酒店房型定价方法、装置、设备及存储介质与流程

1.本技术涉及酒店信息平台管理技术领域，特别是涉及一种酒店房型定价方法、装置、设备及存储介质。


背景技术：

2.客房作为酒店的基本设施，无疑是酒店获取营业收入的最主要来源，酒店每天的收益取决于卖出的客房数，以及每个卖出客房的价格。酒店可以通过设置不同价格水平的多类型客房，以及不同的房价规则和产品，从而将不同客源进行细分，最终获得更高的收益。决定客房营业收人的因素很多，其中最重要的因素之一是房价，房价因而成为调节酒店业市场的重要经济杠杆。合理的、有吸引力的房价，既能让顾客满意，又能提高酒店的收益。那么，如何使酒店的收益最大化呢，收益管理是不可或缺的一个重要环节。
3.收益管理是通过对市场供需关系和消费者购买习惯的分析和预测，不断优化产品、价格和销售渠道，提高产品销量和售价，实现收益最大化的动态管理过程。就酒店业而言，收益管理可以理解为酒店在合适的时间，通过合适的渠道，将合适的产品，以合适的价格，卖给合适的客人，从而获得酒店收益的最大化的策略。其中，客房价格最直接体现了酒店的收益状况，通过对酒店客房价格的调整，可以进一步提升酒店的收入和盈利能力，实现总体收益的最大化。
4.但是，传统的酒店对客房的定价往往以经验为依据来进行决策，这通常受限于定价者的工作经验及阅历，且主观性较强，无法有效提高总体收益。


技术实现要素：

5.本技术提供一种酒店房型定价方法、装置、设备及存储介质，以解决现有的酒店房型定价不合理、收益不够高的问题。
6.为解决上述技术问题，本技术采用的一个技术方案是：提供一种酒店房型定价方法，包括：以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率；基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到；基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到；比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
7.作为本技术的进一步改进，以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率，包括：判断待预测日期是否为预设节假日；若是，则获取上一个历史相同节假日的目标历史价格数据和目标历史预订率；若否，则获取上一周期的相同日期的目标历史价格数据和目标历史预订率。
8.作为本技术的进一步改进，比对预测预订率和期望预订率，以确定价格调整系数，
并根据价格调整系数对初始预测价格进行调整，得到最终预测价格，包括：以预测预订率和期望预订率差值的绝对值与期望预订率的比值作为价格调整系数；当预测预订率高于期望预订率时，根据价格调整系数对初始预测价格进行价格上调，得到最终预测价格；当预测预订率低于期望预订率时，若预测预订率和期望预订率差值未超过预设阈值，则根据价格调整系数对初始预测价格进行价格下调，得到最终预测价格；若预测预订率和期望预订率差值超过预设阈值，则以预设保底价格作为最终预测价格。
9.作为本技术的进一步改进，得到最终预测价格之后，还包括：判断最终预测价格是否落入价格波动范围之内；若最终预测价格未落入价格波动范围，则当最终预测价格低于价格波动范围的最小价格值时，以最小价格值作为最终预测价格；当最终预测价格高于价格波动范围的最大价格值时，以最大价格值作为最终预测价格。
10.作为本技术的进一步改进，判断最终预测价格是否落入价格波动范围之内之前，还包括：获取目标房型与待预测日期对应的多个历史周期相同日期的多个历史价格数据，并以最小历史价格数据和最大历史价格数据确定价格波动范围。
11.作为本技术的进一步改进，得到最终预测价格之后，还包括：以酒店自身所在地理位置为圆心，获取预设半径范围内满足预设条件的所有酒店的相同房型在待预测日期的所有价格数据；对所有价格数据进行k-means聚类，得到多个聚类簇；判断最终预测价格是否在最大聚类簇中；若不在，则计算最大聚类簇中与最终预测价格对应的点距离最近的一个目标点，并以目标点对应的价格作为最终预测价格。
12.作为本技术的进一步改进，得到最终预测价格之后，还包括：
13.获取目标房型的历史用户数据，并对历史用户数据按预设用户标签划分，得到多个用户群体；
14.从多个用户群体中选取用户数量低于预设群体数量阈值的目标用户群体，并获取目标用户群体对应的目标用户标签；
15.计算目标用户群体的历史价格数据的平均值，并计算平均值与最终预测价格的差额，再根据差额设定用户优惠策略；
16.当符合目标用户标签的用户浏览目标房型时，向用户发送优惠策略。
17.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种酒店房型定价装置，包括：获取模块，用于以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率；第一预测模块，用于基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到；第二预测模块，用于基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到；调整模块，用于比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
18.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，使得处理器执行如上述的酒店房型定价方法的步骤。
19.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房型定价方法的程序指令。
20.本技术的有益效果是：本技术的酒店房型定价方法通过将酒店的历史销售数据按周期划分后，利用周期上相似的特性，对待预测日期目标房型的价格和预订率进行预测，得到初始预测价格和预测预订率，再利用期望预订率与预测预订率进行比较以确认价格调整系数，再根据价格调整系数调整初始预测价格，得到最终预测价格，其首先以周期性的历史价格数据作为参考进行预测，在预测结果上更为精确，其次综合考虑了客户需求与价格之间的博弈关系，并对初始预测结果进行修正，进一步提高了最终定价的合理性，以提高收益。
附图说明
21.图1是本发明第一实施例的酒店房型定价方法的流程示意图；
22.图2是本发明第二实施例的酒店房型定价方法的流程示意图；
23.图3是本发明第三实施例的酒店房型定价方法的流程示意图；
24.图4是本发明实施例的酒店房型定价装置的功能模块示意图；
25.图5是本发明实施例的计算机设备的结构示意图；
26.图6是本发明实施例的存储介质的结构示意图。
具体实施方式
27.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。
28.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。
29.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。
30.图1是本发明第一实施例的酒店房型定价方法的流程示意图。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：
31.步骤s101：以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率。
32.需要理解的是，在通常情况下，酒店的预订数据在固定时间长度的周期上呈现周期性相似度，该固定时间长度可以为一周、一月等，例如，各种酒店房型的预订情况在以周为单位的周期上呈现很高的相似度，或者说本周几的房型预订情况可以很大程度上参考上一个周周几的房型预订情况。
33.具体地，步骤s101中，在接收到对待预测日期的目标房型的价格定价请求时，首先会查询在上一个周期，与该待预测日期对应的相同日期的该目标房型的目标历史价格数据作为参考数据，同时还需要获取目标历史预订率，以便后续对预测的价格数据进行修正。
34.进一步的，步骤s101具体包括：
35.1、判断待预测日期是否为预设节假日；
36.2、若是，则获取上一个历史相同节假日的目标历史价格数据和目标历史预订率。
37.3、若否，则获取上一周期的相同日期的目标历史价格数据和目标历史预订率。
38.需要理解的是，本实施例中所述的预设节假日是指五一、中秋、国庆等特殊节点日，针对于此类节假日，由于游客游玩等原因，酒店预订会出现与其他时间点不同的高峰增长，因此，非此类节假日时期的历史价格数据就缺乏参考价值，因此，本实施例中，在确定待预测日期是预设节假日时，则会参考上一个相同节假日的目标历史价格数据和目标历史预订率，而不是上一个周期的相同日期的历史数据。
39.步骤s102：基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到。
40.需要说明的是，该价格预测模型基于预先准备的历史价格数据训练得到。在训练价格预测模型时，首先将准备的历史样本数据按周期进行划分，再将划分后的历史样本数据按周期输入至价格预测模型中，以对价格预测模型进行训练。
41.步骤s103：基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到。
42.需要说明的是，该预订率预测模型基于预先准备的历史价格数据训练得到。在训练价格预测模型时，首先将准备的历史样本数据按周期进行划分，再将划分后的历史样本数据按周期输入至预订率预测模型中，以对预订率预测模型进行训练。
43.本实施例中，价格预测模型和预订率预测模型基于长短期记忆神经网络模型构建。
44.其中，长短记忆神经网络是一种基于时间递归的神经网络，适合于处理和待预测日期序列中间隔和延迟相对较长的重要事件。长短记忆神经网络模型已经在科技领域有了多种应用。基于长短记忆神经网络模型的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病等任务。长短记忆神经网络模型为循环神经网络模型的变体，其特点在于可以通过控制门对时间序列的信息进行判断与取舍，进而完成预测部分信息内容的组合，其表征为遗忘门、输入门、输出门和状态更新。
45.具体地，本实施例中，采用长短记忆神经网络模型，基于目标历史价格数据获得待预测日期的初始预测价格、基于目标历史预订率获得待预测日期的预测预订率的具体步骤包括：
46.计算待预测日期的遗忘门的值f
t
，f
t
＝σ(wf·
[h
t-1
，x
t
] bf)，wf为遗忘门权重参数，bf为遗忘门偏执参数，h
t-1
为待预测日期之前一个固定时间长度的输出向量，x
t
为待预测日期的输入向量，σ为第一激活函数；
[0047]
计算待预测日期的输入门的值i
t
，i
t
＝σ(wi·
[h
t-1
，x
t
] bi)，wi为输入门权重参数，bi为输入门偏执参数；
[0048]
计算待预测日期的输出门的值o
t
，o
t
＝σ(wo·
[h
t-1
，x
t
] bo)，wo为输出门权重参数，bo为输出门偏执参数；
[0049]
计算待预测日期的当前状态的值c
t
，，wc为状态权重参数，bc为状态偏执参数，tanh为第二激活函数；
[0050]
计算待预测日期的初始预测价格或预测预订率h
t
，h
t
＝o
t
·
tanh(c
t
)。
[0051]
步骤s104：比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
[0052]
其中，预订率是指当前房型被预订的数量与当前房型的总数量的比值。
[0053]
具体地，在得到预测预订率后，将该预测预订率与预先获取的期望预订率进行比较，其中，该期望预订率可以由用户预先设定，再根据预测预订率和期望预订率之间的关系对初始预测价格进行调整，在保证客户满意的情况下，提高酒店收益。
[0054]
具体地，该步骤s104具体包括：
[0055]
1、以预测预订率和期望预订率差值的绝对值与期望预订率的比值作为价格调整系数。
[0056]
例如，当预测预订率为70％，期望预订率为80％，则价格调整系数为：|70％-80％|
÷
80％＝12.5％。
[0057]
2、当预测预订率高于期望预订率时，根据价格调整系数对初始预测价格进行价格上调，得到最终预测价格。
[0058]
具体地，当预测预订率高于期望预订率时，说明当前客源良好，为了使得酒店收益最大化，则可根据价格调整系数对价格进行上调，例如，当初始预测价格为500元、价格调整系数为12.5％时，则上调后的最终预测价格为：500
×
(100％ 12.5％)＝562.5。
[0059]
3、当预测预订率低于期望预订率时，若预测预订率和期望预订率差值未超过预设阈值，则根据价格调整系数对初始预测价格进行价格下调，得到最终预测价格；若预测预订率和期望预订率差值超过预设阈值，则以预设保底价格作为最终预测价格。
[0060]
具体地，当预测预订率低于期望预订率时，说明当前客源情况不理想，为了吸引客源，以尽量提高收益，则可根据价格调整系数对价格进行下调，例如，当初始预测价格为500元、价格调整系数为12.5％时，则下调后的最终预测价格为：500
×
(100％-12.5％)＝437.5。需要理解的是，在一些特殊情况下，可能会出现临时性的客源大量缺失，导致预测预订率严重低于期望预订率，此时若根据由预测预订率和期望预订率得到的价格调整系数对
价格进行调整则可能会导致价格严重下滑，造成亏本情况的出现，因此，在预测预订率和期望预订率差值超过预设阈值，直接以预设保底价格作为最终预测价格。
[0061]
进一步的，在得到最终预测价格之后，还包括：
[0062]
1、获取所述目标房型的历史用户数据，并对所述历史用户数据按预设用户标签划分，得到多个用户群体。
[0063]
具体地，历史用户数据包括用户的姓名、年龄、性别等特征数据。具体地，该预测用户标签可按单一特征数据设定，也可按多个特征数据设定，例如单独按年龄设定预设用户标签时，预设用户标包括多个年龄段对应的年龄标签，如青年标签、中年标签、老年标签等，当按特征数据组合设置预设用户标签时，如女青年标签、女中年标签、男中年标签、男老年标签等。
[0064]
2、从所述多个用户群体中选取用户数量低于预设群体数量阈值的目标用户群体，并获取目标用户群体对应的目标用户标签。
[0065]
具体地，该预设群体数量阈值预先设定，目标用户群体为多个用户群体中的一个，每个用户群体对应的预设群体数量阈值不同，当目标用户群体的数量低于预设群体数量阈值时，说明该用户群体预订目标房型的数量较少，存在客户流失的可能性。目标用户标签即该目标用户群体对应的预设用户标签。
[0066]
3、计算所述目标用户群体的历史价格数据的平均值，并计算所述平均值与所述最终预测价格的差额，再根据所述差额设定用户优惠策略。
[0067]
具体地，目标用户群体的历史价格数据的平均值可以在一定程度上反映该目标用户群体对这一价格段的目标房型较为偏爱，因此，当价格在这一价格段时，用户下单预订的可能性会更高。因此，在得到最终预测卷价格后，根据目标用户群体的平均值和最终预测价格的差额为每个目标用户群体设定对应的用户优惠策略，从而吸引各个目标群体用户的下单。
[0068]
优选地，该用户优惠策略优选为优惠券，该优惠券额度的大小与所述差额的大小相同。
[0069]
4、当符合所述目标用户标签的用户浏览所述目标房型时，向所述用户发送所述优惠策略。
[0070]
具体地，当用户点击浏览目标房型时，获取用户数据，根据用户数据确认该用户属于哪个用户群体，当该用户群体存在对应的用户优惠策略时，将该用户优惠策略推送给该用户。
[0071]
本实施例中，通过将用户按预设用户标签划分为多个群体后，分别为每个用户群体设定对应的优惠策略，当用户浏览目标房型时，可以接收到对应的优惠策略，从而吸引当前用户下单，提高目标户型的预订成功率。
[0072]
本发明第一实施例的酒店房型定价方法通过将酒店的历史销售数据按周期划分后，利用周期上相似的特性，对待预测日期目标房型的价格和预订率进行预测，得到初始预测价格和预测预订率，再利用期望预订率与预测预订率进行比较以确认价格调整系数，再根据价格调整系数调整初始预测价格，得到最终预测价格，其首先以周期性的历史价格数据作为参考进行预测，在预测结果上更为精确，其次综合考虑了客户需求与价格之间的博弈关系，并对初始预测结果进行修正，进一步提高了最终定价的合理性，以提高收益。
[0073]
图2是本发明第二实施例的酒店房型定价方法的流程示意图。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2所示的流程顺序为限。如图2所示，该方法包括步骤：
[0074]
步骤s201：以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率。
[0075]
在本实施例中，图2中的步骤s201和图1中的步骤s101类似，为简约起见，在此不再赘述。
[0076]
步骤s202：基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到。
[0077]
在本实施例中，图2中的步骤s202和图1中的步骤s102类似，为简约起见，在此不再赘述。
[0078]
步骤s203：基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到。
[0079]
在本实施例中，图2中的步骤s203和图1中的步骤s103类似，为简约起见，在此不再赘述。
[0080]
步骤s204：比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
[0081]
在本实施例中，图2中的步骤s204和图1中的步骤s104类似，为简约起见，在此不再赘述。
[0082]
步骤s205：获取目标房型与待预测日期对应的多个历史周期相同日期的多个历史价格数据，并以最小历史价格数据和最大历史价格数据确定价格波动范围。
[0083]
具体地，本实施例优选以与待预测日期最近的多个历史周期的相同日期的历史价格数据作为参考，以其中的最小历史价格数据和最大历史价格数据确定价格波动范围。
[0084]
步骤s206：判断最终预测价格是否落入价格波动范围之内。
[0085]
步骤s207：若最终预测价格未落入价格波动范围，则当最终预测价格低于价格波动范围的最小价格值时，以最小价格值作为最终预测价格；当最终预测价格高于价格波动范围的最大价格值时，以最大价格值作为最终预测价格。
[0086]
具体地，当最终预测价格未落入价格波动范围，说明价格预测的结果出现了较大的波动情况，因此，当最终预测价格低于价格波动范围的最小价格值时，以最小价格值作为最终预测价格；当最终预测价格高于价格波动范围的最大价格值时，以最大价格值作为最终预测价格，从而使得价格波动在一定范围内。
[0087]
本发明第二实施例的酒店房型定价方法在第一实施例的基础上，通过基于历史价格数据获取的价格波动范围对最终预测价格进行限定，避免出现突发性的价格大幅度波动，保证了价格预测的合理性，减少出现价格异常的可能性。
[0088]
图3是本发明第三实施例的酒店房型定价方法的流程示意图。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3所示的流程顺序为限。如图3所示，该方法包括步骤：
[0089]
步骤s301：以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率。
[0090]
在本实施例中，图3中的步骤s301和图1中的步骤s101类似，为简约起见，在此不再赘述。
[0091]
步骤s302：基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到。
[0092]
在本实施例中，图3中的步骤s302和图1中的步骤s102类似，为简约起见，在此不再赘述。
[0093]
步骤s303：基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到。
[0094]
在本实施例中，图3中的步骤s303和图1中的步骤s103类似，为简约起见，在此不再赘述。
[0095]
步骤s304：比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
[0096]
在本实施例中，图3中的步骤s304和图1中的步骤s104类似，为简约起见，在此不再赘述。
[0097]
步骤s305：以酒店自身所在地理位置为圆心，获取预设半径范围内满足预设条件的所有酒店的相同房型在待预测日期的所有价格数据。
[0098]
其中，该预设条件是指硬件设施与服务情况等因素相近的酒店，或者是酒店星级相近的酒店。
[0099]
步骤s306：对所有价格数据进行k-means聚类，得到多个聚类簇。
[0100]
具体地，在得到所有价格数据后，将每个价格数据视为一个对象点，再从中随机选取多个点作为初始聚类中心，然后计算其它对象点到各聚类中心的距离，把其它对象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。
[0101]
步骤s307：判断最终预测价格是否在最大聚类簇中。若在，则不对最终预测价格进行修正，直接输入该最终预测结果。若不在，则执行步骤s308。
[0102]
步骤s308：计算最大聚类簇中与最终预测价格对应的点距离最近的一个目标点，并以目标点对应的价格作为最终预测价格。
[0103]
具体地，本实施例中，除了以酒店自身的历史价格数据作为参考外，还可根据酒店周边的其他酒店进行参考，以保证最终设置的价格合理，其通过获取酒店周边预设范围内其他酒店的价格数据，并对这些价格数据进行聚类，再判断最终预测价格是否在最大的聚类簇中，其中，最大聚类簇可以在一定程度上反应本区域目标房型的价格走向，因此，为了增强与周边酒店的竞争力，避免价格虚高导致预订率下降或价格过低导致收益差的问题，当最终预测价格不在最大聚类簇中时，计算最大聚类簇中与最终预测价格对应的点距离最
近的一个目标点，并以目标点对应的价格作为最终预测价格。本发明第三实施例的酒店房型定价方法在第一实施例的基础上，通过根据酒店周边的其他酒店进行参考，使得最终预测价格不但具备与周边酒店之间的竞争力，还能够在一定程度上保证酒店的收益，进一步提高了酒店价格设置的合理性。
[0104]
图4是本发明实施例的酒店房型定价装置的功能模块示意图。如图4所示，该酒店房型定价装置40包括获取模块41、第一预测模块42、第二预测模块43和调整模块44。
[0105]
获取模块41，用于以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率；
[0106]
第一预测模块42，用于基于预先训练好的价格预测模型，利用目标历史价格数据预测得到待预测日期的目标房型的初始预测价格，价格预测模型根据各种房型的历史价格数据训练得到；
[0107]
第二预测模块43，用于基于预先训练好的预订率预测模型，利用目标历史预订率预测得到待预测日期的目标房型的预测预订率，预订率预测模型根据各种房型的历史预订数据训练得到；
[0108]
调整模块44，用于比对预测预订率和预先获取的期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格。
[0109]
可选地，获取模块41执行以预设周期获取与待预测日期对应的上一周期相同日期的目标房型的目标历史价格数据和目标历史预订率，包括：判断待预测日期是否为预设节假日；若是，则获取上一个历史相同节假日的目标历史价格数据和目标历史预订率；若否，则获取上一周期的相同日期的目标历史价格数据和目标历史预订率。
[0110]
可选地，调整模块44执行比对预测预订率和期望预订率，以确定价格调整系数，并根据价格调整系数对初始预测价格进行调整，得到最终预测价格的操作，具体包括：以预测预订率和期望预订率差值的绝对值与期望预订率的比值作为价格调整系数；当预测预订率高于期望预订率时，根据价格调整系数对初始预测价格进行价格上调，得到最终预测价格；当预测预订率低于期望预订率时，若预测预订率和期望预订率差值未超过预设阈值，则根据价格调整系数对初始预测价格进行价格下调，得到最终预测价格；若预测预订率和期望预订率差值超过预设阈值，则以预设保底价格作为最终预测价格。
[0111]
可选地，调整模块44执行得到最终预测价格的操作之后，还用于：判断最终预测价格是否落入价格波动范围之内；若最终预测价格未落入价格波动范围，则当最终预测价格低于价格波动范围的最小价格值时，以最小价格值作为最终预测价格；当最终预测价格高于价格波动范围的最大价格值时，以最大价格值作为最终预测价格。
[0112]
可选地，调整模块44执行判断最终预测价格是否落入价格波动范围之内的操作之前，还用于：获取目标房型与待预测日期对应的多个历史周期相同日期的多个历史价格数据，并以最小历史价格数据和最大历史价格数据确定价格波动范围。
[0113]
可选地，调整模块44执行得到最终预测价格的操作之后，还用于：以酒店自身所在地理位置为圆心，获取预设半径范围内满足预设条件的所有酒店的相同房型在待预测日期的所有价格数据；对所有价格数据进行k-means聚类，得到多个聚类簇；判断最终预测价格是否在最大聚类簇中；若不在，则计算最大聚类簇中与最终预测价格对应的点距离最近的一个目标点，并以目标点对应的价格作为最终预测价格。
[0114]
可选地，调整模块44执行得到最终预测价格的操作之后，还用于：获取目标房型的历史用户数据，并对历史用户数据按预设用户标签划分，得到多个用户群体；从多个用户群体中选取用户数量低于预设群体数量阈值的目标用户群体，并获取目标用户群体对应的目标用户标签；计算目标用户群体的历史价格数据的平均值，并计算平均值与最终预测价格的差额，再根据差额设定用户优惠策略；当符合目标用户标签的用户浏览目标房型时，向用户发送优惠策略。。
[0115]
关于上述实施例酒店房型定价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房型定价方法中的描述，此处不再赘述。
[0116]
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。
[0117]
请参阅图5，图5为本发明实施例的计算机设备的结构示意图。如图5所示，该计算机设备50包括处理器51及和处理器51耦接的存储器52，存储器52中存储有程序指令，程序指令被处理器51执行时，使得处理器51执行上述任一实施例所述的酒店房型定价方法的步骤。
[0118]
其中，处理器51还可以称为cpu(central processing unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51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。
[0119]
参阅图6，图6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61，其中，该程序指令61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。
[0120]
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。
[0121]
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。