酒店房态预测方法、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房态预测方法、 装置、设备及存储介质。


背景技术：

2.随着网络的发展，目前有很多企业在互联网上向消费者提供预订酒 店的服务，但由于酒店供应商维护房态不及时、酒店超卖等原因，很容 易产生订单确认前满房或订单确认后满房等服务缺陷，不仅严重影响用 户单次下单体验，而且还会影响酒店在ota(在线旅游网站)平台上的企 业形象。
3.目前，在多数的订房平台上，因为技术缺乏，只能人工维护房态， 导致ota平台上的房态信息更新不及时，进而导致可能会出现的满房 超售或满房超订的情况，导致用户体验不佳，尤其是对于大客户而言， 当大客户的订房请求无法得到满足时，极易导致大客户流失，对酒店造 成损失，因此，如何在保证大客户的权益情况下及时更新ota平台上 为普通客户预备的客房的房态信息已成为ota平台亟需解决的问题。


技术实现要素：

4.本技术提供一种酒店房态预测方法、装置、设备及存储介质，以解 决无法在保证大客户权益的情况下对酒店房态信息及时维护的问题。
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 店房态预测方法，包括：获取预设大客户的第一历史订单数据和普通客 户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大客户 下单预测模型预测大客户在待预测日期的下单概率和预订数量，大客户 下单预测模型根据所有大客户的历史订单数据训练得到；设定可预订房 间数量，当下单概率超过第一预设阈值时，可预订房间数量设置为最大 房间数量与预订数量的差值；当下单概率未超过第一预设阈值时，可预 订房间数量设置为最大房间数量；根据可预订房间数量、第二历史订单 数据和预先训练好的满房概率预测模型预测待预测日期的满房概率，满 房概率预测模型根据所有普通客户的历史订单数据训练得到；根据满房 概率确认待预测日期的房态信息。
6.作为本技术的进一步改进，根据可预订房间数量、第二历史订单数 据和预先训练好的满房概率预测模型预测待预测日期的满房概率，包括： 从第二历史订单数据中获取以预设周期为间隔，与待预测日期对应的上 一周期相同日期的目标历史订单数据；将目标历史订单数据和可预订房 间数量输入至满房概率预测模型，得到满房概率。
7.作为本技术的进一步改进，从第二历史订单数据中获取以预设周期 为间隔，与待预测日期对应的上一周期相同日期的目标历史订单数据， 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订单数据；若否，则获取上一周期的相同日期的目 标历史订单数据。
8.作为本技术的进一步改进，根据满房概率确认待预测日期的房态信 息之后，还包
括：在接受新的下单请求后，根据下单请求更新待预测日 期的房态信息。
9.作为本技术的进一步改进，在接受新的下单请求后，根据下单请求 更新待预测日期的房态信息之前，还包括：当满房概率超过第二预设阈 值时，若接收到当前下单客户的下单请求，则获取当前下单客户的第三 历史订单数据；根据第三历史订单数据预测当前下单客户是否会针对下 单请求进行退订操作；当预测当前下单客户会退订时，拒绝当前下单客 户的下单请求；当预测当前下单客户不会退订时，接受当前下单客户的 下单请求。
10.作为本技术的进一步改进，根据第三历史订单数据预测当前下单客 户是否会针对下单请求进行退订操作，包括：根据第三历史订单数据获 取总订单数，以及根据预设维度以及预设维度对应的预设等级对第三历 史订单数据进行划分，得到各个预设维度的各个预设等级的入住订单数 和退订订单数，预设维度包括至少一个预设订单特征，预设订单特征包 括基于预设规则设定的多个预设等级；根据各个预设维度的各个预设等 级对应的入住订单数和总订单数计算得到各个预设维度的各个预设等 级的入住度，以及根据各个预设维度的各个预设等级对应的退订订单数 和总订单数计算得到各个预设维度的各个预设等级的退订度；从下单请 求数据中提取目标维度和每个目标维度对应的目标等级，并确认各个目 标维度的目标等级的目标入住度和目标退订度；分别对目标入住度和目 标退订度进行累加，得到第一总入住度和第一总退订度；当第一总入住 度高于第一总退订度时，预测当前下单客户不会退订；当第一总入住度 低于第一总退订度时，预测当前下单客户会退订。
11.作为本技术的进一步改进，拒绝当前下单客户的新单请求之后，还 包括：获取当前所有的可预订房型数据，并根据当前下单客户的各个预 设维度的各个预设等级的入住度和退订度确认每种可预订房型数据的 第二总入住度和第二总退订度；筛选第二总入住度高于第二总退订度的 目标可预订房型数据；按第二总入住度与第二总退订度的差值从高到低 对目标可预订房型数据进行排序；选取排名最高的目标可预订房型数据 生成推荐内容并发送至当前下单客户的下单终端。
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 酒店房态预测装置，包括：第一获取模块，用于获取预设大客户的第一 历史订单数据和普通客户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大客户下单预测模型预测大客户 在待预测日期的下单概率和预订数量，大客户下单预测模型根据所有大 客户的历史订单数据训练得到；设定模块，用于设定可预订房间数量， 当下单概率超过第一预设阈值时，可预订房间数量设置为最大房间数量 与预订数量的差值；当下单概率未超过第一预设阈值时，可预订房间数 量设置为最大房间数量；第二预测模块，用于根据可预订房间数量、第 二历史订单数据和预先训练好的满房概率预测模型预测待预测日期的 满房概率，满房概率预测模型根据所有普通客户的历史订单数据训练得 到；确认模块，用于根据满房概率确认待预测日期的房态信息。
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，使得处理器执行如上述 的酒店房态预测方法的步骤。
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房态预测方法的程序指令。
15.本技术的有益效果是：本技术的酒店房态预测方法通过根据大客户 的第一历史订单数据进行预测，得到大客户的下单概率和预订数量，当 下单概率超过第一预设阈值时，则根据预订数据对大客户进行房间预留， 然后结合进行预留后剩余的房间和普通客户的第二历史订单数据进行 满房概率预测，从而使得工作人员得知待预测日期出现满房的可能性并 对满房概率高的日期的房态信息及时进行维护，避免出现满房超订或满 房超售的可能性，其在保证大客户权益的情况下，实现了对房态信息的 预测，用户体验更佳。
附图说明
16.图1是本发明第一实施例的酒店房态预测方法的流程示意图；
17.图2是本发明第二实施例的酒店房态预测方法的流程示意图；
18.图3是本发明实施例的酒店房态预测装置的功能模块示意图；
19.图4是本发明实施例的计算机设备的结构示意图；
20.图5是本发明实施例的存储介质的结构示意图。
具体实施方式
21.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 申请保护的范围。
22.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。
23.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。
24.图1是本发明第一实施例的酒店房态预测方法的流程示意图。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：
25.步骤s101：获取预设大客户的第一历史订单数据和普通客户的第二 历史订单数据。
26.需要说明的是，本实施例中的预设大客户可以是预先签订合约的进 行大单订购
的客户，也可以是通过分析历史订单数据，频繁下单且下单 数量较大的客户。普通客户则是只偶尔进行下单的客户。
27.具体地，在需要对待预测日期的房态信息进行预测时，选取截止至 当前时刻的最近一段预设时间内的历史订单数据，再从中筛选出属于大 客户的第一历史订单数据和属于普通客户的第二历史订单数据。
28.步骤s102：根据第一历史订单数据和预先训练好的大客户下单预测 模型预测大客户在待预测日期的下单概率和预订数量，大客户下单预测 模型根据所有大客户的历史订单数据训练得到。
29.具体地，在得到大客户的第一历史订单数据后，将第一历史订单数 据输入至预先训练好的大客户下单预测模型进行预测，从而得到在待预 测日期的大客户的下单概率和预订数量。
30.其中，该大客户下单预测模型基于lstm模型来实现。lstm模型 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。lstm模型已经在科技领域有了多种应用。 基于lstm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。遗忘 门表示为f
t
＝σ(wf·
[h
t-1
，w
x
]+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；输入门表示为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；输出门 表示为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；当前状态表示为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；预测结果表示为h
t
＝o
t
·
tanh(c
t
)。
[0031]
步骤s103：设定可预订房间数量，当下单概率超过第一预设阈值时， 可预订房间数量设置为最大房间数量与预订数量的差值；当下单概率未 超过第一预设阈值时，可预订房间数量设置为最大房间数量。
[0032]
需要说明的是，该第一预设阈值根据用户的经验设置。最大房间数 量可以是由酒店方设定的一个房间数量，也可以是酒店可供预订的最大 空房间数量。
[0033]
具体地，在得到大客户的下单概率和预订数量后，若下单概率高于 第一预设阈值，则认为大客户的下单可能性很大，为了保证大客户的权 益，需要为大客户预留房间，因此，在平台上的可预订房间数量则为最 大房间数量和预订数量的差值，而若下单概率低于第一预设阈值，则认 为大客户的下单可能性很小，因此不需要预留房间，则将酒店的最大房 间数据设置为可预订房间数量。
[0034]
步骤s104：根据可预订房间数量、第二历史订单数据和预先训练好 的满房概率预测模型预测待预测日期的满房概率，满房概率预测模型根 据所有普通客户的历史订单数据训练得到。
[0035]
具体地，在得到可预订房间数量后，结合普通客户的第二历史订单 数据和预先训
上一个周期的相同日期的目标历史订单数据。
[0049]
2、将目标历史订单数据和可预订房间数量输入至满房概率预测模 型，得到满房概率。
[0050]
步骤s105：根据满房概率确认待预测日期的房态信息。
[0051]
具体地，在得到满房概率后，将该满房概率与预设满房概率阈值进 行比较，当满房概率高于预设满房概率阈值时，则认为待预测日会出现 满房情况，当满房概率低于预设满房概率阈值时，则认为待预测日期不 会满房。根据是否满房即可为待预测日期设定合适的房态更新频率，如 当预测待预测日期满房时，则以较高频率更新房态信息，以保证房态信 息及时更新，避免出现超订情况。当预测待预测日期不满房时，出现超 订情况的可能性较低，因此可以以较低频率更新房态信息，避免占用过 程系统资源进行更新操作。
[0052]
本发明第一实施例的酒店房态预测方法通过根据大客户的第一历 史订单数据进行预测，得到大客户的下单概率和预订数量，当下单概率 超过第一预设阈值时，则根据预订数据对大客户进行房间预留，然后结 合进行预留后剩余的房间和普通客户的第二历史订单数据进行满房概 率预测，从而使得工作人员得知待预测日期出现满房的可能性并对满房 概率高的日期的房态信息及时进行维护，避免出现满房超订或满房超售 的可能性，其在保证大客户权益的情况下，实现了对房态信息的预测， 用户体验更佳。
[0053]
图2是本发明第二实施例的酒店房态预测方法的流程示意图。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：
[0054]
步骤s201：获取预设大客户的第一历史订单数据和普通客户的第二 历史订单数据。
[0055]
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。
[0056]
步骤s202：根据第一历史订单数据和预先训练好的大客户下单预测 模型预测大客户在待预测日期的下单概率和预订数量，大客户下单预测 模型根据所有大客户的历史订单数据训练得到。
[0057]
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。
[0058]
步骤s203：设定可预订房间数量，当下单概率超过第一预设阈值时， 可预订房间数量设置为最大房间数量与预订数量的差值；当下单概率未 超过第一预设阈值时，可预订房间数量设置为最大房间数量。
[0059]
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。
[0060]
步骤s204：根据可预订房间数量、第二历史订单数据和预先训练好 的满房概率预测模型预测待预测日期的满房概率，满房概率预测模型根 据所有普通客户的历史订单数据训练得到。
[0061]
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。
[0062]
步骤s205：根据满房概率确认待预测日期的房态信息。
[0063]
在本实施例中，图2中的步骤s205和图1中的步骤s105类似，为 简约起见，在此不再赘述。
[0064]
步骤s206：当满房概率超过第二预设阈值时，若接收到当前下单客 户的下单请求，则获取当前下单客户的第三历史订单数据。
[0065]
需要说明的是，客户下单后还有可能进行退订操作，而该退订操作 极可能会影响酒店的收益，因此，为了保证酒店的收益，需要尽量避免 出现客户退订的情况。
[0066]
其中，该第二预设阈值预先设定。当满房概率超过第二预设阈值时， 则认为待预测日期会出现满房情况，此时若出现退订情况，则可能会出 现部分客户预订成功却进行了退订，留下空房，而另一部客户因未成功 预订成功而无法入住，造成浪费。此时，当接收到当前下单客户的下单 请求时，获取该当前下单客户的第三历史订单数据，用于分析当前下单 客户的入住可能性和退订可能性。
[0067]
进一步的，当满房概率未超过第二预设阈值时，若接收到当前下单 客户的下单请求，则直接接受该下单请求。
[0068]
具体地，当满房概率未超过第二预设阈值时，说明待预测日期的满 房可能性较低，不用担心满房超订的情况出现，因此，直接接受下单请 求即可。
[0069]
步骤s207：根据第三历史订单数据预测当前下单客户是否会针对下 单请求进行退订操作。当预测当前下单客户会退订时，执行步骤s208； 当预测当前下单客户不会退订时，执行步骤s209。
[0070]
具体地，在获取到当前下单客户的第三历史订单数据后，基于该第 三历史订单数据进行分析，从而确认当前下单客户是否会针对该下单请 求进行退订操作。
[0071]
进一步的，根据第三历史订单数据预测当前下单客户是否会针对下 单请求进行退订操作，具体包括：
[0072]
1、根据第三历史订单数据获取总订单数，以及根据预设维度以及 预设维度对应的预设等级对第三历史订单数据进行划分，得到各个预设 维度的各个预设等级的入住订单数和退订订单数，预设维度包括至少一 个预设订单特征，预设订单特征包括基于预设规则设定的多个预设等级。
[0073]
需要说明的是，总订单数是指当前下单客户的所有历史订单数量， 预设维度是指根据酒店特征数据设定的维度，本实施例中，预设维度包 括酒店房型、酒店价格、酒店星级中的至少一种，预设等级为对每个预 设维度划分的预设订单特征，例如，针对于酒店房型维度，其对应的预 设等级可以划分为大床房、单人房、双人房、商务房、总统套房等，针 对于酒店价格，其对应的预设等级可以划分为100元以下、100～200元、 200～300元、300～500元、500元以上等，针对于酒店星级则直接按星级 划预设等级。入住订单数是指客户下单预订且成功入住的历史订单的数 量，退订订单数是指客户下单预订单未入住，而是退订了的历史订单的 数量。需要理解的是，酒店房型、酒店价格和酒店星级均可从历史订单 数据中获取到。
[0074]
具体地，在得到当前下单客户的第三历史订单数据后，从中获取当 前下单客户的历史订单的总订单数，然后根据预设维度和预设等级对第 三历史订单数据进行划分，从而得到各个预设维度的各个预设等级的入 住订单数和退订订单数，例如，酒店房型维度的大床房的入住订单数和 退订订单数。
[0075]
2、根据各个预设维度的各个预设等级对应的入住订单数和总订单 数计算得到各个预设维度的各个预设等级的入住度，以及根据各个预设 维度的各个预设等级对应的退订订单数和总订单数计算得到各个预设 维度的各个预设等级的退订度。
[0076]
具体地，每个预设维度的预设等级的入住度＝每个预设维度的预设 等级的入住订单数/总订单数；每个预设维度的预设等级的退订度＝每个 预设维度的预设等级的退订订单数/总订单数。需要理解的是，每个预设 维度的预设等级的入住度在很大程度上反映了客户对该预设维度的预 设等级的入住可能性，而退订度则反映了客户对该预设维度的预设等级 的退订可能性。通过当前下单客户的第三历史订单数据，即可得到当前 下单客户的各个预设维度的各个预设等级对应的入住度和退订度。
[0077]
3、从下单请求数据中提取目标维度和每个目标维度对应的目标等 级，并确认各个目标维度的目标等级的目标入住度和目标退订度。
[0078]
具体地，从下单请求数据中获取当前下单客户本次下单时选择的各 个预设维度的目标等级，例如，假设下单请求数据为：三星级酒店350 元一晚的大床房，则酒店房型维度的等级为大床房、酒店价格维度的等 级为300～500元档、酒店星级维度的等级为三星级，然后获取大床房、 300～500元档、三星级各自对应的目标入住度和目标退订度。
[0079]
4、分别对目标入住度和目标退订度进行累加，得到第一总入住度 和第一总退订度。
[0080]
具体地，通过分别对目标入住度和目标退订度进行累加，从而得到 下单请求数据的第一总入住度和第一总退订度。
[0081]
5、当第一总入住度高于第一总退订度时，预测当前下单客户不会 退订。
[0082]
6、当第一总入住度低于第一总退订度时，预测当前下单客户会退 订。
[0083]
具体地，根据第一总入住度和第一总退订度的大小关系预测客户是 否会退订。
[0084]
步骤s208：拒绝当前下单客户的下单请求。
[0085]
具体地的，当预测下单客户会退订时，则为了保证酒店的收益，避 免出现浪费的情况，拒绝当前下单客户的下单请求，从而将该资源留给 退订可能性更小的客户，从而保证酒店的收益。
[0086]
进一步的，为了加强用户体验同时保证入住成功率，拒绝当前下单 客户的新单请求之后，还包括：
[0087]
1、获取当前所有的可预订房型数据，并根据当前下单客户的各个 预设维度的各个预设等级的入住度和退订度确认每种可预订房型数据 的第二总入住度和第二总退订度。
[0088]
具体地，在得到当前下单客户的各个预设维度的各个预设等级的入 住度和退订度后，获取酒店的当前所有的可预订房型数据，该可预订房 型数据包括房型、价格、酒店星级等数据，再结合当前下单客户的各个 预设维度的各个预设等级的入住度和退订度确认每种可预订房型数据 的第二总入住度和第二总退订度。
[0089]
2、筛选第二总入住度高于第二总退订度的目标可预订房型数据。
[0090]
具体地，第二总入住度高于第二总退订度说明目标可预订房型数据 成功入住的可能性高于退订的可能性。因此，筛选第二总入住度高于第 二总退订度的目标可预订房型数据。
[0091]
3、按第二总入住度与第二总退订度的差值从高到低对目标可预订 房型数据进行排序。
[0092]
具体地，当第二总入住度高于第二总退订度时，计算第二总入住度 与第二总退订度的差值，差值越大，说明当前下单客户对目标可预订房 型数据的入住可能性更高。然后，将目标可预订房型数据根据差值从高 到低的顺序进行排序。
[0093]
4、选取排名最高的目标可预订房型数据生成推荐内容并发送至当 前下单客户的下单终端。
[0094]
具体地，选取排名最高的目标可预订房型数据，并将该排名最高的 目标可预订房型数据作为推荐房型推荐给当前下单客户的下单终端，从 而向当前下单客户推荐合适的房型，以提高当前下单客户下单预订和成 功入住的概率。
[0095]
步骤s209：接受当前下单客户的下单请求。
[0096]
具体地，当预测当前下单客户不会进行退订时，则可直接接受当前 下单客户的下单请求。
[0097]
步骤s210：在接受新的下单请求后，根据下单请求更新待预测日期 的房态信息。
[0098]
具体地，得到待预测日期的房型信息后，若接收到当前下单客户的 下单请求时，确认是否接受该下单请求，若接受，则根据下单请求更新 待预测日期的房态信息。
[0099]
本发明第二实施例的酒店房态预测方法在第一实施例的基础上，通 过满房概率确认待预测日期满房的可能性，当待预测日期满房的可能性 较高时，为了提高房间资源的利用率以提高酒店收益，利用当前下单客 户的第三历史订单数据分析客户成功入住的可能性和客户退订该订单 的可能性，再当客户退订该订单的可能性较大时，拒绝客户的下单请求， 并向客户推荐更符合客户偏好的房型给客户，从而降低客户对于该笔订 单退订的可能性，以提高酒店房型资源的利用率。
[0100]
图3是本发明实施例的酒店房态预测装置的功能模块示意图。如图 3所示，该酒店房态预测装置30包括第一获取模块31、第一预测模块 32、设定模块33、第二预测模块34和确认模块35。
[0101]
第一获取模块31，用于获取预设大客户的第一历史订单数据和普通 客户的第二历史订单数据；
[0102]
第一预测模块32，用于根据第一历史订单数据和预先训练好的大客 户下单预测模型预测大客户在待预测日期的下单概率和预订数量，大客 户下单预测模型根据所有大客户的历史订单数据训练得到；
[0103]
设定模块33，用于设定可预订房间数量，当下单概率超过第一预设 阈值时，可预订房间数量设置为最大房间数量与预订数量的差值；当下 单概率未超过第一预设阈值时，可预订房间数量设置为最大房间数量；
[0104]
第二预测模块34，用于根据可预订房间数量、第二历史订单数据和 预先训练好的满房概率预测模型预测待预测日期的满房概率，满房概率 预测模型根据所有普通客户的历史订单数据训练得到；
[0105]
确认模块35，用于根据满房概率确认待预测日期的房态信息。
[0106]
可选地，第二预测模块34执行根据可预订房间数量、第二历史订 单数据和预先训练好的满房概率预测模型预测待预测日期的满房概率 的操作，具体包括：从第二历史订单
数据中获取以预设周期为间隔，与 待预测日期对应的上一周期相同日期的目标历史订单数据；将目标历史 订单数据和可预订房间数量输入至满房概率预测模型，得到满房概率。
[0107]
可选地，第二预测模块34执行从第二历史订单数据中获取以预设 周期为间隔，与待预测日期对应的上一周期相同日期的目标历史订单数 据的操作，具体包括：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订单数据；若否，则获取上一周期 的相同日期的目标历史订单数据。
[0108]
可选地，确认模块35执行根据满房概率确认待预测日期的房态信 息的操作之后，还用于：在接受新的下单请求后，根据下单请求更新待 预测日期的房态信息。
[0109]
可选地，确认模块35执行在接受新的下单请求后，根据下单请求 更新待预测日期的房态信息的操作之前，还用于：当满房概率超过第二 预设阈值时，若接收到当前下单客户的下单请求，则获取当前下单客户 的第三历史订单数据；根据第三历史订单数据预测当前下单客户是否会 针对下单请求进行退订操作；当预测当前下单客户会退订时，拒绝当前 下单客户的下单请求；当预测当前下单客户不会退订时，接受当前下单 客户的下单请求。
[0110]
可选地，确认模块35执行根据第三历史订单数据预测当前下单客 户是否会针对下单请求进行退订操作，具体包括：根据第三历史订单数 据获取总订单数，以及根据预设维度以及预设维度对应的预设等级对第 三历史订单数据进行划分，得到各个预设维度的各个预设等级的入住订 单数和退订订单数，预设维度包括至少一个预设订单特征，预设订单特 征包括基于预设规则设定的多个预设等级；根据各个预设维度的各个预 设等级对应的入住订单数和总订单数计算得到各个预设维度的各个预 设等级的入住度，以及根据各个预设维度的各个预设等级对应的退订订 单数和总订单数计算得到各个预设维度的各个预设等级的退订度；从下 单请求数据中提取目标维度和每个目标维度对应的目标等级，并确认各 个目标维度的目标等级的目标入住度和目标退订度；分别对目标入住度 和目标退订度进行累加，得到第一总入住度和第一总退订度；当第一总 入住度高于第一总退订度时，预测当前下单客户不会退订；当第一总入 住度低于第一总退订度时，预测当前下单客户会退订。
[0111]
可选地，确认模块35执行拒绝当前下单客户的新单请求的操作之 后，还用于：获取当前所有的可预订房型数据，并根据当前下单客户的 各个预设维度的各个预设等级的入住度和退订度确认每种可预订房型 数据的第二总入住度和第二总退订度；筛选第二总入住度高于第二总退 订度的目标可预订房型数据；按第二总入住度与第二总退订度的差值从 高到低对目标可预订房型数据进行排序；选取排名最高的目标可预订房 型数据生成推荐内容并发送至当前下单客户的下单终端。
[0112]
关于上述实施例酒店房态预测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态预测方法中的描述，此处不再赘 述。
[0113]
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。
[0114]
请参阅图4，图4为本发明实施例的计算机设备的结构示意图。如 图4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房态预测方法的步骤。
[0115]
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。
[0116]
参阅图5，图5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 accessmemory)、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。
[0117]
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。
[0118]
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。