酒店客房超售数的预测方法、装置、设备及存储介质

摘要

本发明公开了一种酒店客房超售数的预测方法、装置、设备及存储介质，在历史数据的基础上，结合酒店特有情况，如房价、订单渠道、顾客需求等，能够较为准确地预测每日酒店入住率；利用预测入住率与期望收益结合，求解出最佳客房销售量，能够显著提高酒店收益；充分考虑酒店声誉等因素，可用保守系数及超售临界值对客房销售量进行修正，进一步保证超售收益的可靠性。本发明不仅可以进行短期酒店超售方案制定，对于中期或长期酒店超售方案的制定同样适用；可结合其他酒店情况进行实际运用，具有酒店超售方案制定的广泛普适性。

说明书

技术领域

本发明属于酒店收益管理的技术领域，尤其涉及一种酒店客房超售数的预测方法、装置、设备及存储介质。

背景技术

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。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。

收益管理(Revenue Management，RM)，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。

酒店超售是指酒店在客房全部订满的情况下，再增加一定数量订房的行为，所增加的订房数量通常称为超售数量。超售是酒店收益管理的一项重要内容，是减少noshow(noshow是指未按约定出现，就是你定了酒店没有按约入住。)和临时取消带来的损失的重要依据，也是提高酒店收益的重要技术手段。超售对于酒店来说是一个两难的问题：如果不采用超售，就有可能因客房的闲置而带来损失；如果采用超售，就可能因顾客入住量超过客房数量而影响到酒店的声誉，而这又可能产生连带效应，使酒店的长期经营遭受损失。因此，一个合理的超售策略是任何好的收益管理系统的必要条件。

发明内容

本发明的目的是提供一种酒店客房超售数的预测方法、装置、设备及存储介质，通过多源数据整合，对每日酒店入住率做出准确预测，利用预测入住率与期望收益相结合，求解最大期望收益下的客房超售数，能够显著提高酒店收益，进而使酒店收益最大化。

为解决上述问题，本发明的技术方案为：

一种酒店客房超售数的预测方法，可实现收益最大化，所述酒店客房超售数的预测方法包括：

步骤S1：采集酒店入住的历史订单数据，对历史订单数据进行处理，得到入住率样本集；

步骤S2：基于入住率样本集，创建日入住率预测模型；

步骤S3：基于日入住率预测模型对待预测日的入住率预测值及客房价格，创建收益模型；

步骤S4：基于入住人数的概率分布和收益模型建立期望收益模型，计算最大期望收益时对应的客房超售数。

根据本发明一实施例，所述步骤S1进一步包括：

清洗历史订单数据，替换异常值；

以一天的历史订单数据作为一个样本，构建入住率样本集；所述入住率样本集包括入住时间、入住率影响因素及相应的日入住率，其中，入住率影响因素包括入住时间类变量、客户类变量、订单类变量及酒店类变量。

根据本发明一实施例，所述以一天的历史订单数据作为一个样本，构建入住率样本集进一步包括：

将入住率影响因素中的无序多分类变量转化为有数值大小的有序多分类变量；

根据日入住率预测模型的需要，以入住时间为汇总字段对历史订单数据进行汇总，计算日入住率并将入住率影响因素汇总到日维度；

其中，对有序多分类变量以及数值变量进行数值平均化处理，将逻辑变量根据实际业务赋值0或1；

将所有入住率影响因素的变量进行归一化处理。

根据本发明一实施例，所述步骤S2进一步包括：

基于入住率样本集，通过多元回归算法进行入住率影响因素的变量选择，计算各变量的回归系数；

建立KNN模型，计算待预测日与入住率样本集中各样本间的距离，将所述回归系数作为相应入住率影响因素的距离权重，得到所述日入住率预测模型。

根据本发明一实施例，所述通过多元回归算法进行入住率影响因素的变量选择，计算各变量的回归系数进一步包括：

选取m个入住率影响因素的变量作为多元回归算法的自变量，并依次命名为x

y＝β

根据本发明一实施例，所述步骤S3进一步包括：

根据与待预测日距离最近的历史日期的入住率，所述日入住率预测模型输出待预测日的入住率预测值；

根据所述入住率预测值，得到待预测日的入住人数的概率分布，结合客房价格，建立收益模型；

相应的，所述步骤S4进一步包括：

基于入住人数的概率分布及收益模型，建立第i天入住k位旅客的期望收益模型，所述期望收益模型为：

其中，c为每个客房的运营成本；m为每日可销售的最大客房数，x为超售下的客房销售数量，x＞m，x∈N(非负整数集)；r为每个客间的价格；b为超售下每个客房的赔偿金额，R为酒店总收益，P(k)为第i天入住k位旅客的概率；

采用枚举法求解最大期望收益E(R)max及相应的客房销售数量x。

根据本发明一实施例，所述入住人数的概率服从二项分布B(n，p)，则第i天入住k位旅客的概率为：

其中，Pi为入住率影响因素变量对应的入住率；

相应的，当入住人数为k时，所述收益模型为：

其中，c为每个客房的运营成本；m为每日可销售的最大客房数；r为每个客房的价格；b为超售下每个客房的赔偿金额。

一种酒店客房超售数的预测装置，包括：

样本集建立模块，用于采集酒店入住的历史订单数据，对历史订单数据进行处理，得到入住率样本集；

第一模型创建模块，用于基于入住率样本集，创建日入住率预测模型；

第二模型创建模块，基于日入住率预测模型对待预测日的入住率预测值及客房价格，创建收益模型；

预测模块，用于基于入住人数的概率分布和收益模型建立期望收益模型，计算最大期望收益对应的客房超售数。

一种酒店客房超售数的预测设备，包括：

存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述酒店客房超售数的预测设备执行本发明一实施例中的酒店客房超售数的预测方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明一实施例中的酒店客房超售数的预测方法。

本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：

1)本发明一实施例中的酒店客房超售数的预测方法，针对noshow和临时取消对酒店造成损失的问题，通过多源数据整合，对每日酒店入住率做出准确预测，利用预测入住率与期望收益相结合，求解最大期望收益下的客房超售数，能够显著提高酒店收益，进而使酒店收益最大化。

2)本发明一实施例中的酒店客房超售数的预测方法，通过对历史数据的清洗，替换空数据和异常数据，减少数据大幅度的波动，使数据趋于平稳，有利于提高入住率预测模型的预测效果。另外，对历史数据进行归一化处理，可简化运算，节约机器资源。

3)本发明一实施例中的酒店客房超售数的预测方法，在历史订单数据的基础上，结合酒店特有的情况，如房价、订单渠道、旅客需求等，构建KNN模型，能够较为准确地预测每日酒店入住率。

附图说明

图1为本发明一实施例中的酒店客房超售数的预测方法流图；

图2为本发明一实施例中的酒店客房超售数的预测方法的收益示意图；

图3为本发明一实施例中的酒店客房超售数的预测装置的框图；

图4为本发明一实施例中的酒店客房超售数的预测设备的示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的一种酒店客房超售数的预测方法、装置、设备及存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。

实施例一

本实施例提供了一种酒店客房超售数的预测方法，包括如下步骤：

步骤S1：采集酒店入住的历史订单数据，对历史订单数据进行处理，得到入住率样本集；

步骤S2：基于入住率样本集，创建日入住率预测模型；

步骤S3：基于日入住率预测模型对待预测日的入住率预测值及客房价格，创建收益模型；

步骤S4：基于入住人数的概率分布和收益模型建立期望收益模型，计算最大期望收益时对应的客房超售数。

具体的，在步骤S1中，本实施例将2015年7月至2017年7月的某酒店订票系统中的数据作为历史订单数据，根据入住时间与离开时间将整体的预定数据拆分成每天的预定数据，并创建变量：是否为noshow。当订单状态为noshow或取消时，设置变量是否为noshow的值为1，否则值为0。

以一天的历史订单数据作为一个样本，构建入住率的影响因素与当日入住率的样本集。在构建该样本集时，需要收集对入住率有影响的关联数据(即入住率影响因素)，该关联数据中包括各影响因素变量，如入住时间类变量、客户类变量、订单类变量及酒店类变量。其中入住时间类变量，如入住日所属年份、月份、周数、节日等时间因素；客户类变量，如成人人数、儿童人数、婴儿人数、预订的餐食类型、出生国家等旅客因素；订单类变量，如是否团客、市场细分、预订分销渠道、预订的旅行社等预定渠道因素；酒店类变量，如平均房价、客户所需的停车位数量、客户提出的特殊要求的数量等酒店相关因素等。

对收集的所有历史数据进行整理，具体如下：

1、删除noshow订单中设置最后状态的日期不等于入住时间的数据；删除成人人数+儿童人数+婴儿人数＝0的数据。

2、从入住时间数据中提取出周内天字段，该周内天具体是指一周内有几天有旅客入住；

3、在入住率影响因素的数据中，将无序多分类变量转化为有数值大小的有序多分类变量。如将预订的餐食类型、到达月份、周内天、市场细分指定、进行预订的旅行社、预订的类型、出生国家等变量进行转化。

首先汇总计算入住率，每个变量值x

并以入住率p

4、对于布尔型变量，如从预订分销渠道中提取出的是否为团客变量，当预定分销渠道为“TA/TO”(旅行团)时，变量是否为团客的值设为1，其他设为0。

5、根据保留客房类型代码和分配给预订的客房类型的代码这两个字段，生成一个新字段，该新字段为客房预定与分配客房是否相等。当保留客房类型代码＝分配给预订的客房类型的代码时，将该新字段赋值为1，否则赋值为0。

6、根据节日放假时间，创建是否节假日字段，当入住时间是节假日时，该字段赋值为1，否则赋值为0。

7、基于以上对变量处理的基础上，将数据以入住时间为汇总字段进行汇总，将入住率及其影响因素均汇总到日维度。也就是说，最终形成的样本集以日为单位显示一条记录。

其中，根据需要，创建并计算一些新字段，如：

订单数量＝count(是否noshow＝1)+count(是否noshow＝0) (3)；

noshow数量＝count(是否noshow＝1) (4)；

另外在汇总过程中对数值类字段求平均值，否则订单数量将会影响该变量与入住率的相关性。数值类字段包括预订的餐食类型排序、出生国家排序、市场细分排序、旅行团排序、预订的类型排序、住宿时间月排序、客户所需的停车位数量、客户提出的特殊要求的数量、平均房价、成人人数、儿童人数、婴儿人数、提前预定平均天数、客户在当前预订之前取消的先前预订的数量、客户在当前预订之前未取消的先前预订的数量、对预订进行的更改/修改的数量。

通过以上处理，得到以下数据表(由于字段较多，出于展示需要，进行了转置)：

上表中列出了从2016年1月1日到2016年1月7日每天的入住率及当天各入住率影响因素的值。

在汇总数据的基础上，为了不影响KNN中的距离计算，对所有影响因素变量进行归一化处理，归一化处理的公式为：

其中，

在步骤S2中，入住率的预测原理如下所示：

步骤S21：选取全部的n个历史日期，以提前预定平均天数、入住月排序、周内天排序、是否节假日、成人平均人数、儿童平均人数、婴儿平均人数、预订的餐食类型排序、出生国家排序、市场细分排序、团客比例、老客比例、客户在当前预订之前取消的先前预订的平均数量、客户在当前预订之前未取消的先前预订的平均数量、预定与分配客房相同的比例、对预订进行的更改/修改的平均数量、押金保证比例、旅行团排序、预订类型排序、平均房价、客户所需的停车位平均数量、客户提出的特殊要求的平均数量作为m个自变量，通过多元回归算法进行入住率影响因素的变量选择，计算各变量的回归系数。将m个自变量依次命名为x

y＝β

式中：β

回归系数的计算公式如下：

采用最小二乘法即可求出β

步骤S22，建立KNN模型，计算待预测日与入住率样本集中各样本间的距离，将计算得到的回归系数作为相应入住率影响因素的距离权重，得到日入住率预测模型。

引入S21中计算得到的回归系数显著的自变量作为入样自变量，并将入样自变量对应的回归系数作为变量的距离系数，分别计算得到待预测日与n个历史日期之间的距离。其中每个历史日期与预测日的距离di计算公式为：

式中：x

对所有历史日期与待预测日的距离排序，取前k个距离最小的历史日期，对这k个历史日期的入住率计算平均值，并将这k个历史日期的入住率平均值作为待预测日的入住率预测值。

在本实施例中，根据上述公式(10)和公式(11)，将历史数据中提前预定平均天数、入住月排序、周内天排序、是否节假日、成人平均人数、儿童平均人数、婴儿平均人数、预订的餐食类型排序、出生国家排序、市场细分排序、团客比例、老客比例、客户在当前预订之前取消的先前预订的平均数量、客户在当前预订之前未取消的先前预订的平均数量、预定与分配客房相同的比例、对预订进行的更改/修改的平均数量、押金保证比例、旅行团排序、预订类型排序、平均房价、客户所需的停车位平均数量、客户提出的特殊要求的平均数量作为自变量，将入住当天no show的历史预定数据汇总得到的入住率作为因变量，计算得到的回归系数显著的自变量与各自变量与入住率的距离系数，其中回归系数显著的变量包括：出生国家排序、客户在当前预订之前取消的先前预订的平均数量、押金保证比例、旅行团排序、成人平均数量、儿童平均数量、客户提出的特殊要求的平均数量和提前预定平均天数。

建立KNN模型，计算待预测日的预定旅客入住率预测值。将出生国家排序、客户在当前预订之前取消的先前预订的平均数量、押金保证比例、旅行团排序、成人平均数量、儿童平均数量、客户提出的特殊要求的平均数量和提前预定平均天数的回归系数作为距离系数，分别计算带预测日到各个历史日期的距离，取距离最近的k个(本实例中取最近的2个)历史日期，计算这k个日期的预定旅客到达率的平均值，即为待预测日的预定旅客入住率的预测值。

对比预测入住率与实际入住率，本实施例的入住率的预测准确率达95％以上。

在步骤S3中，基于KNN模型输出的入住率的预测值，得到入住人数的概率分布，该入住人数的概率服从二项分布B(n，p)，则第i天入住k位旅客的概率为：

其中，P

相应的，当入住人数为k时，所述收益模型为：

其中，c为每个客房的运营成本；m为每日可销售的最大客房数；r为每个客房的价格；b为超售下每个客房的赔偿金额。

在步骤S4中，结合旅客入住的概率分布及收益模型；平均房价作为每个客房的价格为r，平均房价

使用枚举法求解期望收益方程，输出每天最佳客房销售数量x及期望最大收益E(R)max。

在此计算结果的基础上，酒店可以根据自身管理需求，设定一个保守系数β以及超售临界值x

在此设定超售数量的阈值为每日订单数的15％，不设定调整系数，即超过15％的超售客房销售量只按照15％进行超售。使用调整后的超售销售量计算得到超售收益。

请参看图2，图中为2017年5月至6月的调整后超售收益(没带点的曲线)与未超售收益(带点的曲线)的对比，以及调整后超售收益提高率。从图中可以看出除了3天的超售收益提高率小于0％以外，剩余的超售收益提高率都大于0％，且大部分大于2％，对酒店销售收益有显著的提高。

本实施例结合酒店特有情况，利用多源数据整合，对每日酒店入住率做出准确预测，并给出超售销售量及期望最大收益的参考值。在使用入住率历史数据的基础上，结合订单特有情况，如房价、旅客特征、销售渠道等，能够较为准确地预测每日酒店入住率，并结合旅客入住的概率分布及收益模型，计算出每日的客房超售销售量及最大期望收益；另外考虑到酒店声誉等因素，可设定最大超售阈值和调整系数对超售数量进行一定调整，使其更符合普遍情况。

本发明不仅可以进行短期酒店入住率和超售销售量预测，对于中期或长期酒店入住率和超售销售量预测同样适用。可结合其他酒店情况进行实际运用，具有酒店入住率及客房超售销售量预测的广泛普适性。

实施例二

本实施例提供一种酒店客房超售数的预测装置，请参看图3，该预测装置包括：

样本集建立模块1，用于采集酒店入住的历史订单数据，对历史订单数据进行处理，得到入住率样本集；

第一模型创建模块2，用于基于入住率样本集，创建日入住率预测模型；

第二模型创建模块3，基于日入住率预测模型对待预测日的入住率预测值及客房价格，创建收益模型；

预测模块4，用于基于入住人数的概率分布和收益模型建立期望收益模型，计算最大期望收益对应的客房超售数。

上述样本集建立模块1、第一模型创建模块2、第二模型创建模块3及预测模块4的功能及实现方法，均如实施例一所述，在此不再赘述。

实施例三

上述实施例二从模块化功能实体的角度对本发明酒店客房超售数的预测设备装置进行描述，下面从硬件处理的角度对本发明酒店客房超售数的预测设备进行详细描述。

请参看图4，该酒店客房超售数的预测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对酒店客房超售数的预测设备500中的一系列指令操作。

进一步地，处理器510可以设置为与存储介质530通信，在酒店客房超售数的预测设备500上执行存储介质530中的一系列指令操作。

酒店客房超售数的预测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。

本领域技术人员可以理解，图4示出的酒店客房超售数的预测设备结构并不构成对酒店客房超售数的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的酒店客房超售数的预测方法的步骤。

实施例二中的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件的形式体现出来，该计算机软件存储在一个存储介质中，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)执行本发明各个实施例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(Read-only memory，ROM)、随机存取存储器(Random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明做出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。