[0001] 本发明涉及酒店预订及大数据技术领域，具体涉及一种基于大数据的酒店客房预定议价出价推荐方法。

[0002] 酒店客房线上预订已成为现代旅行中不可或缺的一部分，为用户提供了便捷、高效的住宿预订体验。通过各大在线旅游预订平台或酒店官方网站，用户可以轻松浏览和比较不同酒店的房型、价格、地理位置及用户评价，从而做出更加明智的选择。在线上预订过程中，用户只需输入目的地、入住日期和离店日期等基本信息，系统便会立即展示符合需求的酒店列表。这些列表通常包括酒店的星级评定、房间类型（如单人间、双人间、套房等）、价格范围以及是否包含早餐等详细信息。部分平台还提供实时库存查询功能，确保用户能够预订到心仪的房间。

[0003] 但是，目前线上定酒店的方式还有一个问题，就是用户只能按照网站或APP显示的价格向网站中介预订酒店客房，不能实现与一个或若干个酒店的商家直接沟通和商议价格，造成用户只能被动地接受标准化的服务，用户选择余地很小，并且不能讨价还价。实际上，从用户角度出发，其希望能与多个酒店沟通并通过竞争式的议价模式获得优惠价格。从商家角度出发，当酒店有空闲客房时，商家愿意与有意向的用户建立沟通，经过议价后，以优惠价销售空闲客房。因为酒店客房作为一种特殊商品，具有很强的价值时效性。一旦客房没有及时出手，过期后其价值为零。

[0004] 针对上述问题，现有技术中出现了一些酒店客房议价平台。然而，目前的酒店客房议价平台没有给商家提供一个推荐价格。对于商家而言，其一般是基于当前的空房率（即客房空置的比例）来定价和还价，但是当用户的预订时间比较晚时（如用户预订一两个月后的某个时间），商家无法预估未来时刻的客房需求即未来空房率，此时商家无法给出准确的定价和还价，导致用户与商家议价的准确性和效率不好。

[0015] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。

[0016] 下面通过具体实施方式进一步详细的说明：实施例：
本实施例中公开了一种基于大数据的酒店客房预定议价出价推荐方法。

[0017] 如图1所示，基于大数据的酒店客房预定议价出价推荐方法，包括：S1：确定需要进行出价推荐的未来时刻以及目标酒店的目标客房；
本实施例中，未来时刻是指某一个日期，如2024年5月20号。目标客房是指某一种类型的客房，如大床房就可以作为一种目标客房，因此包含目标客房的酒店会有很多。

[0018] S2：获取目标酒店当前的客房剩余量；S3：预测目标酒店在未来时刻的客房预订增长率；
S4：根据目标酒店当前的客房剩余量和未来时刻的客房预订增长率计算目标酒店在未来时刻的未来空房率；
S5：根据所有酒店的客房预订历史大数据计算目标客房在未来空房率对应的客房预测价格；
S6：根据目标酒店的客房预订历史大数据计算目标客房历史订单成交率最高的价格区间；
S7：根据目标客房在未来空房率对应的客房预测价格和历史订单成交率最高的价格区间计算目标酒店的目标客房在未来时刻的客房推荐价格。

[0019] 本发明通过酒店当前的客房剩余量和预测的未来时刻的预订增长率，能够更准确地预测酒店的未来空房率，并结合所有酒店的客房预订历史大数据计算客房预测价格，这种结合了未来空房率预测和客房预订历史大数据的动态定价策略，有助于酒店在不同市场条件下保持客房的高利用率，并在一定程度上实现酒店的收益最大化。同时本发明的客房推荐价格基于预测的客房预测价格和历史订单成交率最高的价格区间计算生成，通过历史订单成交率最高的价格区间，使得生成的推荐价格更贴近大部分用户的预期和支付意愿，从而提高商家定价和还价的准确性以及用户对客房价格的满意，进而提高酒店客房预订的成功率。

[0020] 本发明通过对未来空房率的预测和客房预订历史大数据的分析，能够快速生成针对特定未来时刻和目标酒店的客房推荐价格，不仅减少了人工定价的时间和精力，还提高了客房预订流程的自动化程度，从而提升酒店客房预订的效率。同时通过大数据分析和预测，酒店能够更精准地掌握未来市场的动态和客户需求，从而制定更具竞争力的客房价格策略，有助于酒店在激烈的市场竞争中脱颖而出。

[0021] 具体实施过程中，获取目标酒店的客房预订历史大数据；根据目标酒店的客房预订历史大数据计算目标酒店在未来时刻的客房预订增长率。

[0022] 具体的，获取目标酒店的客房预订历史大数据；根据目标酒店的客房预订历史大数据分别获取目标酒店前若干年在当前时刻同期和未来时刻同期的客房剩余量；根据前若干年在当前时刻同期和未来时刻同期的客房剩余量计算目标酒店前若干年在未来时刻同期的客房预订增长率；将目标酒店前若干年在未来时刻同期的客房预订增长率的平均值作为目标酒店在未来时刻的客房预订增长率。

[0023] 本实施例中，定义前若干年为前三年。以当前时刻为2025年8月22日，预定时间为2025年8月25日为例进行说明。xx酒店：在2024年8月22日（即当前时刻同期）的房间剩余量为50，在2024年8月25日（即预订时间同期）的房间剩余量为30。在2023年8月22日（即当前时刻同期）的房间剩余量为45，在2023年8月25日（即预订时间同期）的房间剩余量为25。在
2022年8月22日（即当前时刻同期）的房间剩余量为56，在2022年8月25日（即预订时间同期）的房间剩余量为32。因此xx酒店：在2024年8月25日（即预订时间同期）的房间预订增长率为
40%，在2023年8月25日（即预订时间同期）的房间预订增长率为44.4%，在2022年8月25日（即预订时间同期）的房间预订增长率为42.8%。

[0024] 最终xx酒店在2025年8月25日（即预订时间）的客房预订增长率为（40%+44%+43%）/3=42.4%。

[0025] 本发明通过客房预订历史大数据中往年同期的数据来计算未来时刻的数据，由于酒店客房的预订情况整体呈周期性变化，即每年同期的酒店客房预订变化情况相似，因此本发明充分利用客房预订历史大数据来预测酒店在未来时刻的客房预订增长率，进而根据客房预订增长率计算未来空房率和客房预测价格，使得生成的推荐价格更贴近大部分用户的预期和支付意愿，从而提高商家定价和还价的准确性以及用户对客房价格的满意，进而提高酒店客房预订的成功率。

[0026] 具体实施过程中，通过如下步骤计算目标客房在未来空房率对应的客房预测价格：S501：获取包含目标客房的所有酒店的客房预订历史大数据；
本实施例中，所有酒店包括与目标酒店之间的距离在五公里内且包含目标客房的酒店。

[0027] S502：从所有酒店的客房预订历史大数据中筛选出每个酒店在设置的每个空房率区间的客房历史价格；本实施例中，设置每间隔5%为一个空房率区间进行筛选。例如，空房率区间可包括
1%‑5%，6%‑10%、11%‑15%......等等。

[0028] S503：根据所有酒店在每个空房率区间的客房历史价格计算各个空房率区间的客房历史均价；S504：根据目标客房的未来空房率匹配对应空房率区间的客房历史均价作为目标客房在未来空房率时对应的客房预测价格。

[0029] 本实施例中，如目标客房的未来空房率为13%，则将13%匹配到11%‑15%的空房率区间内，将11%‑15%对应的客房历史均价作为客房预测价格。

[0030] 具体实施过程中，通过如下步骤计算目标客房订单成交率最高的价格区间：S601：获取目标酒店的客房预订历史大数据；
S602：从目标酒店的客房预订历史大数据中筛选出目标客房的历史预订总量以及目标客房在每个价格区间的历史预订量；
本实施例中，以50元为一个价格区间，价格区间可包括100‑149元、150‑199元、
200‑249元、250‑299元……等等。例如，目标客房在100‑149元的历史预订量为50单，在150‑
199元的历史预订量为80单，在200‑249元的历史预订量为65单，在250‑299元的历史预订量为25单。

[0031] S603：根据目标客房的历史预订总量和在每个价格区间的历史预订量计算目标客房在每个价格区间的历史订单成交率；S604：选择目标客房历史订单成交率最高的价格区间。

[0032] 具体实施过程中，判断目标客房在未来空房率对应的客房预测价格是否处于历史订单成交率最高的价格区间内：若是，则将该客房预测价格作为目标酒店的目标客房在未来时刻的客房推荐价格；否则，从该价格区间中选择与该客房预测价格最接近的区间价格，再计算该区间价格与该客房预测价格的均值作为目标酒店的目标客房在未来时刻的客房推荐价格。

[0033] 最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。