基于多目标群优化的旅游套餐推荐方法、装置及存储介质制造方法及图纸

本发明专利技术提出了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。它通过实现供应商库存分级，避免因无法预订库存资源导致打包套餐退费产生的经济损失。发明专利技术中，固定预留库存作为最高优先级，即可以调整其权重，库存作为一个标签参数，赋予其高权重。利用智能优化算法，以损失最小为优化目标，进行多个因子优化建模。同时，采用人工智能的方法来校正跨业态的产品的各个参数的权重，最终优化打包产品的排序结果。产品的排序结果。产品的排序结果。

【技术实现步骤摘要】
基于多目标群优化的旅游套餐推荐方法、装置及存储介质


[0001]本专利技术涉及人工智能
，具体涉及一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。

技术介绍

[0002]在旅游行业，有许多在线旅游平台提供机票、酒店和其他旅游服务的预订服务。这些平台通常根据用户的搜索条件，提供一系列的产品供用户选择。然而，这些平台的推荐策略通常基于单一的目标，例如价格，这意味着他们会忽略其他重要的因素，如出发时间，座位等级等。此外，这些平台往往没有考虑到库存问题，导致了无法预订库存资源导致的退费情况。因此，现有的推荐策略存在一些缺陷，导致旅游套餐推荐的匹配程度不足，不能全面满足用户的需求。

技术实现思路

[0003]本申请提供了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质，用于解决现有技术中旅游套餐推荐的匹配程度不足的问题。
[0004]鉴于上述问题，本申请提供了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。
[0005]本申请实施例提供一种基于多目标群优化的旅游套餐推荐方法，包括：获取用户搜索旅游套餐的历史数据；基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；采用人工智能模型校正所述优化后的目标因子的权重；基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户；其中，所述基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或Z
‑
分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；
评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或Z
‑
分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。
[0006]可选地，所述旅游套餐为机票和酒店的组合，则采用最大最小归一化方法对每一个产品的属性进行标准化，包括：收集机票和酒店的数据；将所述机票和酒店的数据进行预处理；使用最大最小归一化来标准化预处理后的所述机票和酒店的数据，最大最小归一化公式如下：m
new
代表某一属性标准化后的值，m
max
和m
min
分别是该属性所有数据中的最大值和最小值，m代表该属性原始值，为自定义校正因子。
[0007]可选地，若所述产品属性为价格，则所述定义目标函数，包括：定义所述目标函数f(x)：f(x)=Price(x)
‑
Reserved(x)；；其中，R为自定义正整数，解x为旅游套餐，Price(x)为旅游套餐x的价格；所述利用适应度函数来评估所述解的质量，包括：定义适应度函数为f
fit
(x)=w1×
f1(x)+w2×
f2(x)+
⋯
+w
n
×
f
n
(x)，其中 w
i
是第 i 个目标函数的权重，f
i
(x)是第i个目标函数的值，i为正整数，n为自定义正整数，且i范围为(1,n)；对于每个解x，计算目标函数的值f
i
(x)；基于所述目标函数的值，计算适应度f
fit
(x)，所述适应度f
fit
(x)用于评估所述解x的质量；所述根据适应度函数的值选择最优的解，并更新所述解的群体，包括：根据所述适应度函数的值选择最优的解；随机选择多个第一解，然后交换所述多个第一解的一部分特征，生成多个第二解；随机选择一个第三解，然后随机改变所述第三解的一部分特征，生成一个第四解；重新计算适应度，并重新根据所述适应度函数的值选择最优的解。
[0008]可选地，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：
收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建回归模型，使用所述历史数据训练所述回归模型，以使所述回归模型学习每个所述产品属性与对应的所述等值价格之间的关系；训练完成后，所述训练好的回归模型输出所述每个产品属性的权重；使用所述每个产品属性的权重来预测不同产品组合的等值价格，并按照所述等值价格排序。
[0009]可选地，所述回归模型为线性回归，所述每个产品属性的权重是所述线性模型的系数，则使用所述历史数据训练所述回归模型，包括：将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集输入所述线性回归模型，所述线性回归模型表示为：y=β0+β1h1+β2h2+
⋯
+β
n
h
n
+
ϵ
，其中y是等值价格，h1,h2,
…
,h
n
是产品属性，β0,β1,
…
,β
n
是权重，
ϵ 是误差项，n是自定义正整数。
[0010]可选地，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：采用人工智能级联模型校正所述优化后的目标因子的权重，或采用人工智能并联模型校正所述优化后的目标因子的权重；其中，所述采用人工智能级联模型校正所述优化后的目标因子的权重，包括：收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建线性回归模型；将所述历史数据输入所述线性回归模型，并让所述线性回归模型学习产品属性与等值价格之间的关系；将所述线性回归模型输出的预测结果和实际的等值价格一同输入所述决策树回归模型，让所述决策树回归模型学习预测结果和实际结果之间的关系；将所述决策树回归模型输出的预测结果和实际的等值价格一同输入向量回归SVR模型，让所述SVR模型学习预测结果和实际结果之间的关系；从所述SVR模型中获取每个产品属性的权重；其中，所述采用人工智能并联模型校正所述优化后的目标因子的权重，包括：选择线性回归模型、决策树回归模型和向量回归SVR模型作为并联模型；将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集分别输入所述线性回归模型、决策树回归模型和SVR模型，让所述线性回归模型、决策本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标群优化的旅游套餐推荐方法，其特征在于，包括：获取用户搜索旅游套餐的历史数据；基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；采用人工智能模型校正所述优化后的目标因子的权重；基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户；其中，所述基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或Z
‑
分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或Z
‑
分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。2.根据权利要求1所述的方法，其特征在于，所述旅游套餐为机票和酒店的组合，则采用最大最小归一化方法对每一个产品的属性进行标准化，包括：收集机票和酒店的数据；将所述机票和酒店的数据进行预处理；使用最大最小归一化来标准化预处理后的所述机票和酒店的数据，最大最小归一化公式如下：m
new
代表某一属性标准化后的值，m
max
和m
min
分别是该属性所有数据中的最大值和最小值，m代表该属性原始值，为自定义校正因子。3.根据权利要求1所述的方法，其特征在于，若所述产品属性为价格，则所述定义目标函数，包括：
定义所述目标函数f(x)：f(x)=Price(x)
‑
Reserved(x)；；其中，R为自定义正整数，解x为旅游套餐，Price(x)为旅游套餐x的价格；所述利用适应度函数来评估所述解的质量，包括：定义适应度函数为f
fit
(x)=w1×
f1(x)+w2×
f2(x)+
⋯
+w
n
×
f
n
(x)，其中 w
i
是第 i 个目标函数的权重，f
i
(x)是第i个目标函数的值，i为正整数，n为自定义正整数，且i范围为(1,n)；对于每个解x，计算目标函数的值f
i
(x)；基于所述目标函数的值，计算适应度f
fit
(x)，所述适应度f
fit
(x)用于评估所述解x的质量；所述根据适应度函数的值选择最优的解，并更新所述解的群体，包括：根据所述适应度函数的值选择最优的解；随机选择多个第一解，然后交换所述多个第一解的一部分特征，生成多个第二解；随机选择一个第三解，然后随机改变所述第三解的一部分特征，生成一个第四解；重新计算适应度，并重新根据所述适应度函数的值选择最优的解。4.根据权利要求1所述的方法，其特征在于，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建回归模型，使用所述历史数据训练所述回归模型，以使所述回归模型学习每个所述产品属性与对应的所述等值价格之间的关系；训练完成后，所述训练好的回归模型输出所述每个产品属性的权重；使用所述每个产品属性的权重来预测不同产品组合的等值价格，并按照所述等值价格排序。5.根据权利要求4所述的方法，其特征在于，所述回归模型为线性回归，所述每个产品属性的权重...

【专利技术属性】
技术研发人员：王文林，
申请(专利权)人：贵州优特云科技有限公司，
类型：发明
国别省市：