(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210859691.5 (22)申请日 2022.07.21 (71)申请人 广州市美瀛信息科技有限公司 地址 510000 广东省广州市越秀区东 风东 路555号1601房 (72)发明人 李钍浇　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06Q 10/02(2012.01) G06Q 30/02(2012.01) G06Q 40/02(2012.01) G06Q 50/12(2012.01) G06F 21/62(2013.01)G06Q 30/06(2012.01) (54)发明名称 一种在线预订变动处 理方法 (57)摘要 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。 权利要求书3页 说明书8页 附图1页 CN 115271137 A 2022.11.01 CN 115271137 A 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*S v， 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*权　利　要　求　书 1/3 页 2 CN 115271137 A 2Ed， 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E d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； 通过银行信用卡中心的数 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，权　利　要　求　书 2/3 页 3 CN 1152711