析系统,其特征在于,包括:
房间智能传感器埋点数据获取模块,用于获取酒店各房间传感器或智能卡采集到的数据,并将获取的数据传输至数据前置处理模块和订单异常点分类算法模块;
酒店物业管理系统数据获取模块,用于获取订单信息,并将获取的订单信息传输至所述数据前置处理模块和所述订单异常点分类算法模块;
所述数据前置处理模块,用于接收所述房间智能传感器埋点数据获取模块和所述酒店物业管理系统数据获取模块获取的数据并采用聚类算法或分类算法对数据进行前置分析,将处理结果传输至所述订单异常点分类算法模块;
所述订单异常点分类算法模块,用于根据决策树算法将所述房间智能传感器埋点数据获取模块和所述酒店物业管理系统数据获取模块获取的数据进行比对,得出数据差值,根据数据差值进行分类,并输出订单异常类型和等级;
所述数据前置处理模块包括:
持卡人类型聚类算法模块,用于接收所述房间智能传感器埋点数据获取模块获取的插卡时间和取卡时间以及所述酒店物业管理系统数据获取模块获取的订单信息,采用K-means聚类算法将数据进行聚类分析,得到持卡人类型分类并附上标签,将聚类结果传输至所述订单异常点分类算法模块;
持卡人行为分类算法模块,用于接收所述房间智能传感器埋点数据获取模块获取的智能卡持卡人的身份信息和所述酒店物业管理系统数据获取模块获取的订单信息,采用朴素贝叶斯算法对不同身份持卡人身份进行分类,生成不同身份持卡人不同行为的合理持续时长以及合理能耗情况,将分类结果传输至所述异常点分类算法模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210816880.4A CN115062725B (zh) | 2022-07-12 | 2022-07-12 | 酒店收益异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210816880.4A CN115062725B (zh) | 2022-07-12 | 2022-07-12 | 酒店收益异常分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115062725A CN115062725A (zh) | 2022-09-16 |
CN115062725B true CN115062725B (zh) | 2023-08-08 |
Family
ID=83205631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210816880.4A Active CN115062725B (zh) | 2022-07-12 | 2022-07-12 | 酒店收益异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985000A (zh) * | 2023-03-17 | 2023-04-18 | 威海海洋职业学院 | 一种基于门禁端的酒店财务数据验证方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012703A (zh) * | 2009-09-07 | 2011-04-13 | 成都光码智能科技有限公司 | 一种酒店房态监控系统及方法 |
WO2019140703A1 (zh) * | 2018-01-22 | 2019-07-25 | 华为技术有限公司 | 一种用户画像的生成方法及装置 |
CN113627631A (zh) * | 2021-07-19 | 2021-11-09 | 上海泛宥信息科技有限公司 | 酒店智能管理方法、系统、终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350006A1 (en) * | 2017-06-02 | 2018-12-06 | Visa International Service Association | System, Method, and Apparatus for Self-Adaptive Scoring to Detect Misuse or Abuse of Commercial Cards |
-
2022
- 2022-07-12 CN CN202210816880.4A patent/CN115062725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012703A (zh) * | 2009-09-07 | 2011-04-13 | 成都光码智能科技有限公司 | 一种酒店房态监控系统及方法 |
WO2019140703A1 (zh) * | 2018-01-22 | 2019-07-25 | 华为技术有限公司 | 一种用户画像的生成方法及装置 |
CN113627631A (zh) * | 2021-07-19 | 2021-11-09 | 上海泛宥信息科技有限公司 | 酒店智能管理方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115062725A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gama et al. | A survey on concept drift adaptation | |
Himeur et al. | A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks | |
Sun et al. | Data-driven power outage detection by social sensors | |
Khan et al. | Fault detection analysis of building energy consumption using data mining techniques | |
CN105653444A (zh) | 基于互联网日志数据的软件缺陷故障识别方法和系统 | |
CN110108914A (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
CN102804208A (zh) | 为视觉搜索应用自动挖掘名人的个人模型 | |
Giatsoglou et al. | Nd-sync: Detecting synchronized fraud activities | |
CN102222283A (zh) | 人脸识别的数据管理系统 | |
CN106649527B (zh) | 基于Spark Streaming的广告点击异常检测系统及检测方法 | |
CN108268886B (zh) | 用于识别外挂操作的方法及系统 | |
CN108664538A (zh) | 一种输变电设备疑似家族性缺陷的自动辨识方法及系统 | |
CN110457193A (zh) | 基于电力信息系统运维数据的健康画像展示方法及其系统 | |
CN114625901B (zh) | 一种多算法整合方法及装置 | |
CN115062725B (zh) | 酒店收益异常分析方法及系统 | |
Yahaya et al. | Detecting anomaly and its sources in activities of daily living | |
CN117828539B (zh) | 数据智能融合分析系统及方法 | |
CN115130847A (zh) | 一种设备画像建模方法及系统 | |
Amayri et al. | Towards interactive learning for occupancy estimation | |
Castanedo et al. | Learning routines over long‐term sensor data using topic models | |
TW201640383A (zh) | 網路事件自動蒐集分析方法及系統 | |
CN202230509U (zh) | 人脸识别的数据管理系统 | |
Krishnaraj et al. | Total failure mode and effect analysis: a powerful technique for overcoming failures | |
Stamatescu et al. | Privacy‐Preserving Sensing and Two‐Stage Building Occupancy Prediction Using Random Forest Learning | |
Rahimi et al. | Service quality monitoring in confined spaces through mining Twitter data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |