基于人工智能的房间个性化需求模型制造技术

本公开涉及基于人工智能的房间个性化需求模型。更具体而言，实施例对宾馆房间的需求和定价进行建模。实施例接收关于多个先前客人的历史数据，该历史数据包括多个属性，该多个属性包括客人属性、旅行属性和外部因素属性。实施例使用机器学习软聚类基于多个属性来生成多个不同的聚类，并且将每个先前客人细分到一个或多个不同的聚类中。实施例为每个不同的聚类建立模型，该模型预测客人选择某个房间类别的概率并且包括与属性对应的多个变量。实施例消除模型的不重要变量并且估计模型的模型参数，模型参数包括与变量对应的系数。实施例使用模型参数和个性化的定价算法来确定宾馆房间的最优定价。

【技术实现步骤摘要】
【国外来华专利技术】基于人工智能的房间个性化需求模型相关申请的交叉引用本申请要求于2019年10月21日提交的美国临时专利申请序列No.62/923,779的优先权，该申请的公开内容通过引用并入本文。
一个实施例总体上涉及一种计算机系统，并且特别地涉及生成基于人工智能的房间个性化需求模型的计算机系统。
技术介绍
宾馆行业竞争的加剧导致宾馆经营者寻求更具创新性的收入管理策略，诸如个性化定价和推荐。在过去的几年中，宾馆经营者开始意识到并非所有客人都是一样的，并且传统的“通用型(one-size-fits-all)”策略可能被证明是无效的。因此，对于宾馆而言存在剖析其客人概况并以适当的价格向客人提供适当的产品/服务以使宾馆的利润最大化的需求。
技术实现思路
实施例对宾馆房间的需求和定价进行建模。实施例接收关于多个先前客人的历史数据，该历史数据包括多个属性，该多个属性包括客人属性、旅行属性和外部因素属性。实施例使用机器学习软聚类基于多个属性来生成多个不同的聚类，并且将每个先前客人细分(segment)到一个或多个不同的聚类中。实施例为每个不同的聚类建立模型，该模型预测客人选择某个房间类别的概率并且包括与属性对应的多个变量。实施例消除模型的不重要变量并且估计模型的模型参数，模型参数包括与变量对应的系数。实施例使用模型参数和个性化的定价算法来确定宾馆房间的最优定价。附图说明通过下面结合附图对实施例的详细描述，其它实施例、细节、优点和修改将变得显而易见。图1是根据本专利技术的实施例的计算机服务器/系统的框图。图2是图示根据实施例的图1的房间需求模型模块的功能的流程图。图3图示了根据一个实施例的基于属性的聚类的示例。图4图示了根据一个实施例的使用随机森林机器学习进行关联的聚类的另一个示例。图5图示了根据一个实施例的将混合MNL模型应用于每个聚类以估计需求的示例。图6图示了根据一个实施例的完整的个性化需求模型。图7图示了根据一个实施例的似然函数的示例。图8图示了根据实施例的变量选择算法。图9和图10图示了本专利技术的使用实验数据集来预测特定客人选择某种房间类别的概率的实施例的结果。图11图示了根据本专利技术的实施例的实验研究的结果。具体实施方式实施例利用人工智能(“AI”)基于宾馆客人的个体属性、他们的预订渠道以及房间类别特征(包括提供的价格)来预测对多种宾馆房间类别的需求。实施例还估计作为不可观察的变量的“不购买客人”的比例，或决定不预订宾馆房间的客人的数量。实施例输出每个个体客人预订特定房间类别中的房间的概率。实施例还针对宾馆客人的每种聚类估计房间特征的相对货币价值。房间特征的示例可以是床的类型(例如，特大床与双人床)、景观(例如，海景或花园)、房间的大小，或房间的类型(例如，套房与单人房)。为了基于客人特性以及房间特征来生成个性化需求模型，实施例使用多项式选择建模的聚类和混合的组合。宾馆行业中的传统收益管理(“RM”)做法使用容量控制机制，特别是通常使用停留时间控制来控制不同类别产品的房间可用性。一般而言，宾馆行业不使用基于宾馆客人的个体属性、他们的预订渠道以及房间类别特征的高级需求模型。但是，近年来，宾馆行业的经营状况已发生重大变化。鉴于经由互联网提供的房价透明性，合作旅行管理公司、休闲旅行代理和品牌网站已转移到公共的分销平台并开始接触彼此的顾客群体。然后，搜索引擎甚至进一步提高了这种透明度，从而将所有分销渠道的在线费率汇总到单个界面中，并将价格显示为宾馆房间之间最显著的差异之一。在这种竞争激烈的环境中，在假设对产品的需求不取决于其它可获得的选择的前提下操作的传统RM解决方案在细分具有严格(well-fenced)限制的客人时效果不佳。因此，宾馆需要转向基于客人的付款意愿和价格弹性的价格优化解决方案。尤其对于在线销售而言，个性化的需求建模和价格优化在宾馆行业中的使用相对较少，部分原因是难以将这些方法直接应用于宾馆预订。当前，宾馆行业使用的大多数需求预测工具旨在基于时间序列分析提供预订总数，从而忽略了需求价格弹性和房间类别特征。在存在具有显著不同付款意愿的多样化客人的情况下，这些需求建模工具通常是无效的。与已知的解决方案相比，实施例通过首先通过基于客人、旅行和外部属性应用基于机器学习的软聚类模型将客人群体划分为不同的聚类来实现个性化策略。已知的解决方案通常在假设同类客人的情况下仅基于容易分离的客人(诸如，出行目的(例如，休闲或商务))完成此聚类。在实践中，这可能太具限制而无法应用，因为客人具有需要不同选择模型的其自己的特性。即使对于具有相似属性的一些客人，其选择概率也可能取决于外部属性，诸如当地事件、假日以及始发地和目的地的天气。因此，实施例在选择建模中放松了客人同类性的强烈假设。实施例包括到达和预订决策步骤的两个先前的顺序步骤。顾客可以到达(或不到达)宾馆房间预订系统。如果到达，那么顾客决定在宾馆处进行(或不进行)预订。一旦他们已到达预订系统并决定预订房间，他们就将选择房间类型。但是，一般而言，可观察的数据仅对购买了任何产品的顾客可用，并且如果实施例仅将需求模型拟合到可观察的数据，那么可能导致有偏差的估计并且没有适当地并入价格敏感性。为了避免这些可能的偏差，实施例并入了不购买的情况，在不购买的情况下，顾客可能因为对宾馆不感兴趣而没有到达预订系统，或者顾客到达预订系统但是然后由于价格高或没有可用房间而离开并没有购买。因此，与不考虑那些因素的先前行业解决方案相比，实施例可以考虑不购买情况和竞争者(或外部选项)，这可以影响顾客的初始决定。实施例将客人聚类成几个组或聚类，其中具有相似属性的客人被分配到同一聚类。此外，实施例通过允许每个客人以一定概率属于多个聚类来实现软聚类方法。实施例然后针对每个聚类建立多项式选择模型，该模型预测每个特定客人选择某种房间类别的概率。实施例使用数据驱动的交叉验证方法来确定组的数量，以确定最佳的聚类数量。由于属性的数量通常很大，因此每个组内的数据可能稀疏，从而导致预测不准确。为了减轻这种情况，实施例实现“套索(Lasso)”正则化方法，以通过使混合多项式选择模型的惩罚似然函数最大化来将最不重要的模型协变量的系数设置为零。为了估计参数(即，到达率、属于每个组的概率和每个协变量参数)，实施例在执行基于随机森林的软聚类以找到初始聚类概率之后使用期望最大化(EM)算法。由于两个不可观察的因素(即，不购买处理和聚类处理)，实施例考虑了那些潜在因素。最后，将从以上提取的参数插入到个性化定价算法中，以便为每个客人确定每种房间类型的最优价格。现在将详细参考本公开的实施例，其示例在附图中示出。在下面的详细描述中，阐述了许多具体细节以便提供对本公开的透彻理解。但是，对于本领域的普通技术人员将显而易见的是，可以在没有这些具体细节的情况下实践本公开。在其它情况下，未详细描述众所周知的方法、过程、部件和电路，以免不必要地使实施例的各方面不清楚。只要有可能，相同的参本文档来自技高网...

【技术保护点】
1.一种对宾馆房间的需求和定价进行建模的方法，所述方法包括：/n接收关于多个先前客人的历史数据，所述历史数据包括多个属性，所述多个属性包括客人属性、旅行属性和外部因素属性；/n使用机器学习软聚类基于所述多个属性生成多个不同的聚类；/n将每个先前客人细分到一个或多个不同的聚类中；/n为每个不同的聚类建立模型，所述模型预测客人选择某个房间类别的概率并且包括与属性对应的多个变量；/n消除所述模型中的不重要变量；/n估计所述模型的模型参数，所述模型参数包括与变量对应的系数；以及/n使用所述模型参数和个性化的定价算法来确定宾馆房间的最优定价。/n

【技术特征摘要】
【国外来华专利技术】20191021 US 62/923,779;20200207 US 16/784,6341.一种对宾馆房间的需求和定价进行建模的方法，所述方法包括：
接收关于多个先前客人的历史数据，所述历史数据包括多个属性，所述多个属性包括客人属性、旅行属性和外部因素属性；
使用机器学习软聚类基于所述多个属性生成多个不同的聚类；
将每个先前客人细分到一个或多个不同的聚类中；
为每个不同的聚类建立模型，所述模型预测客人选择某个房间类别的概率并且包括与属性对应的多个变量；
消除所述模型中的不重要变量；
估计所述模型的模型参数，所述模型参数包括与变量对应的系数；以及
使用所述模型参数和个性化的定价算法来确定宾馆房间的最优定价。


2.如权利要求1所述的方法，其中所述模型包括混合多项式logit模型(MNL)。


3.如权利要求1所述的方法，其中所述机器学习软聚类包括基于随机森林的软聚类。


4.如权利要求1所述的方法，其中所述估计包括期望最大化(EM)算法。


5.如权利要求1所述的方法，其中消除所述模型的不重要变量包括：通过最大化所述模型的惩罚似然函数使用正则化方法将不重要变量的系数设置为零。


6.如权利要求1所述的方法，所述多个变量包括潜在变量，所述潜在变量包括未到达客人和未预订客人。


7.如权利要求6所述的方法，还包括区分未到达客人与未预订客人，包括将一天划分为多个离散的时隙，在这些离散的时隙期间最多一位客人可以到达。


8.如权利要求1所述的方法，其中所述最优定价包括对于宾馆的多个不同类型的房间，为每个不同类型分配最优价格，所述最优定价使收益最大化。


9.一种其上存储有指令的计算机可读介质，所述指令在由一个或多个处理器执行时，使所述处理器优化宾馆房间的定价，所述优化包括：
接收关于多个先前客人的历史数据，所述历史数据包括多个属性，所述多个属性包括客人属性、旅行属性和外部因素属性；
使用机器学习软聚类基于所述多个属性生成多个不同的聚类；
将每个先前客人细分到一个或多个不同的聚类中；
为每个不同的聚类建立模型，所述模型预测客人选择某个房间类别的概率并且包括与属性对应的多个变量；
消除所述模型中的不重要变量；

【专利技术属性】
技术研发人员：S·周，A·瓦赫汀斯凯，S·亚格纳瓦哈拉，
申请(专利权)人：甲骨文国际公司，
类型：发明
国别省市：美国;US