酒店产量预测方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种酒店产量预测方法、系统、设备及存储介质，所述方法包括步骤：获取多个酒店的产量数据，所述产量数据包括历史产量数据、酒店属性特征数据以及当前预订进度数据；基于分位数回归模型构建分位数损失函数；构建初始深度学习网络模型；基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型；基于所述目标网络模型对多个酒店的未来一预设时段内的产量分别进行预测，输出各个酒店在所述预设时段内的产量值；本申请实现对多酒店的产量同时预测，并且提高了酒店产量预测的准确性。产量预测的准确性。产量预测的准确性。

【技术实现步骤摘要】
酒店产量预测方法、系统、设备及存储介质


[0001]本专利技术涉及人工智能
，具体地说，涉及一种酒店产量预测方法、系统、设备及存储介质。

技术介绍

[0002]现有技术中，对酒店的产量(即酒店客房等资源的销量)进行预测一般采用传统的时间序列模型或者神经网络模型LSTM(Long Short-Term Memory,长短期记忆人工神经网络)。但是传统时序模型很难综合考虑多个外生变量对最终产量的影响，并且其表达能力有限。而在酒店产量预测过程中，除时序特征外，还涉及到诸如预定进度特征、酒店所在竞争圈特征、酒店属性特征、日期特征等外生变量。所以此时传统时序模型的预测准确性就会明显较差。而神经网络模型LSTM在对多酒店进行预测的场景下其表达能力有限，无法实现同时对多酒店进行预测的场景使用。

技术实现思路

[0003]针对现有技术中的问题，本专利技术的目的在于提供一种酒店产量预测方法、系统、设备及存储介质，既能实现对多酒店的产量同时预测，又能提高酒店产量预测的准确性。
[0004]为实现上述目的，本专利技术提供了一种酒店产量预测方法，所述方法包括以下步骤：
[0005]获取多个酒店的产量数据；
[0006]基于分位数回归模型构建分位数损失函数；
[0007]构建初始深度学习网络模型；
[0008]基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型；
[0009]基于所述目标网络模型对多个酒店的未来一预设时段内的产量分别进行预测，输出各个酒店在所述预设时段内的产量值。
[0010]可选地，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：
[0011]对每一酒店的所述产量数据进行向量化操作，得到归属于一酒店的多个特征向量；
[0012]对所述特征向量分别进行特征低阶交叉和特征高阶交叉，分别得到第一预测值和第二预测值；
[0013]对所述第一预测值和第二预测值进行加权求和，得到初始预测结果，并对所述初始预测结果利用预设激活函数进行归一化操作，得到预测概率值；
[0014]将所述预测概率值和预设的真实结果值作为所述分位数损失函数的输入，得到目标网络模型。
[0015]可选地，所述初始深度学习网络模型中包含有DNN模型，所述对所述特征向量分别进行特征低阶交叉和特征高阶交叉，分别得到第一预测值和第二预测值的步骤包括：
[0016]从所有的所述特征向量中任选两个特征向量进行组合，形成多个特征向量集合，每一所述特征向量集合中包含有两个特征向量；
[0017]对所有的所述特征向量集合分别进行内积运算，得到第一预测值；
[0018]将所有的所述特征向量作为所述DNN模型的输入，得到第二预测值。
[0019]可选地，所述目标网络模型中包含分位数，不同酒店对应的目标网络模型中的分位数不同。
[0020]可选地，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：
[0021]对于每一酒店，将多个预设分位数分别作为所述分位数损失函数的输入，训练生成归属于同一酒店的多个不同的第二网络模型，每一所述第二网络模型对应一所述预设分位数；
[0022]基于过去N天的所述产量数据作为测试集，对所述多个不同的第二网络模型分别进行测试，将得到的预测值与真实产量值差值最小的所述第二网络模型，作为所述酒店对应的目标网络模型；所述过去N天的所述产量数据包含所述真实产量值。
[0023]可选地，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：
[0024]依据每一酒店的所述产量数据中包含的特征，生成每一特征对应的特征ID；
[0025]依据所述特征和所述特征ID，生成特征字典文件；
[0026]将所述特征字典文件存储至所述目标网络模型中。
[0027]可选地，每一条所述产量数据包括特征和与所述特征对应的特征值；所述初始深度学习网络模型具有多个参数；每一所述特征匹配一个所述参数；且每一所述特征匹配一所述特征向量；
[0028]所述对所有的所述特征向量集合分别进行内积运算，得到第一预测值的步骤包括：依据低阶交叉函数对每一特征向量集合分别进行内积运算；
[0029]所述低阶交叉函数为：
[0030][0031]其中，
[0032]y1表示所述第一预测值，w0表示所述初始深度学习网络模型的第一个参数，w
i
表示所述初始深度学习网络模型的第i个参数，m表示每一条所述产量数据的特征总数，x
i
表示每一条所述产量数据中第i个特征对应的特征值，<v
i
,v
j
>表示特征向量v
i
和v
j
的内积，v
i
表示每一条所述产量数据中第i个特征对应的特征向量，v
j
表示每一条所述产量数据中第j个特征对应的特征向量，x
j
表示每一条所述产量数据中第j个特征对应的特征值，v
i,f
表示特征向量v
i
中的第f个元素，v
j,f
表示特征向量v
j
中的第f个元素，k表示特征向量v
i
中的元素总数。
[0033]可选地，所述分位数损失函数为：
[0034][0035]其中，n表示所述产量数据的总数量，q表示预设分位数，y
′
p
表示第p条所述产量数据的预测值，y
p
表示第p条所述产量数据的真实产量值，L表示总损失值。
[0036]可选地，所述方法还包括步骤：
[0037]基于当前时段的酒店产量数据对所述多个酒店的产量数据进行更新；
[0038]基于更新后的产量数据，再次训练所述初始深度学习网络模型，得到更新后的目标网络模型以及更新后的所述分位数。
[0039]可选地，所述产量数据包括历史产量数据、酒店属性特征数据以及当前预订进度数据；所述酒店属性特征数据包括酒店星级、房型等级和酒店所在城市数据，所述产量数据还包括历史预订进度数据、当前取消进度、酒店所在竞争圈特征和日期特征。
[0040]本专利技术还提供了一种酒店产量预测系统，用于实现上述酒店产量预测方法，所述系统包括：
[0041]产量数据获取模块，用于获取多个酒店的产量数据，所述产量数据包括历史产量数据、酒店属性特征数据以及当前预订进度数据；
[0042]损失函数构建模块，基于分位数回归模型构建分位数损失函数；
[0043]模型构建模块，用于构建初始深度学习网络模型；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种酒店产量预测方法，其特征在于，包括以下步骤：获取多个酒店的产量数据；基于分位数回归模型构建分位数损失函数；构建初始深度学习网络模型；基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型；基于所述目标网络模型对多个酒店的未来一预设时段内的产量分别进行预测，输出各个酒店在所述预设时段内的产量值。2.如权利要求1所述的酒店产量预测方法，其特征在于，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：对每一酒店的所述产量数据进行向量化操作，得到归属于一酒店的多个特征向量；对所述特征向量分别进行特征低阶交叉和特征高阶交叉，分别得到第一预测值和第二预测值；对所述第一预测值和第二预测值进行加权求和，得到初始预测结果，并对所述初始预测结果利用预设激活函数进行归一化操作，得到预测概率值；将所述预测概率值和预设的真实结果值作为所述分位数损失函数的输入，得到目标网络模型。3.如权利要求2所述的酒店产量预测方法，其特征在于，所述初始深度学习网络模型中包含有DNN模型，所述对所述特征向量分别进行特征低阶交叉和特征高阶交叉，分别得到第一预测值和第二预测值的步骤包括：从所有的所述特征向量中任选两个特征向量进行组合，形成多个特征向量集合，每一所述特征向量集合中包含有两个特征向量；对所有的所述特征向量集合分别进行内积运算，得到第一预测值；将所有的所述特征向量作为所述DNN模型的输入，得到第二预测值。4.如权利要求1所述的酒店产量预测方法，其特征在于，所述目标网络模型中包含分位数，不同酒店对应的目标网络模型中的分位数不同。5.如权利要求1所述的酒店产量预测方法，其特征在于，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：对于每一酒店，将多个预设分位数分别作为所述分位数损失函数的输入，训练生成归属于同一酒店的多个不同的第二网络模型，每一所述第二网络模型对应一所述预设分位数；基于过去N天的所述产量数据作为测试集，对所述多个不同的第二网络模型分别进行测试，将得到的预测值与真实产量值差值最小的所述第二网络模型，作为所述酒店对应的目标网络模型；所述过去N天的所述产量数据包含所述真实产量值。6.如权利要求1所述的酒店产量预测方法，其特征在于，所述基于所述分位数损失函数和所述多个酒店的产量数据，训练所述初始深度学习网络模型，分别得到各个酒店对应的目标网络模型的步骤包括：
依据每一酒店的所述产量数据中包含的特征，生成每一特征对应的特征ID；依据所述特征和所述特征ID，生成特征字典文件；将所述特征字典文件存储至所述目标网络模型中。7.如权利要求3所述的酒店产量预测方法，其特征在于，每一条所述产量数据包括特征和与所述特征对应的特征值；所述初始深度学习网络模型具有多个参数；每一所述特征匹配一个所述参数；且每一所述特征匹配一所述特征向量；所述对所有的所述特征向量集合分别进行内积运算，得到第一预测值的步骤包括：依据低阶交叉函数对每一特征向量集合分别进行内积运算；...

【专利技术属性】
技术研发人员：林晨，褚煜佳，李鹤，孙刚，
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：