酒店群划分及需求预测的方法技术

本发明专利技术公开了酒店群划分及需求预测的方法，首先，对同一个城市的多个商圈进行修正；其次，将每个修正后的商圈内的所有酒店划分为多个酒店群；最后，获取每个酒店群在预测月份的需求预测结果。本发明专利技术通过对一个城市的所有酒店进行酒店群划分，转而预测酒店群销售量，减少了单个酒店数据由于稀疏导致的难以预测或预测结果不稳定，对业务采购有方向指引作用；本发明专利技术能够提高酒店的预测精度和覆盖度。

【技术实现步骤摘要】

本专利技术涉及酒店管理
，具体涉及酒店群划分及需求预测的方法。
技术介绍
现有技术中，由于单个酒店的数据稀疏，导致预测未来酒店需求量的精度不佳，不能准确预测到未来酒店的需求量。同时，很多小酒店和新开酒店的历史数据很少，使得现有技术无法利用历史数据进行预测。
技术实现思路
本专利技术的目的在于为了解决现有技术中没有对酒店进行群的划分，使得单个酒店数据由于稀疏导致的预测结果不稳定等问题的出现；提供酒店群划分及需求预测的方法。为了达到上述目的，本专利技术通过以下技术方案实现：一种酒店群划分及需求预测的方法，所述酒店群划分及需求预测的方法包含：S1，利用具有相同的城市属性的每个酒店的经纬度信息、商圈属性、第一历史销售量信息对同一个城市的多个商圈进行修正；所述酒店的第一历史销售量包含所述酒店最近至少12个月的销售量；S2，利用每个修正后的所述商圈内每个酒店的点评分数、酒店星级、点评人数、酒店均价、所述第一历史销售量、交通便利程度，将对应的所述修正后的商圈进行酒店群划分，获取对应所述修正后的商圈内的多个酒店群；将每个所述酒店距离最近的公共交通车站的距离处理后形成对应所述酒店的所述交通便利程度；S3，利用每个所述酒店群的历史预定量、第二历史销售量、预测月份的用户浏览量、预测月份的网页页面浏览量、最近成交增长值作为参数进行计算，获取对应所述酒店群在预测月份的需求预测结果；所述酒店群的历史预定量包含对应的所述酒店群内所有的所述酒店的历史预定量之和，每个所述酒店的历史预定量为包含所述酒店最近至少24个月的预定量；所述酒店群的第二历史销售量包含对应的所述酒店群内所有的所述酒店的第二历史销售量之和，每个所述酒店的第二历史销售量为包含所述酒店最近至少24个月的销售量；所述酒店群的所述预测月份的用户浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的用户浏览量之和，每个所述酒店的所述预测月份的用户浏览量为包含至少12个月内浏览在所述预测月份的所述酒店的用户人数之和；所述酒店最近群的所述预测月份的网页页面浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的网页页面浏览量之和，每个所述酒店的所述预测月份的网页页面浏览量为包含至少最近12个月内所述预测月份的所述酒店的网页页面被浏览次数之和；较佳地，所述步骤S1包含：S1.1，根据每个所述酒店的所述经纬度信息，判断是否存在所述经纬度信息与城市属性不匹配的经纬度异常的酒店；当存在所述经纬度异常的酒店时，跳转至步骤S1.6；否则执行步骤S1.2；S1.2，将具有相同所述商圈属性的多个经纬度正常的酒店形成对应的商圈，判断同一个城市的多个所述商圈中是否存在小商圈；当不存在小商圈时，执行步骤S1.3；当存在小商圈时，根据所述小商圈内每个酒店的经纬度信息判断所述小商圈是否为位置特殊商圈；当所述小商圈为位置特殊商圈时，跳转至步骤S1.5；否则，执行步骤S1.3；S1.3，计算获取每个所述商圈的多个样本酒店，并将该城市的每个所述样本酒店的经纬度信息、商圈属性、历史销售量信息作为训练集，并建立SVM模型；S1.4，将所有所述商圈中的每个酒店的所述经纬度信息、所述商圈属性、所述第一历史销售量信息输入至所述SVM模型，获取对应的所述酒店修正后的所述商圈属性，将具有相同所述修正后的商圈属性的所述酒店形成对应的修正后的商圈；跳转至步骤S1.7；S1.5，保留所述位置特殊商圈作为该城市的一个修正的商圈，跳转至所述步骤S1.7；S1.6，判断每个所述经纬度异常的酒店是否包含所述商圈属性；当不包含时，删除对应的所述经纬度异常的酒店，结束；当包含时，保留所述经纬度异常的酒店的所述商圈属性；S1.7，将每个所述经纬度异常的酒店根据其所述商圈属性，划分至对应的所述修正后的商圈内；将所有所述修正后的商圈及每个所述修正后的商圈内对应的所有所述酒店形成修正后的商圈列表。较佳地，在所述步骤S1.1中，利用每个所述酒店的经纬度信息，采用Lo-Factor算法判断是否存在经纬度异常的酒店。较佳地，当所述商圈内包含的酒店数量至少小于该城市内平均每个所述商圈包含酒店数量的五分之一且所述商圈内包含所有酒店的所述第一历史销售量总和至少小于该城市内平均每个所述商圈内包含所有酒店的所述第一历史销售量总和的十分之一时，所述商圈为所述小商圈。较佳地，所述位置特殊商圈的地理位置远离其他所有所述商圈。较佳地，当任一所述商圈内包含的该城市内平均每个所述商圈包含酒店时，对应所述商圈内的所有酒店均为所述样本酒店；当该城市内平均每个所述商圈包含酒店<任一所述商圈内包含的该城市内平均每个所述商圈包含酒店时，对应所述商圈内的所述第一历史销售量的排名至少前80％的酒店均为所述样本酒店；当任一所述商圈内包含的该城市内平均每个所述商圈包含酒店时，对应所述商圈内的所述第一历史销售量的排名在前标准均值数量的酒店均为所述样本酒店；所述标准均值数量为该城市内平均每个所述商圈包含酒店的数量。较佳地，所述步骤S2包含：S2.1，对任一个所述修正后的商圈内每个酒店的点评分数、酒店星级、点评人数、酒店均价、所述历史销售量、交通便利程度分别进行离散化处理，形成K-means模型可识别的点评分数、可识别的酒店星级、可识别的点评人数、可识别的酒店均价、可识别的历史销售量、可识别的交通便利程度；S2.2，将对应的所述修正后的商圈内每个所述酒店的K-means模型所述可识别的点评分数、所述可识别的酒店星级、所述可识别的点评人数、所述可识别的酒店均价、所述可识别的历史销售量、所述可识别的交通便利程度输入至所述K-means模型进行酒店聚类，形成对应的所述修正后的商圈内的多个不同的酒店聚类，每个所述酒店聚类包含多个所述酒店；S2.3，判断每个所述酒店聚类包含的所述酒店的数量是否多于设定的酒店群阈值；当小于或等于时，执行步骤S2.4；否则，执行步骤S2.5；S2.4，将对应的所述酒店聚类作为一个所述酒店群，跳转至步骤S2.6；S2.5，根据对应的所述酒店聚类中每个所述酒店的所述点评分数、所述酒店星级、所述点评人数、所述酒店均价、所述第一历史销售量、所述交通便利程度，将对应的所述酒店划分至邻近的所述酒店群中；S2.6，将所有所述酒店群及每个所述酒店群内对应的所有所述酒店形成酒店群列表。较佳地，当所述修正后的商圈内的酒店的数量为N时，设定所述较佳地，所述步骤S3包含：将每个所述酒店群的所述历史预定量、所述第二历史销售量、所述预测月份的用户浏览量、所述预测月份的网页页面浏览量、所述最近成交增长值作为参数，通过xgboost预测算法进行计算，获取对应的所述酒店群的所述预测月份的销售量。在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。本专利技术的积极进步效果在于：本专利技术公开的酒店群划分及需求预测的方法，首先，对同一个城市的多个商圈进行修正；其次，将每个修正后的商圈内的所有酒店划分为多个酒店群；最后，获取每个酒店群在预测月份的需求预测结果。本专利技术通过对一个城市的所有酒店进行酒店群划分，转而预测酒店群销售量，减少了单个酒店数据由于稀疏导致的难以预测或预测结果不稳定，对业务采购有方向指引作用；本专利技术能够提高酒店的预测精度和覆盖度。附图说明图1为本专利技术酒店群划分及需求预测的本文档来自技高网...

【技术保护点】
一种酒店群划分及需求预测的方法，其特征在于，所述酒店群划分及需求预测的方法包含：S1，利用具有相同的城市属性的每个酒店的经纬度信息、商圈属性、第一历史销售量信息对同一个城市的多个商圈进行修正；所述酒店的第一历史销售量包含所述酒店最近至少12个月的销售量；S2，利用每个修正后的所述商圈内每个酒店的点评分数、酒店星级、点评人数、酒店均价、所述第一历史销售量、交通便利程度，将对应的所述修正后的商圈进行酒店群划分，获取对应所述修正后的商圈内的多个酒店群；将每个所述酒店距离最近的公共交通车站的距离处理后形成对应所述酒店的所述交通便利程度；S3，利用每个所述酒店群的历史预定量、第二历史销售量、预测月份的用户浏览量、预测月份的网页页面浏览量、最近成交增长值作为参数进行计算，获取对应所述酒店群在预测月份的需求预测结果；所述酒店群的历史预定量包含对应的所述酒店群内所有的所述酒店的历史预定量之和，每个所述酒店的历史预定量为包含所述酒店最近至少24个月的预定量；所述酒店群的第二历史销售量包含对应的所述酒店群内所有的所述酒店的第二历史销售量之和，每个所述酒店的第二历史销售量为包含所述酒店最近至少24个月的销售量；所述酒店群的所述预测月份的用户浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的用户浏览量之和，每个所述酒店的所述预测月份的用户浏览量为包含最近至少12个月内浏览在所述预测月份的所述酒店的用户人数之和；所述酒店群的所述预测月份的网页页面浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的网页页面浏览量之和，每个所述酒店的所述预测月份的网页页面浏览量为包含至少最近12个月内所述预测月份的所述酒店的网页页面被浏览次数之和；...

【技术特征摘要】
1.一种酒店群划分及需求预测的方法，其特征在于，所述酒店群划分及需求预测的方法包含：S1，利用具有相同的城市属性的每个酒店的经纬度信息、商圈属性、第一历史销售量信息对同一个城市的多个商圈进行修正；所述酒店的第一历史销售量包含所述酒店最近至少12个月的销售量；S2，利用每个修正后的所述商圈内每个酒店的点评分数、酒店星级、点评人数、酒店均价、所述第一历史销售量、交通便利程度，将对应的所述修正后的商圈进行酒店群划分，获取对应所述修正后的商圈内的多个酒店群；将每个所述酒店距离最近的公共交通车站的距离处理后形成对应所述酒店的所述交通便利程度；S3，利用每个所述酒店群的历史预定量、第二历史销售量、预测月份的用户浏览量、预测月份的网页页面浏览量、最近成交增长值作为参数进行计算，获取对应所述酒店群在预测月份的需求预测结果；所述酒店群的历史预定量包含对应的所述酒店群内所有的所述酒店的历史预定量之和，每个所述酒店的历史预定量为包含所述酒店最近至少24个月的预定量；所述酒店群的第二历史销售量包含对应的所述酒店群内所有的所述酒店的第二历史销售量之和，每个所述酒店的第二历史销售量为包含所述酒店最近至少24个月的销售量；所述酒店群的所述预测月份的用户浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的用户浏览量之和，每个所述酒店的所述预测月份的用户浏览量为包含最近至少12个月内浏览在所述预测月份的所述酒店的用户人数之和；所述酒店群的所述预测月份的网页页面浏览量包含对应的所述酒店群内所有的所述酒店的所述预测月份的网页页面浏览量之和，每个所述酒店的所述预测月份的网页页面浏览量为包含至少最近12个月内所述预测月份的所述酒店的网页页面被浏览次数之和；2.如权利要求1所述的酒店群划分及需求预测的方法，其特征在于，所述步骤S1包含：S1.1，根据每个所述酒店的所述经纬度信息，判断是否存在所述经纬度信息与城市属性不匹配的经纬度异常的酒店；当存在所述经纬度异常的酒店时，跳转至步骤S1.6；否则执行步骤S1.2；S1.2，将具有相同所述商圈属性的多个经纬度正常的酒店形成对应的商圈，判断同一个城市的多个所述商圈中是否存在小商圈；当不存在小商圈时，执行步骤S1.3；当存在小商圈时，根据所述小商圈内每个酒店的经纬度信息判断所述小商圈是否为位置特殊商圈；当所述小商圈为位置特殊商圈时，跳转至步骤S1.5；否则，执行步骤S1.3；S1.3，计算获取每个所述商圈的多个样本酒店，并将该城市的每个所述样本酒店的经纬度信息、商圈属性、历史销售量信息作为训练集，并建立SVM模型；S1.4，将所有所述商圈中的每个酒店的所述经纬度信息、所述商圈属性、所述第一历史销售量信息输入至所述SVM模型，获取对应的所述酒店修正后的所述商圈属性，将具有相同所述修正后的商圈属性的所述酒店形成对应的修正后的商圈；跳转至步骤S1.7；S1.5，保留所述位置特殊商圈作为该城市的一个修正的商圈，跳转至所述步骤S1.7；S1.6，判断每个所述经纬度异常的酒店是否包含所述商圈属性；当不包含时，删除对应的所述经纬度异常的酒店，结束；当包含时，保留所述经纬度异常的酒店的所述商圈属性；S1.7，将每个所述经纬度异常的酒店根据其所述商圈属性，划分至对应的所述修正后的商圈内；将所有所述修正后的商圈及每个所...

【专利技术属性】
技术研发人员：吴丽婷，姚慧，赵华，
申请(专利权)人：携程计算机技术上海有限公司，
类型：发明
国别省市：上海;31