不同城市热度值的预测方法、模型训练方法及系统技术方案

本发明专利技术公开了一种用于出行数据预测的模型训练方法、模型训练系统、不同城市热度值的预测方法、预测系统、电子设备及存储介质，模型训练方法包括：获取关于多个目标城市的历史出行数据；提取特征数据；将特征数据划分为训练集及预测集；将训练集中的特征数据输入至深度机器学习模型中进行训练；将预测集中的特征数据进行预测以得到预测出行数据；判断预测出行数据与真实出行数据的相对误差是否小于误差阈值，若是，训练后的深度机器学习模型为出行数据预测模型。本发明专利技术利用历史出行数据，对深度机器学习模型训练以得到出行数据预测模型，从而可以对不同城市在未来的出行数据预测模型进行预测，进一步也为市场热度的预测提供了判断基础。

Prediction method, model training method and system of heat value in different cities

【技术实现步骤摘要】
不同城市热度值的预测方法、模型训练方法及系统
本专利技术涉及计算机信息
，特别涉及一种用于出行数据预测的模型训练方法、模型训练系统、不同城市热度值的预测方法、预测系统、电子设备及存储介质。
技术介绍
OTA(在线旅行代理)平台在移动互联网、云计算、大数据、人工智能、物联网和区块链等为代表的企业级信息技术和数据优势基础上提供了大量的数据服务。不同城市的热度主要体现在出行人数(包含飞机和火车)和酒店间夜量的变化上，不同城市的热度呈现出长期的季节性、趋势性及节假日高峰等趋势。由于规模较小(如经济性、舒适性、三星级)的酒店商家没有相应的信息技术的数据处理和分析能力，、而更多的依靠过往的经验性判断，从而无法较准确的预估出未来一段时间的出行到达人数和酒店间夜量的变化，从而可能因为高峰期的酒店预订量的超预期激增，由于商家没有提前设置合理的酒店房间房态和库存，造成用户预订过程中发生无房可订，预订成功但到店无房等各种服务缺陷。另外，没有通过合理的调整该时期的房价，也可能损失部分酒店营收。
技术实现思路
本专利技术要解决的技术问题本文档来自技高网...

【技术保护点】
1.一种用于出行数据预测的模型训练方法，其特征在于，包括下述步骤：/n获取OTA平台关于多个目标城市的历史出行数据，所述历史出行数据包括历史出行人数数据或者历史酒店间夜量数据；/n从所述历史出行数据中提取出特征数据，所述特征数据包括城市特征、日期特征、时间特征及同期历史表现特征，当所述历史出行数据包括历史酒店间夜量数据时，所述特征数据还包括规模特征，所述规模特征包括所述酒店位于的目标城市的商圈数量、所述酒店位于的目标城市的酒店数量及所述酒店的历史间夜量等级；/n将所述特征数据划分为训练集及预测集；/n将所述训练集中的特征数据输入至深度机器学习模型中进行训练；/n将所述预测集中的特征数据输入至训...

【技术特征摘要】
1.一种用于出行数据预测的模型训练方法，其特征在于，包括下述步骤：
获取OTA平台关于多个目标城市的历史出行数据，所述历史出行数据包括历史出行人数数据或者历史酒店间夜量数据；
从所述历史出行数据中提取出特征数据，所述特征数据包括城市特征、日期特征、时间特征及同期历史表现特征，当所述历史出行数据包括历史酒店间夜量数据时，所述特征数据还包括规模特征，所述规模特征包括所述酒店位于的目标城市的商圈数量、所述酒店位于的目标城市的酒店数量及所述酒店的历史间夜量等级；
将所述特征数据划分为训练集及预测集；
将所述训练集中的特征数据输入至深度机器学习模型中进行训练；
将所述预测集中的特征数据输入至训练后的深度机器学习模型中进行预测以得到预测出行数据；
判断预测出行数据与真实出行数据的相对误差是否小于误差阈值，若是，则训练后的深度机器学习模型为出行数据预测模型。


2.如权利要求1所述的模型训练方法，其特征在于，所述深度机器学习模型包括两层机器学习器，且第一层机器学习器的输出作为第二层机器学习器的输入；
将所述训练集中的特征数据输入至深度机器学习模型中进行训练的步骤包括；
将训练集中的特征数据输入至第一层机器学习器进行训练；
将预测集中的特征数据输入至训练后的第一层机器学习器进行预测以得到第一预测数据；
将所述第一预测数据划分为第一训练集及第一预测集；
将第一训练集中的第一预测数据输入至第二层机器学习器进行训练；
将所述预测集中的特征数据输入至训练后的深度机器学习模型中进行预测以得预测出行数据的步骤包括：
将第一预测集中的第一预测数据输入至训练后的第二层机器学习器进行预测以得到预测出行数据。


3.如权利要求2所述的模型训练方法，其特征在于，所述第一层机器学习器包括若干深度机器学习模型，
将所述训练集中的特征数据输入至深度机器学习模型中进行训练的步骤包括：
将训练集中的特征数据分别输入至所述第一层机器学习器中的每一深度机器学习模型进行训练；
将预测集中的特征数据分别输入至训练后的所述第一层机器学习器中的每一深度机器学习模型进行预测以得到若干第一预测数据；
将若干第一数据划分为多维第一训练集及多维第一预测集；
将多维第一训练集中的若干第一预测数据输入至所述第二层机器学习器中的深度机器学习模型进行训练；
将第一预测集中的第一预测数据输入至训练后的第二层机器学习器进行预测以得到预测出行数据的步骤包括：将多维第一预测集中的若干第一预测数据输入至训练后的所述第二层机器学习器中的深度机器学习模型进行预测以得到预测出行数据。


4.如权利要求3所述的模型训练方法，其特征在于，所述第一层机器学习器包括Xgboost模型、LightGBM模型、BayesianRidge模型、DecisionTreeRegressor模型及RandomForestRegressor模型；
和/或，
所述第二层机器学习器包括Xgboost模型。


5.一种不同城市热度值的预测方法，其特征在于，所述预测方法包括：
将待预测目标城市输入至利用权利要求1-4中任意一项所述的训练方法训练出的所述出行数据预测模型以获取在未来日期预设范围内所述待预测目标城市每天的出行数据，所述出行数据包括到达人数数据或者酒店间夜量数据；
将所述出行数据输入至预设映射函数以得到待预测城市的热度值等级；
所述映射函数包括若干热度值等级，每一热度值等级与一出行数据范围对应。


6.一种用于出行数据预测的模型训练系统，其特征在于，包括历史数据获取模块、特征数据提取模块、特征数据划分模块、训练模块、预测模块及误差判断模块；
所述历史数据获取模块用于获取OTA平台关于多个目标城市的历史出行数据，所述历史出行数据包括历史出行人数数据或者历史酒店间夜量数据；
所述特征数据提取模块用于从所述历史出行数据中提取出特征数据，所述特征数据包括城市特征、日期特征、时间特...

【专利技术属性】
技术研发人员：黎建辉，柳影波，郭海山，
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