CN115271137A - 一种在线预订变动处理方法 - Google Patents
一种在线预订变动处理方法 Download PDFInfo
- Publication number
- CN115271137A CN115271137A CN202210859691.5A CN202210859691A CN115271137A CN 115271137 A CN115271137 A CN 115271137A CN 202210859691 A CN202210859691 A CN 202210859691A CN 115271137 A CN115271137 A CN 115271137A
- Authority
- CN
- China
- Prior art keywords
- hotel
- transferee
- data
- credit
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 77
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011867 re-evaluation Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioethics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种在线预订变动处理方法,首先,确定酒店房源价格的相关联数据;基于酒店房源价格的相关联数据,评估酒店房源状况;基于酒店房源状况,预测酒店房源预定变动的概率;确定受让方信誉值评价相关数据并确保隐私保护,具体包括:确定受让方的过往酒店房源预定数据,确定受让方的借贷信用记录;基于受让方信誉值评价相关数据,分析受让方信誉度,具体包括:建立信誉度评价模型,根据受让方相关数据,获取对应受让方的信誉值;根据房源变动概率与受让方信誉值,确定初步转让价格;最后,根据转让方对于需求转让的酒店房源的推荐程度,调整最终转让价格,受让方获取最终的转让价格,实现房源实现再利用,有利于酒店与用户的效益最大化。
Description
【技术领域】
本发明涉及信息技术领域,尤其涉及一种在线预订变动处理方法。
【背景技术】
旅游出行是人们经常有的事情,但是旅游一般会提前很多天规划,而未来的时间具有不确定性,经常会因为突如其来的事情而导致原本计划被打乱。这时预定好的机票酒店等,都会因为计划打乱而,需要退订。首先给酒店带来了很多不确定性,可能导致原本预留的房间,空房无法出售。而对于旅行者用户来讲,也是损失因为退订代表着赔偿一部分的违约金。造成了酒店和用户其实都是双输状态。因此,如果能够在计划未变动时,就计划好酒店房间的转让,则可以让这个事情,变动更加可控。但是酒店从不允许转让变成允许转让会遇到很多新问题,例如转让价格如何确定,转让是否能吸引到其他用户购买可供转让的房源,转让完成后受让方如果再次变动,如何解决。这些新的问题都是还未具有很好解决方案的问题。
【发明内容】
本发明提供了一种在线预订变动处理方法,主要包括:
确定酒店价格相关联数据;基于酒店价格相关联数据,评估房源状况;基于酒店房源状况,预测房源预定变动的概率;确定受让方信誉值评价相关数据并隐私保护;基于受让方信誉值评价相关数据,分析受让方信誉度;根据房源变动概率与受让方信誉值,确定初步转让价格;根据转让方的推荐程度,调整最终转让价格;
进一步可选地,所述确定酒店价格相关联数据包括:
首先,确定酒店价格相关联数据,包括酒店地理环境数据和酒店内部条件数据;其中,酒店地理环境数据包括周边1千米内的生活设施,医疗条件,交通条件和关联景点;通过对百度地图进行切片爬取,获取酒店地理环境数据的POI点数据;其中,酒店的内部条件数据包括酒店房源量,酒店评分,酒店评价数;通过对OTA平台的公开数据进行爬取,获取酒店内部条件数据;采集用户预定房源目的,并进行归纳整理;取同价位酒店房源评分平均值为评分为空的酒店房源评分。
进一步可选地,所述基于酒店价格相关联数据,评估房源状况包括:
根据房源不同相关参数分析房源的状况;首先,建立房源状况评价体系,即K=Ev*S1+Ic*S2,所述K为酒店房源的状况,所述Ev为酒店外在价值,所述Ic为酒店内部环境条件,所述S1,S2为不同的权重;在所选取的酒店样本数据范围内对Ev与Ic值进行归一化处理使其值处于0-1之间;最后,根据房源状况评价体系对房源状况进行评估;包括:基于房源地理环境数据,分析房源外在价值;基于酒店自身数据,分析房源内部条件;
所述基于房源地理环境数据,分析房源外在价值,具体包括:
首先,确定酒店房源地理环境数据,包括酒店周边生活设施,医疗条件,交通条件和关联景点。其中,酒店周边生活设施由酒店周边1千米范围内餐饮、商务、购物、休闲和普通景点的POI点数量决定。酒店周边医疗条件由酒店周边1千米范围内医院的POI点数量决定。酒店周边交通条件由酒店周边1千米范围内公交站、地铁站、客运站、高铁站、飞机场的POI点数量决定。酒店周边关联景点由酒店周边1千米范围内4A及以上级别景区的POI点数量决定。根据酒店周边各项地理环境条件数据分析酒店的房源价值,建立酒店房源外在价值模型,即Ev=N1*Lv+N2*Mv+N3*Tv+N4*Sv,所述Ev为酒店房源的外在价值,所述N1,N2,N3,N4为不同的权重,所述Lv为酒店周边生活设施的POI点数量,所述Mv为酒店周边医疗设施的POI点数量,所述Tv为酒店周边交通设施的POI点数量,所述Sv为酒店周边关联景点的POI点数量;当转让方需求与酒店房源周边1千米内对应POI点数量匹配时,对应权重取1,否则取0;当转让方目标需求不具象化于具体类型的POI点,则N1,N2,N3,N4取标准化权重;最后,依据模型计算目标酒店房源的外在价值。
所述基于酒店自身数据,分析房源内部条件,具体包括:
首先,确定酒店房源自身数据,包括酒店房源量,酒店评分,酒店评价数。根据酒店自身各项条件数据分析酒店的预定状况,建立酒店房源内部条件模型,即Ic=M1*Rn+M2*He+M3*Ed,所述Ev为酒店房源的外在价值,所述M1,M2,M3为不同的权重,所述Rn为酒店房源数量,所述He为酒店评分,所述Ed为酒店评价数目;对各项指标进行归一标准化处理,统一量纲;最后,根据模型计算目标酒店的内部条件。
进一步可选地,所述基于酒店房源状况,预测房源预定变动的概率包括:
根据酒店房源状况相关参数预测房源预定变动的概率;首先,确定酒店的房源状况评判参考标准,包括酒店房源的外在价值和内部条件;其次,建立酒店房源预定变动概率的预测模型,即:V=(1-K)*100%;所述V为由房源状况的优劣程度引起的房源变动概率;所述K为综合各项外在与内部条件所得出酒店房源的优秀评价指数;最后,依据酒店房源变动概率的预测模型对房源的变动概率进行预估计;已确定申请转让的酒店房源的转让概率V=1。
进一步可选地,所述确定受让方信誉值评价相关数据并隐私保护包括:
首先,确定受让方信誉值评价相关数据,包括受让方的过往酒店预定记录,受让方个人信息以及借贷记录;其次,存储受让方信誉值评价相关数据以及约束信息于数据库,且使数据库中的相关数据与受让方身份信息唯一对应,输入唯一的身份信息以调取受让方的相关数据;最后,使用同态加密方法对受让方的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提下对数据进行运算,运算结果通过解密算法,获得与明文运算相同的结果;包括:确定受让方的过往预定数据;确定受让方的借贷信用记录;
所述确定受让方的过往预定数据,具体包括:
首先,确定酒店房源的过往预定数据,包括受让方的酒店预定并成功入住记录,酒店预订取消记录与酒店预订未取消也未入住记录;通过对OTA平台数据进行爬取,获得受让方的过往预定变动记录;对获取的用户数据进行数据预处理,对数据进行分类并提取预定状况数据,即index={成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方历史预定状况;最后,采集的数据进行数据清洗,删除缺失数据、重复数据与错误数据。
所述确定受让方的借贷信用记录,具体包括:
首先,确定受让方的信用记录信息,包括受让方的年龄,性别,籍贯,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数;通过银行***中心的数据仓库获取受让方信用记录;插补由数据仓库获取的原始数据中存在的不同程度的缺失值。确定信用记录的缺失值,包括借贷人口特征信息缺失值与借贷人信用记录缺失值。其中,采用K近邻分类算法对借贷人人口特征信息对应的缺失值进行插补,将借贷人信用记录对应的缺失值赋值为0;对受让方的隐私信息进行加密与解密算法处理,确保信息安全性。
进一步可选地,所述基于受让方信誉值评价相关数据,分析受让方信誉度包括:
基于受让方的过往酒店预定数据与借贷信用记录对受让方的信誉度进行分析;对数据进行分类及归纳,将对应过往酒店预定数据与借贷信用记录数据相匹配,即index={年龄,性别,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数,成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方受让方信誉值评价相关指标;使用缩尾法对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行预处理;对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行归一标准化处理,统一量纲;包括:建立信誉度评价模型;根据受让方数据,获取对应的信誉值;
所述建立信誉度评价模型,具体包括:
基于所述受让方个人信息与信用记录,使用BP神经网络构建信誉值评价模型;利用熵权法计算所述受让方个人信息与信用记录各个变量对于个人信誉度数值贡献程度所占据的权重;基于计算所得的受让方个人信息与信用记录各个变量权重,调整BP神经网络模型训练参数;根据信誉值评价相关指标数据确定神经网络的训练样本与测试样本;采用trainlm函数对样本进行人工神经网络训练;通过测试集对信誉值评价模型进行测试并且调整参数,不断训练,提高模型的精确度。
所述根据受让方数据,获取对应的信誉值,具体包括:
首先,基于神经网络训练所得准确度高的信誉度评价模型,对受让方的信誉度数值进行评价;获取整理归纳好的受让方数据,并将其输入信誉度评价模型中进行处理;确定受让方数据,包括受让方的过往酒店预定记录,受让方的个人身份信息及银行借贷记录;基于模型预测计算得出受让方的信誉度数值R,并根据信誉度评价标准得出相应的信誉度评价结果;多次运算减少模型计算结果的误差;将信誉度评价结果出示于受让方;受让方对于存在异议的个人信誉度评价结果进行申请重新测评。
进一步可选地,所述根据房源变动概率与受让方信誉值,确定初步转让价格包括:
基于房源变动概率和受让方信誉值确定最终受让方获得的预定转让房源价格;构建转让价格预测模型:TP=IP*-IP*V*N1-IP*(R-70)/100*N2);所述TP为转让价格;所述IP为酒店房源的初始价格;所述V为预测所得的酒店房源变动概率;所述R为模型计算所得的受让方的信誉度数值;所述N1,N2为不同的权重;所述IP*V*N1为酒店房源变动概率对转让价格的削减值;所述IP*(R-70)/100*N2为受让方的信誉值对于房源价格的增长/削减值;最后,根据转让价格预测模型对转让价格进行初步确定。
进一步可选地,所述根据转让方的推荐程度,调整最终转让价格,包括:
首先,确定转让方的推荐程度相关参数,包括转让方的刷新点击频率,咨询留言回复平均时间间隔,与规定入住时间的时间间隔,以及超过规定入住时间的时间间隔;其次,基于推荐程度相关参数对于转让价格预测模型进行调整;构建最终转让价格预测模型,即:FP=TP+TP*CF/30*M1+TP/RT*M2+TP*(IT/24)*M3-TP*(OT/24)*M4;所述FP为最终受让方接收到的转让价格,所述TP为上述模型初步计算所得的转让价格;所述CF为转让方对于需转让房源的的刷新点击频率,单位为次/每小时;所述RT为转让方对受让方咨询信息的平均回复时间间隔,单位为分钟;所示IT为与房源规定入住时间的时间间隔,单位为小时;所述OT为规定入住时间的时间间隔,单位为小时;所述TP*CF/30*M1为转让方的刷新点击频率对转让价格的增长值;所述TP/RT*M2为咨询留言回复平均时间间隔对转让房价的增长值;所述TP*(IT/24)*M3为与规定入住时间的而时间间隔对转让价格的增长值;所述TP*(OT/24)*M4为超过规定入住时间的时间间隔对转让价格的削减值;超过规定入住时间的时间间隔OT>6小时,房源转让信息失效;最后,根据最终转让价格预测模型确定最终受让方获取的转让价格。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明在大量的酒店房源中,获取有变动可能性的房源,并对这些房源进行聚合,推介,变成另外一个可供购买的产品,并根据实际是否有人变动,折扣价转让给旅游时间不确定的购买方,对这些房源实现再利用,有利于酒店与用户的效益最大化。
【附图说明】
图1为本发明的一种在线预订变动处理方法的流程图。
图2未本发明的一种在线预定变动处理方法的工作流程图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种在线预订变动处理方法流程图。如图1所示,本实施例一种在线预订变动处理方法具体可以包括:
步骤101,确定酒店价格相关联数据。
请参阅图2,首先,确定酒店价格相关联数据,包括酒店地理环境数据和酒店内部条件数据。其中,酒店地理环境数据包括周边1千米内的生活设施,医疗条件,交通条件和关联景点。通过对百度地图进行切片爬取,获取酒店地理环境数据的POI点数据。其中,酒店的内部条件数据包括酒店房源量,酒店评分,酒店评价数。通过对OTA平台的公开数据进行爬取,获取酒店内部条件数据;采集用户预定房源目的,并进行归纳整理;取同价位酒店房源评分平均值为评分为空的酒店房源评分。百度地图API矩形范围内最多能返回400个POI点数据,例如,将苏州地区切成40*40个切片对景点POI点数据进行爬取;例如,张三预定酒店房源A的目的为前往5A级景区西湖,李四预定酒店房源B的目的为前往三甲医院看病,王五预定酒店房源C目的为前往M市度假;例如,价格158的酒店房源评分为空,则以价格100-200元所有酒店评分平均值为其评分。
步骤102,基于酒店价格相关联数据,评估房源状况。
根据房源不同相关参数分析房源的状况。首先,建立房源状况评价体系,即K=Ev*S1+Ic*S2,所述K为酒店房源的状况,所述Ev为酒店外在价值,所述Ic为酒店内部环境条件,所述S1,S2为不同的权重;在所选取的酒店样本数据范围内对Ev与Ic值进行归一化处理使其值处于0-1之间;最后,根据房源状况评价体系对房源状况进行评估;权重满足S1+S2=1条件;例如,酒店房源状况评价体系为优秀(0.90-1),良好(0.80-0.89),一般(0.60-0.79),差(0-0.59)。例如,酒店房源A的外在价值参数为0.66,酒店内部环境条件参数为0.72,即Ev=0.66,Ic=0.72,权重S1,S2依次取0.45和0.55,则酒店房源状况K=0.687。例如,酒店房源状况数值分别为0.433,0.671,0.853,0.956,则表示房源A的状况为差,房源B的状况为一般,房源C的状况为良好,房源D的状况为优秀。
基于房源地理环境数据,分析房源外在价值。
首先,确定酒店房源地理环境数据,包括酒店周边生活设施,医疗条件,交通条件和关联景点。其中,酒店周边生活设施由酒店周边1千米范围内餐饮、商务、购物、休闲和普通景点的POI点数量决定。酒店周边医疗条件由酒店周边1千米范围内医院的POI点数量决定。酒店周边交通条件由酒店周边1千米范围内公交站、地铁站、客运站、高铁站、飞机场的POI点数量决定。酒店周边关联景点由酒店周边1千米范围内4A及以上级别景区的POI点数量决定。根据酒店周边各项地理环境条件数据分析酒店的房源价值,建立酒店房源外在价值模型,即Ev=N1*Lv+N2*Mv+N3*Tv+N4*Sv,所述Ev为酒店房源的外在价值,所述N1,N2,N3,N4为不同的权重,所述Lv为酒店周边生活设施的POI点数量,所述Mv为酒店周边医疗设施的POI点数量,所述Tv为酒店周边交通设施的POI点数量,所述Sv为酒店周边关联景点的POI点数量;当转让方需求与酒店房源周边1千米内对应POI点数量匹配时,对应权重取1,否则取0;当转让方目标需求不具象化于具体类型的POI点,则N1,N2,N3,N4取标准化权重;最后,依据模型计算目标酒店房源的外在价值。权重满足N1+N2+N3+N4=1条件;例如,张三预定酒店房源的目的为前往M市度假,酒店房源A周边一千米内有5家服装店,3家餐馆,1家台球厅,1家医院,2座公交站,1座地铁站,0座4A及以上景区,则Lv=9,Mv=1,Tv=3,Sv=0,权重N1,N2,N3,N4依次取0.22,0.16,0.38,0.24,房源A的外在价值Ev=3.28;例如,李四预定酒店房源的目的为前往M市的西湖景区,酒店房源B周边一千米内有5家服装店,3家餐馆,1家台球厅,1家医院,2座公交站,1座地铁站,0座4A及以上景区,则Lv=9,Mv=1,Tv=3,Sv=0,权重N1,N2,N3,N4依次取0,0,0,1,房源A的外在价值Ev=0。例如,在对酒店房源样本数据进行归一化处理中,样本中Ev最大值为8,酒店房源B的Ev值为3.5,则进行归一化处理得酒店房源B归一化Ev值为0.4375。
基于酒店自身数据,分析房源内部条件。
首先,确定酒店房源自身数据,包括酒店房源量,酒店评分,酒店评价数。根据酒店自身各项条件数据分析酒店的预定状况,建立酒店房源内部条件模型,即Ic=M1*Rn+M2*He+M3*Ed,所述Ev为酒店房源的外在价值,所述M1,M2,M3为不同的权重,所述Rn为酒店房源数量,所述He为酒店评分,所述Ed为酒店评价数目;对各项指标进行归一标准化处理,统一量纲;最后,根据模型计算目标酒店的内部条件。权重满足M1+M2+M3=1条件;归一标准化公式X'=X/X(MAX);酒店评分的预设阈值为5分;例如,酒店房源C房源量为50,酒店评分为4.8分,酒店评价数为980,样本统计房源量最大值为120,酒店评分最大值为5,酒店评价数最大值为2000,则归一标准化后可得Rn=0.42,He=0.96,Ed=0.49;例如,酒店房源C房源量为50,酒店评分为4.8分,酒店评价数为980,则Rn=0.42,He=0.96,Ed=0.49,权重N1,N2,N3,N4依次取0.27,0.40,0.33,房源C的内在价值Ic=0.66。
步骤103,基于酒店房源状况,预测房源预定变动的概率。
根据酒店房源状况相关参数预测房源预定变动的概率;首先,确定酒店的房源状况评判参考标准,包括酒店房源的外在价值和内部条件。其次,建立酒店房源预定变动概率的预测模型,即:V=(1-K)*100%;所述V为由房源状况的优劣程度引起的房源变动概率。所述K为综合各项外在与内部条件所得出酒店房源的优秀评价指数;最后,依据酒店房源变动概率的预测模型对房源的变动概率进行预估计。已确定申请转让的酒店房源的转让概率V=1;例如,酒店房源状况评价体系为优秀(0.90-1),良好(0.80-0.89),一般(0.60-0.79),差(0-0.59)。例如,酒店房源A状况K=0.66,则该酒店房源的状况一般,酒店房源的变动概率V=34%。
步骤104,确定受让方信誉值评价相关数据并隐私保护。
首先,确定受让方信誉值评价相关数据,包括受让方的过往酒店预定记录,受让方个人信息以及借贷记录;其次,存储受让方信誉值评价相关数据以及约束信息于数据库,且使数据库中的相关数据与受让方身份信息唯一对应,输入唯一的身份信息以调取受让方的相关数据;最后,使用同态加密方法对受让方的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提下对数据进行运算,运算结果通过解密算法,获得与明文运算相同的结果。例如:同态加密方法的核心在于直接使用加密后的数据做运算,运算结果再经过解密算法,就能得到跟直接使用未加密数据做运算一样的结果。假如存在同态加密函数F、明文M,对M进行加密得到密文F(M)=m,密文m从发送方被传输到接收方,那么接收方不需要对密文m进行解密,而是直接在使用密文m进行运算C,得到运算结果C(m)=n,然后对n进行解密计算f,得到结果N=f(n)。而直接用明文M进行运算C,同样也能得到结果N,即C(M)=N,因此在该运算中,f(C(F(M)))=C(M),即F(C(M))=C(F(M))所以接收方不知道明文内容也能正常计算数据得到正确结果。
确定受让方的过往预定数据。
首先,确定酒店房源的过往预定数据,包括受让方的酒店预定并成功入住记录,酒店预订取消记录与酒店预订未取消也未入住记录;通过对OTA平台数据进行爬取,获得受让方的过往预定变动记录;对获取的用户数据进行数据预处理,对数据进行分类并提取预定状况数据,即index={成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方历史预定状况;最后,采集的数据进行数据清洗,删除缺失数据、重复数据与错误数据。无法取消超过酒店规定的预定取消截止时间的酒店;例如,张三有10次预定酒店并成功入住记录,有3次预订酒店但随后取消记录,有1次预订酒店未取消也未入住记录,张三={10,4}。
确定受让方的借贷信用记录。
首先,确定受让方的信用记录信息,包括受让方的年龄,性别,籍贯,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数;通过银行***中心的数据仓库获取受让方信用记录;插补由数据仓库获取的原始数据中存在的不同程度的缺失值。确定信用记录的缺失值,包括借贷人口特征信息缺失值与借贷人信用记录缺失值。其中,采用K近邻分类算法对借贷人人口特征信息对应的缺失值进行插补,将借贷人信用记录对应的缺失值赋值为0;对受让方的隐私信息进行加密与解密算法处理,确保信息安全性;例如,对于张三缺失的收入情况采用K近邻分类算法进行插补,首先寻找与张三特征信息最相近的K个样本,其次将这K个样本的相应变量值众数作为张三缺失的人口信息特征值,对张三人口特征信息进行插补。
步骤105,基于受让方信誉值评价相关数据,分析受让方信誉度。
基于受让方的过往酒店预定数据与借贷信用记录对受让方的信誉度进行分析;对数据进行分类及归纳,将对应过往酒店预定数据与借贷信用记录数据相匹配,即index={年龄,性别,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数,成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方受让方信誉值评价相关指标;使用缩尾法对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行预处理;对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行归一标准化处理,统一量纲;缩尾法设定异常值水平为5%,并将大于0.95分位数的观察值替换为0.95分位数。例如,张三借贷逾期次数为50次,远超正常水平,样本中处于该指标0.95分位数的逾期次数为10次,因此将张三的逾期次数取为10次;年龄(20-25岁,45岁以上)=0,(36-40岁)=1,(31-35岁,41-45岁)=2,(26-30岁)=3;性别男=0,女=1;文化程度无=0,专科=1,本科=2,硕士及以上=3;工作信息暂未提供=0,私营业主=1,工薪族=2,(8k-15k)=3,公务员=4;例如,张三35岁,男,学历本科,月收入10000,公务员,借贷正常还款次数13次,逾期次数1次,成功入住酒店次数42次,未成功入住酒店次数4次,且缩尾法处理后月收入最大值为35000,借贷次数最大值60,逾期次数最大值10次,入住成功次数最大值75次,未入住成功次数最大值20次,则张三={2,0,2,0.28,4,0.22,0.1,0.56,0.2}。
建立信誉度评价模型。
基于所述受让方个人信息与信用记录,使用BP神经网络构建信誉值评价模型;利用熵权法计算所述受让方个人信息与信用记录各个变量对于个人信誉度数值贡献程度所占据的权重;基于计算所得的受让方个人信息与信用记录各个变量权重,调整BP神经网络模型训练参数;根据信誉值评价相关指标数据确定神经网络的训练样本与测试样本;采用trainlm函数对样本进行人工神经网络训练;通过测试集对信誉值评价模型进行测试并且调整参数,不断训练,提高模型的精确度;
BP神经网络的输入层包括9个指标:年龄,性别,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数,成功入住预订酒店次数,未成功入住预订酒店次数,即n=9,输出层为信誉值评价结果,即m=1,隐含层为5层。采用Sigmoid函数和线性函数作为BP神经网络中的激活函数;采用均方误差作为BP神经网络的误差函数。
根据受让方数据,获取对应的信誉值。
首先,基于神经网络训练所得准确度高的信誉度评价模型,对受让方的信誉度数值进行评价;获取整理归纳好的受让方数据,并将其输入信誉度评价模型中进行处理;确定受让方数据,包括受让方的过往酒店预定记录,受让方的个人身份信息及银行借贷记录;基于模型预测计算得出受让方的信誉度数值R,并根据信誉度评价标准得出相应的信誉度评价结果;多次运算减少模型计算结果的误差;将信誉度评价结果出示于受让方;受让方对于存在异议的个人信誉度评价结果进行申请重新测评;例如,受让方信誉度评价体系为优秀(90-100),良好(80-89),一般(60-79),差(0-59);例如,受让方信誉度数值分别为92,77,83,55,则表示受让方A的信誉状况为优秀,受让方B的信誉状况为一般,受让方C的信誉状况为良好,受让方D的信誉状况为差。
步骤106,根据房源变动概率与受让方信誉值,确定初步转让价格。
基于房源变动概率和受让方信誉值确定最终受让方获得的预定转让房源价格;构建转让价格预测模型:TP=IP*-IP*V*N1-IP*(R-70)/100*N2);所述TP为转让价格;所述IP为酒店房源的初始价格;所述V为预测所得的酒店房源变动概率;所述R为模型计算所得的受让方的信誉度数值;所述N1,N2为不同的权重;所述IP*V*N1为酒店房源变动概率对转让价格的削减值;所述IP*(R-70)/100*N2为受让方的信誉值对于房源价格的增长/削减值;最后,根据转让价格预测模型对转让价格进行初步确定;酒店房源的变动概率越大,转让价格越低;受让方的信誉度数值R>70,信誉度数值越高,转让价格削减值越大;受让方的信誉度数值R<70,信誉度数值越低,转让价格增长值越大;例如,预测所得的酒店房源的初始价格IP=210,转让概率V=56%,受让方信誉度数值R=86,权重N1=0.2,N2=0.4,则TP=173.0。
步骤107,根据转让方的推荐程度,调整最终转让价格。
首先,确定转让方的推荐程度相关参数,包括转让方的刷新点击频率,咨询留言回复平均时间间隔,与规定入住时间的时间间隔,以及超过规定入住时间的时间间隔;其次,基于推荐程度相关参数对于转让价格预测模型进行调整;构建最终转让价格预测模型,即:FP=TP+TP*CF/30*M1+TP/RT*M2+TP*(IT/24)*M3-TP*(OT/24)*M4;所述FP为最终受让方接收到的转让价格,所述TP为上述模型初步计算所得的转让价格;所述CF为转让方对于需转让房源的的刷新点击频率,单位为次/每小时;所述RT为转让方对受让方咨询信息的平均回复时间间隔,单位为分钟;所示IT为与房源规定入住时间的时间间隔,单位为小时;所述OT为规定入住时间的时间间隔,单位为小时;所述TP*CF/30*M1为转让方的刷新点击频率对转让价格的增长值;所述TP/RT*M2为咨询留言回复平均时间间隔对转让房价的增长值;所述TP*(IT/24)*M3为与规定入住时间的而时间间隔对转让价格的增长值;所述TP*(OT/24)*M4为超过规定入住时间的时间间隔对转让价格的削减值;超过规定入住时间的时间间隔OT>6小时,房源转让信息失效;最后,根据最终转让价格预测模型确定最终受让方获取的转让价格;当最终转让价格超过房源初始价格时,将房源初始转让价格作为房源最终转让价格;例如,当初步转让价格TP=173.04,转让方的刷新点击频率CF=18次/小时,咨询留言回复的平均时间间隔RT=5分钟,与规定入住的时间间隔IT=16小时,超过规定入住时间的时间间隔OT=0小时,权重M1,M2,M3,M4依次为0.05,0.1,0.1,0.3,则最终受让方获得的价格FP=193.228。
Claims (8)
1.一种在线预订变动处理方法,其特征在于,所述方法包括:
确定酒店价格相关联数据;基于酒店价格相关联数据,评估房源状况,所述基于酒店价格相关联数据,评估房源状况,具体包括:基于房源地理环境数据,分析房源外在价值,基于酒店自身数据,分析房源内部条件;基于酒店房源状况,预测房源预定变动的概率;确定受让方信誉值评价相关数据并隐私保护,所述确定受让方信誉值评价相关数据并隐私保护,具体包括:确定受让方的过往预定数据,确定受让方的借贷信用记录;基于受让方信誉值评价相关数据,分析受让方信誉度,所述基于受让方信誉值评价相关数据,分析受让方信誉度,具体包括:建立信誉度评价模型,根据受让方数据,获取对应的信誉值;根据房源变动概率与受让方信誉值,确定初步转让价格;根据转让方的推荐程度,调整最终转让价格。
2.根据权利要求1所述的方法,其中,所述确定酒店价格相关联数据,包括:
首先,确定酒店价格相关联数据,包括酒店地理环境数据和酒店内部条件数据;其中,酒店地理环境数据包括周边1千米内的生活设施,医疗条件,交通条件和关联景点;通过对百度地图进行切片爬取,获取酒店地理环境数据的POI点数据;其中,酒店的内部条件数据包括酒店房源量,酒店评分,酒店评价数;通过对OTA平台的公开数据进行爬取,获取酒店内部条件数据;采集用户预定房源目的,并进行归纳整理;取同价位酒店房源评分平均值为评分为空的酒店房源评分。
3.根据权利要求1所述的方法,其中,所述基于酒店价格相关联数据,评估房源状况,包括:
根据房源不同相关参数分析房源的状况;首先,建立房源状况评价体系,即K=Ev*S1+Ic*S2,K为酒店房源的状况,Ev为酒店外在价值,Ic为酒店内部环境条件,S1,S2为不同的权重;在所选取的酒店样本数据范围内对Ev与Ic值进行归一化处理使其值处于0-1之间;最后,根据房源状况评价体系对房源状况进行评估;包括:基于房源地理环境数据,分析房源外在价值;基于酒店自身数据,分析房源内部条件;
所述基于房源地理环境数据,分析房源外在价值,具体包括:
首先,确定酒店房源地理环境数据,包括酒店周边生活设施,医疗条件,交通条件和关联景点;其中,酒店周边生活设施由酒店周边1千米范围内餐饮、商务、购物、休闲和普通景点的POI点数量决定;酒店周边医疗条件由酒店周边1千米范围内医院的POI点数量决定;酒店周边交通条件由酒店周边1千米范围内公交站、地铁站、客运站、高铁站、飞机场的POI点数量决定;酒店周边关联景点由酒店周边1千米范围内4A及以上级别景区的POI点数量决定;根据酒店周边各项地理环境条件数据分析酒店的房源价值,建立酒店房源外在价值模型,即Ev=N1*Lv+N2*Mv+N3*Tv+N4*Sv,Ev为酒店房源的外在价值,N1,N2,N3,N4为不同的权重,Lv为酒店周边生活设施的POI点数量,Mv为酒店周边医疗设施的POI点数量,Tv为酒店周边交通设施的POI点数量,Sv为酒店周边关联景点的POI点数量;当转让方需求与酒店房源周边1千米内对应POI点数量匹配时,对应权重取1,否则取0;当转让方目标需求不具象化于具体类型的POI点,则N1,N2,N3,N4取标准化权重;最后,依据模型计算目标酒店房源的外在价值;
所述基于酒店自身数据,分析房源内部条件,具体包括:
首先,确定酒店房源自身数据,包括酒店房源量,酒店评分,酒店评价数;根据酒店自身各项条件数据分析酒店的预定状况,建立酒店房源内部条件模型,即Ic=M1*Rn+M2*He+M3*Ed,所述Ev为酒店房源的外在价值,所述M1,M2,M3为不同的权重,所述Rn为酒店房源数量,所述He为酒店评分,所述Ed为酒店评价数目;对各项指标进行归一标准化处理,统一量纲;最后,根据模型计算目标酒店的内部条件。
4.根据权利要求1所述的方法,其中,所述基于酒店房源状况,预测房源预定变动的概率,包括:
根据酒店房源状况相关参数预测房源预定变动的概率;首先,确定酒店的房源状况评判参考标准,包括酒店房源的外在价值和内部条件;其次,建立酒店房源预定变动概率的预测模型,即:V=(1-K)*100%;V为由房源状况的优劣程度引起的房源变动概率;K为综合各项外在与内部条件所得出酒店房源的优秀评价指数;最后,依据酒店房源变动概率的预测模型对房源的变动概率进行预估计;已确定申请转让的酒店房源的转让概率V=1。
5.根据权利要求1所述的方法,其中,所述确定受让方信誉值评价相关数据并隐私保护,包括:
首先,确定受让方信誉值评价相关数据,包括受让方的过往酒店预定记录,受让方个人信息以及借贷记录;其次,存储受让方信誉值评价相关数据以及约束信息于数据库,且使数据库中的相关数据与受让方身份信息唯一对应,输入唯一的身份信息以调取受让方的相关数据;最后,使用同态加密方法对受让方的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提下对数据进行运算,运算结果通过解密算法,获得与明文运算相同的结果;包括:确定受让方的过往预定数据;确定受让方的借贷信用记录;
所述确定受让方的过往预定数据,具体包括:
首先,确定酒店房源的过往预定数据,包括受让方的酒店预定并成功入住记录,酒店预订取消记录与酒店预订未取消也未入住记录;通过对OTA平台数据进行爬取,获得受让方的过往预定变动记录;对获取的用户数据进行数据预处理,对数据进行分类并提取预定状况数据,即index={成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方历史预定状况;最后,采集的数据进行数据清洗,删除缺失数据、重复数据与错误数据;
所述确定受让方的借贷信用记录,具体包括:
首先,确定受让方的信用记录信息,包括受让方的年龄,性别,籍贯,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数;通过银行***中心的数据仓库获取受让方信用记录;插补由数据仓库获取的原始数据中存在的不同程度的缺失值;确定信用记录的缺失值,包括借贷人口特征信息缺失值与借贷人信用记录缺失值;其中,采用K近邻分类算法对借贷人人口特征信息对应的缺失值进行插补,将借贷人信用记录对应的缺失值赋值为0;对受让方的隐私信息进行加密与解密算法处理,确保信息安全性。
6.根据权利要求1所述的方法,其中,所述基于受让方信誉值评价相关数据,分析受让方信誉度,包括:
基于受让方的过往酒店预定数据与借贷信用记录对受让方的信誉度进行分析;对数据进行分类及归纳,将对应过往酒店预定数据与借贷信用记录数据相匹配,即index={年龄,性别,文化程度,收入情况,工作信息,网络借贷平台借款金额正常还款次数、逾期次数,成功入住预订酒店次数,未成功入住预订酒店次数},所述index为受让方受让方信誉值评价相关指标;使用缩尾法对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行预处理;对所述受让方过往酒店预定数据与借贷信用记录的各个变量进行归一标准化处理,统一量纲;包括:建立信誉度评价模型;根据受让方数据,获取对应的信誉值;
所述建立信誉度评价模型,具体包括:
基于所述受让方个人信息与信用记录,使用BP神经网络构建信誉值评价模型;利用熵权法计算所述受让方个人信息与信用记录各个变量对于个人信誉度数值贡献程度所占据的权重;基于计算所得的受让方个人信息与信用记录各个变量权重,调整BP神经网络模型训练参数;根据信誉值评价相关指标数据确定神经网络的训练样本与测试样本;采用trainlm函数对样本进行人工神经网络训练;通过测试集对信誉值评价模型进行测试并且调整参数,不断训练,提高模型的精确度;
所述根据受让方数据,获取对应的信誉值,具体包括:
首先,基于神经网络训练所得准确度高的信誉度评价模型,对受让方的信誉度数值进行评价;获取整理归纳好的受让方数据,并将其输入信誉度评价模型中进行处理;确定受让方数据,包括受让方的过往酒店预定记录,受让方的个人身份信息及银行借贷记录;基于模型预测计算得出受让方的信誉度数值R,并根据信誉度评价标准得出相应的信誉度评价结果;多次运算减少模型计算结果的误差;将信誉度评价结果出示于受让方;受让方对于存在异议的个人信誉度评价结果进行申请重新测评。
7.根据权利要求1所述的方法,其中,所述根据房源变动概率与受让方信誉值,确定初步转让价格,包括:
基于房源变动概率和受让方信誉值确定最终受让方获得的预定转让房源价格;构建转让价格预测模型:TP=IP*-IP*V*N1-IP*(R-70)/100*N2);TP为转让价格;IP为酒店房源的初始价格;V为预测所得的酒店房源变动概率;R为模型计算所得的受让方的信誉度数值;N1,N2为不同的权重;IP*V*N1为酒店房源变动概率对转让价格的削减值;IP*(R-70)/100*N2为受让方的信誉值对于房源价格的增长/削减值;最后,根据转让价格预测模型对转让价格进行初步确定。
8.根据权利要求1所述的方法,其中,所述根据转让方的推荐程度,调整最终转让价格,包括:
首先,确定转让方的推荐程度相关参数,包括转让方的刷新点击频率,咨询留言回复平均时间间隔,与规定入住时间的时间间隔,以及超过规定入住时间的时间间隔;其次,基于推荐程度相关参数对于转让价格预测模型进行调整;构建最终转让价格预测模型,即:FP=TP+TP*CF/30*M1+TP/RT*M2+TP*(IT/24)*M3-TP*(OT/24)*M4;FP为最终受让方接收到的转让价格,TP为上述模型初步计算所得的转让价格;CF为转让方对于需转让房源的的刷新点击频率,单位为次/每小时;RT为转让方对受让方咨询信息的平均回复时间间隔,单位为分钟;IT为与房源规定入住时间的时间间隔,单位为小时;OT为规定入住时间的时间间隔,单位为小时;TP*CF/30*M1为转让方的刷新点击频率对转让价格的增长值;TP/RT*M2为咨询留言回复平均时间间隔对转让房价的增长值;TP*(IT/24)*M3为与规定入住时间的而时间间隔对转让价格的增长值;TP*(OT/24)*M4为超过规定入住时间的时间间隔对转让价格的削减值;超过规定入住时间的时间间隔OT>6小时,房源转让信息失效;最后,根据最终转让价格预测模型确定最终受让方获取的转让价格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859691.5A CN115271137A (zh) | 2022-07-21 | 2022-07-21 | 一种在线预订变动处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859691.5A CN115271137A (zh) | 2022-07-21 | 2022-07-21 | 一种在线预订变动处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115271137A true CN115271137A (zh) | 2022-11-01 |
Family
ID=83767932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859691.5A Pending CN115271137A (zh) | 2022-07-21 | 2022-07-21 | 一种在线预订变动处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271137A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1746920A (zh) * | 2004-09-10 | 2006-03-15 | 鹏元资信评估有限公司 | 个人信用征信*** |
US20160335563A1 (en) * | 2015-05-14 | 2016-11-17 | Xchange Hotels, Inc. | Method and apparatus for reselling room reservations |
CN106934553A (zh) * | 2017-03-17 | 2017-07-07 | 重庆市个人信用管理有限责任公司 | 一种农户信用评估方法及装置 |
CN109685547A (zh) * | 2018-11-29 | 2019-04-26 | 杭州中房信息科技有限公司 | 一种基于大数据的房屋价格自动评估方法 |
CN110414751A (zh) * | 2018-04-26 | 2019-11-05 | 观相科技(上海)有限公司 | 一种基于地理位置的酒店行业选址评价***及评价方法 |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
CN113343309A (zh) * | 2021-08-02 | 2021-09-03 | 北京东方通软件有限公司 | 自然人数据库隐私安全保护方法、装置和终端设备 |
-
2022
- 2022-07-21 CN CN202210859691.5A patent/CN115271137A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1746920A (zh) * | 2004-09-10 | 2006-03-15 | 鹏元资信评估有限公司 | 个人信用征信*** |
US20160335563A1 (en) * | 2015-05-14 | 2016-11-17 | Xchange Hotels, Inc. | Method and apparatus for reselling room reservations |
CN106934553A (zh) * | 2017-03-17 | 2017-07-07 | 重庆市个人信用管理有限责任公司 | 一种农户信用评估方法及装置 |
CN110414751A (zh) * | 2018-04-26 | 2019-11-05 | 观相科技(上海)有限公司 | 一种基于地理位置的酒店行业选址评价***及评价方法 |
CN109685547A (zh) * | 2018-11-29 | 2019-04-26 | 杭州中房信息科技有限公司 | 一种基于大数据的房屋价格自动评估方法 |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
CN113343309A (zh) * | 2021-08-02 | 2021-09-03 | 北京东方通软件有限公司 | 自然人数据库隐私安全保护方法、装置和终端设备 |
Non-Patent Citations (1)
Title |
---|
"《摩拜单车更新信用分*** 对信用差者半小时收费100元》", pages 1, Retrieved from the Internet <URL:http://finance.people.com.cn/n1/2018/0224/c1004-29832019.html> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Interactive COVID-19 mobility impact and social distancing analysis platform | |
Atkin et al. | The returns to face-to-face interactions: Knowledge spillovers in Silicon Valley | |
Cai et al. | Price determinants of Airbnb listings: evidence from Hong Kong | |
Antecol et al. | Labor supply differences between married heterosexual women and partnered lesbians: A semi‐parametric decomposition approach | |
Galster et al. | Residential satisfaction: Compositional and contextual correlates | |
Kennedy et al. | Leaving the emergency department without being seen | |
Aiken et al. | Machine learning and mobile phone data can improve the targeting of humanitarian assistance | |
US20110178849A1 (en) | System and method for matching merchants based on consumer spend behavior | |
Falk et al. | Modelling the cancellation behaviour of hotel guests | |
US20180308188A1 (en) | Computerized system and method for real estate searches and procurement | |
Osei Asibey et al. | Analysing the influence of health insurance status on peoples’ health seeking behaviour in rural Ghana | |
US10559150B1 (en) | Secured electronic communication system | |
Baumle et al. | Legislating the family: The effect of state family laws on the presence of children in same‐sex households | |
Ding et al. | Estimating socioeconomic status via temporal-spatial mobility analysis-a case study of smart card data | |
Albaladejo et al. | The effects of motivations to go to the country on rural accommodation choice: A hybrid discrete choice model | |
CN116681220A (zh) | 一种基于物联网的智慧城市民政管理方法和*** | |
Lubua Dr | The influence of socioeconomic factors to the use of mobile phones in the agricultural sector of Tanzania | |
CN116805039B (zh) | 特征筛选方法、装置、计算机设备和数据扰动方法 | |
Young | Toward an understanding of wilderness participation | |
CN115271137A (zh) | 一种在线预订变动处理方法 | |
Jin et al. | Research on the evaluation model of rural information demand based on big data | |
CN114882974A (zh) | 一种心理诊断数据库访问人工智能验证***及方法 | |
CN112685654B (zh) | 学生识别方法及装置、计算设备及可读计算机存储介质 | |
Gath et al. | The potential for linked administrative data to provide household and family information | |
US20200134514A1 (en) | Booked-blocked classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |