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动态定价方法、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。
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。
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。
发明内容
本发明的目的是提供一种酒店客房动态定价方法、装置、设备及存储介质，基于需求函数和动态博弈对酒店客房进行定价，解决传统酒店行业依据经验来对客房进行定价所导致的收益不高、竞争力不足的问题。
为解决上述问题，本发明的技术方案为：
一种酒店客房动态定价方法，包括：
采集酒店各客房类型的历史数据，对历史数据进行处理，得到客房价格需求的历史数据；
基于客房价格需求的历史数据，拟合价格需求函数，用以预测不同价格点所对应的需求；
基于动态博弈论，建立酒店客房定价与顾客需求的动态博弈模型；
制定酒店客房的最高价格及最低价格，并通过顾客接受所述最高价格及最低价格的比例，得到顾客接受订单的概率分布；
根据顾客接受订单的概率分布、客房的需求人数以及动态博弈模型的均衡解，优化收益模型，求解得到预售期内酒店客房的动态价格。
根据本发明一实施例，所述步骤S1进一步包括：
S11：对于历史数据，由于受客房总数的限制，客房的最大预定数是客房总数，但是顾客的真实需求可能会大于客房总数，所以当客房预定数最大时，对应的可能是被截断的顾客需求，需要使用受限因变量回归方法，处理因客房数量限制导致的需求右截断问题，将历史数据还原成未截断下的状态，并且剥离周期性及季节性因素；
S12：求解主要的周期性及季节性因素因子，包括星期因子、旬度因子、月度因子；
其中，各因子的计算公式如下：
星期因子：
旬度因子：
月度因子：
剥离季节性因素后的需求公式为：
其中，
W
根据本发明一实施例，所述步骤S11进一步包括：采用Tobit回归或多元逻辑回归模型，处理因客房数量限制导致的需求右截断问题，将历史数据还原成未截断下的状态。
根据本发明一实施例，所述步骤S2进一步包括：
基于客房价格需求的历史数据，采用局部斜率更新算法或最小二乘法来拟合价格需求函数。
根据本发明一实施例，所述步骤S3进一步包括：
所述动态博弈模型中，酒店和顾客关于客房定价的博弈是非对抗性的合作博弈，酒店和顾客谋划共同取得尽可能大的利益，酒店追求的理想结局是，在顾客预定的基础上，酒店的收益尽可能大；在建立动态博弈模型的过程中，酒店先制定客房的预售价格，然后根据顾客预定或不预定的反馈结果，生成两种不同的预测收益；根据收益预测结果，可得到酒店的决策是基于顾客预定的前提下调整客房的预售价格。
根据本发明一实施例，所述步骤S4进一步包括：
S41：根据酒店的实际情况制定客房的最高价格f
S42：根据步骤S2中的拟合的价格需求函数，将入住日客房实际剩余库存量对应的价格作为最低价格f
S43：通过历史数据计算可接受客房最高价格f
S44客房到顾客接受客房价格订房的概率分布为：
根据本发明一实施例，所述步骤S5进一步包括：
S51：根据历史数据中每年的客房需求人数数据，拟合预售期内每天的客房需求人数的泊松分布：
其中，强度λ
S52：酒店预售期内每天客房的收益函数为：
其中
S53：酒店预售期内每天客房的期望收益为：
S54：求解最大期望收益下的客房价格：
其中，
一种酒店客房动态定价装置，包括：
数据采集模块，用于采集酒店各客房类型的历史数据，对历史数据进行处理，得到客房价格需求的历史数据；
价格拟合模块，用于基于客房价格需求的历史数据，拟合价格需求函数，用以预测不同价格点所对应的需求；
模型创建模块，用于基于动态博弈论，建立酒店客房定价与顾客需求的动态博弈模型；
需求分布模块，用于制定酒店客房的最高价格及最低价格，并通过顾客接受所述最高价格及最低价格的比例，得到顾客接受订单的概率分布；
定价模块，用于根据顾客接受订单的概率分布、客房的需求人数以及动态博弈模型的均衡解，优化收益模型，求解得到预售期内酒店客房的动态价格。
一种酒店客房动态定价设备，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动态定价设备执行本发明一实施例中的酒店客房动态定价方法。
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动态定价方法。
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动态定价方法，针对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，无法有效提高收益的问题，通过采集酒店各客房类型的历史数据，对历史数据进行处理，得到客房价格需求的历史数据；基于客房价格需求的历史数据，拟合价格需求函数，用以预测不同价格点所对应的需求；基于动态博弈论，建立酒店客房定价与顾客需求的动态博弈模型；制定酒店客房的最高价格及最低价格，并通过顾客接受所述最高价格及最低价格的比例，得到顾客接受订单的概率分布；根据顾客接受订单的概率分布、客房的需求人数以及动态博弈模型的均衡解，优化收益模型，求解得到预售期内酒店客房的动态价格。从而有效提高酒店的总体收益，解决传统酒店行业依据经验来对客房进行定价所导致的收益不高、竞争力不足的问题。
2)本发明一实施例中的酒店客房动态定价方法，针对酒店因客房数量限制而导致的需求右截断问题，采用受限因变量回归方法，将历史数据还原成未截断下的状态，并且剥离周期性及季节性因素，将历史数据处理成仅依赖于价格的需求数据，便于拟合价格需求函数及预测客房剩余库存的价格。
附图说明
图1为本发明一实施例中的酒店客房动态定价方法流图；
图2为本发明一实施例中的历史数据截断还原前后的客房预订数对比图；
图3为本发明一实施例中的历史数据剥离周期性及季节性因素前后的客房预订数对比图；
图4为本发明一实施例中的价格需求曲线图；
图5为本发明一实施例中的酒店客房动态定价装置示意图；
图6为本发明一实施例中的酒店客房动态定价设备示意图。
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动态定价方法、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
动态定价是收益管理的一部分，是指通过收集顾客的历史数据，分析顾客购买的习惯和特点，制定最优的价格策略。酒店客房的动态定价对酒店的日常经营和收益管理具有非常重要的意义，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。
本实施例针对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的问题，提供了一种酒店客房动态定价方法，基于需求函数和动态博弈对酒店客房进行定价，解决传统酒店行业依据经验来对客房进行定价所导致的收益不高、竞争力不足等问题。
请参看图1，该酒店客房动态定价方法，包括：
S1：采集酒店各客房类型的历史数据，对历史数据进行处理，得到客房价格需求的历史数据；
S2：基于客房价格需求的历史数据，拟合价格需求函数，用以预测不同价格点所对应的需求；
S3：基于动态博弈论，建立酒店客房定价与顾客需求的动态博弈模型；
S4：制定酒店客房的最高价格及最低价格，并通过顾客接受所述最高价格及最低价格的比例，得到顾客接受订单的概率分布；
S5：根据顾客接受订单的概率分布、客房的需求人数以及动态博弈模型的均衡解，优化收益模型，求解得到预售期内酒店客房的动态价格。
具体的，在步骤S1中，本实施例将2015年7月至2017年8月的某酒店所有房型中的A房型数据作为酒店订单的历史数据，并将其整理为每日客房预定数，先使用受限因变量回归方法，如Tobit回归或多元逻辑回归等模型，处理因客房数量限制导致的需求右截断问题，将历史数据还原成未截断下的状态，对历史每日酒店预定数据进行还原，然后剥离季节因素。具体如下：
S11：对于历史数据，由于受客房总数的限制，客房的最大预定数是客房总数，但是顾客的真实需求可能会大于客房总数，所以当客房预定数最大时，对应的可能是被截断的顾客需求，需要使用受限因变量回归方法，处理因客房数量限制导致的需求右截断问题，将历史数据还原成未截断下的状态，并且剥离周期性及季节性因素。
对于需求未被截断(原预定客房数<120)的数据点,仍以原数据作为实际需求。对于需求被截断(原预定客房数＝120)的数据点，如果Tobit回归模型的拟合值<120，则仍以原数据作为实际需求，如果Tobit回归模型的拟合值>120，则以Tobit回归模型的拟合值作为实际需求，和未被截断的数据合并得到截断还原后的预订客房数。
其中，受限因变量回归方法可以是Tobit回归，也可以是多元逻辑回归等模型。本实施例采用Tobit回归来处理因客房数量限制导致的需求右截断问题，将历史数据还原成未截断下的状态。
Tobit回归模型，用于因变量为部分连续和部分离散分布的数据。其基本模型为：
y
其中，
对于Tobit回归模型的参数β′和σ的值，可采用最大似然估计法求得，在此不做详细介绍。
对历史数据截断还原前、后的客房预订数进行对比，请参看图2，图中，实线表示需求截断的数据曲线，虚线表示将需求截断点还原后的曲线。从图中，可以很容易看出，需求截断还原后的曲线不再受限于120这个数值，将历史需求数据还原成未截断下的状态，提高需求数据的真实有效性。
通过还原后的截断数据，计算出相应的星期因子、旬度(十天)因子、月度因子，剥离周期性和季节性因素的影响。具体如下：
S12：求解主要的周期性及季节性因素因子，包括星期因子、旬度因子、月度因子；
其中，各因子的计算公式如下：
星期因子：
旬度因子：
月度因子：
剥离季节性因素后的需求公式为：
其中，
W
请参看图3，图中实线表示原始数据曲线(即未进行周期性和季节性因素剥离的数据曲线)，虚线表示剥离周期性和季节性因素后的数据曲线。剥离需求数据的周期性和季节性因素后，其客房预订数与未剥离周期性和季节性因素时的客房预订数相比，减少了数据的上下波动幅度，使需求数据趋于平稳。
步骤S2进一步包括：基于客房价格需求的历史数据，采用局部斜率更新算法或最小二乘法来拟合价格需求函数。
本实施例以还原后的需求数据集作为样本集，选取2017年4月到2017年8月的需求数据作为历史数据，利用局部斜率更新的方法拟合出针对于入住日期为2017年9月10日，预售期为十天的该房型预售期内的价格需求曲线。具体如下：
在局部斜率更新的方法中，根据Lagrange中值定理，在价格变动间距充分小时，可近似地将某价格点所求得的价格需求函数的斜率作为该价格点附近区间的统一斜率值。
局部斜率更新的具体步骤如下：
得到选取的历史散点，散点为真实样本点对应价格需求(pi，di)，i＝1，2，3…
由第一个样本点(p1，d1)得到第一段斜率为-d1/p1的需求函数D1(·)(这个点附近小区间内的价格需求斜率由该点决定，斜率表示了一种对价格的敏感性或者是价格弹性)。
第二个样本点(p2，d2)得到第二段斜率为-d2/p2的需求函数D2(·)，同时前面第一段进行调整(斜率不变，截距变化)，保证每个小区间价格敏感性由最近样本点确定，以及整体需求函数的连续性。
以此类推，第t个样本点的得到第t段需求曲线，同时前面t-1段进行调整，最终得到基于历史数据的该房型预售期内的价格需求曲线：
其价格需求曲线，如图4所示。
步骤S3进一步包括：在动态博弈模型中，酒店和顾客关于客房定价的博弈是非对抗性的合作博弈，酒店和顾客谋划共同取得尽可能大的利益，酒店追求的理想结局是，在顾客预定的基础上，酒店的收益尽可能大。
创建动态博弈模型时，酒店可以先制定客房的预售价格，然后根据顾客预定或不预定的反馈结果，生成两种不同的预测收益；根据收益预测结果，可得到酒店的决策是基于顾客预定的前提下调整客房的预售价格。
动态博弈是指参与人的行动有先后顺序，而且行动在后者可以观察到行动前者的选择，并据此做出相应的选择。具体到本实施例，动态博弈的参与人为酒店定价者及顾客。酒店定价者首先制定客房的预售价格，顾客根据该预售价格与心理预期进行计较，若在心理预期内(可接受的价格)的，则进行预定；若在心理预期外(不可接受的价格)的，则不预定。
步骤S4进一步包括：
S41：根据酒店的实际情况制定客房的最高价格f
S42：根据步骤S2中的拟合的价格需求函数，将入住日客房实际剩余库存量对应的价格作为最低价格f
S43：通过历史数据计算可接受客房最高价格f
S44客房到顾客接受客房价格订房的概率分布为：
本实施例针对2017年9月1日这一天制定酒店该房型预售期内的最高价格和最低价格，并通过顾客接受最高价格和最低价格的比例得到预售期内顾客接受预售订单的概率分布，具体如下：
通过客房的无折扣价格制定客房最高价格为250，通过拟合的需求函数中找到2017年9月1日这一天入住日为2017年9月10目的客房实际剩余库存量对应的价格128作为最低价格。
通过2017年4月到8月的顾客订房的历史数据计算可接受客房最高价格f
计算顾客房受酒店客房价格订房的概率分布时，假定概率分布函数为ε(x)＝ax+b，代入ε(f
ε(x)＝2.28-0.01x
步骤S5进一步包括：
S51：根据历史数据中每年的客房需求人数数据，拟合预售期内每天的客房需求人数的泊松分布：
其中，强度λ
S52：酒店预售期内每天客房的收益函数为：
其中
S53：酒店预售期内每天客房的期望收益为：
S54：求解最大期望收益下的客房价格：
其中，
本实施例根据顾客接受订单的概率分布、客房需求人数以及动态博弈模型的均衡解建立最优期望收益算法，求解得到预售期内酒店的最优动态价格，具体如下：
通过历史数据得到每年的客房需求人数数据，根据该数据拟合泊松分布：
得到预售期内每天的泊松强度λ
根据求解最大期望收益下的最优动态价格：
得到了预售期内每天的最优价格：
对比相同类型客房使用动态定价模型与否所带来的收益，如下表所示：
可以看到，在不考虑酒店成本的情况下，使用动态定价模型的定价虽然没有酒店定价人员通过经验定的价格高，但是却增加了客房的销售量，同时提高了酒店的收益。
实施例二
本实施例提供了一种酒店客房动态定价装置，请参看图5，该装置包括：
数据采集模块1，用于采集酒店各客房类型的历史数据，对历史数据进行处理，得到客房价格需求的历史数据；
价格拟合模块2，用于基于客房价格需求的历史数据，拟合价格需求函数，用以预测不同价格点所对应的需求；
模型创建模块3，用于基于动态博弈论，建立酒店客房定价与顾客需求的动态博弈模型；
需求分布模块4，用于制定酒店客房的最高价格及最低价格，并通过顾客接受所述最高价格及最低价格的比例，得到顾客接受订单的概率分布；
定价模块5，用于根据顾客接受订单的概率分布、客房的需求人数以及动态博弈模型的均衡解，优化收益模型，求解得到预售期内酒店客房的动态价格。
上述数据采集模块1、价格拟合模块2、模型创建模块3、需求分布模块4及定价模块5的功能与实现方法，均与实施例一的描述一致，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动态定价装置进行描述，下面从硬件处理的角度对本发明酒店客房动态定价设备进行详细描述。
请参看图6，该酒店客房动态定价设备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动态定价设备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，在酒店客房动态定价设备500上执行存储介质530中的一系列指令操作。
酒店客房动态定价设备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6示出的酒店客房动态定价设备结构并不构成对酒店客房动态定价设备的限定，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动态定价方法的步骤。
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。
机译： 动态设备分配装置，动态设备分配系统，动态设备分配方法和存储动态设备分配程序的存储介质
机译： 动态设备分配装置，动态设备分配系统，动态设备分配方法和存储介质存储动态设备分配程序
机译： 动态认证方法和装置，以及设备和可读存储介质
