酒店数据映射规则生成方法、装置、设备及存储介质与流程

1.本技术涉及酒店管理技术领域，特别是涉及一种酒店数据映射规则生成方法、装置、设备及存储介质。


背景技术：

2.随着互联网的高速发展，酒店行业已经高度在线化，消费者可通过各种酒店ota平台在线预订酒店，该种便捷的酒店预订方式也越来越受到消费者的认可。而为了保证消费者的良好体验，酒店房态房量价格信息需要通过互联网在上下游供应商和分销商的系统之间进行同步，从而避免出现房间超订的情况。
3.通常地，酒店数据的同步映射主要包括全量数据同步和增量数据同步两种方案，全量数据同步是通过获取所有酒店的所有酒店数据信息，并一次性进行同步；增量数据同步是指只获取发生变化的酒店数据信息并进行同步。但是，不管是全量数据同步还是增量数据同步，在短时间内一次性同步的数据量比较大，对服务器的压力比较大，而且同步所消耗的时长较长，容易导致平台服务器崩溃。


技术实现要素：

4.本技术提供一种酒店数据映射规则生成方法、装置、设备及存储介质，以解决现有酒店数据同步时一次性同步数据量大、系统资源分配不合理的问题。
5.为解决上述技术问题，本技术采用的一个技术方案是：提供一种酒店数据映射规则生成方法，包括：基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于酒店维度统计目标区域所有房型的第二历史订单数据；根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度，第一预测模型根据每种房型的历史订单数据训练得到；根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度，第二预测模型根据每个酒店的历史订单数据训练得到；结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则。
6.作为本技术的进一步改进，根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度，包括：从第一历史订单数据中获取所有酒店每种房型的第一历史成交数据和第一历史浏览数据；根据第一历史成交数据和预先训练好的第一成交数预测模型预测得到待预测时间段内各种房型的第一预测成交数据，第一成交数预测模型根据每种房型的历史成交数据训练得到；根据第一历史浏览数据和预先训练好的第一浏览数预测模型预测得到待预测时间段内各种房型的第一预测浏览数据，第一浏览数预测模型根据每种房型的历史浏览数据训练得到；计算第一预测成交数据和第一预测浏览数据的第一比值，并将第一比值作为各种房型的预测房型热度。
7.作为本技术的进一步改进，根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度，包括：从第二历史订单数据中获取各个
酒店所有房型的第二历史成交数据和第二历史浏览数据；根据第二历史成交数据和预先训练好的第二成交数预测模型预测得到待预测时间段内各个酒店的第二预测成交数据，第二成交数预测模型根据每个酒店的历史成交数据训练得到；根据第二历史浏览数据和预先训练好的第二浏览数预测模型预测得到待预测时间段内各个酒店的第二预测浏览数据，第二浏览数预测模型根据每个酒店的历史浏览数据训练得到；计算第二预测成交数据和第二预测浏览数据的第二比值，并将第二比值作为各个酒店的预测酒店热度。
8.作为本技术的进一步改进，结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则，包括：将每种房型的预测房型热度进行数据归一化处理，并根据归一化处理后的数据确认每种房型对应的第一预设同步频率；将每个酒店的预测酒店热度进行数据归一化处理，并根据归一化处理后的数据确认每个酒店对应的第二预设同步频率；对每个酒店的每种房型对应的第一预设同步频率和第二预设同步频率按预设权重值进行累加，得到每个酒店的每种房型的最终同步频率；根据最终同步频率为每个酒店的每种房型设定房态信息映射规则。
9.作为本技术的进一步改进，基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于酒店维度统计目标区域所有房型的第二历史订单数据之前，还包括：获取所有酒店的地址信息；根据地址信息对所有酒店进行k-means聚类，得到多个聚类簇；根据多个聚类簇将对所有酒店进行区域划分，每个聚类簇对应一个区域。
10.作为本技术的进一步改进，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则之后，还包括：检测到当前时刻处于待预测时间段范围内时，根据房态信息映射规则向酒店供应商平台拉取每个酒店每种房型的房态信息进行同步。
11.作为本技术的进一步改进，根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度之后，还包括：获取每个酒店的标签信息；根据标签信息对每个酒店进行评分，得到每个酒店的评分值；将每个酒店根据预测酒店热度和评分值分别进行排序，得到基于预测酒店热度的第一排序和基于评分值的第二排序；根据第一排序和第二排序确认预测酒店热度的置信度；根据预测酒店热度的置信度确认每个酒店对应的预设修正系数，并利用预设修正系数修正预测酒店热度。
12.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种酒店数据映射规则生成装置，包括：获取模块，用于基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于酒店维度统计所述目标区域所有房型的第二历史订单数据；第一预测模块，用于根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度，第一预测模型根据每种房型的历史订单数据训练得到；第二预测模块，用于根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度，第二预测模型根据每个酒店的历史订单数据训练得到；设定模块，用于结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则。
13.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行上述的酒店数据映射规则生成方法的步骤。
14.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述酒店数据映射规则生成方法的程序指令。
15.本技术的有益效果是：本技术的酒店数据映射规则生成方法通过基于房型维度和酒店维度分别对待预测时间段的房型热度和酒店热度进行热度预测，得到预测房型热度和预测酒店热度，再根据预测房型热度和预测酒店热度对每个酒店的每种房型设定房态信息映射规则，从而实现了从房型维度和酒店维度对每个酒店的每种房型进行多维度的综合性评估，再根据评估结果设置不同同步频率的房态信息映射规则，将“一次性”同步过程分割为不同时间点分别同步的方式，使得系统资源能够得到合理利用，同时还不会对服务器造成过大的压力。
附图说明
16.图1是本发明实施例的酒店数据映射规则生成方法的流程示意图；
17.图2是本发明实施例的酒店数据映射规则生成装置的功能模块示意图；
18.图3是本发明实施例的计算机设备的结构示意图；
19.图4是本发明实施例的存储介质的结构示意图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
23.图1是本发明实施例的酒店数据映射规则生成方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
24.步骤s101：基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于
酒店维度统计所述目标区域所有房型的第二历史订单数据。
25.在步骤s101中，基于房型维度统计所有酒店的第一历史订单数据是指按房型对目标区域内所有酒店的历史订单数据进行统计，从而获得每种房型的所有历史订单数据，得到第一历史订单数据。而基于酒店维度统计所有房型的第二历史订单数据是指统计目标区域内每个酒店的所有房型的历史订单数据，从而得到每个酒店的第二历史订单数据。
26.需要说明的是，在进行历史订单数据统计时，截取最近一段时间的历史订单数据，例如，截取最近六个月的历史订单数据或者最近三个月的历史订单数据。该历史订单数据包括了目标区域内所有酒店每种房型的成交数据，还包括所有酒店每种房型的浏览数据。
27.本实施例中，在一定的区域范围内，客户对于酒店房型的需要可能比较接近，以此即可按对房型的需求分析该区域范围内各种房型的热度，例如，对于旅游风景区的酒店，由于旅游的人员通常是多个或成团体的，客户对双人房房型的需求会高于对单人房房型的需求，因此，双人房房型在该区域的热度就会高于单人房房型的热度。因此，可以通过区域范围内的房型预订情况来分析该区域的房型热度。而酒店的热度则可直接通过各个酒店的所有房型的历史订单数据进行反应。
28.进一步的，步骤s101之前，还包括：
29.1、获取所有酒店的地址信息。
30.2、根据地址信息对所有酒店进行k-means聚类，得到多个聚类簇。
31.3、根据多个聚类簇将对所有酒店进行区域划分，每个聚类簇对应一个区域。
32.具体地，在得到各个酒店的地址信息后，将每个酒店的地理位置作为一个点，随机选取k个点作为初始聚类中心，然后计算其它点到各聚类中心的距离，把其它点归到离它最近的那个聚类中心所在的类；计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心，再反复执行以新的聚类中心对点进行聚类，并调整聚类中心的位置，直至聚类中心不再进行大范围的移动或者聚类次数达到预设要求时为止，最终得到多个聚类簇。每个聚类簇所覆盖的区域即划分的区域。在进行区域划分后，实施本实施例的酒店数据映射规则生成方法时，从该划分的多个区域中选取目标区域，再执行该酒店数据映射规则生成方法。
33.步骤s102：根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度，第一预测模型根据每种房型的历史订单数据训练得到。
34.具体地，在得到第一历史订单数据后，将该第一历史订单数据输入至第一预测模型进行预测，从而得到各种房型在未来时刻的预测房型热度。其中，该第一预测模型根据每种房型的历史订单数据训练得到。
35.进一步的，步骤s102具体包括：
36.1、从第一历史订单数据中获取所有酒店每种房型的第一历史成交数据和第一历史浏览数据。
37.具体地，第一历史订单数据包括第一历史成交数据和第一历史浏览数据，第一历史成交数据是指客户从平台上下单该种房型并成功入住的次数，历史浏览数据是指客户在平台上点击浏览该种房型的次数。
38.2、根据第一历史成交数据和预先训练好的第一成交数预测模型预测得到待预测时间段内各种房型的第一预测成交数据，第一成交数预测模型根据每种房型的历史成交数
据训练得到。
39.3、根据第一历史浏览数据和预先训练好的第一浏览数预测模型预测得到待预测时间段内各种房型的第一预测浏览数据，第一浏览数预测模型根据每种房型的历史浏览数据训练得到。
40.4、计算第一预测成交数据和第一预测浏览数据的第一比值，并将第一比值作为各种房型的预测房型热度。
41.需要说明的是，每种房型的成交次数和浏览次数的比值即可视为该房型的预订成功率。本实施例中，在得到各种房型的第一预测成交数据和第一预测浏览数据后，计算第一预测成交数据和第一预测浏览数据的第一比值，利用该第一比值作为反应未来时刻各种房型热度的参考数据，得到预测房型热度。
42.步骤s103：根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度，第二预测模型根据每个酒店的历史订单数据训练得到。
43.具体地，在得到第二历史订单数据后，将该第二历史订单数据输入至第二预测模型进行预测，从而得到各个酒店在未来时刻的预测酒店热度。其中，该第二预测模型根据每个酒店的历史订单数据训练得到。
44.进一步的，步骤s103具体包括：
45.1、从第二历史订单数据中获取各个酒店所有房型的第二历史成交数据和第二历史浏览数据。
46.具体地，第二历史订单数据包括第二历史成交数据和第二历史浏览数据，第二历史成交数据是指客户从平台上下单该酒店并成功入住的次数，历史浏览数据是指客户在平台上点击浏览该酒店的次数。
47.2、根据第二历史成交数据和预先训练好的第二成交数预测模型预测得到待预测时间段内各个酒店的第二预测成交数据，第二成交数预测模型根据每个酒店的历史成交数据训练得到。
48.3、根据第二历史浏览数据和预先训练好的第二浏览数预测模型预测得到待预测时间段内各个酒店的第二预测浏览数据，第二浏览数预测模型根据每个酒店的历史浏览数据训练得到。
49.4、计算第二预测成交数据和第二预测浏览数据的第二比值，并将第二比值作为各个酒店的预测酒店热度。
50.需要说明的是，每个酒店的成交次数和浏览次数的比值即可视为该酒店的预订成功率。本实施例中，在得到各个酒店的第二预测成交数据和第二预测浏览数据后，计算第二预测成交数据和第二预测浏览数据的第二比值，利用该第二比值作为反应未来时刻各个酒店热度的参考数据，得到预测酒店热度。
51.进一步的，本实施例中，所述方法还包括：
52.根据每种房型的历史订单数据所构建的第一样本集和第一测试集训练第一预测模型。
53.根据每个酒店的历史订单数据所构建的第二样本集和第二测试集训练第二预测模型。
54.其中，第一预测模型包括第一成交数预测模型和第一浏览数预测模型，第二预测
模型包括第二成交数预测模型和第二浏览数预测模型。
55.需要说明的是，本实施例中的预测模型均基于时间序列的自回归模型进行构建，各种房型或各个酒店的历史成交次数和历史浏览次数中隐藏了酒店预订的发生规律，通过历史成交次数的时间序列或历史浏览次数的时间序列训练得到的预测模型能够用于表达这些规律，从而对未来时刻的成交次数或浏览次数进行精准预测。
56.进一步的，通常情况下，房型的热度是针对于所有酒店的，在酒店数量较多的情况下，房型热度受单一酒店的历史订单数据影响较小，而酒店的热度是针对于单一酒店的，因此，酒店的热度受外界的影响大，容易导致酒店预订产生较大幅度的波动，例如酒店营销活动可能会促使酒店的预订数据激增，考虑到酒店的历史成交量和历史浏览量可能会因此而产生较大幅度的波动，从而导致根据该批历史数据分析得到的预测酒店热度不够准确，因此，为了提高对酒店热度预测的准确性，本实施例中，在得到预测酒店热度后，还包括：
57.1、获取每个酒店的标签信息。
58.具体地，标签信息可利用预先训练好的语义识别算法对客户的评论信息进行语义识别，从而得到评论信息中所包括的语义特征信息，再将语义特征信息与预设标签的特征信息分别进行一一匹配，从而得到评论信息所对应的标签信息，该标签信息包括酒店的硬件设施、服务、所处环境、交通情况等，如房型大、房间干净、客房服务到位、交通便利等均属于标签信息。优选地，在选取客户的评论信息时，获取所述客户的信用等级，并选取信用等级高的客户所给出的评论信息，该信用等级在客户进行注册时设定，后续根据客户的预订情况、退订情况、是否及时入住信息等进行评估得到。
59.2、根据所述标签信息对每个酒店进行评分，得到每个酒店的评分值。
60.具体地，通过预先设定的评分体系，结合标签信息对酒店进行评分，从而得到每个酒店的评分值。
61.3、将每个酒店根据预测酒店热度和评分值分别进行排序，得到基于预测酒店热度的第一排序和基于评分值的第二排序。
62.4、根据所述第一排序和所述第二排序确认所述预测酒店热度的置信度。
63.具体地，将当前酒店在第一排序中排名和在第二排序中的排名进行比较，当两者之间的差值在预设阈值内时，则认为当前酒店的预测酒店热度可信，当两者之间的差值不在预设阈值内时，则认为当前酒店的预测酒店热度不可信。
64.5、根据所述预测酒店热度的置信度确认每个酒店对应的预设修正系数，并利用所述预设修正系数修正所述预测酒店热度。
65.具体地，当酒店在第一排序中的排名高于在第二排序中的排名且两者之间的差值超过预设阈值时，选取第一预设修正系数，当酒店在第一排序中的排名低于在第二排序中的排名且两者之间的差值超过预设阈值时，选取第二预设修正系数，该第二预设修正系数大于第一预设修正系数。再利用第一预设修正系数或第二预设修正系数修正所述预测酒店热度。需要说明的是，该第一预设修正系数为(0,1)之间的一个系数，第二预设修正系数为大于1的一个系数，具体根据用户经验设定。
66.步骤s104：结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则。
67.在步骤s104中，在得到预测房型热度和预测酒店热度后，从房型维度和酒店维度
上分别对每个酒店的每种房型进行级别评估，确认每个酒店每种房型在房型维度上对应的第一预设级别和在酒店维度上对应的第二预设级别，再根据第一预设级别获取对应的第一预设同步频率，根据第二预设级别获取对应的第二预设同步频率，再对第一预设同步频率和第二预设同步频率进行权重累加，得到最终同步频率，再将该最终同步频率设置为每个酒店每种房型的房态信息的同步频率，即得到每个酒店每种房型的房态信息映射规则。其中，预设级别和预设频率的对应关系预先进行设定。
68.进一步的，步骤s104具体包括：
69.1、将每种房型的预测房型热度进行数据归一化处理，并根据归一化处理后的数据确认每种房型对应的第一预设同步频率。
70.其中，数据归一化处理是指将数据转换为[0,1]区间范围内的一个数，具体地，将每种房型的预测房型热度进行数据归一化处理，并根据归一化处理后的数据确认每种房型对应的第一目标预设级别，并将第一目标预设级别对应的第一目标同步频率设置为每种房型的第一预设同步频率。第一目标预设级别与第一目标同步频率一一对应。
[0071]
2、将每个酒店的预测酒店热度进行数据归一化处理，并根据归一化处理后的数据确认每个酒店对应的第二预设同步频率。
[0072]
具体地，将每个酒店的预测酒店热度进行数据归一化处理，并根据归一化处理后的数据确认每个酒店对应的第二目标预设级别，并将第二目标预设级别对应的第二目标同步频率设置为每个酒店的第二预设同步频率。第二目标预设级别与第二目标同步频率一一对应。
[0073]
3、对每个酒店的每种房型对应的第一预设同步频率和第二预设同步频率按预设权重值进行累加，得到每个酒店的每种房型的最终同步频率。
[0074]
需要说明的是，该预设权重值根据用户经验预先设置。其中，根据预测房型热度得到的第一预设同步频率对应的预设权重值优选为40％，根据预测酒店热度得到第二预设同步频率对应的预设权重值优选为60％。如此设计的原因在于预测酒店热度针对的是酒店，而预测房型热度针对的所有酒店的某一房型，两者评估的圈层范围大小不同，预测酒店热度在一定程度上更能够反映酒店预订情况，因此，第一预设同步频率对应的预设权重值优选低于第二预设同步频率对应的预设权重值。
[0075]
具体地，在得到第一预设同步频率和第二预设同步频率，按照各自对应的预设权重值进行权重累加，即最终同步频率＝第一预设同步频率*第一预设同步频率对应的预设权重值 第二预设同步频率*第二预设同步频率对应的预设权重值。
[0076]
4、根据最终同步频率为每个酒店的每种房型设定房态信息映射规则。
[0077]
进一步的，步骤是104之后，还包括：检测到当前时刻处于待预测时间段范围内时，根据房态信息映射规则向酒店供应商平台拉取每个酒店每种房型的房态信息进行同步。
[0078]
具体地，在得到待预测时间段内每个酒店每种房型的房态信息映射规则后，若当前时刻处于待预测时间段范围内，则按照该房态信息映射规则对每个酒店每种房型的房态信息进行同步。需要说明的是，通过将未来时间划分为多个待预测时间段，再在当前时间段时，生成下一个待预测时间段的房态信息映射规则，从而使得每个待预测时间段的房态信息映射规则都是根据最近的历史订单数据分析规划得到，而且该房态信息映射规则是基于房型和酒店两个维度进行综合性的预测评估后而设定的，能够为每个酒店的每种房型设定
合理的房态信息映射规则，既能够保证每个酒店各种房型的房态信息的及时同步，又能够对系统资源进行合理利用。本发明实施例的酒店数据映射规则生成方法通过基于房型维度和酒店维度分别对待预测时间段的房型热度和酒店热度进行热度预测，得到预测房型热度和预测酒店热度，再根据预测房型热度和预测酒店热度对每个酒店的每种房型设定房态信息映射规则，从而实现了从房型维度和酒店维度对每个酒店的每种房型进行多维度的综合性评估，再根据评估结果设置不同同步频率的房态信息映射规则，将“一次性”同步过程分割为不同时间点分别同步的方式，使得系统资源能够得到合理利用，同时还不会对服务器造成过大的压力。
[0079]
图2是本发明实施例的酒店数据映射规则生成装置的功能模块示意图。如图2所示，该酒店数据映射规则生成装置20包括获取模块21、第一预测模块22、第二预测模块23和设定模块24。
[0080]
获取模块21，用于基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于酒店维度统计所述目标区域所有房型的第二历史订单数据；
[0081]
第一预测模块22，用于根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度，第一预测模型根据每种房型的历史订单数据训练得到；
[0082]
第二预测模块23，用于根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度，第二预测模型根据每个酒店的历史订单数据训练得到；
[0083]
设定模块24，用于结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则。
[0084]
可选地，第一预测模块22执行根据第一历史订单数据和预先训练好的第一预测模型预测得到待预测时间段各种房型的预测房型热度的操作，具体包括：从第一历史订单数据中获取所有酒店每种房型的第一历史成交数据和第一历史浏览数据；根据第一历史成交数据和预先训练好的第一成交数预测模型预测得到待预测时间段内各种房型的第一预测成交数据，第一成交数预测模型根据每种房型的历史成交数据训练得到；根据第一历史浏览数据和预先训练好的第一浏览数预测模型预测得到待预测时间段内各种房型的第一预测浏览数据，第一浏览数预测模型根据每种房型的历史浏览数据训练得到；计算第一预测成交数据和第一预测浏览数据的第一比值，并将第一比值作为各种房型的预测房型热度。
[0085]
可选地，第二预测模块23执行根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度的操作，具体包括：从第二历史订单数据中获取各个酒店所有房型的第二历史成交数据和第二历史浏览数据；根据第二历史成交数据和预先训练好的第二成交数预测模型预测得到待预测时间段内各个酒店的第二预测成交数据，第二成交数预测模型根据每个酒店的历史成交数据训练得到；根据第二历史浏览数据和预先训练好的第二浏览数预测模型预测得到待预测时间段内各个酒店的第二预测浏览数据，第二浏览数预测模型根据每个酒店的历史浏览数据训练得到；计算第二预测成交数据和第二预测浏览数据的第二比值，并将第二比值作为各个酒店的预测酒店热度。
[0086]
可选地，设定模块24执行结合预设规则，根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则的操作，具体包
括：将每种房型的预测房型热度进行数据归一化处理，并根据归一化处理后的数据确认每种房型对应的第一预设同步频率；将每个酒店的预测酒店热度进行数据归一化处理，并根据归一化处理后的数据确认每个酒店对应的第二预设同步频率；对每个酒店的每种房型对应的第一预设同步频率和第二预设同步频率按预设权重值进行累加，得到每个酒店的每种房型的最终同步频率；根据最终同步频率为每个酒店的每种房型设定房态信息映射规则。
[0087]
可选地，获取模块21执行基于房型维度统计目标区域所有酒店的第一历史订单数据，以及基于酒店维度统计所述目标区域所有房型的第二历史订单数据的操作之前，还用于：获取所有酒店的地址信息；根据地址信息对所有酒店进行k-means聚类，得到多个聚类簇；根据多个聚类簇将对所有酒店进行区域划分，每个聚类簇对应一个区域。
[0088]
可选地，设定模块24执行根据预测房型热度和预测酒店热度为每个酒店的每种房型在待预测时间段设定相应同步频率的房态信息映射规则的操作之后，还用于：检测到当前时刻处于待预测时间段范围内时，根据房态信息映射规则向酒店供应商平台拉取每个酒店每种房型的房态信息进行同步。
[0089]
可选地，第二预测模块23执行根据第二历史订单数据和预先训练好的第二预测模型预测得到待预测时间段各个酒店的预测酒店热度的操作之后，还包括：获取每个酒店的标签信息；根据标签信息对每个酒店进行评分，得到每个酒店的评分值；将每个酒店根据预测酒店热度和评分值分别进行排序，得到基于预测酒店热度的第一排序和基于评分值的第二排序；根据第一排序和第二排序确认预测酒店热度的置信度；根据预测酒店热度的置信度确认每个酒店对应的预设修正系数，并利用预设修正系数修正预测酒店热度。
[0090]
关于上述实施例酒店数据映射规则生成装置中各模块实现技术方案的其他细节，可参见上述实施例中的酒店数据映射规则生成方法中的描述，此处不再赘述。
[0091]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0092]
请参阅图3，图3为本发明实施例的计算机设备的结构示意图。如图3所示，该计算机设备60包括处理器61及和处理器61耦接的存储器62，存储器62中存储有程序指令，程序指令被处理器61执行时，使得处理器61执行上述任一实施例所述的酒店数据映射规则生成方法的步骤。
[0093]
其中，处理器61还可以称为cpu(central processing unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0094]
参阅图4，图4为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令71，其中，该程序指令71可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、
随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等计算机设备设备。
[0095]
在本技术所提供的几个实施例中，应该理解到，所揭露的计算机设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0096]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。