本发明涉及机票数据管理技术领域，尤其涉及一种机票订单动态调价方法及系统。
背景技术
航班价格是随着市场销售情况动态变化的，销售好的航线或航班会涨价销售反而则会降价销售。此外，各航空公司之间除了相互通过价格竞争获取客源之外，还同时有协议保护价格。因此，航班的价格变化是一个十分复杂的问题，对于价格的预测有着相当的大的难度。收益管理的目标是将商品在合适的时间以合适的价格销售给合适的顾客，以达到收益最大化的最终目标。作为航空收益管理的关键技术，航线客流量预测是航空公司实施动态定价、座位存量控制等操作的基础，是航空公司发展规划的重要工作之一。
技术实现要素：
为了解决现有技术存在的问题，本发明的至少一个实施例提供了一种机票订单动态调价方法，包括：
获取历史机票订单成交信息中不同预设条件下的调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率。
基于机器学习算法通过所述调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率，构建所述不同预设条件下的调价模型；
获取买家请求，根据实时单位时间请求量和符合所述买家请求的调价模型得到相应的调价数值。
基于上述技术方案，本发明实施例还可以做出如下改进。
可选的，所述获取历史机票订单成交信息中不同预设条件下的调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率，具体包括：
当所述历史机票订单成交信息的数量大于或等于预设数量时，获取所述历史机票订单成交信息中的调价信息、机票信息请求量和订单转化率；
将所述调价信息、机票信息请求量和订单转化率按所述不同预设条件分别进行存储；
其中，所述预设条件包括：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
可选的，所述获取历史机票订单成交信息中不同预设条件下的调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率，具体包括：
当所述历史机票订单成交信息的数量小于预设数量时，获取所述历史机票订单成交信息中的调价信息，并提取出不同预设条件下的所述调价信息的大小范围；
基于所述调价信息的大小范围对机票价格进行调价，若在预设时长内，所述机票信息请求量大于或等于预设阈值，则将所述调价信息、机票信息请求量和订单转化率按所述不同预设条件分别进行存储；
其中，所述预设条件包括：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
可选的，所述基于机器学习算法通过所述调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率构建所述不同预设条件下的调价模型，具体包括：
基于机器学习算法得出所述订单转化率和所述调价信息的转化率公式f；
将所述转化率公式代入总利润计算公式计算所述调价信息对应的总利润：
p＝λ×m×f；
其中，p为所述总利润，m为所述调价信息；λ为所述机票信息请求量；
将所述总利润计算公式作为所述调价模型。
可选的，所述获取买家请求，根据实时单位时间请求量和符合所述买家请求的调价模型得到相应的调价数值，具体包括：
获取买家请求，根据所述买家请求获取相应的调价模型；根据预存储的买卖策略得出相应的所述调价数值；
所述根据预存储的买卖策略得出相应的所述调价数值，具体包括：
当所述买卖策略要求总利润最高时，通过所述总利润计算公式得出所述订单转化率稳定的情况下的所述调价数值；
或者，当所述买卖策略要求成交量最高时，通过所述转化率公式得出相应的所述调价数值；
或者，当所述买卖策略要求预设时间内总利润和成交量相平衡时，通过所述总利润计算公式和所述转化率公式得出相应的调价数值。
本发明实施例还提供了一种机票订单动态调价系统，包括：服务器和客户端，所述服务器包括：数据库、模型建立子系统和数据处理子系统；
所述数据处理子系统，用于获取所述数据库中存储的历史机票订单成交信息中不同预设条件下的调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率；
所述模型建立子系统，用于基于机器学习算法通过所述调价信息、所述调价信息对应的机票信息请求量和所述调价信息对应的订单转化率，构建所述不同预设条件下的调价模型；
所述客户端，用于将用户录入的买家请求发送到所述服务器；
所述数据处理子系统，还用于接收所述买家请求，并根据实时单位时间请求量和符合所述买家请求的调价模型得到相应的调价数值。
可选的，所述数据处理子系统，具体用于，获取所述数据库中存储的历史机票订单成交信息，当所述历史机票订单成交信息的数量大于或等于预设数量时，获取所述历史机票订单成交信息中的调价信息、机票信息请求量和订单转化率；并将所述调价信息、机票信息请求量和订单转化率按所述不同预设条件分别通过所述数据库进行存储；其中，所述预设条件包括：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
可选的，所述数据处理子系统，具体用于，获取所述数据库中存储的历史机票订单成交信息，当所述历史机票订单成交信息的数量小于预设数量时，获取所述历史机票订单成交信息中的调价信息，并提取出不同预设条件下的所述调价信息的大小范围；基于所述调价信息的大小范围对机票价格进行调价，若在预设时长内，所述机票信息请求量大于或等于预设阈值，则将所述调价信息、机票信息请求量和订单转化率按所述不同预设条件分别通过所述数据库进行存储；其中，所述预设条件包括：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
可选的，所述模型建立子系统，具体用于，基于机器学习算法得出所述订单转化率和所述调价信息的转化率公式f；
将所述转化率公式代入总利润计算公式计算所述调价信息对应的总利润：
p＝λ×m×f；
其中，p为所述总利润，m为所述调价信息；λ为所述机票信息请求量；
将所述总利润计算公式作为所述调价模型。
可选的，所述数据处理子系统，具体用于，获取买家请求，根据所述买家请求获取相应的调价模型；当买卖策略要求总利润最高时，通过所述总利润计算公式得出所述订单转化率稳定的情况下的所述调价数值；或者，当买卖策略要求成交量最高时，通过所述转化率公式得出相应的所述调价数值；或者，当买卖策略要求预设时间内总利润和成交量相平衡时，通过所述总利润计算公式和所述转化率公式得出相应的调价数值。
本发明的上述技术方案与现有技术相比具有如下优点：本发明实施例通过大数据分析和机器学习算法构建相应的调价模型，由此模型可以获取不同调价信息可对应的订单转化率，再结合此时的请求量，给出最合适的调价数值，实现实时动态调整机票价格，以提高利润率。
附图说明
图1是本发明实施例提供的一种机票订单动态调价方法流程示意图；
图2是本发明另一实施例提供的一种机票订单动态调价方法流程示意图；
图3是本发明又一实施例提供的一种机票订单动态调价方法流程示意图；
图4是本发明又一实施例提供的一种机票订单动态调价方法流程示意图其二；
图5是本发明又一实施例提供的一种机票订单动态调价方法流程示意图其三；
图6是本发明又一实施例提供的一种机票订单动态调价系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供的一种机票订单动态调价方法，包括：
s11、获取历史机票订单成交信息中不同预设条件下的调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率。
具体的，在本实施例中，对历史机票订单成交信息进行处理，获取不同预设条件下的调价信息，由于飞机出行的情况不同，不同条件下的机票价格的波动性较大，其中，节假日时期的机票价格较高，此时进行价格调整，其请求量和订单转化率也不会出现较大波动，将会对机票价格产生影响的情况作为预设条件，获取不同预设条件下的调价信息、该调价信息对应的机票信息请求量和订单转化率，为后续价格调整提供数据支持。
s12、基于机器学习算法通过调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率，构建不同预设条件下的调价模型。
具体的，在本实施例中，将同一预设条件下的调价信息、该调价信息对应的机票信息请求量和调价信息对应的订单转化率输入如卷积神经网络的机器学习算法进行训练，还可以根据实际情况使用向量机或逻辑回归等机器学习算法，由此构建该预设条件下的调价模型，经过上述步骤，构建不同预设条件下的调价模型，提高调价模型的数据准确率。
s13、获取买家请求，根据实时单位时间请求量和符合买家请求的调价模型得到相应的调价数值。
具体的，获取买家请求，得到满足买家请求的预设条件，根据该预设条件对应的调价模型按照预设买卖策略得到相应的调价数值，同时具备检测异常值的能力，根据异常情况选择应对策略，如预存储不同实时单元事件请求量对应不同的预设调价数值阈值，若调价模型得出的调价数值小于该实时单位时间请求量对应的预设调价数值阈值，则该调价数值为异常值，此时将该预设调价阈值作为调价数值，避免出现损失，或者，获取同一预设条件下的历史机票订单成交信息，得到历史机票订单成交信息中的调价数值最大值和最小值，当该调价模型得到的调价数值在该历史机票订单成交信息中的调价数值最大值和最小值之间时，该调价数值为正常值，否则为异常值。
在本实施例中，通过对历史机票订单成交信息进行处理，分别得到不同预设条件下的所有调价信息、该调价信息对应的机票信息请求量和订单转化率，将同一预设条件下的所有调价信息、该调价信息对应的机票信息请求量和订单转化率通过机器学习算法进行训练，构建该预设条件下的调价模型，实时获取买家请求，并根据实时单位时间请求量和符合买家请求的预设条件的调价模型输出符合卖家制定的买卖策略的调价数值，对机票价格进行调整，在满足卖家制定的买卖策略的情况下，保证卖方的利润率。
如图2所示，本发明另一实施例提供的一种机票订单动态调价方法，包括：
s21、判断历史机票订单成交信息的数量是否大于预设数量；当历史机票订单成交信息的数量大于或等于预设数量时，获取历史机票订单成交信息中的调价信息、机票信息请求量和订单转化率。
具体的，当历史机票订单成交信息的数量大于或等于预设数量时，即此时的数据量足够完成最终的调价模型的训练，所以直接获取历史机票订单成交信息中的数据进行后续处理。
s22、将调价信息、机票信息请求量和订单转化率按不同预设条件分别进行存储。
具体的，将调价信息、调价信息对应的机票信息请求量和订单转化率分别按不同的预设条件进行存储，方便构建模型提取数据进行使用。其中，预设条件包括但不限于：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
s23、基于机器学习算法通过调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率，构建不同预设条件下的调价模型。
具体的，在本实施例中，将同一预设条件下的调价信息、该调价信息对应的机票信息请求量和调价信息对应的订单转化率输入如卷积神经网络的机器学习算法进行训练，还可以根据实际情况使用向量机或逻辑回归等机器学习算法，由此构建该预设条件下的调价模型，经过上述步骤，构建不同预设条件下的调价模型，提高调价模型的数据准确率。
s24、获取买家请求，根据实时单位时间请求量和符合买家请求的调价模型得到相应的调价数值。
具体的，获取买家请求，得到满足买家请求的预设条件，根据该预设条件对应的调价模型按照预设买卖策略得到相应的调价数值。
在本实施例中，提前判断历史机票订单成交信息数量是否足够支撑调价模型的构建，在历史机票订单成交信息数量足够时，获取历史机票订单成交信息中的调价信息、调价信息对应的机票信息请求量和订单转化率。
如图3所示，本发明另一实施例提供的一种机票订单动态调价方法，包括：
s31、判断历史机票订单成交信息的数量是否大于预设数量；当历史机票订单成交信息的数量小于预设数量时，获取历史机票订单成交信息中的调价信息，并提取出不同预设条件下的调价信息的大小范围。
具体的，当历史机票订单成交信息的数量小于预设数量时，即此时的数据量较小，不足以完成最终调价模型的训练过程，或者由于用于训练的数据量较小，导致训练出来的调价模型数据偏差较大，故此时只提出历史机票订单成交信息中的调价信息的数值范围，用以后续处理。
s32、基于调价信息的大小范围对机票价格进行调价，若在预设时长内，机票信息请求量大于或等于预设阈值，则将调价信息、机票信息请求量和订单转化率按不同预设条件分别进行存储。
具体的，在本实施例中，通过获取得到的调价信息的数值范围对机票的价格进行实时调价，并在机票信息请求量大于或等于预设阈值时的调价信息、机票信息请求量和订单转化率按预设条件分别进行存储，通过实际情况进行所需数据的获取，在历史机票订单成交信息的数量较小时，提高最终训练得到的调价模型的准确性。其中，预设条件包括但不限于：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
s33、基于机器学习算法通过调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率，构建不同预设条件下的调价模型。
具体的，在本实施例中，将同一预设条件下的调价信息、该调价信息对应的机票信息请求量和调价信息对应的订单转化率输入如卷积神经网络的机器学习算法进行训练，还可以根据实际情况使用向量机或逻辑回归等机器学习算法，由此构建该预设条件下的调价模型，经过上述步骤，构建不同预设条件下的调价模型，提高调价模型的数据准确率。
s34、获取买家请求，根据实时单位时间请求量和符合买家请求的调价模型得到相应的调价数值。
具体的，获取买家请求，得到满足买家请求的预设条件，根据该预设条件对应的调价模型按照预设买卖策略得到相应的调价数值。
如图4所示，本发明又一实施例提供了一种机票订单动态调价方法，包括：
s41、获取历史机票订单成交信息中不同预设条件下的调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率。
具体的，在本实施例中，对历史机票订单成交信息进行处理，获取不同预设条件下的调价信息，由于飞机出行的情况不同，不同条件下的机票价格的波动性较大，其中，节假日时期的机票价格较高，此时进行价格调整，其请求量和订单转化率也不会出现较大波动，将会对机票价格产生影响的情况作为预设条件，获取不同预设条件下的调价信息、该调价信息对应的机票信息请求量和订单转化率，为后续价格调整提供数据支持。
s42、基于机器学习算法得出订单转化率和调价信息的转化率公式f，具体的，基于机器学习算法将所有调价信息和对应的订单转化率作为输入和输出进行训练，得到相应的转化率模型，即该转化率公式，该机器学习算法包括但不限于：卷积神经网络、向量机、回归曲线等方法；
s43、将所述转化率公式代入总利润计算公式计算所述调价信息对应的总利润：
p＝λ×m×f；
其中，p为所述总利润，m为所述调价信息；λ为所述机票信息请求量；
s44、将总利润计算公式作为调价模型。
在本实施例中，通过机器学习算法得出订单转化率和调价信息之间的关系满足如上公司，其中的常数参数为通过机器学习算法得出的最优解，将转化率公式代入总利润计算公式，即每单的收益乘以机票信息请求量乘以订单转化率，由此得到相应的总利润计算公式作为相应的调价模型，对该总利润计算公式求m的二次导数，可以得知该总利润计算公式为凸函数，即该总利润计算公式存在唯一解的调价信息得到总利润最大。
如图5所示，本发明又一实施例提供了一种机票订单动态调价方法，包括：
s51、获取历史机票订单成交信息中不同预设条件下的调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率。
具体的，在本实施例中，对历史机票订单成交信息进行处理，获取不同预设条件下的调价信息，由于飞机出行的情况不同，不同条件下的机票价格的波动性较大，其中，节假日时期的机票价格较高，此时进行价格调整，其请求量和订单转化率也不会出现较大波动，将会对机票价格产生影响的情况作为预设条件，获取不同预设条件下的调价信息、该调价信息对应的机票信息请求量和订单转化率，为后续价格调整提供数据支持。
s52、基于机器学习算法通过调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率，构建不同预设条件下的调价模型。
具体的，在本实施例中，将同一预设条件下的调价信息、该调价信息对应的机票信息请求量和调价信息对应的订单转化率输入如卷积神经网络的机器学习算法进行训练，还可以根据实际情况使用向量机或逻辑回归等机器学习算法，由此构建该预设条件下的调价模型，经过上述步骤，构建不同预设条件下的调价模型，提高调价模型的数据准确率。
s53、获取买家请求，根据买家请求获取相应的调价模型；根据预存储的买卖策略得出相应的调价数值；
具体的，当买卖策略要求总利润最高时，通过总利润计算公式得出订单转化率稳定的情况下的调价数值；或者，当买卖策略要求成交量最高时，通过转化率公式得出相应的调价数值；或者，当买卖策略要求预设时间内总利润和成交量相平衡时，通过总利润计算公式和转化率公式得出相应的调价数值。
在本实施例中，通过预先设定的买卖策略的要求，在保证卖方的利润的情况下，根据该总利润计算公式得出不同的调价数值，由此来完成卖方的工作需求。
如图6所示，本发明实施例还提供了一种机票订单动态调价系统，包括：服务器和客户端，服务器包括：数据库、模型建立子系统和数据处理子系统；
在本实施例中，数据处理子系统，用于获取数据库中存储的历史机票订单成交信息中不同预设条件下的调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率。
具体的，数据处理子系统，具体用于，获取数据库中存储的历史机票订单成交信息，当历史机票订单成交信息的数量大于或等于预设数量时，获取历史机票订单成交信息中的调价信息、机票信息请求量和订单转化率；并将调价信息、机票信息请求量和订单转化率按不同预设条件分别通过数据库进行存储。
具体的，数据处理子系统，具体用于，获取数据库中存储的历史机票订单成交信息，当历史机票订单成交信息的数量小于预设数量时，获取历史机票订单成交信息中的调价信息，并提取出不同预设条件下的调价信息的大小范围；基于调价信息的大小范围对机票价格进行调价，若在预设时长内，机票信息请求量大于或等于预设阈值，则将调价信息、机票信息请求量和订单转化率按不同预设条件分别通过数据库进行存储；其中，预设条件包括但不限于：航空公司、行程类型、供应商及价格、航班飞行时长和/或起降时间、航班舱等和/或舱位、剩余座位数、查询来源、采购商特征、采购商和供应商时区、采购商和供应商货币及汇率和利润中的至少一个。
在本实施例中，模型建立子系统，用于基于机器学习算法通过调价信息、调价信息对应的机票信息请求量和调价信息对应的订单转化率，构建不同预设条件下的调价模型。
具体的，模型建立子系统，具体用于，基于机器学习算法得出订单转化率和调价信息的转化率公式f；
将所述转化率公式代入总利润计算公式计算所述调价信息对应的总利润：
p＝λ×m×f；
其中，p为所述总利润，m为所述调价信息；λ为所述机票信息请求量；
将总利润计算公式作为调价模型。
在本实施例中，客户端，用于将用户录入的买家请求发送到服务器。
在本实施例中，数据处理子系统，还用于接收买家请求，并根据实时单位时间请求量和符合买家请求的调价模型得到相应的调价数值。
具体的，数据处理子系统，具体用于，获取买家请求，根据买家请求获取相应的调价模型；当买卖策略要求总利润最高时，通过总利润计算公式得出订单转化率稳定的情况下的调价数值；或者，当买卖策略要求成交量最高时，通过转化率公式得出相应的调价数值；或者，当买卖策略要求预设时间内总利润和成交量相平衡时，通过总利润计算公式和转化率公式得出相应的调价数值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。