CN117236659B

CN117236659B - 一种基于线上旅游平台的团计划管理方法及系统

Info

Publication number: CN117236659B
Application number: CN202311507341.3A
Authority: CN
Inventors: 许宁; 马智文; 刘丰
Original assignee: Guizhou Youteyun Technology Co ltd
Current assignee: Guizhou Youteyun Technology Co ltd
Priority date: 2023-11-14
Filing date: 2023-11-14
Publication date: 2024-02-02
Anticipated expiration: 2043-11-14
Also published as: CN117236659A

Abstract

本发明提供了一种基于线上旅游平台的团计划管理方法及系统，包括：线上旅游平台接收用户提交的团计划单，所述团计划单关联多个旅游商品；将所述团计划单分发给不同的供应商，以使所述不同的供应商匹配与所述团计划单对应的接团人、导游和大巴司机；基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，并反馈给用户；接收用户反馈的第一旅游行程计划，基于所述第一旅游行程计划，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进。

Description

一种基于线上旅游平台的团计划管理方法及系统

技术领域

本发明涉及信息技术领域，具体涉及基于线上旅游平台的团计划管理方法及系统。

背景技术

如今越来越多的游客选择线上的旅游平台进行旅游体验，由旅游平台帮游客选择旅游路线，并进行旅游规划。

然而，在线上旅游平台中，往往都是先预定，后随机派遣导游，由该导游进行行程规划，在旅游过程中，导游并不知道前期的预定情况，司机也并不预先知道接团的导游，接团人、导游、司机、行程和订单信息都是孤立的，缺乏集成，导致用户难以得到完整的服务体验。

发明内容

本申请提供了一种基于线上旅游平台的团计划管理方法及系统，为解决导游、司机、行程和订单信息孤岛的技术缺陷，采用了多个计划单关联机制、导游定位验证、接团人任务下发、行程计划新建、能力评估及服务质量跟进和语义分析技术与AI技术的融合，为用户提供了一个全面、精确且高效的旅游服务平台。

鉴于上述问题，本申请提供了一种基于线上旅游平台的团计划管理方法及系统。

本申请实施例提供基于线上旅游平台的团计划管理方法，包括：

线上旅游平台获取用户提交的通用订单需求文本；

通过融合语义分析技术和深度学习模型，将所述用户提交的通用订单需求文本转换为标准化的团计划单，所述团计划单关联多个旅游商品；

将所述团计划单分发给不同的供应商，以使所述不同的供应商匹配与所述团计划单对应的接团人、导游和大巴司机；

基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，并反馈给用户；

接收用户反馈的第一旅游行程计划，基于所述第一旅游行程计划，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进。

可选地，将所述团计划单分发给不同的供应商，包括：

利用负载均衡算法，并结合供应商库存和历史表现将所述团计划单分发给不同的供应商，包括：

收集所有供应商的当前库存数据；

根据所述所有供应商的当前库存数据，为每一个供应商打分；

根据所述所有供应商的历史表现，为每一个供应商打分；

根据团计划单设定业务需求，并基于所述业务需求设置库存和历史表现的权重；

基于每一个供应商的库存得分、历史表现得分和对应的权重，计算每一个供应商的综合得分，并进行排序；

将所述团计划单中关联的多个旅游商品分别分发给对应旅游商品类型的且得分最高的一个或多个供应商，其中，所述供应商提供的旅游商品类型与所述团计划单中关联的其中一个旅游商品类型相同。

可选地，在对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进之前，所述方法还包括：

定义所述第一旅游行程计划对应的接团人、导游和大巴司机为参与者；

为所述参与者创建虚拟网络；

为不同的参与者赋予不同的权限和虚拟IP地址；

在所述虚拟网络中，将所述团计划单的信息进行集中存储；

在所述虚拟网络中，通过即时通信功能实现不同参与者的实时交流；

若所述第一旅游行程计划进行了修改，则利用虚拟组网的广播机制将修改后的第一旅游行程计划同步到所有参与者中。

可选地，基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，包括：

基于匹配结果，分别基于所述团计划单中的多个旅游商品制定多个旅游行程子计划，其中，一个或多个旅游行程子计划对应一个旅游商品以及所述旅游商品对应的接团人、导游或大巴司机；

将不同的旅游行程子计划进行组合，生成旅游行程计划列表；

基于价格或服务品质对旅游行程计划表中的旅游行程计划进行排序，并将排前N名的旅游行程计划作为拟推荐的旅游行程计划，其中N为自定义正整数。

基于匹配结果，获取不同的供应商提供的接团人、导游和大巴司机；

将不同的供应商提供的接团人、导游和大巴司机按照旅游商品类型进行分类，其中，所述旅游商品类型包括目的地类型、价格类型或服务类型；

获取不同旅游商品类型对应的接团人制定的多个旅游行程计划，其中，任一旅游行程计划关联至少一个接团人、导游和大巴司机。

可选地，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进，包括：

设立与所述旅游行程计划关联景点的地理围栏；

当所述第一旅游行程计划对应的导游处于所述关联景点的地理围栏范围内时，自动进行打卡；

获取所述导游上传的消费凭证；

获取所述大巴司机的实时位置；

获取用户对所述第一旅游行程计划对应的接团人、导游和大巴司机的服务评价；

基于打卡频率、打卡准时性和所述服务评价，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行综合服务质量评测。

可选地，通过融合语义分析技术和深度学习模型，将所述用户提交的通用订单需求文本转换为标准化的团计划单，包括：

收集用户历史通用订单需求作为样本，为每个样本标注对应的标准化服务需求；

建立transformer模型；

使用标注后的所述样本对所述transformer模型进行训练；

将所述用户提交的通用订单需求文本进行分词和词干化处理，并将所述通用订单需求文本转换为词向量；

将所述词向量输入至训练后的所述transformer模型，以使所述transformer模型对所述通用订单需求文本进行语义解析；

提取语义解析后的关键信息，并转换为标准化的服务需求；

基于所述标准化的服务需求，生成团计划单。

可选地，使用标注后的所述样本对所述transformer模型进行训练，包括：

将所述样本划分为训练集、验证集和测试集；

为所述样本创建字典，并将所述样本转换为证书序列；

设置数据生成器；

设置所述transformer模型的超参数，所述超参数包括嵌入层大小、多头注意力中的头数、隐藏层大小和前馈神经网络的层数；

设置学习率、学习率策略和优化器；

设置损失函数为交叉熵损失函数；

将所述训练集输入至所述transformer模型进行训练；

在所述训练集上对每个epoch进行迭代，并在每个batch上进行前向传播计算预测值；

利用损失函数计算损失，并执行反向传播；

使用所述优化器更新权重；

使用验证集评估模型性能。

本申请实施例还提供一种基于线上旅游平台的团计划管理系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上述线上旅游平台的团计划管理方法。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的技术方案，线上旅游平台接收用户的团计划单，并将该团计划单分发给不同的供应商处理，在制定了旅游路线后实时跟进不同导游、大巴司机和接团人的服务，并进行质量评估，确保不同身份的旅游服务着能够信息共享，打通信息孤岛，提升用户的旅游体验。

附图说明

图1为本申请提供的基于线上旅游平台的团计划管理方法流程示意图；

图2为本申请提供的通过融合语义分析技术和AI技术，将用户的通用订单需求语言转化为标准化的服务需求的流程图；

图3为一个实施例中本申请提供的S103的细化流程图；

图4为另一个实施例中本申请提供的S103的细化流程图；

图5为本申请提供的基于线上旅游平台的团计划管理系统结构示意图。

具体实施方式

本申请实施例提供的基于线上旅游平台的团计划管理方法，主要应用在农商文旅集中交易平台。该农商文旅集中交易平台是集成了采购商、供应商、平台运营和金融角色于一体的电商平台，该平台主要应用在旅游行业，对旅游行业而言，需要考虑有哪些供应商（导游、大巴、旅行社）、有哪些采购商（批量渠道商），以及运营人员管理商品、管理商户，并进行金融风控。该平台有4种角色，分别是采购商、供应商、金融角色和平台运营，其中，采购商具备如下几大功能：商户入住、团计划、计划单、订单管理等，通过PC端或小程序端接入该平台，供应商则具备如下几大功能：商户入驻、商品管理、订单管理等，金融角色则需要对供应商、采购商的订单、付款、入驻资格等进行金融审核，包括电子合同、财务管理、发票管理等，运营平台则需要对采购商进行管理、对商品进行验证、对供应商进行管理等等。此外，该平台还可以与第三方业务集成，例如获取企业工商信息、后端客服服务系统等。

实施例一

如图1所示，本申请提供了基于线上旅游平台的团计划管理方法，应用在上述农商文旅集中交易平台商，即线上旅游平台，所述方法包括：

S101.线上旅游平台接收用户提交的团计划单，所述团计划单关联多个旅游商品；

在本发明实施例中，计划单是指用户出游的订单，其包含了用户出游的各类需求，包括住宿、交通、景点、消费范围等等。团计划单则是针对多人用户（多人组成一个团）的计划单，由于涉及到多个人，每个人的需求、住宿、景点和消费都不同，因此，团计划单又可以拆分为多个独立的计划单（多个独立的计划单又彼此关联成一个团），每个计划单针对一组家庭或个人，或者团计划单也可以作为一个整体（例如某一个企业或单位）的单个计划单。

其中，团计划单关联了多个旅游商品，例如前述的住宿商品（酒店）、交通商品（大巴车票、飞机票）、景点门票、导游费用等。团计划单使用一个唯一的标识符，例如UUID，确保数据完整性。用户界面提供一个清晰的选择框，列出可选商品，用户可以通过点击或拖拽的方式将商品添加到团计划单中。

S102.将所述团计划单分发给不同的供应商，以使所述不同的供应商匹配与所述团计划单对应的接团人、导游和大巴司机；

其中，S102将所述团计划单分发给不同的供应商，可以利用负载均衡算法，并结合供应商库存和历史表现将所述团计划单分发给不同的供应商，具体包括如下步骤：

A1.收集所有供应商的当前库存数据；

收集所有供应商的当前库存数据。

获取每个供应商过去一段时间内（例如过去六个月）的表现数据，这可以包括订单处理时间、客户反馈、退货率等。

A2.根据所述所有供应商的当前库存数据，为每一个供应商打分；

根据供应商的库存状态为其打分。例如，库存充足的供应商可以获得较高的分数。

A3.根据所述所有供应商的历史表现，为每一个供应商打分；

根据供应商的历史表现为其打分。例如，客户反馈良好、处理订单迅速的供应商可以获得更高的分数。

A4.根据团计划单设定业务需求，并基于所述业务需求设置库存和历史表现的权重；

团计划单包含了不同的旅游需求，因此，线上旅游平台可以根据不同的旅游需求设立不同的业务需求或业务目标，并根据业务需求设置库存和历史表现的权重。例如，如果当前业务更重视供应商的即时性，那么库存的权重可以设得更高。

A5.基于每一个供应商的库存得分、历史表现得分和对应的权重，计算每一个供应商的综合得分，并进行排序；

使用以下公式为每个供应商计算综合得分：

综合得分=(库存得分×库存权重)+(历史表现得分×历史表现权重)

根据计算出的综合得分对供应商进行排序。

A6.将所述团计划单中关联的多个旅游商品分别分发给对应旅游商品类型的且得分最高的一个或多个供应商，其中，所述供应商提供的旅游商品类型与所述团计划单中关联的其中一个旅游商品类型相同。

团计划单生成后，优先分配给得分最高的一个供应商，如果该供应商不能满足团计划单的某些要求，例如该供应商缺乏预定机票服务，那么还需要加上其他供应商才能满足团计划单的全部要求，此时就需要将团计划单的多个旅游商品分别发给该供应商和其他供应商。

此外，如果有多个供应商并列得分最高，则需要将该团计划单发送给其中一个或所有得分最高的供应商都需要发送。

此外，如果得分最高的多个供应商类型比较单一，例如供应商A,B,C得分最高，其分别对应旅游商品D,E,F，那么需要将团计划单的多个旅游商品D,E,F发送给对应的供应商A,B,C。如果得分最高的供应商不能满足订单需求，那么转向下一个得分第二高的供应商。

最后，根据供应商处理订单后的实际表现（例如处理速度、客户反馈等）对其进行评价，并更新其历史表现数据。

定期重新评估并更新供应商的得分，确保系统的准确性和效率。

这种负载均衡算法的应用不仅确保了订单能够被迅速和准确地处理，而且还激励供应商提高自己的服务质量，从而提高整个系统的效率和客户满意度。

可选地，在本发明实施例中，线上旅游平台还可以通过融合语义分析技术和AI技术，将用户的通用订单需求语言转化为标准化的服务需求，并基于这些需求发布团计划单，如图2所示：

S1.获取用户提交的通用订单需求文本；

S2.通过融合语义分析技术和深度学习模型，将所述用户提交的通用订单需求文本转换为标准化的团计划单。

S2中，基于Transformer架构，本发明实施例可以将自然语言处理(NLP)中的语义分析技术与AI技术相结合，来理解和转换用户的通用订单需求语言。以下是一个简化的将用户的通用订单需求语言转化为标准化服务需求的步骤：

S21.收集用户历史通用订单需求作为样本，为每个样本标注对应的标准化服务需求；

收集大量的用户通用订单需求语句作为样本。

为每个样本手动标注对应的标准化服务需求。

文本数据预处理是自然语言处理和机器学习的关键步骤。以下是对文本进行分词、词干化以及将文本转化为词向量或其他可用输入形式的方法：

1. 分词和词干化处理：

S211：分词

分词是将文本断开成一个个单独的词语或标记的过程。

对于英文，常见的分词方法是使用空格和标点符号。

对于像中文这样的无空格语言，可以使用专门的分词工具，如jieba（对于中文）。

S212：词干化

词干化的目的是将词汇还原为其基本形式或词干。例如，“running”->“run”。

使用工具如NLTK（Natural Language Toolkit）中的PorterStemmer或SnowballStemmer进行词干化处理。

2. 将文本转化为词向量或其他可用的输入形式：

S213：词袋模型 (Bag of Words)

这是将文本转化为数字形式的最简单方法。每个文档表示为一个长向量，其中每个位置对应于数据集中的一个词。向量的长度等于整个数据集中的唯一词的数量。

S214：TF-IDF (Term Frequency-Inverse Document Frequency)

TF-IDF是一种统计方法，用于评估一个词对文档集中一个文档的重要性。它考虑了词的频率以及其在文档集中的罕见程度。

S215：词向量

使用预训练的词嵌入模型，如Word2Vec、GloVe或FastText，将文本中的每个词转化为一个固定大小的向量。

这些向量捕获了词的语义信息和与其他词的关系。

S216：句子向量

如果需要表示整个句子或文档，可以：

对文档中的所有词向量进行平均。

使用Doc2Vec、BERT、Transformer等模型获取句子的嵌入。

S217：One-Hot Encoding

每个词都被表示为一个向量，该向量的长度与词汇表的大小相同。该词对应的位置为1，其他位置为0。

通过这些预处理步骤，原始的文本数据将被转化为机器学习模型或深度学习模型可以接受的数字格式，为后续的分析和任务建立基础。

S22.建立transformer模型；

Transformer（中文译文为转换）是一种非常流行的深度学习模型，广泛应用于自然语言处理领域，例如机器翻译、文本分类、问答系统等。Transformer模型是由Google在2017年提出的，其优点在于可以在处理长文本时保持较好的性能，并且可以并行计算，提高训练速度。

在自然语言处理任务中，往往需要对句子进行编码表示，以便后续任务使用。传统的序列模型，例如RNN和LSTM，能够在某种程度上解决这个问题，但是由于序列模型的特殊结构，使得其难以并行计算，并且在处理长文本时，性能下降明显。因此，Google提出了一种全新的模型——Transformer。

Transformer模型是基于Self-Attention机制构建的。Self-Attention机制是一种能够计算序列中不同位置之间关系的方法。在Transformer中，每个输入经过Embedding层后，被分为多个子序列，每个子序列经过多层Self-Attention和全连接层，最终通过一个线性变换得到输出。

具体而言，Transformer模型包含两个部分：编码器和解码器。编码器主要负责将输入序列转化为一个定长的向量表示，解码器则将这个向量解码为输出序列。

在编码器中，每一层包括两个子层：Multi-Head Attention和全连接层。Multi-Head Attention层将输入序列中的每个位置都作为查询(Q)、键(K)和值(V)，计算出每个位置和所有位置之间的注意力分布，得到一个加权和表示该位置的上下文信息。全连接层则对该上下文信息进行前向传播，得到该层的输出。

Transformer模型的训练过程通常使用最大似然估计（MLE）来完成。即对于给定的输入序列，模型预测输出序列的概率，并最大化其概率值。同时，为了避免过拟合，通常还会加入正则化项，例如L2正则化等。

在本发明实施例中，使用类似BERT或GPT的预训练Transformer模型作为基础。

此外，在模型的顶部加入一层或多层全连接层，用于分类或序列标记，从而预测标准化的服务需求。

具体地，本发明实施例将从定义，模型结构和如何构建三个维度分别说明：

1：定义

Transformer模型是"Attention Is All You Need"论文中提出的一个架构，该模型完全基于注意力机制，不使用传统的循环神经网络或卷积神经网络。由于其高度并行性和效率，Transformer已经成为了自然语言处理任务中的主流模型。

2：模型结构

Transformer结构主要包括：

输入嵌入层：将输入序列的每个词/token转换为向量。

位置编码：因为Transformer不考虑输入的顺序，所以需要加入位置编码以便模型了解词的位置。

多头自注意力层：允许模型将注意力集中在输入序列的不同位置，以便更好地理解文本。

前馈神经网络：每个注意力层后面都有一个用于处理注意力层输出的前馈网络。

残差连接和归一化：帮助梯度更好地在深层网络中传播。

输出层：在任务需要的情况下，比如分类或序列标记，会有相应的输出层。

3. 构建Transformer模型以及顶部的全连接层：

步骤3.1：构建模型

初始设置：确定输入序列的最大长度、词嵌入的维度、多头注意力的头数、前馈神经网络的隐藏层单元数等。

输入嵌入层：使用嵌入层将输入词/token转换为向量。

位置编码：为嵌入向量添加位置编码。

多头自注意力机制：多次执行自注意力操作，并将其结果拼接在一起。

前馈神经网络：处理来自注意力层的信息。

残差连接和归一化。

步骤3.2：添加全连接层

在Transformer的顶部，可以添加一个或多个全连接层，用于特定任务，例如分类或序列标记。

对于分类任务：添加一个全连接层，其单元数等于分类的类别数，并使用softmax激活函数。

对于序列标记：对Transformer的每个输出位置添加一个全连接层，并使用例如softmax进行标记预测。

步骤3.3：编译和训练

选择合适的损失函数，例如分类损失或序列标记损失。

选择优化器，例如Adam，并设置学习率。

对模型进行训练，使用标注的数据集。

构建好模型后，可以利用该模型将用户的通用订单需求语言转化为标准化的服务需求，通过预测的类别或标记来确定具体的服务内容。

S23.使用标注后的所述样本对所述transformer模型进行训练；

训练过程中，需要注意：

1. 使用收集的标注数据对模型进行训练。

2. 使用交叉熵损失函数，优化模型的性能。

3. 通过验证数据集监测模型的泛化能力。

具体地，使用标注后的所述样本对所述transformer模型进行训练，包括如下步骤：

S231.将所述样本划分为训练集、验证集和测试集；

S232.为所述样本创建字典，并将所述样本转换为证书序列；

S233.设置数据生成器；

准备数据生成器，以便在训练时分批次提供数据。

S234.设置所述transformer模型的超参数，所述超参数包括嵌入层大小、多头注意力中的头数、隐藏层大小和前馈神经网络的层数；

设置模型的超参数，如嵌入层大小、多头注意力中的头数、隐藏层大小、前馈神经网络的层数等。

S235.设置学习率、学习率策略和优化器（例如adam优化器）；

S236.设置损失函数为交叉熵损失函数；

对于分类任务，可以使用交叉熵损失；对于序列标记任务，也可以使用交叉熵损失，但需要注意序列长度。

S237.将所述训练集输入至所述transformer模型进行训练；

S238.在所述训练集上对每个epoch进行迭代，并在每个batch上进行前向传播计算预测值；

在Transformer模型训练中，Epoch和Batch是深度学习中的两个常用概念，它们分别表示模型训练的三个层次。

Epoch（批次）指的是将整个数据集迭代一遍的过程。在一个Epoch中，模型会对整个数据集进行一次前向传播和反向传播，更新所有的参数。

Batch（批量）指的是为了加速训练而将大规模数据划分成小批次数据的过程。每个Batch中包含多个样本，模型会对这些样本进行前向传播和反向传播，计算出参数的梯度并进行更新。Batch的大小决定了每次迭代更新参数的样本数量，也对模型收敛速度和效果有一定影响。

在代码中，可以通过迭代dataloader来获取每个批次的数据，每个阶段包含多个批次的训练过程。

S239.利用所述损失函数计算损失，并执行反向传播；

S2310.使用所述优化器更新权重；

S2311.使用验证集评估模型性能。

使用验证集评估模型性能，监控如损失、准确率等指标。

如果验证性能有所提高，保存当前模型权重。

如果在连续的几个epoch中，验证集的性能没有明显改善，则停止训练。这是为了防止过拟合。

在测试集上评估模型的性能。

根据需要进行微调或重新训练。

S24.将所述用户提交的通用订单需求文本进行分词和词干化处理，并将所述通用订单需求文本转换为词向量；

S25.将所述词向量输入至训练后的所述transformer模型，以使所述Transformer模型对所述通用订单需求文本进行语义解析；

S26.提取语义解析后的关键信息，并转换为标准化的服务需求；

S27.基于所述标准化的服务需求，生成团计划单。

当用户输入一个通用订单需求语句时，首先通过Transformer模型进行语义解析。

捕获关键信息，如目的地、人数、预算等。

将这些关键信息转化为标准化的服务需求。

在步骤S25-S27中，本方案将利用已训练的Transformer模型对用户的通用订单需求语言进行语义解析，并将其转换为标准化的服务需求。还可以具体包括如下步骤：

1）：输入准备

1. 接收用户的通用订单需求语句。

2. 使用前面的数据预处理9.中的方法进行文本分词、词干化等处理。

3. 将处理后的文本转化为词向量或其他可用的输入形式。

2）：前向传播

1. 使用Transformer模型进行前向传播，其中输入是处理后的用户需求语句。

2. 模型将生成中间的隐藏表示，这些表示捕获了输入语句的深层次语义。

3）：语义解析

1. 基于Transformer模型的输出，提取关键信息，例如地点、人数、预算、期望的服务等。

2. 利用模型的多头注意力机制，注意到语句中特定的部分（例如：“黄果树瀑布”、“三天”、“5000元”等）以提取关键信息。

4）：需求转换

1. 将提取出的关键信息映射到标准化的服务需求中。例如，将“黄果树瀑布”映射到具体的景点服务，将“5000元”映射到预算限制等。

2. 根据解析出的关键信息，将用户的需求分解为具体的子需求，如“酒店需求”、“门票需求”、“导游需求”和“司机需求”等。

5）：结果输出

1. 根据转换后的标准化服务需求，生成一个结构化的输出，该输出可以直接被后续的服务匹配系统或订单发布系统使用。

2. 如有必要，还可以为用户提供一个摘要或解释，帮助他们了解如何从原始需求到标准化的服务需求。

这个结果的目标是确保用户的原始需求被正确理解并转换为系统可以识别和处理的标准格式，从而提高服务匹配的准确性和效率。

其中，步骤4）将提取的关键信息转化为标准化的服务需求的过程需要基于一个已经定义好的服务需求框架。这个框架应该明确地揭示各种服务类别及其属性。下面是转换过程的详细步骤：

4.1）：建立服务需求字典

1. 根据业务领域，创建一个服务需求字典，其中列出了所有可能的服务类型，如“酒店”、“导游”、“交通”等。

2. 为每个服务类型定义可选的属性。例如，酒店可能具有属性如“星级”、“位置”和“价格”。

4.2）：分类关键信息

1. 将每个提取的关键信息与服务需求字典中的类别和属性匹配。

例如：“黄果树瀑布”可能对应于“景点”类别。

“三天”可能对应于“行程”属性。

2. 使用预定义的标签或机器学习模型分类每个关键信息。

4.3）：创建标准服务需求

1. 使用关键信息和服务需求字典，为每个用户需求创建一个标准服务需求条目。

例如：“我们想去黄果树瀑布”可以转换为：

服务类型：景点

名称：黄果树瀑布

2. 如果关键信息中有关于数量、时间、价格等具体细节，也加入到标准服务需求中。

4.4）：整合到统一的服务需求格式

1. 根据所有已创建的标准服务需求条目，整合成一个统一的、结构化的服务需求格式。

2. 确保需求格式简洁明了，便于后续处理。

4.5）：验证和优化

1. 利用小规模用户测试或专家验证来检查转换后的标准化服务需求是否准确反映了原始的用户意图。

2. 根据反馈不断优化转换算法和服务需求字典，确保更高的准确性和覆盖范围。

最终，这个步骤确保从原始的、自然语言形式的用户需求中，提取并转换出具有明确意义和格式的标准化服务需求，从而方便后续的服务匹配和执行。

通过这种方式，本方案可以使用Transformer架构以及语义分析技术，将用户的通用订单需求语言转化为标准化的服务需求。这不仅可以提高订单处理的效率，还可以为用户提供更精准的服务。

S102中，不同的供应商匹配与所述团计划单对应的接团人、导游和大巴司机，以导游为例，旅游平台可以通过数据库的外键关联，将团计划单和导游信息连接。导游的选择基于他们的专长、评价和可用性，系统会推荐合适的导游给用户。

具体地，通过数据库的外键关联是一种常用的方式来连接不同的数据表并保持数据的完整性。以下是通过数据库的外键关联来将团计划单和导游信息连接的步骤：

B1：定义数据库表结构

1. 定义`导游信息表`，其中最基本的字段可能有：

导游ID (设为主键)

导游姓名

联系方式

…… (其他相关字段)

2. 定义`团计划单表`，其中最基本的字段可能有：

团计划单ID (设为主键)

行程日期

出发地点

目的地

…… (其他相关字段)

B2：在团计划单表中添加外键字段

在`团计划单表`中添加一个新的字段，如“导游ID_FK”，作为外键，用于存储与`导游信息表`中的`导游ID`相关联的数据。

B3：定义外键约束

在数据库中为`团计划单表`的`导游ID_FK`字段定义外键约束，指明它引用`导游信息表`中的`导游ID`字段。这确保了每一个在`团计划单表`中的`导游ID_FK`值必须在`导游信息表`的`导游ID`中有一个对应的值。

B4：数据插入

1. 首先，确保在插入`团计划单表`的数据之前，对应的导游信息已经存在于`导游信息表`中。

2. 当为特定团计划单分配导游时，只需在`团计划单表`的`导游ID_FK`字段中填入对应`导游信息表`中的`导游ID`。

B5：查询操作

当需要查询与特定团计划单关联的导游信息时，可以通过JOIN操作连接两个表，基于`导游ID`和`导游ID_FK`进行匹配。

例如：

```sql

SELECT 团计划单表.*, 导游信息表.导游姓名, 导游信息表.联系方式

FROM 团计划单表

JOIN 导游信息表 ON 团计划单表.导游ID_FK = 导游信息表.导游ID;

```

B6：数据完整性

如果尝试删除`导游信息表`中的一个导游，但仍然有`团计划单表`中的计划与之关联，数据库会阻止这种删除操作，除非先删除或更改与之关联的计划。这确保了数据的引用完整性。

这样，通过外键关联，就成功地将团计划单和导游信息连接起来，使得两者之间的关系更加清晰、有序，并保证了数据的完整性和准确性。

S103.基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，并反馈给用户；

在其中一个实施例中，如图3所示，S103中，基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，包括如下步骤：

C1.基于匹配结果，分别基于所述团计划单中的多个旅游商品制定多个旅游行程子计划，其中，一个或多个旅游行程子计划对应一个旅游商品以及所述旅游商品对应的接团人、导游或大巴司机；

需要说明的是，接团人是旅行社的负责人，负责总体旅游的统筹工作，对导游和大巴司机进行管理，其权限最高，导游则是负责某一个实际景点的导游带队工作，大巴司机主要负责交通运输服务。

在本发明实施例中，假设团计划单具备多个目的地，每一个目的地对应一类旅游商品，例如，安顺市黄果树瀑布为一条旅游专线，即一类旅游商品，荔波小七孔则为另一条旅游专线，为第二类旅游商品，那么，不同的旅游商品需要制定不同的旅行计划，包括时间、地点、导游、游览路线安排、吃住等，因此，在上述由不同供应商给出的导游、大巴司机和接团人后，针对不同的旅游商品生成不同的旅游行程子计划，该子计划不仅需要对应上该旅游商品，还需要对应上能够和该旅游商品匹配的导游、大巴司机和接团人，例如，去安顺黄果树瀑布的旅游商品中，安排的是黄果树旅游行程子计划，需要匹配对应的导游、接团人和大巴司机。其中，子计划可以是一个或多个，供团计划的用户选择合适的，导游、接团人和大巴司机也可以是多人并列。可选地，旅游子计划、导游、接团人和大巴司机也可以通过数据库外键关联。

C2.将不同的旅游行程子计划进行组合，生成旅游行程计划列表；

团计划单包含了多种旅游商品，而不同的旅游商品又对应有一个或多个旅游行程子计划，因此，需要将所有的旅游行程子计划记录并进行组合，生成一个大的，统一的旅游行程计划列表，该列表记载了上述所有的旅游行程子计划，不同的旅游行程子计划又分别对应一个旅游商品。

C3.基于价格或服务品质对旅游行程计划表中的旅游行程计划进行排序，并将排前N名的旅游行程计划作为拟推荐的旅游行程计划，其中N为自定义正整数。

在本发明实施例中，不同的旅游行程子计划有历史的服务评价得分（服务评价得分是对服务品质的量化）和价格，由于旅游行程子计划数量较多，全部呈现给用户太过于复杂。因此，只需要按照价格或服务品质进行排序，并人为选择前N项展现给用户，例如前5项，作为拟推荐的旅行计划，供用户进行选择。

在另一个实施例中，如图4所示，S103中，基于匹配结果，建立与所述团计划单对应的多个旅游行程计划，包括如下步骤：

D1.基于匹配结果，获取不同的供应商提供的接团人、导游和大巴司机；

在上述不同的供应商提供接团人、导游和大巴司机名单后，线上旅游平台获取并保存该名单。

D2.将不同的供应商提供的接团人、导游和大巴司机按照旅游商品类型进行分类，其中，所述旅游商品类型包括目的地类型、价格类型或服务类型；

在上述实施例中，由于接团人、导游和大巴司机分属于不同的旅游专线，分散在各个城市，且各自熟悉或擅长的旅游路线并不相同，因此，需要由供应商对旗下的导游、接团人和大巴司机进行分类，以满足团计划单中不同旅游商品（例如不同旅游路线和目的地、价格、服务）的需求，对于目的地类型而言，同一个城市的接团人、导游和大巴司机归结为一类，这样不同城市分为不同的类型，对于价格类型而言，本发明实施例可以按照不同价格范围进行分类，例如高端旅游，消费1万元以上，中端旅游消费3000-10000，低端旅游消费3000以下，那么可根据不同的旅游消费档次选择不同价格对应的接团人、导游和大巴司机，同理，服务类型也可以分为高端服务、中端服务和低端服务，与价格类似，高端旅游对应高端服务，匹配该档次的接团人、导游和大巴司机等。

D3.获取不同旅游商品类型对应的接团人制定的多个旅游行程计划，其中，任一旅游行程计划关联至少一个接团人、导游和大巴司机。

在确定了旅游商品类型和匹配的导游、大巴司机和接团人后，由负责人（即接团人）制定该旅游商品的多个详细旅行计划，每一个计划至少关联一个导游、一个大巴司机和一个接团人。

S104.接收用户反馈的第一旅游行程计划，基于所述第一旅游行程计划，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进。

S103中，旅游平台将多个旅游行程计划反馈给了用户，由用户挑选最合适的旅游行程计划，定义为第一旅游行程计划，在接收到该计划后，即确定了匹配的接团人、导游和大巴司机，并自动下单制定了机票、住宿等，后续旅游平台还需要对服务过程中不同服务者的服务质量进行跟进。

为了帮助不同旅游商品对应接团人、导游和大巴司机能够打通信息孤岛，统一跟进用户的服务，旅游平台可采用虚拟组网技术（虚拟组网（Virtual Networking）的原理主要基于创建数据的虚拟视图和连接，而不需要更改底层的数据结构或物理连接），在多个导游、大巴司机、旅行社等关联一个团计划单的情境中，虚拟组网技术可以用来创建一个集中化、高效和灵活的通信和管理平台，避免因为临时计划变更，不同的导游、大巴司机和接团人不知情而导致后面的计划无法执行的问题，因此，在对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进之前，本发明实施例还包括如下步骤：

E1.定义所述第一旅游行程计划对应的接团人、导游和大巴司机为参与者；

E2.为所述参与者创建虚拟网络；

利用虚拟组网技术，为上述所有参与者创建一个虚拟网络。确保这个网络的接入点（例如，移动应用、网页入口）是安全和可访问的。

虚拟组网技术的原理及其网络结构：

虚拟组网技术指的是在现有物理网络上构建虚拟的网络拓扑结构。这些虚拟的网络结构可以独立于物理网络进行配置、维护和管理，为用户提供了更加灵活的网络管理方式。

网络结构：虚拟网络的结构通常包括虚拟网络设备（如虚拟交换机、虚拟路由器等）和虚拟连接。它们之间的连接可以模仿真实物理网络中的任何拓扑结构（如星型、环型、网状等）。最终，这些虚拟设备都映射到实际的物理设备和连接。

利用虚拟组网技术为所有参与者创建一个虚拟网络：

E21：定义需求

根据旅游商品的需求，确定参与者和他们之间的交互方式。

E22：选择合适的虚拟组网技术

有多种技术可供选择，如VLAN、VXLAN、VPN、SDN等。

E23：配置物理设备

确保所有物理设备都支持虚拟组网，并进行基本配置。

E24：创建虚拟设备

在物理设备上创建虚拟交换机、虚拟路由器等。

E25：配置虚拟连接

根据预先定义的网络拓扑，设置虚拟设备之间的连接。

E26：安全设置

对虚拟网络进行隔离，并设置访问控制策略，确保数据的安全。

E27：测试

在实施完所有设置后，进行全面的网络测试，确保数据可以在参与者之间正确、安全地传输。

虚拟组网技术的优势：

灵活性：无需对物理硬件进行更改，就可以轻松调整网络的拓扑和配置。

成本效益：可以减少物理硬件的投资，因为多个虚拟网络可以共享同一套物理硬件。

安全性：每个虚拟网络都可以独立于其他网络进行隔离和安全配置，从而增强了网络的安全性。

简化管理：网络管理员可以集中管理虚拟网络，不再需要对每个物理设备单独进行配置和维护。

快速部署：创建和修改虚拟网络比物理网络快得多，因此可以更快地响应业务需求。

综上，虚拟组网技术提供了一种在现有物理网络基础上创建、配置和管理网络的高效、灵活且安全的方法。

E3.为不同的参与者赋予不同的权限和虚拟IP地址；

根据不同的参与者（如导游、大巴司机、接团人）设定不同的权限和IP地址。例如，导游可能只能访问和修改与他们相关的行程信息，而接团人可能有权限查看和管理整个团计划单的详细信息。

E4.在所述虚拟网络中，将所述团计划单的信息进行集中存储；

在虚拟网络中，所有关于团计划单的信息都被集中存储。这包括行程、预订、费用、时刻表等。这使得信息更新、查询和管理变得更加高效和集中。

在虚拟网络中，为了实现集中化的信息管理，可以使用集中的数据库服务器或云服务来存储和管理所有关于团计划单的信息。以下是如何在虚拟网络中实现团计划单信息的集中存储的步骤：

E41：选择数据库

根据项目的规模和需求，选择合适的数据库系统，例如：关系型数据库如MySQL、PostgreSQL或非关系型数据库如MongoDB、Cassandra。

E42：部署数据库服务器

在虚拟网络中部署数据库服务器。可以选择物理服务器、虚拟化环境或云服务平台进行部署。

E43：设计数据库结构

根据团计划单的信息需求，设计数据库的表结构、关系及索引。

例如：团计划单表可能包括：团计划单ID、创建日期、导游信息、旅行社信息、大巴司机信息等。

E44：建立安全策略

为数据库服务器设置防火墙、加密通信和访问控制策略，确保只有授权用户和应用程序可以访问数据库。

E45：数据迁移和集成

如果之前已经有其他存储团计划单的系统，需要进行数据迁移。

使用ETL工具或编写脚本，将旧系统中的数据迁移到新的集中数据库中。

E46：API接口开发

开发API接口，使其他系统和应用程序能够与数据库进行交互，如查询、添加、修改和删除团计划单的信息。

E47：监控和维护

实施数据库的监控策略，确保其正常运行，并定期进行备份和维护操作。

通过这种方式，虚拟网络中关于团计划单的所有信息都被集中存储在同一个数据库中，实现了数据的统一管理和高效查询。同时，通过API接口，其他系统和应用程序也可以轻松地与数据库交互，获取和操作团计划单的信息。

E5.在所述虚拟网络中，通过即时通信功能实现不同参与者的实时交流；

利用虚拟网络的即时通信功能，让参与者可以实时交流和协调。例如，如果导游遇到了突发情况，他们可以通过该平台拨打虚拟电话快速通知大巴司机或旅行社。

在虚拟网络中，即时通信是至关重要的，它确保了所有参与者可以实时交流和协调。以下是如何利用虚拟网络的即时通信功能进行实时交流的步骤：

E51：选择即时通信平台

选择一个适合的即时通信平台或解决方案，如：Slack、Microsoft Teams、WhatsApp for Business 或自主开发的即时通信应用。

E52：部署通信服务器（如果需要）

若选择的是需要自己部署的即时通信解决方案（例如，Jabber或Matrix），则需要在虚拟网络中部署相应的通信服务器。

E53：创建通讯组

根据不同的参与者和交流需求，创建相应的通讯组或频道。例如，可以创建一个专门的“导游交流”频道，另一个是“大巴协调”频道。

E54：权限和访问控制

确保每个频道或通讯组的访问权限得到恰当的设置，以确保只有相关的参与者可以加入和交流。

E55：集成其他工具

根据需要，将即时通信平台与其他工具和应用程序集成，如日历、任务管理工具等，从而实现自动化提醒和更新。

E56：培训与推广

对参与者进行必要的培训，确保他们知道如何使用该通信工具，并鼓励他们在日常工作中使用它进行实时交流。

E57：监控与维护

监控即时通信服务的性能和稳定性，确保其24/7的可用性。定期更新和维护，以确保安全性和功能的完善。

通过这种方式，虚拟网络中的所有参与者可以利用即时通信功能进行实时交流和协调。不仅可以发送文本消息，还可以分享文件、图片、视频等，甚至可以进行语音和视频通话，从而大大提高了项目的效率和协作的效果。

E6.若所述第一旅游行程计划进行了修改，则利用虚拟组网的广播机制将所述修改后的第一旅游行程计划同步到所有参与者中。

任何关于团计划单的修改或更新都会实时同步到虚拟网络中，利用广播机制将修改的旅游行程同步到所有参与者，确保所有参与者都能访问到最新的信息。

在多参与者的系统中，确保数据的一致性和实时同步是至关重要的。下面是如何确保团计划单的修改或更新能够实时同步到虚拟网络中的步骤：

E61：建立数据更改监听器

在数据库或应用服务层，建立数据更改监听器，以便于检测到任何关于团计划单的修改或更新。

E62：启用数据变动通知

当数据更改监听器检测到团计划单的修改或更新时，立即触发一个数据变动通知。这可以通过WebSocket、MQTT、Event-driven architecture或其他实时通讯机制来实现。

E63：实时数据推送

使用即时通信工具或其他消息推送服务，将数据变动通知广播推送到所有相关的参与者。例如，当一个团计划单被修改时，相关的导游和大巴司机会立即收到一个通知。

E64：客户端数据更新

当参与者的客户端（例如移动应用、网页、桌面应用等）收到数据变动通知时，自动从服务器拉取最新的团计划单数据，并更新显示。

E65：提供手动刷新选项

在客户端提供一个手动刷新的选项，以便于在必要时，参与者可以手动检查并更新团计划单的信息。

E66：数据冲突解决

设计并实现一个数据冲突解决机制，以便于当多个参与者几乎同时修改了同一个团计划单时，能够妥善处理和解决这种数据冲突。

E67：日志和审计

记录所有关于团计划单的修改和更新操作，包括操作者、时间、内容等，以便于在必要时进行审计和追踪。

通过上述步骤，可以确保团计划单的任何修改或更新都能实时同步到虚拟网络中，并且所有相关的参与者都能访问到最新的信息。这不仅提高了工作的效率，也大大降低了因数据不一致造成的误会和问题。

此外，虚拟组网步骤中，还包括如下步骤：

E7：安全策略

实施适当的安全策略，包括数据加密、访问控制、安全认证等，确保数据的安全性和隐私。

确保虚拟网络中的数据安全性是非常重要的。以下列出了一些常见的安全策略及一个创新性的安全策略：

常见安全策略：

1. 数据加密：无论数据在传输还是存储时，都应进行加密。

2. 身份验证和授权：确保只有授权的用户才能访问特定的资源。

3. 入侵检测和防御系统（IDS/IPS）：监视网络活动以识别和阻止潜在的安全威胁。

4. 防火墙：设置防火墙以阻止未授权的访问。

5. 多因素身份验证：除了密码外，还需进行其他方式的身份验证。

6. 定期的安全审计：定期检查和评估系统的安全性。

本发明实施例中，还可以利用一种创新性的安全策略：自适应学习安全策略。

使用自适应学习安全策略具体包括：

E71：数据收集

从网络流量、用户行为和其他日志中收集数据。

E72：初始模型训练

使用已知的安全威胁数据集训练一个初始的安全模型。

E73：实时监控

将此模型部署到生产环境中，实时监控网络活动。

E74：模型预测和反馈

当模型检测到潜在的异常行为或威胁时，会生成警报。同时，人工安全团队会评估这些警报，并给出反馈。

E75：模型自动调整

根据实际的反馈，模型会自动调整其参数以更好地识别真正的威胁。

E76：定期更新

定期用新的威胁数据更新和重新训练模型，确保其持续适应新的安全威胁。

通过自适应学习安全策略，系统不仅可以应对已知的威胁，还可以有效地识别和应对新的、之前未见过的威胁。这种策略特别适用于当前不断变化和发展的网络安全环境。

E8：评估与优化

定期评估虚拟网络的性能、可用性和安全性。根据评估结果进行必要的优化和调整，以适应变化的业务需求。

定期评估虚拟网络的性能、可用性和安全性是确保其长期稳定和可靠的关键。以下是进行评估和优化的建议步骤：

E81：设定评估标准和目标

根据业务需求和系统期望表现，明确设定评估标准。例如，系统的响应时间应小于200ms，系统的可用性应达到99.99%等。

E82：性能监控

使用性能监控工具（如Prometheus、Nagios或Zabbix）来实时监测系统的运行状态，如CPU、内存使用率、网络流量等。

分析监控数据，识别任何可能导致性能下降的瓶颈或问题。

E83：可用性检测

使用心跳检查、端到端测试和其他可用性检测工具来定期检测系统的可用性。

当系统出现故障时，迅速识别问题来源，并采取措施修复。

E84：安全审计

定期进行安全审计，检查系统的安全配置、软件补丁更新状态等。

使用自动化的漏洞扫描工具，如OWASP ZAP或Nessus，检测可能存在的安全漏洞。

评估和验证前面提到的所有安全策略的实际效果，如加密、身份验证、防火墙等。

E85：收集用户反馈

从用户那里收集反馈，了解他们在使用过程中遇到的问题或改进意见。

这可以通过问卷调查、面对面交流或在线反馈系统来实现。

E86：评估结果分析

将所有收集到的数据和反馈整合到一起，进行详细的分析。

根据评估结果，确定需要优化或改进的区域。

E87：制定优化计划

根据评估和分析结果，制定明确的优化计划。这可能包括软硬件升级、配置更改、代码重构等。

E88：实施优化

在开发和测试环境中首先实施优化计划，确保没有引入新的问题。

在验证无误后，逐步将优化部署到生产环境。

E89：再次评估

在完成优化后，再次进行评估，确保所有的改进措施都已达到预期效果。

通过这些步骤，不仅可以确保虚拟网络始终处于最佳状态，还可以确保在出现问题时迅速检测并解决。

利用虚拟组网技术，可以实现一个团计划单与多个参与者的高效、灵活和安全的关联。这不仅提高了管理和通信的效率，还增强了系统的可扩展性和灵活性。

此外，S104中，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进，包括如下步骤：

F1.设立与所述旅游行程计划关联景点的地理围栏；

地理围栏是一种虚拟的边界，围绕着一个实际的地理位置。当一个设备进入或离开这个地理围栏时，可以触发特定的事件或动作。

为每个景点定义一个地理围栏。这可以通过为景点的GPS坐标设置一个半径来实现，例如500米，这样就形成了一个虚拟的圆形边界。

F2.当所述第一旅游行程计划对应的导游处于所述关联景点的地理围栏范围内时，自动进行打卡；

导游需要使用一个可以发送其实时位置的移动设备，例如智能手机。手机上的应用可以利用GPS来持续跟踪其位置。当导游的设备检测到其进入了某个景点的地理围栏，应用会自动记录这个事件。一旦导游设备进入景点的地理围栏，应用会自动触发打卡事件，记录导游的打卡时间和景点信息。

打卡信息可以实时或定期同步到中心数据库或管理平台，使得管理者可以实时查看导游的活动和位置。

用地理围栏技术，导游在特定景点可以实现自动打卡，从而简化了打卡过程，也为管理者提供了一种方便的方法来跟踪和验证导游的活动。

F3.获取所述导游上传的消费凭证；

导游的移动应用内嵌GPS定位功能，能够在特定景点处自动或手动打卡。消费凭证的上传支持图片和PDF格式，并用OCR技术识别和验证上传的内容。

F4.获取所述大巴司机的实时位置；

通过大巴司机移动应用中的GPS模块实现。系统后台使用地图API，如高德地图或百度地图，显示司机或大巴的实时位置，并与行程计划进行对比，确保其按时进行。

F5.获取用户对所述第一旅游行程计划对应的接团人、导游和大巴司机的服务评价；

使用五星评价系统，允许用户对导游和接团人以及大巴司机的服务进行评价。服务质量跟进通过用户反馈和实时数据进行。

F6.基于打卡频率、打卡准时性和所述服务评价，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行综合服务质量评测。

设定：打卡频率越高，打卡频率得分越高，打卡越准时（与标准时间的差值），打卡准时性得分越高。

以导游综合服务质量评价为例，可以设打卡频率、打卡准时性和服务评价的权重为w1,w2和w3，其中，w3大于w2和w1，那么导游的综合得分为：

导游综合得分=打卡频率得分*w1+打卡准时性得分*w2+服务评价得分*w3

示例1：一家三口想去黄果树瀑布和荔波小七孔玩三天，预算不超过5000元。系统自动将这一需求转化为酒店、门票、导游和司机的具体需求，并为用户生成一个完整的团计划单。

示例2：一个团计划单关联了五星级酒店、当地知名导游和专车服务。在行程中，导游带领游客参观了多个景点，并在每个景点打卡上传了消费凭证。

示例3：接团人收到了从北京到西安的团队任务，他通过平台查看了行程详情，并在接团时与大巴司机同步了实时定位信息，确保服务的真实性和及时性。

具体地，本发明实施例具体表现在如下三个方面：

1. 团计划单关联机制：允许用户在一个团计划单内预定多种服务，极大地提高了用户体验。

2. 导游和接团人的真实性验证：通过实时定位和上传消费凭证的方式，确保了服务的真实性和质量。

3. 语义分析与AI技术的融合：将用户的通用需求转化为标准化的服务需求，简化了用户的操作流程，同时提高了订单的精确性。

相比于现有技术，本方案不仅提供了一个更为集成的旅游服务平台，还通过多种验证机制确保了服务的真实性和质量，同时也极大地提高了用户的体验和满意度。

实施例二

基于与前述实施例中基于线上旅游平台的团计划管理方法相同的发明构思，本申请还提供了一种计算机可读存储介质和/或系统，所述计算机可读存储介质和/或系统上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。

实施例三

本发明实施例还提供了基于线上旅游平台的团计划管理系统6000，如图5所示，包括存储器64和处理器61，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入系统62、输出系统63、处理器61、控制器、存储器64等，而所有可以实现本申请实施例的方法都在本申请的保护范围之内。

存储器包括但不限于是随机存储记忆体（random access memory，RAM）、只读存储器（read only memory，ROM）、可擦除可编程只读存储器（erasable programmable readonly memory，EPROM）、或便携式只读存储器（compact disc read only memory，CD至ROM），该存储器用于相关指令及数据。

输入系统62用于输入数据和/或信号，以及输出系统63用于输出数据和/或信号。输出系统63和输入系统62可以是独立的器件，也可以是一个整体的器件。

处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器（centralprocessing unit，CPU），在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。

存储器用于存储网络设备的程序代码和数据。

处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，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，多个单元或组件可以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。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。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。该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该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该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（digital subscriber line，DSL））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。该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。该可用介质可以是只读存储器（read至onlymemory，ROM），或随机存储存储器（random access memory，RAM），或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘（digital versatile disc，DVD）、或者半导体介质，例如，固态硬盘（solid state disk ，SSD）等。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims

1.一种基于线上旅游平台的团计划管理方法，其特征在于，包括：

线上旅游平台获取用户提交的通用订单需求文本；

接收用户反馈的第一旅游行程计划，基于所述第一旅游行程计划，对所述第一旅游行程计划对应的接团人、导游和大巴司机进行服务跟进；

通过融合语义分析技术和深度学习模型，将所述用户提交的通用订单需求文本转换为标准化的团计划单，包括：