CN115953192A - 一种基于商旅大数据的智能预测方法 - Google Patents
一种基于商旅大数据的智能预测方法 Download PDFInfo
- Publication number
- CN115953192A CN115953192A CN202310047043.4A CN202310047043A CN115953192A CN 115953192 A CN115953192 A CN 115953192A CN 202310047043 A CN202310047043 A CN 202310047043A CN 115953192 A CN115953192 A CN 115953192A
- Authority
- CN
- China
- Prior art keywords
- business
- travel
- trip
- business trip
- big data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于商旅大数据的智能预测方法,包括以下步骤:S1、对商旅大数据平台的目的地域进行图像获取;S2、依据地域进行消费划分;S3、将商旅人员的独立编号进行建立;S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理,本发明的有益效果是:通过依据地域进行消费划分,依据商旅目的地的位置对商旅所需的花费进行快速预测处理,提高了商旅预测的效率,通过对到达区域所需的出行物品进行记录学习,学习后方便后期商旅人员出行所需的物品进行快速智能预测,方便商旅必需品的携带准确性。
Description
技术领域
本发明涉及商旅技术领域,具体为一种基于商旅大数据的智能预测方法。
背景技术
商旅管理,顾名思义就是商业旅途或商业旅游管理,是指企业在专业的商旅管理服务机构或公司的帮助下对企业员工的商旅活动进行全面的规划管理,从而提升员工商旅的体验感受,节约企业整体的采购资源,在不影响企业业务发展的情况下降低商旅过程中的成本,提高出行的效率,商旅大数据用于对商旅人员出行的费用和项目进行统计,在现有的商旅时不便于对商旅人员所需花费的金额进行预测,不能根据不同区域的性质对商旅所需物品和花费费用进行预测,预测准确率低。
发明内容
本发明的目的在于提供一种基于商旅大数据的智能预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于商旅大数据的智能预测方法,包括以下步骤:
S1、对商旅大数据平台的目的地域进行图像获取;
S2、依据地域进行消费划分;
S3、将商旅人员的独立编号进行建立;
S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理;
S5、对商旅出行大数据进行偏好统计;
S6、依据商旅人员的喜好对商旅出行的花费和出行工具进行预测推荐处理;
S7、对到达区域进行商旅消费智能预测处理;
S8、对到达区域所需的出行物品进行记录学习;
S9、对各个商旅人员的出行所需物品进行一站式预测匹配;
S10、通过TMC对商旅评价进行收集;
S11、依据商旅人员的评价需求进行标记处理。
S12、对商旅结束后进行智能总结处理。
作为优选,所述S2中的依据地域进行消费划分具体包括以下步骤:
S21、将获取的商旅平台各个目的地域图像进行区域划分处理;
S22、将划分后的各个目的区域商旅消费进行统计;
S23、依据区域商旅人数对商旅人均消费进行计算处理。
作为优选,所述S3中将商旅人员的独立编号进行建立具体包括以下步骤:
S31、对商旅人员的个人基本信息进行记录;
S32、建立独立编号,将独立编号与商旅人员哥个人基本信息进行匹配处理;
S33、商旅人员通过自己所属的独立编号进行验证密钥设置。
作为优选,所述S5中的对商旅出行大数据进行偏好统计具体包括以下步骤:
S51、将到达各个划分区域的商旅出行工具进行统计,对高铁、火车、汽车、飞机、轮渡的出行工具进行统计;
S52、对商旅的出行季节进行统计,并与统计的出行工具进行配合,对出行大数据进行偏好设置。
作为优选,所述S7中的对到达区域进行商旅消费智能预测处理具体包括以下步骤:
S71、将商旅出行的目的地进行获取,并根据商旅出行的目的地进行划分区域获取;
S72、依据划分后的区域对商旅人员的消费进行消费范围预测。
作为优选,所述S8中的对到达区域所需的出行物品进行记录学习具体包括以下步骤:
S81、将商旅人员需要前往的区域进行获取;
S82、依据历史到达区域的商旅人员所需出行物品进行获取;
S83、对商旅人员出行物品订单进行获取。
作为优选,所述S9中的对各个商旅人员的出行所需物品进行一站式预测匹配具体包括以下步骤:
S91、将商旅人员的个人基本信息进行识别处理,并对个人的独立编号进行匹配;
S92、根据S8学习的出行物品,再根据商旅人员的喜好对出行所需携带物品进行智能预测处理。
作为优选,所述S10中的通过TMC对商旅评价进行收集具体包括以下步骤:
S101、通过TMC商旅管理对各个商旅人员的预测准确性进行评价;
S102、对未预测准确的要求进行提出并进行智能预测学习。
作为优选,所述S12中的对商旅结束后进行智能总结处理具体包括以下步骤:
S121、将商旅完成的人员进行花费项目统计;
S122、依据花费项目对全部费用进行结算;
S123、将支付票据进行打印。
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,并不能限制本公开。
与现有技术相比,本发明的有益效果是:通过依据地域进行消费划分,依据商旅目的地的位置对商旅所需的花费进行快速预测处理,提高了商旅预测的效率,通过对到达区域所需的出行物品进行记录学习,学习后方便后期商旅人员出行所需的物品进行快速智能预测,方便商旅必需品的携带准确性,通过加入了TMC对商旅人员商旅后的评价进行收集,通过商旅人员的评价对需求预测进行更新,对智能预测的准确性进行提升。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引申获得其他的实施附图。
图1为本发明方法步骤示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
参见图1所示,本发明实施例的一种基于商旅大数据的智能预测方法,包括以下步骤:
S1、对商旅大数据平台的目的地域进行图像获取;
S2、依据地域进行消费划分,依据消费水平进行地域划分,对商旅到达的目的地进行消费水平识别处理,通过依据地域进行消费划分,依据商旅目的地的位置对商旅所需的花费进行快速预测处理,提高了商旅预测的效率;
S3、将商旅人员的独立编号进行建立,使得一个商旅人员对应一个自己所属的独立编号;
S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理,通过独立编号对出行需求和喜好进行匹配处理,依据不同的商旅人员进行智能商旅预测处理;
S5、对商旅出行大数据进行偏好统计,对商旅需要使用的出行工具进行识别预测处理;
S6、依据商旅人员的喜好对商旅出行的花费和出行工具进行预测推荐处理;
S7、对到达区域进行商旅消费智能预测处理,将商旅后所需花费的金额根据区域进行预测处理,对消费范围进行预测,对商旅进行智能预测处理;
S8、对到达区域所需的出行物品进行记录学习,对商旅出行所需的物品进行统计学习处理;
S9、对各个商旅人员的出行所需物品进行一站式预测匹配,根据对不同区域需要携带的出行物品与商旅人员出行到达目的地进行出行物品匹配,将出行物品进行快速预测处理,对商旅的效率进行提升;
S10、通过TMC对商旅评价进行收集,通过TMC商旅管理对商旅人员的评价进行收集,并依据商旅人员提出的需求进行预测学习处理,以便下一次的准确预测,加入了TMC对商旅人员商旅后的评价进行收集,通过商旅人员的评价对需求预测进行更新,对智能预测的准确性进行提升;
S11、依据商旅人员的评价需求进行标记处理。
S12、对商旅结束后进行智能总结处理,将支付票据进行开具,将商旅的花费项目进行记录并进行统计处理,从而对后期的预测进行准确性提升。
实施例2:
其中,S2中的依据地域进行消费划分具体包括以下步骤:
S21、将获取的商旅平台各个目的地域图像进行区域划分处理;
S22、将划分后的各个目的区域商旅消费进行统计;
S23、依据区域商旅人数对商旅人均消费进行计算处理,依据消费水平进行地域划分,对商旅到达的目的地进行消费水平识别处理,通过依据地域进行消费划分,依据商旅目的地的位置对商旅所需的花费进行快速预测处理,提高了商旅预测的效率。
其中,S3中将商旅人员的独立编号进行建立具体包括以下步骤:
S31、对商旅人员的个人基本信息进行记录;
S32、建立独立编号,将独立编号与商旅人员哥个人基本信息进行匹配处理;
S33、商旅人员通过自己所属的独立编号进行验证密钥设置。
其中,S5中的对商旅出行大数据进行偏好统计具体包括以下步骤:
S51、将到达各个划分区域的商旅出行工具进行统计,对高铁、火车、汽车、飞机、轮渡的出行工具进行统计;
S52、对商旅的出行季节进行统计,并与统计的出行工具进行配合,对出行大数据进行偏好设置,对商旅需要使用的出行工具进行识别预测处理。
其中,S7中的对到达区域进行商旅消费智能预测处理具体包括以下步骤:
S71、将商旅出行的目的地进行获取,并根据商旅出行的目的地进行划分区域获取;
S72、依据划分后的区域对商旅人员的消费进行消费范围预测,将商旅后所需花费的金额根据区域进行预测处理,对消费范围进行预测,对商旅进行智能预测处理。
其中,S8中的对到达区域所需的出行物品进行记录学习具体包括以下步骤:
S81、将商旅人员需要前往的区域进行获取;
S82、依据历史到达区域的商旅人员所需出行物品进行获取;
S83、对商旅人员出行物品订单进行获取,对商旅出行所需的物品进行统计学习处理。
其中,S9中的对各个商旅人员的出行所需物品进行一站式预测匹配具体包括以下步骤:
S91、将商旅人员的个人基本信息进行识别处理,并对个人的独立编号进行匹配;
S92、根据S8学习的出行物品,再根据商旅人员的喜好对出行所需携带物品进行智能预测处理,根据对不同区域需要携带的出行物品与商旅人员出行到达目的地进行出行物品匹配,将出行物品进行快速预测处理,对商旅的效率进行提升。
其中,S10中的通过TMC对商旅评价进行收集具体包括以下步骤:
S101、通过TMC商旅管理对各个商旅人员的预测准确性进行评价;
S102、对未预测准确的要求进行提出并进行智能预测学习,通过TMC商旅管理对商旅人员的评价进行收集,并依据商旅人员提出的需求进行预测学习处理,以便下一次的准确预测,加入了TMC对商旅人员商旅后的评价进行收集,通过商旅人员的评价对需求预测进行更新,对智能预测的准确性进行提升。
其中,S12中的对商旅结束后进行智能总结处理具体包括以下步骤:
S121、将商旅完成的人员进行花费项目统计;
S122、依据花费项目对全部费用进行结算;
S123、将支付票据进行打印,将支付票据进行开具,将商旅的花费项目进行记录并进行统计处理,从而对后期的预测进行准确性提升。
实施例3:在智能预测结果准确时:
一种基于商旅大数据的智能预测方法,包括以下步骤:
S1、对商旅大数据平台的目的地域进行图像获取;
S2、将获取的商旅平台各个目的地域图像进行区域划分处理,将划分后的各个目的区域商旅消费进行统计,依据区域商旅人数对商旅人均消费进行计算处理;
S3、对商旅人员的个人基本信息进行记录,建立独立编号,将独立编号与商旅人员哥个人基本信息进行匹配处理,商旅人员通过自己所属的独立编号进行验证密钥设置;
S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理;
S5、将到达各个划分区域的商旅出行工具进行统计,对高铁、火车、汽车、飞机、轮渡的出行工具进行统计,对商旅的出行季节进行统计,并与统计的出行工具进行配合,对出行大数据进行偏好设置;
S6、依据商旅人员的喜好对商旅出行的花费和出行工具进行预测推荐处理;
S7、将商旅出行的目的地进行获取,并根据商旅出行的目的地进行划分区域获取,依据划分后的区域对商旅人员的消费进行消费范围预测;
S8、将商旅人员需要前往的区域进行获取,依据历史到达区域的商旅人员所需出行物品进行获取,对商旅人员出行物品订单进行获取;
S9、将商旅人员的个人基本信息进行识别处理,并对个人的独立编号进行匹配,根据S8学习的出行物品,再根据商旅人员的喜好对出行所需携带物品进行智能预测处理;
S10、通过TMC商旅管理对各个商旅人员的预测准确性进行评价。
S11、将商旅完成的人员进行花费项目统计,依据花费项目对全部费用进行结算,将支付票据进行打印。
实施例4:在智能预测结果存在偏差时:
一种基于商旅大数据的智能预测方法,包括以下步骤:
S1、对商旅大数据平台的目的地域进行图像获取;
S2、将获取的商旅平台各个目的地域图像进行区域划分处理,将划分后的各个目的区域商旅消费进行统计,依据区域商旅人数对商旅人均消费进行计算处理;
S3、对商旅人员的个人基本信息进行记录,建立独立编号,将独立编号与商旅人员哥个人基本信息进行匹配处理,商旅人员通过自己所属的独立编号进行验证密钥设置;
S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理;
S5、将到达各个划分区域的商旅出行工具进行统计,对高铁、火车、汽车、飞机、轮渡的出行工具进行统计,对商旅的出行季节进行统计,并与统计的出行工具进行配合,对出行大数据进行偏好设置;
S6、依据商旅人员的喜好对商旅出行的花费和出行工具进行预测推荐处理;
S7、将商旅出行的目的地进行获取,并根据商旅出行的目的地进行划分区域获取,依据划分后的区域对商旅人员的消费进行消费范围预测;
S8、将商旅人员需要前往的区域进行获取,依据历史到达区域的商旅人员所需出行物品进行获取,对商旅人员出行物品订单进行获取;
S9、将商旅人员的个人基本信息进行识别处理,并对个人的独立编号进行匹配,根据S8学习的出行物品,再根据商旅人员的喜好对出行所需携带物品进行智能预测处理;
S10、通过TMC商旅管理对各个商旅人员的预测准确性进行评价,对未预测准确的要求进行提出并进行智能预测学习,将预测未提到的要求进行记录处理;
S11、依据商旅人员的评价需求进行标记处理。
S12、将商旅完成的人员进行花费项目统计,依据花费项目对全部费用进行结算,将支付票据进行打印。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围由下面的权利要求指出。
Claims (9)
1.一种基于商旅大数据的智能预测方法,其特征在于,包括以下步骤:
S1、对商旅大数据平台的目的地域进行图像获取;
S2、依据地域进行消费划分;
S3、将商旅人员的独立编号进行建立;
S4、商旅人员设置自己的出行需求和喜好,并与自己所属的独立编号进行关联处理;
S5、对商旅出行大数据进行偏好统计;
S6、依据商旅人员的喜好对商旅出行的花费和出行工具进行预测推荐处理;
S7、对到达区域进行商旅消费智能预测处理;
S8、对到达区域所需的出行物品进行记录学习;
S9、对各个商旅人员的出行所需物品进行一站式预测匹配;
S10、通过TMC对商旅评价进行收集;
S11、依据商旅人员的评价需求进行标记处理。
S12、对商旅结束后进行智能总结处理。
2.根据权利要求1所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S2中的依据地域进行消费划分具体包括以下步骤:
S21、将获取的商旅平台各个目的地域图像进行区域划分处理;
S22、将划分后的各个目的区域商旅消费进行统计;
S23、依据区域商旅人数对商旅人均消费进行计算处理。
3.根据权利要求2所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S3中将商旅人员的独立编号进行建立具体包括以下步骤:
S31、对商旅人员的个人基本信息进行记录;
S32、建立独立编号,将独立编号与商旅人员哥个人基本信息进行匹配处理;
S33、商旅人员通过自己所属的独立编号进行验证密钥设置。
4.根据权利要求3所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S5中的对商旅出行大数据进行偏好统计具体包括以下步骤:
S51、将到达各个划分区域的商旅出行工具进行统计,对高铁、火车、汽车、飞机、轮渡的出行工具进行统计;
S52、对商旅的出行季节进行统计,并与统计的出行工具进行配合,对出行大数据进行偏好设置。
5.根据权利要求4所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S7中的对到达区域进行商旅消费智能预测处理具体包括以下步骤:
S71、将商旅出行的目的地进行获取,并根据商旅出行的目的地进行划分区域获取;
S72、依据划分后的区域对商旅人员的消费进行消费范围预测。
6.根据权利要求5所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S8中的对到达区域所需的出行物品进行记录学习具体包括以下步骤:
S81、将商旅人员需要前往的区域进行获取;
S82、依据历史到达区域的商旅人员所需出行物品进行获取;
S83、对商旅人员出行物品订单进行获取。
7.根据权利要求6所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S9中的对各个商旅人员的出行所需物品进行一站式预测匹配具体包括以下步骤:
S91、将商旅人员的个人基本信息进行识别处理,并对个人的独立编号进行匹配;
S92、根据S8学习的出行物品,再根据商旅人员的喜好对出行所需携带物品进行智能预测处理。
8.根据权利要求7所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S10中的通过TMC对商旅评价进行收集具体包括以下步骤:
S101、通过TMC商旅管理对各个商旅人员的预测准确性进行评价;
S102、对未预测准确的要求进行提出并进行智能预测学习。
9.根据权利要求8所述的一种基于商旅大数据的智能预测方法,其特征在于,所述S12中的对商旅结束后进行智能总结处理具体包括以下步骤:
S121、将商旅完成的人员进行花费项目统计;
S122、依据花费项目对全部费用进行结算;
S123、将支付票据进行打印。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310047043.4A CN115953192A (zh) | 2023-01-31 | 2023-01-31 | 一种基于商旅大数据的智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310047043.4A CN115953192A (zh) | 2023-01-31 | 2023-01-31 | 一种基于商旅大数据的智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953192A true CN115953192A (zh) | 2023-04-11 |
Family
ID=87286148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310047043.4A Pending CN115953192A (zh) | 2023-01-31 | 2023-01-31 | 一种基于商旅大数据的智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196752A (zh) * | 2023-04-23 | 2023-12-08 | 山东浪潮爱购云链信息科技有限公司 | 一种基于多平台融合的商旅推荐方法、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944586A (zh) * | 2017-12-18 | 2018-04-20 | 携程旅游网络技术(上海)有限公司 | 点到点交通出行方案推送方法、系统、设备及存储介质 |
CN110222245A (zh) * | 2019-05-17 | 2019-09-10 | 维沃移动通信有限公司 | 一种提示方法及装置 |
CN110648257A (zh) * | 2019-09-20 | 2020-01-03 | 青岛海尔科技有限公司 | 基于物联网操作系统的信息提示方法和装置、存储介质 |
CN111160912A (zh) * | 2019-11-28 | 2020-05-15 | 中国银行股份有限公司 | 一种外币兑换方法及系统 |
CN112204602A (zh) * | 2018-05-31 | 2021-01-08 | 莱雅公司 | 用于改进与出行相关联的产品的包装和递送的系统和方法 |
CN112348451A (zh) * | 2019-08-07 | 2021-02-09 | 青岛海尔洗衣机有限公司 | 一种物品管理系统及管理方法 |
WO2021065328A1 (ja) * | 2019-10-03 | 2021-04-08 | 株式会社ピーステックラボ | 旅行支援システム、旅行支援方法および旅行支援プログラム |
CN114036411A (zh) * | 2021-10-19 | 2022-02-11 | 青岛海信网络科技股份有限公司 | 一种路线规划方法、装置、设备及介质 |
AU2022201086A1 (en) * | 2012-06-14 | 2022-03-17 | Serko Limited | Resource crew management |
CN114580742A (zh) * | 2022-03-03 | 2022-06-03 | 重庆锐云科技有限公司 | 一种旅游规划信息处理方法及系统 |
-
2023
- 2023-01-31 CN CN202310047043.4A patent/CN115953192A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2022201086A1 (en) * | 2012-06-14 | 2022-03-17 | Serko Limited | Resource crew management |
CN107944586A (zh) * | 2017-12-18 | 2018-04-20 | 携程旅游网络技术(上海)有限公司 | 点到点交通出行方案推送方法、系统、设备及存储介质 |
CN112204602A (zh) * | 2018-05-31 | 2021-01-08 | 莱雅公司 | 用于改进与出行相关联的产品的包装和递送的系统和方法 |
CN110222245A (zh) * | 2019-05-17 | 2019-09-10 | 维沃移动通信有限公司 | 一种提示方法及装置 |
CN112348451A (zh) * | 2019-08-07 | 2021-02-09 | 青岛海尔洗衣机有限公司 | 一种物品管理系统及管理方法 |
CN110648257A (zh) * | 2019-09-20 | 2020-01-03 | 青岛海尔科技有限公司 | 基于物联网操作系统的信息提示方法和装置、存储介质 |
WO2021065328A1 (ja) * | 2019-10-03 | 2021-04-08 | 株式会社ピーステックラボ | 旅行支援システム、旅行支援方法および旅行支援プログラム |
CN111160912A (zh) * | 2019-11-28 | 2020-05-15 | 中国银行股份有限公司 | 一种外币兑换方法及系统 |
CN114036411A (zh) * | 2021-10-19 | 2022-02-11 | 青岛海信网络科技股份有限公司 | 一种路线规划方法、装置、设备及介质 |
CN114580742A (zh) * | 2022-03-03 | 2022-06-03 | 重庆锐云科技有限公司 | 一种旅游规划信息处理方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196752A (zh) * | 2023-04-23 | 2023-12-08 | 山东浪潮爱购云链信息科技有限公司 | 一种基于多平台融合的商旅推荐方法、设备及介质 |
CN117196752B (zh) * | 2023-04-23 | 2024-05-07 | 山东浪潮爱购云链信息科技有限公司 | 一种基于多平台融合的商旅推荐方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flyvbjerg | Measuring inaccuracy in travel demand forecasting: methodological considerations regarding ramp up and sampling | |
Trépanier et al. | Individual trip destination estimation in a transit smart card automated fare collection system | |
US10430736B2 (en) | System and method for estimating a dynamic origin-destination matrix | |
CN106651424A (zh) | 基于大数据技术的电力用户画像建立与分析方法 | |
Bajčetić et al. | Analysis of public transport users’ satisfaction using quality function deployment: Belgrade case study | |
Van Oort et al. | Short-term prediction of ridership on public transport with smart card data | |
Yazici et al. | Modeling taxi drivers’ decisions for improving airport ground access: John F. Kennedy airport case | |
Lovrić et al. | Sustainable revenue management: A smart card enabled agent-based modeling approach | |
CN115953192A (zh) | 一种基于商旅大数据的智能预测方法 | |
Blainey et al. | A GIS-based appraisal framework for new local railway stations and services | |
WO2007031975A2 (en) | Methods and systems for quantifying non-price characteristics of airfares | |
Zhao et al. | Isolating high-priority metro and feeder bus transfers using smart card data | |
Cheon et al. | Data-driven stochastic transit assignment modeling using an automatic fare collection system | |
JP2016168970A (ja) | 評価システム及び運行情報の評価方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
Moncayo-Martínez et al. | Visualization of the mobility patterns in the bike-sharing transport systems in Mexico City | |
Cheung | Implementation of Nationwide Public Transport Smart Card in the Netherlands: Cost–Benefit Analysis | |
Chèze et al. | Wider economic impacts of high-speed rail: Example of agglomeration benefits assessment on Bretagne Pays de Loire high speed rail project | |
Tian et al. | Designing and planning sustainable customized bus service for departing attendees of planned special events: A two-phase methodology integrating data-driven and demand-responsive | |
Kumarage et al. | System cost-based multi-criteria analysis for urban transport solutions | |
Balaiyan et al. | Joint forecasting for airline pricing and revenue management | |
Sartzetaki | Airport enterprises management performance evaluation towards innovation and sustainable development | |
Pamplona et al. | Economic indicators for the public transportation aggregate demand estimation in São Paulo | |
JP5929231B2 (ja) | 算出装置、プログラム及び算出方法 | |
Cho et al. | Validation of activity-based travel demand model using smart-card data in Seoul, South Korea |
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 |