一种短租民宿智能定价系统和方法

摘要

本发明涉及智能定价技术领域，具体涉及一种短租民宿智能定价系统和方法。一种短租民宿智能定价方法，包括以下步骤：(1)基于网上类似房源的报价训练得到一个基准定价模型，然后根据房源特征和预定日期，得到基准价格；(2)基于历史成交数据训练得到预订概率预测模型，然后根据房源特征、基准价格、预定日期热门程度，得到预定概率；(3)基于历史成交价格训练得到价格预测模型，然后根据基准价格、预定概率、当前入住率，得到房源建议定价。本发明提供的智能定价系统解决了因定价问题导致恶意竞争、经营亏损现象的发生，给民宿房东针对房源特征提供合理的定价指导，提高民宿入住率的同时，使收益最大化。

说明书

技术领域

本发明涉及智能定价技术领域，具体涉及一种短租民宿智能定价系统和方法。

背景技术

在中国经济新模式和政策条例的扶持下，民宿行业在全国范围内呈现爆发式增长态势。因其区别于快捷酒店的特征优势，民宿成为越来越多消费者旅游住宿的首选，民宿房源数和民宿市场规模总量不断攀升。

然而，随着民宿市场竞争加剧，在民宿热门城市开始出现民宿个人房东退出市场现象，其原因主要是民宿个人房东在定价方面存在以下问题，致使民宿经营亏损，直至退市。其一，民宿市场恶性价格竞争现象严重；其二，缺乏针对民宿个人房东的定价指导；其三，价方法单一。解决民宿定价问题是保护民宿个性化特点，推动民宿行业可持续发展所需要重点突破的问题。

为了解决目前民宿市场上恶意价格竞争行为，引导民宿个人房东综合多因素进行定价，为民宿个人房东提供定价模型辅助和策略指导，本发明提供了一种短租民宿智能定价系统，提高民宿入住率的同时，使收益最大化。

发明内容

为了解决上述技术问题，本发明的第一个方面提供了一种短租民宿智能定价方法，包括以下步骤：

(1)基于网上类似房源的报价训练得到一个基准定价模型，然后根据房源特征和预定日期，得到基准价格；

(2)基于历史成交数据训练得到预订概率预测模型，然后根据房源特征、基准价格、预定日期热门程度，得到预定概率；

(3)基于历史成交价格训练得到价格预测模型，然后根据基准价格、预定概率、当前入住率，得到房源建议定价。

作为本发明一种优选的技术方案，所述房源特征选自地理位置、面积、房间的数量、可住人数、物业类型、床的数量、厕所的数量、窗户的数量、设备、停车场的数量中的至少一种。

作为本发明一种优选的技术方案，所述设备选自空调，冰箱，电视，洗衣机，WIFI，热水器，燃气灶、电饭煲，微波炉，餐具，音响，投影仪中的至少一种。

本发明的第二个方面提供了一种短租民宿智能定价系统，所述系统包括：外部接口层、模型层和Hadoop分布式文件系统；所述外部接口层用于调用、控制和监控模型层；所述模型层负责模型的训练、使用训练所得模型进行预测；所述Hadoop分布式文件系统能提供高吞吐量的数据访问。

作为本发明一种优选的技术方案，所述外部接口层包括房源建议定价查询接口、系统管理接口；所述房源建议价格查询接口可输入测试数据；所述测试数据包括房源特征、预定日期、基准价格、预定概率、预定日期热门程度、当前入住率中的至少一种；所述系统管理接口用于对模型层进行测试数据调整、控制和监控。

作为本发明一种优选的技术方案，所述模型层包括基本定价模型、预定概率模型和价格预测模型；所述基本定价模型包括基本定价模型训练模块、基本定价预测模块；所述预定概率预测模型包括预定概率模型训练模块、预定概率预测模块；所述价格预测模块包括价格预测模型训练模块、价格预测模块。

作为本发明一种优选的技术方案，所述模型层还包括数据转换模块；所述数据转换模块从外部系统取得数据，进行格式转换，得到训练数据集，存入Hadoop分布式文件系统，供基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模块使用。

作为本发明一种优选的技术方案，所述基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模从Hadoop分布式文件系统读入训练数据集，训练的到相应的模型；然后存入Hadoop分布式文件系统，供基本定价预测模块、预定概率预测模块和价格预测模块使用。

作为本发明一种优选的技术方案，所述基本定价预测模块、预定概率预测模块和价格预测模块从Hadoop分布式文件系统载入相应的模型，等待输入测试数据，输出预测结果。

作为本发明一种优选的技术方案，所述系统还包括定时任务层，设定每天定时运行基本定价模型训练任务、预定概率模型训练任务和价格预测模型训练任务。

有益效果

本发明提供了一种短租民宿智能定价系统和方法，首先，基于网上类似房源的报价训练得到一个基准定价模型，根据测试数据，得到基准价格；然后，基于历史成交数据训练得到预订概率预测模型，根据测试数据，得到预定概率；最后，基于历史成交价格训练得到价格预测模型，根据测试数据，得到房源建议定价。本发明提供的智能定价系统解决了因定价问题导致恶意竞争、经营亏损现象的发生，给民宿房东针对房源特征提供合理的定价指导，提高民宿入住率的同时，使收益最大化。

具体实施方式

参选以下本发明的优选实施方法的详述以及包括的实施例可更容易地理解本发明的内容。除非另有限定，本文使用的所有技术以及科学术语具有与本发明所属领域普通技术人员通常理解的相同的含义。当存在矛盾时，以本说明书中的定义为准。

本发明的第一个方面提供了一种短租民宿智能定价方法，包括以下步骤：

(1)基于网上类似房源的报价训练得到一个基准定价模型，然后根据房源特征和预定日期，得到基准价格；

(2)基于历史成交数据训练得到预订概率预测模型，然后根据房源特征、基准价格、预定日期热门程度，得到预定概率；

(3)基于历史成交价格训练得到价格预测模型，然后根据基准价格、预定概率、当前入住率，得到房源建议定价。

作为本发明一种优选的实施方式，所述房源特征选自地理位置、面积、房间的数量、可住人数、物业类型、床的数量、厕所的数量、窗户的数量、设备、停车场的数量中的至少一种。

作为本发明一种优选的实施方式，所述设备选自空调，冰箱，电视，洗衣机，WIFI，热水器，燃气灶、电饭煲，微波炉，餐具，音响，投影仪中的至少一种。

本发明的第二个方面提供了一种短租民宿智能定价系统，所述系统包括：外部接口层、模型层和Hadoop分布式文件系统；所述外部接口层用于调用、控制和监控模型层；所述模型层负责模型的训练、使用训练所得模型进行预测；所述Hadoop分布式文件系统能提供高吞吐量的数据访问。

本发明中，所述外部接口层包括房源建议定价查询接口、系统管理接口；所述房源建议价格查询接口可输入测试数据；所述测试数据包括房源特征、预定日期、基准价格、预定概率、预定日期热门程度、当前入住率中的至少一种；所述系统管理接口用于对模型层进行测试数据调整、控制和监控。

本发明中，所述模型层包括基本定价模型、预定概率模型和价格预测模型；所述基本定价模型包括基本定价模型训练模块、基本定价预测模块；所述预定概率预测模型包括预定概率模型训练模块、预定概率预测模块；所述价格预测模块包括价格预测模型训练模块、价格预测模块。

在一种优选的实施方式中，所述模型层还包括数据转换模块；所述数据转换模块从外部系统取得数据，进行格式转换，得到训练数据集，存入Hadoop分布式文件系统，供基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模块使用。

在一种优选的实施方式中，所述基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模从Hadoop分布式文件系统读入训练数据集，训练的到相应的模型；然后存入Hadoop分布式文件系统，供基本定价预测模块、预定概率预测模块和价格预测模块使用。

在一种更优选的实施方式中，所述基本定价模型训练模块采用回归算法，没有特别的限制，可提及线性回归、逻辑回归(Logistic Regression)、支持向量机(SVM)、人工神经网络等。

在一种更优选的实施方式中，所述预定概率模型训练模块采用二元分类的算法，没有特别的限制，可提及决策树、梯度提升机(Gradient Boosting Machine)、支持向量机(SVM)、人工神经网络等。

在一种优选的实施方式中，所述基本定价预测模块、预定概率预测模块和价格预测模块从Hadoop分布式文件系统载入相应的模型，等待输入测试数据，输出预测结果。

在一种优选的实施方式中，所述系统还包括定时任务层，设定每天定时运行基本定价模型训练任务、预定概率模型训练任务和价格预测模型训练任务。

下面通过实施例对本发明进行具体描述。有必要在此指出的是，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，该领域的专业技术人员根据上述本发明的内容做出的一些非本质的改进和调整，仍属于本发明的保护范围。

实施例

本发明提供了一种短租民宿智能定价系统，所述系统包括：定时任务层、外部接口层、模型层和Hadoop分布式文件系统；所述定时任务层设定每天定时运行基本定价模型训练任务、预定概率模型训练任务和价格预测模型训练任务。所述外部接口层用于调用、控制和监控模型层；所述模型层负责模型的训练、使用训练所得模型进行预测；所述Hadoop分布式文件系统能提供高吞吐量的数据访问；

所述外部接口层包括房源建议定价查询接口、系统管理接口；所述房源建议价格查询接口可输入测试数据；所述测试数据包括房源特征、预定日期、基准价格、预定概率、预定日期热门程度、当前入住率中的至少一种；所述系统管理接口用于对模型层进行测试数据调整、控制和监控；

所述模型层包括数据转换模块、基本定价模型、预定概率模型和价格预测模型；所述数据转换模块从外部系统取得数据，进行格式转换，得到训练数据集，存入Hadoop分布式文件系统，供基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模块使用；所述基本定价模型包括基本定价模型训练模块、基本定价预测模块；所述预定概率预测模型包括预定概率模型训练模块、预定概率预测模块；所述价格预测模块包括价格预测模型训练模块、价格预测模块；

所述基本定价模型训练模块、预定概率模型训练模块和价格预测模型训练模从Hadoop分布式文件系统读入训练数据集，训练的到相应的模型；然后存入Hadoop分布式文件系统，供基本定价预测模块、预定概率预测模块和价格预测模块使用；所述基本定价模型训练模块采用回归算法，具体为线性回归法；所述预定概率模型训练模块采用二元分类的算法具体为决策树法；所述基本定价预测模块、预定概率预测模块和价格预测模块从Hadoop分布式文件系统载入相应的模型，等待输入测试数据，输出预测结果。

前述的实例仅是说明性的，用于解释本发明所述方法的一些特征。所附的权利要求旨在要求可以设想的尽可能广的范围，且本文所呈现的实施例仅是根据所有可能的实施例的组合的选择的实施方式的说明。因此，申请人的用意是所附的权利要求不被说明本发明的特征的示例的选择限制。在权利要求中所用的一些数值范围也包括了在其之内的子范围，这些范围中的变化也应在可能的情况下解释为被所附的权利要求覆盖。