[0001] 本发明涉及酒店预订及大数据技术领域，具体涉及基于大数据的酒店客房状态及价格预测方法。

[0002] 随着旅游业和互联网行业的发展，市场上出现一些通过网站经营预订酒店的代理中介业务的公司，例如携程、艺龙、芒果网等。这些网站能显示酒店的简介、房态、房型、客房价格等信息，用户可以在线方式或电话方式通过网站中介来预订酒店客房。

[0003] 但是，这些网站有一个缺陷，就是，用户只能按照网站显示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。对用户来说，用户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；对酒店来说，当酒店有空闲客房时，酒店愿意与有意向的用户建立直接沟通，经过议价后，以优惠价销售空闲客房。酒店客房作为一种特殊商品，具有很强的价值时效性。一旦客房没有及时卖出，过期后其价值为零。如果非公开地、以议价方式低价销售空闲客房，酒店在支出相应的保洁费、水电费等很少的成本后仍能获得良好收益；并且不会因此造成该优惠价格的公开化，从而冲击其正常市场价格体系；同时用户得到实惠。

[0004] 然而，目前的议价平台没有给用户和商家提供参考价格。一方面，对于用户来说，其在议价过程中不知道该如何出价，价格出低了，商家无法接受，价格出高了，又会造成自身的损失；并且由于没有参考价格，使得用户无法判断商家的还价是否合理，进而不会认可商家的还价，导致用户的使用满意度不好。另一方面，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)，商家无法预估未来的客房需求即空房率，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。

[0070] 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。

[0071] 下面通过具体实施方式进一步详细的说明：

[0072] 实施例：

[0073] 本实施例中公开了一种基于大数据的酒店客房状态及价格预测方法。

[0074] 如图1所示，基于大数据的酒店客房状态及价格预测方法，包括：

[0075] S1：获取用户的客房需求和预订时间；

[0076] 本实施例中，用户的客房需求包括酒店位置区域、酒店星级、客房大小、房型(如大床房、标间)。预订时间可以一天，也可以为多天。

[0077] S2：为用户匹配满足其客房需求和预订时间的目标客房；获取目标客房的当前价格以及包含目标客房的目标酒店的客房剩余量；

[0078] S3：获取与用户的预订时间关联的相关事件大数据，根据相关事件大数据预测目标酒店在用户预订时间的客房预订增长率；

[0079] S4：根据目标酒店当前的客房剩余量和预测的在用户预订时间的客房预订增长率计算目标酒店在用户预订时间的空房率；

[0080] S5：根据目标客房的当前价格以及目标酒店在用户预订时间的空房率预测用户预订时间的目标客房预测价格；

[0081] S6：当用户的预订时间包含多个日期时，分别针对每个日期执行步骤S2至S5预测得到每个日期的目标客房预测价格；基于每个日期的目标客房预测价格生成用户预订时间内的目标客房预测价格变化趋势。

[0082] 本实施例中，当用户的预订时间包含多个日期时，预订时间包括入住时间、退房时间和居住天数。可通过生成折线图的方式展示用户预订时间内的目标客房预测价格变化趋势。

[0083] 本发明获取了与用户的预订时间关联的相关事件大数据(如节假日、旅游高峰、聚集活动等大数据)，进而通过分析相关事件大数据并结合历史大数据，更准确地预测酒店在未来时刻(用户预订时间)的客房预订增长率，有利于后续更好的计算空房率和客房价格。

[0084] 本发明在预测客房预订增长率的基础上，进一步根据目标酒店当前的客房剩余量和客房预订增长率计算目标酒店在用户预订时间的空房率。通过计算空房率可以了解未来某一时段的客房供应情况，而空房率是影响客房价格的重要因素之一，本发明通过计算空房率可以更加准确、灵活地预测客房价格，以应对市场需求的变化。

[0085] 本发明在计算空房率的基础上，进一步根据目标客房的当前价格和空房率预测用户预订时间的目标客房预测价格。通过综合考虑当前价格和未来时刻(用户预订时间)空房率，可以预测出更加合理的未来客房价格来作为参考价格。一方面，用户可以基于该参考价格来进行出价，并且能够将该参考价格作为预期价格判断商家的还价是否合理，不仅有助于提高酒店客房议价的成功率，还有助于提高用户的使用满意度，因为用户更容易接受与他们预期相符的价格。另一方面，该参考价格充分考虑了未来时刻(用户预订时间)的相关事件(如节假日、旅游高峰、聚集活动等)对客房需求的影响，并且预估未来的客房需求即空房率，使得商家能够给出准确的定价和还价，有助于辅助与用户的议价，从而提高酒店客房议价的准确性和效率。

[0086] 本发明在用户预订时间包含多个日期时，分别针对每个日期计算客房预测价格，最终基于每个日期的客房预测价格生成用户预订时间内的客房预测价格变化趋势。首先通过逐日预测客房预测价格，可以更加细致地捕捉到每一天可能影响客房价格的因素，如节假日、旅游高峰、聚集活动等，从而更准确地预测每一天的客房价格。其次用户可以看到预订时间跨度内客房价格的详细变化趋势，有助于用户做出决策，如用户可能会选择在价格较低的日子预订，或者调整预订时间以避开高价期；并且提供价格变化趋势还可以增加用户对酒店价格策略的信任感，从而提高用户的使用满意度。最后通过逐日预测价格并生成变化趋势，酒店的商家可以更加准确地预测未来的客房需求情况，从而更好的给出定价和还价，不仅能够提高酒店客房议价的准确性和效率，还有助于酒店减少因客房短缺或过剩而导致的客户流失和收入损失，提高运营效率和服务质量。

[0087] 为了更好的介绍本发明的技术方案，本实施例通过如下几个部分进行说明。

[0088] 一、节假日大数据

[0089] 在实际应用场景中，人们会选择在节假日旅游或走亲访友，很多地区尤其是旅游热门城市的酒店客房需求会大幅增加，相应的客房价格也会升高。因此，本申请在计算客房预订增长率时充分考虑了节假日大数据这一维度。

[0090] 本实施例中，当相关事件大数据为节假日大数据时，通过如下步骤预测客房预订增长率：

[0091] S301：获取的节假日大数据包括节假日类型和节假日时间段，以及所有酒店在节假日的历史客房预订大数据；

[0092] 本实施例中，节假日类型包括元旦节、清明节、劳动节、端午节、中秋节和国庆节。节假日时间段以实际放假时间为准。

[0093] 此处的历史客房预订大数据包括酒店名称、节假日类型、节假日时间段每天的客房预定量和客房空置量。例如，xx七天酒店；元旦节；1月1日：客房预定量65间，客房空置量35间；1月2日：客房预定量68间，客房空置量32间；1月3日：客房预定量70间，客房空置量30间。

[0094] S302：确定用户预订时间与节假日时间段的重叠日期；

[0095] 本实施例中，重叠日期是指用户预订时间与节假日时间段中相同的单个日期。例如用户预订时间为5月1日，劳动节的节假日时间段为至5月1日至5月5日，此时的重叠日期为5月1日。需要说明的是，本申请中单次计算时是将用户预订时间视为单日进行计算，当用户预订时间涉及多日时需要分别进行多次单日的计算。

[0096] S304：获取其他酒店在该类型节假日的历史客房预订大数据，筛选出其他酒店在重叠日期的历史客房预订率；

[0097] S304：获取其他酒店在该类型节假日的历史客房预订大数据，进而筛选出其他酒店在重叠日期的历史客房预订率；

[0098] S305：根据目标酒店和其他酒店在重叠日期的历史客房预订率计算目标酒店在用户预订时间的客房预订增长率。

[0099] 本实施例中，客房预订增长率＝0.8*目标酒店在重叠日期的历史客房预订率+0.2*其他酒店在重叠日期的历史客房预订率。如：目标酒店在重叠日期的历史客房预订率为60％，其他酒店在重叠日期的历史客房预订率为80％，则客房预订增长率＝0.8*60％+
0.2*80％＝64％。

[0100] 本发明根据节假日大数据预测酒店在未来时刻(用户预订时间)的客房预订增长率。在实际应用场景中，受到节假日出行的影响，很多地区尤其是旅游热门城市的酒店客房需求会大幅增加，相应的客房价格也会升高。因此，本发明充分考虑了酒店在往年节假日同期的历史客房预订率来预测未来时刻的客房预订增长率，有利于后续更准确的计算空房率和客房价格。同时本发明还考虑了其他酒店在往年节假日同期的历史客房预订率来辅助预测未来的客房预订增长率，因为其他酒店的历史客房预订率也能够反映节假日的酒店客房预订趋势和需求，进而能够对目标酒店客房预订增长率进行一定的修正，从而提高客房预订增长率以及后续空房率和客房预测价格计算的准确性。

[0101] 二、旅游人口大数据

[0102] 在实际应用场景中，每年有几个月属于旅游高峰，在这个时间段，酒店客房需求和价格都会激增。因此，本申请在计算客房预订增长率时充分考虑了节假日大数据这一维度。并且与节假日不同的是，旅游高峰时间段只是一个大致的区间，时间不固定。以春季旅游高峰时段为例，去年天气比较好(或者其他因素)，人们从4月15日就开始旅游了。但今年由于天气不好(或其他原因)，导致人们到了4月30日才开始旅游，此时如果简单的将今年的4月
15日与去年的4月15日相对应，获取的数据是不准确的，而更应该将今年的4月30日与去年的4月15日相对应。

[0103] 针对上述问题，当相关事件大数据为旅游人口大数据时，通过如下步骤预测客房预订增长率：

[0104] S311：获取的旅游人口大数据包括旅游高峰类型和旅游高峰时间段，以及所有酒店在旅游高峰的历史外来人口流量大数据和历史客房预订大数据；

[0105] 本实施例中，旅游高峰类型包括春季旅游高峰时段、暑期旅游高峰时段、秋季旅游高峰时段和冬季旅游高峰时段四个类型。其中春季旅游高峰时段为每年的4月15日到5月15日之间；暑期旅游高峰时段为每年的7月15日到8月15日之间；秋季旅游高峰时段为每年的9月到10月；冬季旅游高峰时段为每年的12月到次年2月。元旦节、春节、清明节、劳动节、端午节、中秋节、国庆节和春节等节假日不包含在旅游高峰时段中。

[0106] 需要说明的是，虽然设置了四个旅游高峰时段，但一个城市可以不包含所有的四个旅游高峰时段，需要根据城市的具体情况进行设置。例如哈尔滨等北方城市可能只包含冬季旅游高峰时段，而重庆、成都等南方城市可能只包含春季旅游高峰时段、暑期旅游高峰时段、秋季旅游高峰时段等。

[0107] 此处的历史客房预订大数据包括酒店名称、旅游高峰类型、旅游高峰时间段每天的客房预定量和客房空置量。例如，xx七天酒店；春季旅游高峰；20xx年，4月15日：客房预定量30间，客房空置量70间；4月16日：客房预定量35间，客房空置量65间；4月17日：客房预定量40间，客房空置量60间，……等等。

[0108] 此处的历史外来人口流量大数据包括旅游高峰日期和对应的外来人口流量。例如，20xx年春季旅游高峰，4月15日，外来人口流量为50万人，4月16日：外来人口流量为70万人，4月17日：外来人口流量为100万人，……等等。

[0109] S312：在当前日期属于旅游高峰时间段时，获取当前日期的外来人口流量；

[0110] 本实施例中，可通过机票、高铁票、火车票、客车票等购票APP的购票数据，以及机场、高铁站、火车站、汽车站等车站的安检数据来获取外来人口流量大数据。

[0111] S313：根据当前日期的外来人口流量从旅游高峰时间段中匹配历史外来人口流量与当前日期最接近的旅游高峰日期；

[0112] 本实施例中，申请人通过分析旅游人口大数据发现，虽然每年的旅游开始时间不能完全确定，但每年的旅游人数是呈周期性变化的。比如，当城市外来人口达到50万人时表示人们开始旅游了，从人们开始旅游之后，每天的外来人口流量与去年或前几年同期(此处的同期不是指日期的对应，而是指外来人口数量相对应的日期，比如上一个例子中将今年的4月30日与去年的4月15日相对应)的外来人口流量相对应。因此，本实施例通过外来人口流量来确定旅游高峰时间段和旅游高峰日期的方式比直接将日期对应的方式更准确。

[0113] 比如当前日期(4月20号)的外来人口流量为55万人，而春季旅游高峰时段的旅游高峰时间段的历史外来人口流量大数据中，去年的4月15日：外来人口流量为50万人，4月16日：外来人口流量为70万人，4月17日：外来人口流量为100万人，……等等。此时与当前日期(4月20号)对应的旅游高峰日期为去年的4月15日。

[0114] S314：计算当前日期与用户预订时间的日期间隔N；将与当前日期最接近的旅游高峰日期往后推N天作为用户预订时间对应的目标旅游高峰日期；

[0115] 本实施例中，以用户预订时间为5月20日，当前日期为5月10日，通过当前日期的外来人口流量匹配得到最接近的旅游高峰日期为去年的4月20日为例进行说明。当前日期与用户预订时间的日期间隔N为10天，因此用户预订时间即5月20日对应的目标旅游高峰日期为去年的4月20日往后推10天即去年的4月30日。

[0116] S315：获取目标酒店在用户预订时间对应的目标旅游高峰日期的历史客房预订率；

[0117] S316：获取其他酒店子用户预订时间对应的目标旅游高峰日期的历史客房预订率；

[0118] S317：根据目标酒店和其他酒店在用户预订时间的历史客房预订率计算目标酒店在用户预订时间的客房预订增长率。

[0119] 本实施例中，客房预订增长率＝0.8*目标酒店在用户预订时间的历史客房预订率+0.2*其他酒店在用户预订时间的历史客房预订率。例如：目标酒店在用户预订时间的历史客房预订率为65％，其他酒店在用户预订时间的历史客房预订率为68％，则客房预订增长率＝0.8*65％+0.2*68％＝65.6％。

[0120] 本发明根据旅游人口大数据预测目标酒店在用户预订时间的客房预订增长率。在实际应用场景中，旅游高峰会对酒店客房需求和价格造成较大的影响。因此本发明充分考虑了酒店在往年旅游高峰同期的历史客房预订率来预测未来时刻的客房预订增长率，有利于后续更准确的计算空房率和客房价格。同时本发明还考虑了其他酒店在往年旅游高峰同期的历史客房预订率来辅助预测未来的客房预订增长率，因为其他酒店的历史客房预订率也能够反映旅游高峰的酒店客房预订趋势和需求，进而能够对目标酒店客房预订增长率进行一定的修正，从而提高客房预订增长率以及后续空房率和客房预测价格计算的准确性。

[0121] 并且与节假日不同的是，旅游高峰时间段只是一个大致的区间，时间不固定。以春季旅游高峰时段为例，去年天气比较好(或者其他因素)，人们从4月15日就开始旅游了。但今年由于天气不好(或其他原因)，导致人们到了4月30日才开始旅游，此时如果简单的将今年的4月15日与去年的4月15日相对应，获取的数据是不准确的，而更应该将今年的4月30日与去年的4月15日相对应。针对这一问题，本发明通过外来人口流量来确定与用户预定时间相对应的旅游高峰时间段和旅游高峰日期，而不是直接将当前的日期与历史日期相对应，这样能够更好地利用旅游人口大数据来准确计算客房预订增长率，从而提后续空房率和客房预测价格计算的准确性。

[0122] 三、聚集活动大数据

[0123] 在实际应用场景中，在某城市举办聚集活动(如体育比赛、音乐节、演唱会、篝火晚会等)时会在短期对该地区的酒店客房需求造成重大影响。因此，本申请在计算客房预订增长率时充分考虑了聚集活动大数据这一维度。

[0124] 申请人发现，节假日和旅游高峰的酒店客房预订情况是呈周期性的，也就是说在节假日和旅游高峰每一年的酒店客房预订情况是类似的，所以我们可以通过筛选同期的历史酒店预订大数据来计算客房预订增长率。然而，与节假日和旅游高峰不同的是，聚集活动没有固定时间，往往是突发的，并且聚集活动的酒店客房需求受聚集活动地点和聚集活动规模(参与人数)的影响比较大，用户往往会预订距离聚集活动地点更近的酒店客房，且聚集活动的参与人数越多酒店客房的需求就越高。

[0125] 针对上述问题，当相关事件大数据为聚集活动大数据时，通过如下步骤预测客房预订增长率：

[0126] S321：获取的聚集活动大数据包括聚集活动类型、聚集活动地点、聚集活动时间段和聚集活动报备人数；当用户预订时间属于聚集活动时间段时，执行后续步骤；

[0127] 本实施例中，聚集活动类型包括体育比赛(足球、篮球、网球、乒乓球等比赛)、音乐节、演唱会、篝火晚会等。

[0128] S322：根据聚集活动类型计算活动预测人数；

[0129] S323：根据活动预测人数计算客房需求量；

[0130] 本实施例中，以每两个人一个需求客房的分配逻辑计算客房需求量，即客房需求量＝活动预测人数/2。

[0131] S324：根据聚集活动地点生成活动预测区域；当目标酒店位于活动预测区域内时，执行后续步骤；

[0132] 本实施例中，以聚集活动地点为圆心、以五公里为半径生成一个圆形的活动预测区域。

[0133] S325：计算活动预测区域内的酒店数量；

[0134] S326：根据客房需求量和活动预测区域内的酒店数量计算酒店平均订房增量；通过酒店平均订房增量计算目标酒店在用户预订时间的客房预订增长率。

[0135] 本实施例中，酒店平均订房增量＝客房需求量/酒店数量。

[0136] 本发明根据聚集活动大数据预测目标酒店在用户预订时间的客房预订增长率。在实际应用场景中，在某城市举办聚集活动时会在短期对该城市的酒店客房需求造成重大影响。因此本发明考虑了酒店在聚集活动下的酒店平均订房增量，进而准确预测未来时刻的客房预订增长率，有利于后续更准确的计算空房率和客房价格。同时，本发明先根据聚集活动地点生成活动预测区域，再计算活动预测人数和客房需求量，最终计算活动预测区域内的酒店数量并结合客房需求量计算酒店平均订房增量，使得能够将聚集活动地点和活动预测人数(参与人数)作为主要考虑因素来计算客房预订增长率，从而能够准确地计算考虑聚集活动大数据的客房预订增长率。

[0137] 1、考虑上座率

[0138] 在实际应用场景中，聚类活动会有聚集活动报备人数(如体育比赛或演唱会的场馆可容纳人数)，但很多时候，聚集活动并不能总是满座，有些聚集活动甚至存在上座率比较低的情况，此时如果直接基于聚集活动报备人数进行后续计算会存在很大的误差。

[0139] 针对上述问题，本实施例中获取的聚集活动大数据还包括聚集活动的历史活动人数大数据；根据聚集活动类型从聚集活动的历史活动人数大数据计算当前聚集活动类型的历史实际参与人数和对应的历史聚集活动报备人数；根据历史实际参与人数和对应的历史聚集活动报备人数计算当前聚集活动类型的历史上座率；通过当前聚集活动类型的历史上座率结合聚集活动报备人数计算对应的活动预测人数；

[0140] 其中，活动预测人数＝历史上座率*聚集活动报备人数。

[0141] 本发明根据聚集活动的历史活动人数大数据计算该种聚集活动类型的历史上座率，进而通过该种聚集活动类型的历史上座率结合聚集活动报备人数计算对应的活动预测人数，这样可以有效考虑不同聚集活动类型的上座情况即实际参与人数，从而能够基于更准确的活动预测人数计算后续的客房预订增长率。

[0142] 2、考虑用户继续游玩

[0143] 在实际应用场景中，人们在参加完聚集活动后往往不会马上离开该城市，有很大一部分会在该城市继续游玩。也就是说，当一个聚集互动需要持续几天时，聚集活动第二天的实际人数可能会高于我们根据聚集活动类型计算的预测人数，因为聚集活动第二天还包含第一天未离开的用户，以此类推，聚集活动第三天也会包含第一天和第二天未离开的用户。此时如果直接将基于聚集活动类型计算的预测人数作为活动预测人数是不准确的。

[0144] 针对上述问题，本实施例中在聚集活动类型的基础上结合聚集活动时间段来计算活动预测人数；

[0145] 根据聚集活动时间段判断用户预订时间是聚集活动的哪一天：

[0146] 当用户预订时间为聚集活动的第一天时，活动预测人数＝历史上座率*聚集活动报备人数；

[0147] 当用户预订时间为聚集活动的第二天时，活动预测人数＝(1+A1)历史上座率*聚集活动报备人数；

[0148] 当用户预订时间为聚集活动的第三天及第三天往后时，活动预测人数＝(1+A2)历史上座率*聚集活动报备人数；

[0149] 其中，A1、A2均为大于零的常数，且A2>A1。

[0150] 本发明在计算活动预测人数时不仅考虑了聚集活动类型对应的上座率，还进一步考虑了用户参加完聚集活动后未离开而继续游玩的情况，此时酒店客房的需求依然很高，从而可以通过合理的设计A1和A2来更准确的计算活动预测人数，进而基于更准确的活动预测人数计算后续的客房预订增长率。

[0151] 3、考虑周末

[0152] 在实际应用场景中，申请人发现当聚集活动时间段前后的相邻日期为周末时，部分用户会提前来该城市游玩或在聚集活动结束后继续游玩，即在该城市度过周末，那么即使用户预订时间不属于聚集活动时间段，但只要属于聚集活动时间段前后的周末，就会在一定程度上受到聚集活动影响。

[0153] 因此，本实施例中进一步判断聚集活动时间段前后的相邻日期是否为周末，当聚集活动时间段前后的相邻日期为周末且用户预订时间属于聚集活动时间段前后的相邻日期时，继续执行步骤S322中；此时步骤S322中计算活动预测人数的逻辑如下：

[0154] 活动预测人数＝(1‑A3)历史上座率*聚集活动报备人数；

[0155] 其中，A3为大于零的常数。

[0156] 本发明在聚集活动时间段前后的相邻日期为周末且用户预订时间属于聚集活动时间段前后的相邻日期时，也会执行客房预订增长率的计算，这是为了考虑因聚集活动导致用户在该城市度过周末的情况，使得能够充分考虑聚集活动前后日期对酒店客房价格的影响，从而能够基于更准确的活动预测人数计算后续的客房预订增长率。

[0157] 4、考虑演唱会的粉丝应援

[0158] 在实际应用场景中，当某些知名明星(主要人员)举办演唱会时，该主要人员的粉丝会进行粉丝应援，此时参与应援的人数甚至会远多于聚集活动报备人数，如果直接基于聚集活动报备人数进行后续计算会存在很大的误差。

[0159] 针对这一问题，本实施例中当聚集活动类型为演唱会时：

[0160] 确定举办聚集活动的主要人员；通过历史活动人数大数据获取该主要人员以往举办聚集活动时的历史实际参与人数和历史聚集活动报备人数；通过历史实际参与人数和历史聚集活动报备人数计算该主要人员的历史人数增长倍数；根据聚集活动报备人数和该主要人员的历史人数增长倍数计算对应的活动预测人数；

[0161] 活动预测人数＝历史人数增长倍数*聚集活动报备人数。

[0162] 本发明在面对演唱会这一类型的聚集活动时，先确定举办聚集活动的主要人员，再通过历史活动人数大数据获取该主要人员以往举办聚集活动时的历史实际参与人数和历史聚集活动报备人数，然后通过历史实际参与人数和历史聚集活动报备人数计算该主要人员的历史人数增长倍数(即参与粉丝应援的人数)，最后根据聚集活动的聚集活动报备人数和该主要人员的历史人数增长倍数计算对应的活动预测人数，这样可以有效考虑演唱会这一类型的聚集活动粉丝应援的情况，从而能够基于更准确的活动预测人数计算后续的客房预订增长率。

[0163] 5、考虑距离因素

[0164] 在实际应用场景中，在参与聚集活动时，为了出行方便，用户往往会优先考虑距离聚集活动的聚集活动地点最近的酒店进行客房预订，因此需要在是计算客房预订增长率时考虑酒店与聚集活动地点间实际距离这一维度。

[0165] 本实施例中，计算目标酒店与聚集活动地点之间的实际距离；通过实际距离选取对应的距离因子，再结合酒店平均订房增量计算目标酒店的客房预订增长率；

[0166] 客房预订增长率＝(1+A4)*酒店平均订房增量；

[0167] 其中：

[0168] 当实际距离小于一公里时，选取A4为R1；

[0169] 当实际距离大于等于一公里且小于两公里时，选取A4为R2；

[0170] 当实际距离大于等于二公里且小于三公里时，选取A4为R3；

[0171] 当实际距离大于等于三公里且小于四公里时，选取A4为R4；

[0172] 当实际距离大于等于四公里且小于五公里时，选取A4为R5；

[0173] 其中，R1>R2>R3>R4>R5。其中R4、R5可以根据需要设置为负数。

[0174] 本发明先计算目标酒店与聚集活动的聚集活动地点之间的实际距离，再通过该实际聚集选取相应预设的距离因子来计算目标酒店的客房预订增长率，这样可以有效考虑酒店与聚集活动地点之间的实际距离对用户选择酒店的影响，这样能够更好地利用聚集活动大数据来准确计算客房预订增长率，从而提高后续空房率和客房预测价格计算的准确性。

[0175] 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。