基于LSTM模型的酒店间夜量预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于LSTM模型的酒店间夜量预测方法、系统、设备及介质，其中基于LSTM模型的酒店间夜量的预测方法，包括以下步骤：获取酒店在预设时间段内的非节假日历史间夜量数据；根据间夜量数据构造滑窗提取特征数据；将特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型；将待预测的非节假日历史间夜量数据输入第一模型中，输出预测结果，根据预测结果对酒店间夜量进行审核。本发明专利技术实现了较为准确的预估未来一段时间待审核的酒店间夜量变化，解决了夜间或者节假日的酒店预定量超期激增的问题。

The method, system, equipment and medium of night volume prediction in hotel rooms based on LSTM model

【技术实现步骤摘要】
基于LSTM模型的酒店间夜量预测方法、系统、设备及介质
本专利技术属于数据处理
，具体涉及一种基于LSTM模型的酒店间夜量预测方法、系统、设备及介质。
技术介绍
酒店商家利用OTA平台(OnlineTravelAgency，在线旅游)在网上进行酒店的预定。酒店供应商的财务部每日审核的酒店间夜量呈现出长期的季节性、趋势性及节假日高峰期等趋势。目前，缺乏专业的人工智能或者大数据等专业的技术，更多的依靠过往的经验性进行判断。因而无法较为准确的预估未来一段时间待审核的酒店间夜量的变化，当酒店未合理的安排员工审核夜间入住情况，或者客户提前预订成功预定但是到酒店却无空房等情况，造成夜间或者节假日的酒店预定量超期激增的现象，最终造成酒店预订服务质量下降的问题。因此，如何提供一种有效的可以准确预测酒店审核工作量的方法是目前亟待解决的问题。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中无法准确估计酒店审核工作量的缺陷，提供一种基于LSTM模型的酒店间夜量预测方法、系统、设备及介质。本专利技术是通过下述技术方案来解决上述技术问题：第一方面，本专利技术提供一种基于LSTM模型的酒店间夜量的预测方法，所述方法包括：获取酒店在预设时间段内的非节假日历史间夜量数据；其中，所述预设时间为由若干时间步长相同的时间区域构成的时间序列；根据所述间夜量数据构造滑窗提取特征数据；将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型；将待预测的非节假日历史间夜量数据输入所述第一模型中，输出预测结果，根据所述预测结果对酒店间夜量进行审核。较佳地，所述根据所述间夜量数据构造滑窗提取特征数据，包括：获取所述间夜量数据中的日期数据和历史间夜量维度数据；根据所述日期数据和所述历史间夜量维度数据构造日期特征。较佳地，所述将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型，包括：将待预测的特征数据按照训练数据格式进行转换；其中，所述数据格式为列名和索引对应的数据格式；将经过数据格式转换后的特征数据输入LSTM模型进行训练；调取最优参数的训练模型进行预测，根据所述训练模型误差对预测值进行修正；将进行修正后的预测值作为下一个预测日期的特征数据，滚动预测直至预测结束，得到所述第一模型。较佳地，所述方法还包括：循环预测未来N天的酒店间夜量，根据预测结果对酒店间夜量进行审核。第二方面，本专利技术还提供一种基于LSTM模型的酒店间夜量的预测系统，包括：获取模块，用于获取酒店在预设时间段内的非节假日历史间夜量数据；其中，所述预设时间为由若干时间步长相同的时间区域构成的时间序列；提取模块，用于根据所述间夜量数据构造滑窗提取特征数据；转换模块，用于将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型；输出模块，用于将待预测的非节假日历史间夜量数据输入所述第一模型中，输出预测结果，根据所述预测结果对酒店间夜量进行审核。较佳地，所述提取模块，包括：获取单元，用于获取所述间夜量数据中的日期数据和历史间夜量维度数据；构造单元，用于根据所述日期数据和所述历史间夜量维度数据构造日期特征。较佳地，所述转换模块，包括：转换单元，用于将待预测的特征数据按照训练数据格式进行转换；其中，所述数据格式为列名和索引对应的数据格式；训练单元，用于将经过数据格式转换后的特征数据输入LSTM模型进行训练；修正单元，用于调取最优参数的训练模型进行预测，根据所述训练模型误差对预测值进行修正；滚动单元，用于将进行修正后的预测值作为下一个预测日期的特征数据，滚动预测直至预测结束，得到所述第一模型。较佳地，所述系统还包括：审核模块，用于循环预测未来N天的酒店间夜量，根据预测结果对酒店间夜量进行审核。第三方面，本专利技术提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的任一项所述的基于LSTM模型的酒店间夜量的预测方法。第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述的任一项所述的基于LSTM模型的酒店间夜量的预测方法。本专利技术的积极进步效果在于：提供一种基于LSTM模型的酒店间夜量的预测方法，获取酒店在预设时间段内的非节假日历史间夜量数据；根据所述间夜量数据构造滑窗提取特征数据，将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型，将待预测的非节假日历史间夜量数据输入所述第一模型中，输出预测结果，根据所述预测结果对酒店间夜量进行审核。本专利技术实现了较为准确的预估未来一段时间待审核的酒店间夜量变化，解决了夜间或者节假日的酒店预定量超期激增的问题。附图说明图1为本专利技术实施例1的基于LSTM模型的酒店间夜量预测方法的流程图。图2为本专利技术实施例1的基于LSTM模型的酒店间夜量预测方法的步骤S12的流程图。图3为本专利技术实施例1的基于LSTM模型的酒店间夜量预测方法的步骤S13的流程图。图4为本专利技术实施例2的基于LSTM模型的酒店间夜量的预测系统的模块示意图。图5为本专利技术实施例3的电子设备的硬件结构示意图。具体实施方式下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。实施例1本实施例提供一种基于LSTM模型的酒店间夜量预测方法，参照图1，该方法包括以下步骤：步骤S11、获取酒店在预设时间段内的非节假日历史间夜量数据；其中，预设时间为由若干时间步长相同的时间区域构成的时间序列。财务部每日审核的酒店间夜量呈现出长期的季节性、趋势性及节假日高峰等趋势。由于缺乏专业的人工智能技术，更多的依靠过往的经验性判断，从而无法较为准确的预估出未来一段时间需要审核的酒店间夜量的变化，从而可能因为高峰期的酒店预订量的超预期激增，由于酒店没有提前安全合理的员工审核间夜量，造成预订过程中发生问题以及预订成功但到店无房等各种服务缺陷。由于每年的节假日如五一、十一等所对应的具体日期存在变化，同时审核间夜量存在周期性波动，为了减少数据周期性波动给模型预测带来的难度，故采取非节假日和节假日预测两种模式，其中非节假日预测模型剔除节假日数据，节假日预测模型则只考虑节假日历史两年的数据。本实施例中，酒店在预设时间段内的节假日模式采用历史两年同节假日对应日期的数据的调和均值代替。例如，2019年10月1日的间夜量预测值用2018年10月1日和2017年10月1日的调和均值代替，本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型的酒店间夜量的预测方法，其特征在于，包括以下步骤：/n获取酒店在预设时间段内的非节假日历史间夜量数据；其中，所述预设时间为由若干时间步长相同的时间区域构成的时间序列；/n根据所述间夜量数据构造滑窗提取特征数据；/n将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型；/n将待预测的非节假日历史间夜量数据输入所述第一模型中，输出预测结果，根据所述预测结果对酒店间夜量进行审核。/n

【技术特征摘要】
1.一种基于LSTM模型的酒店间夜量的预测方法，其特征在于，包括以下步骤：
获取酒店在预设时间段内的非节假日历史间夜量数据；其中，所述预设时间为由若干时间步长相同的时间区域构成的时间序列；
根据所述间夜量数据构造滑窗提取特征数据；
将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型；
将待预测的非节假日历史间夜量数据输入所述第一模型中，输出预测结果，根据所述预测结果对酒店间夜量进行审核。


2.如权利要求1所述的基于LSTM模型的酒店间夜量的预测方法，其特征在于，所述根据所述间夜量数据构造滑窗提取特征数据，包括：
获取所述间夜量数据中的日期数据和历史间夜量维度数据；
根据所述日期数据和所述历史间夜量维度数据构造日期特征。


3.如权利要求1所述的基于LSTM模型的酒店间夜量的预测方法，其特征在于，所述将所述特征数据按照预设规则转换成预设的数据格式输入LSTM模型进行训练，得到具有酒店间夜量预测能力的第一模型，包括：
将待预测的特征数据按照训练数据格式进行转换；其中，所述数据格式为列名和索引对应的数据格式；
将经过数据格式转换后的特征数据输入LSTM模型进行训练；
调取最优参数的训练模型进行预测，根据所述训练模型误差对预测值进行修正；
将进行修正后的预测值作为下一个预测日期的特征数据，滚动预测直至预测结束，得到所述第一模型。


4.如权利要求1所述的基于LSTM模型的酒店间夜量的预测方法，其特征在于，所述方法还包括：
循环预测未来N天的酒店间夜量，根据预测结果对酒店间夜量进行审核。


5.一种基于LSTM模型的酒店间夜量的预测系统，其特征在于，包括：
获取模块，用于获取酒店在预设时间段内的非节假日历史间夜量数据；其中，所述预设时间为由若干时间步长相同的时间区域构成的时间序列；
提取模块，...

【专利技术属性】
技术研发人员：黎建辉，胡泓，
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