TWI872368B

TWI872368B - 旅行團報名預測模型的訓練方法及旅行團報名預測系統

Info

Publication number: TWI872368B
Application number: TW111134196A
Authority: TW
Inventors: 張志勇; 武士戎; 程昱翔; 游國忠; 廖文華
Original assignee: 淡江大學學校財團法人淡江大學
Priority date: 2022-09-08
Filing date: 2022-09-08
Publication date: 2025-02-11
Also published as: TW202411931A

Abstract

本發明先對收集來的旅行團資料進行分群，分群方式是根據報名人數來判斷旅行團的報名熱門程度，並將報名熱門程度相近的旅行團分類成同一旅行團分群，由於各旅行團廣告資料中具有許多廣告特徵，如價格、日期、旅行國家、景點、遊玩期間、住宿旅館等，因此針對各旅行團分群內的各旅行團廣告資料進行訓練後，所得到的報名熱門度預測模型可以用來判斷旅行團廣告的報名熱門程度。接著處理器對各旅行團分群內的報名人數資料進行訓練，所得到的報名人數預測模型可以用來預測報名人數。

Description

旅行團報名預測模型的訓練方法及旅行團報名預測系統

本發明是應用於旅遊業之報名相關業務，尤指一種旅行團報名預測模型的訓練方法及旅行團報名預測系統。

各家旅行社的企劃部或產品部需要設計吸引旅客的旅遊行程，並刊登廣告或安排人員去招攬顧客。當該旅遊行程沒有顧客參加或是未達他們所預設的出團人數時，旅行社就會變更該旅遊行程的價格、出團日期…等，甚至取消該旅行行程，導致旅行社及旅客的損失。這些損失，包括旅行社在國外的飯店、餐飲、門票、人力資源等損失，並造成客戶在行程、公司工作等安排的混亂。

為了避免上述之損失，須事前對旅遊成團率及報名人數進行預測，然而這一直以來是一項困難的課題，很難透過工作人員根據經驗來進行預判，也因此需要想辦法利用電腦的輔助來提高旅遊成團的預測準確度。

有鑑於先前技術所述不足之處，本發明人提出以下解決方式：

一種旅行團報名預測系統，包括：一報名熱門度預測模型及一處理器，該處理器根據一旅行團廣告資料及該報名熱門度預測模型，判斷該旅行團廣告資料的報名熱門度，得到一熱門度判斷結果。

一種旅行團報名預測模型的訓練方法，包括：一處理器對多個旅行團資料以報名人數資料為基礎進行分群，得到多個旅行團分群；其中該些旅行團資料分別包括一報名人數資料及一旅行團廣告資料；以及該處理器根據該些旅行團分群及該旅行團廣告資料對一第一預測模型進行訓練，得到訓一報名熱門度預測模型。

本發明主要根據收集來的旅行團資料進行分群，分群方式是根據報名人數來判斷旅行團的報名熱門程度，並將報名熱門程度相近的旅行團分類成同一旅行團分群，由於各旅行團廣告資料中具有各種旅行團的廣告特徵，如價格、日期、旅行國家、景點、遊玩期間、住宿旅館等資訊，因此針對各旅行團分群內的各旅行團廣告資料進行訓練後，所得到的報名熱門度預測模型可以用來判斷旅行團廣告的報名熱門程度。以供旅行社得以事先評估旅行行程的規劃是否符合客戶期待。

除此之外，更進一步還可以對各旅行團分群內的報名人數資料進行訓練，所得到的報名人數預測模型可以用來預測報名人數，例如根據第n天的報名人數可預測第n+1天的報名人數，甚至可以預測報名截止日期前旅行團是否能夠成團，以利旅行社提前進行相對應處理方式，進而降低其損失。

請參閱圖1所示，依據一實施例，本案旅行團報名預測模型的訓練方法包括：

步驟S01：處理器10對多個旅行團資料以報名人數資料為基礎進行分群，得到多個旅行團分群；該些旅行團資料分別包括一報名人數資料、一報名期間、及一旅行團廣告資料。其中，當旅行團廣告刊登後，無論最後是否成團，都可作為該旅行團資料。

其中，報名人數資料包括每日報名人數、每日報名人數累計、報名人數成長數、報名人數成長率等等，報名人數成長數可以是相鄰二天的報名人數成長數、也可以是相鄰一周的報名人數成長數，同樣的，報名人數成長率可以是相鄰二天的報名人數成長率，也可以是相鄰一周的報名人數成長率。在一些實施例中，該些旅行團資料以報名人數資料為基礎進行分群之目的，是為了將該些旅行團資料以報名熱門程度相近者進行分群，因此利用報名人數資料可做為判斷旅行團資料熱門程度的依據，所以舉凡可作為報名熱門程度高低之判斷基礎者，均為本說明書所指之報名人數資料。

該旅行團廣告資料包括複數廣告特徵，廣告特徵則旅行團廣告內所刊載之特徵資訊，且特徵資訊是可影響消費者決定報名參加旅行團與否之資訊，因此廣告特徵包括：價格、出團日期、旅行社知名度、行程、天數、天氣、交通，其中行程又包括：觀光行程、消費行程、住宿等，舉凡可供影響消費者報名參加旅行團意願之資訊，均為本說明書所指之廣告特徵。舉例來說，該廣告特徵是價格時，該價格可根據費用區間訂出低價格(0~20000)、中價格(20001~40000)、高價格(40001~60000)；該廣告特徵是出團日期時，該出團日期可細分為旺季、暑假、寒假、過年；該廣告特徵是觀光行程時，該觀光行程可細分為歐洲、日本、澳洲；該廣告特徵是天氣時，該天氣可細分為雨季、颱風；該廣告特徵是旅遊天數時，該旅遊天數可細分為短天期(1~3天)、中天期(4~5天)、長天期(6~9天)；該廣告特徵是消費行程時，該消費行程可細分為購物、自費；該廣告特徵是交通時，該交通可細分為轉機與否、早晚班機、廉價航空；該廣告特徵是交通時，該住宿可細分為市中心、五星飯店等。上述各種細分內容僅為參考，實際實施時不以為限，亦可根據使用者需求進行調整或重新設定、變動。上述旅行團資料以數學式來表示則是：D={ , ,…, }，其中表示某一筆的旅行團資料，每一筆的旅行團資料都包括報名人數資料及旅行團廣告資料，故，其中為旅行團廣告資料、為報名起始日期、為報名截止日期、為報名人數資料、表示旅行團是否成團。另外，假設每個團報名的資料第j天有個家庭群報名，資料是: =( 。若第j天有個人報名，則 = 。

分群方式是以報名人數資料為基礎進行分群，分群方式可以是：k-means、階層式、DB-scan、高斯混合模型GMM、Fuzzy、k-means ++ (低微度)、kernal k means (高維度)。在一些實施例中是以k-means進行分群，分群過程中是先決定好該些旅行團資料的分群數量，再決定分群的依據，如歐式距離、餘弦距離等，在一些實施例中是以餘弦距離進行分群。如此一來，經過k-means分群後會得到多個旅行團分群，每一個旅行團分群內包括多個旅行團資料，且每一個旅行團資料間的報名人數資料相近似，表示彼此之間的報名熱門程度相近似。此外，該些旅行團分群是有排序，以呈現出各旅行團分群的報名熱門程度的不同，舉例來說該些旅行團分群可包括：第一旅行團分群、第二旅行團分群、第三旅行團分群…等，因此，屬於該第一旅行團分群的旅行團資料，其報名熱門程度必定高於屬於該第二旅行團分群的旅行團資料，所以可透過旅行團分群來了解各旅行團資料的報名熱門程度。另外，值得一提的是，沒有成團的旅行團資料也會被分類為一個旅行團分群，以表示報名熱門程度極低難以成團。

在一些實施例中，在進行步驟S01前會先進行步驟S02：處理器10對多個旅行團資料進行預處理，旅行團資料進行預處理後，可提升步驟S01的分群效果。

在一些實施例中，預處理包括報名期間正規化或報名人數標準化二者其中之一或二。首先，報名期間正規化是統一各旅行團的報名期間，統一的方式是以其中一個旅行團資料的報名期間為基準對其他不同報名期間的旅行團資料進行報名期間的減縮或延展。在一些實施例中，是以報名期間最長的旅行團資料為基礎，其餘旅行團資料以等比例方式對報名期間進行延展，延展方式則是根據每日累進報名人數進行等比例延展，以下表一為例，當其中一旅行團資料的報名期間為七天，每日累進報名人數是第一天及第二天為0人、第三天至第五天均為18人、第六天及第七天均為41人，如今預將報名期間統一延展成40天時，由於第一天及第二天累進報名人數相同，且共同為報名期間的，由於，所以第一天及第二天會延展成11天，且如下表二所示每天的累進報名人數為0；同理第三天至第五天累進報名人數相同，且同為報名期間的，由於，所以第一天及第二天會延展成17天，且如下表二所示每天的累進報名人數為18；第七天及第八天累進報名人數相同，由於剩下的天數為，所以第七天及第八天會延展成12天，且如下表二所示每天的累進報名人數為41。

報名天數	第一天	第二天	第三天	第四天	第五天	第六天	第七天
報名人數	0	0	18	18	18	41	41

表一

報名天數	第一天	第二天	…	第十一天	第十二天	第十三天
報名人數	0	0	0	0	18	18
報名天數	…	第二十八天	第二十九天	第三十天	…	第四十天
報名人數	18	18	41	41	41	41

表二

接著，報名人數標準化是降低報名人數的差距，進而提升分群的效果。在一些實施例中，是以統計的標準化公式來完成，其公式為，其中為經標準化的結果，為母體的平均值、是母體的標準差。在一些實施例中，是利用高斯函數來進行標準化，所使用的高斯函數為，其中a、b、c為常數，且a＞0，x為報名人數資料。

步驟S03：處理器10根據該些旅行團分群及該旅行團廣告資料對一第一預測模型進行訓練，得到一報名熱門度預測模型20。由於同一旅行團分群內的各旅行團資料其報名熱門度相近似，這也表示各旅行團資料之間的旅行團廣告資料也會近似，因此對各旅行團分群以旅行團廣告資料進行訓練後，將可取得各旅行團分群的特徵，利用這些特徵就可以對旅行團所設計的旅遊行程進行報名熱門度預測。舉例來說，當旅行社推出一項全新的旅遊行程，處理器10便可針對該旅遊行程內的廣告特徵，如價格、出團日期、旅行社知名度、行程、天數、天氣、交通等，判斷該旅遊行程與哪個旅行團分群相近似，再根據該旅行團分群便可判斷該旅遊行程的報名熱門程度。

在一些實施例中，處理器是利用命名實體識別法(Named Entity Recognition(NER)將旅遊行程中提取出廣告特徵，如價格、出團日期、旅行社知名度、行程、天數、天氣、交通等，接著配合字符串模糊匹配法(FuzzyWuzzy)，將命名實體識別法所提出的廣告特徵之間屬於相似的廣告特徵進行刪除，然後再根據填槽法(Slot Filling)生成特徵句。其中，命名實體識別法是識別旅遊行程內具有特定意義的實體，以本說明書為例，特定有意義的實體為價格、出團日期、旅行社知名度、行程、天數、天氣、交通等；字符串模糊匹配法是一種用於辨識字串之間的相似度並與最相似之字串進行匹配，與命名實體識別法搭配使用，可更有效的提取旅遊行程內的廣告特徵；至於特徵句舉例來說為：出發日期是2022年4月6日；目的地（國家或城市）是D1、D2和D3；景點有A1、A2和A3；旅行費用約為2,000美元；飛行公司是F1；下午5點起飛；旅行社是T；行程天數是12天；酒店是H1、H2、H3、H4和H5。

在取得廣告特徵後，處理器10將廣告特徵作為輸入、該些旅行團分群作為輸出對該第一預測模型進行訓練。在一些實施例中，訓練過程是以基於變換器的雙向編碼器表示技術(Bidirectional Encoder Representations from Transformers，BERT)搭配卷積神經網路(Convolutional Neural Network, CNN)進行訓練。其中，基於變換器的雙向編碼器表示技術是用於詞向量的轉換。在一些實施例中，卷積神經網路是依序包括二個卷積層(Convolution)、一個池化層(Pooling)、一個扁平層(flatten)、二個全連接層(Fully Connencted)。另外，在一些實施例中，處理器10對第一預測模型進行訓練時，其隱藏層的神經元數量為256。

以上是介紹報名熱門度預測模型20的訓練方法，藉此對新的旅遊行程進行報名熱門度的預測，接下來是介紹報名人數預測模型30的訓練方法，利用報名人數預測模型30可讓旅行社可根據第n天的報名人數，直接預測接下來每一天的報名人數，在一些實施例中，甚至可以預測至報名期限截止當天的報名人數，或是預測第n天的報名人數就達到出團人數之門檻，因此可以預測旅遊行程是否可以成團，以利旅行社提前進行相對應處理方式，進而降低其損失。

步驟S04：該處理器10根據該些旅行團分群及該報名人數資料對一第二預測模型進行訓練，得到一報名人數預測模型30。利用該報名人數預測模型30，該處理器10可以根據前n天的報名人數預測第n+1天的報名人數，甚至可提前預測是否能成團。訓練方式是根據該報名人數資料中任取二天的每日人數資料分別作為輸入及輸出，該每日人數資料包括每日報名人數、每日報名人數累計，在一些實施例中，是以連續二天的每日報名人數累計進行訓練，如以第n天的每日報名人數累計作為輸入、第n+1天的每日報名人數累計作為輸出進行訓練，且隱藏層的神經元之數量為50。在一些實施例中，對該第二預測模型進行訓練是利用長短期記憶法(Long Short-Term Memory，LSTM)進行訓練。

以上介紹完報名熱門度預測模型20及報名人數預測模型30的訓練方法，接下來介紹相關應用之系統。

請參閱圖2所示，是一種旅行團報名預測系統，包括：一報名熱門度預測模型20、一報名人數預測模型30、及一處理器10。該處理器10根據一旅行團廣告資料及該報名熱門度預測模型20，判斷該旅行團廣告資料的報名熱門度，得到一熱門度判斷結果。

因此，當旅行社欲推出一旅遊行程時，只要將輸入特徵資料，該處理器10便會利用該報名熱門預測模型根據該特徵資料，便可判斷該旅遊行程屬於哪個旅行團分群，根據該旅行團分群即可預測該旅遊行程的熱門度。甚至，當該旅遊行程被歸屬於無法成團的旅行團分群時，即可判斷該旅遊行程將無法成團，旅行社可以趁早進行行程的修改。

接著，當該旅遊行程推出後，根據報名人數製作成一報名人數資料，在一些實施例中是以每日報名人數累計作為該報名人數資料。接著，該處理器10根據該旅行團廣告資料、該報名人數資料及該報名人數預測模型30進行報名人數的預測，得到一報名人數預測值。舉例來說，當輸入第n天的每日報名人數累計，該處理器10便可利用該報名人數預測模型30預測第n+1天的每日報名人數累計，甚至該處理器10可預測報名截止日期的每日報名人數累計。藉以讓旅行社得以提前知道該旅遊行程是否可以成團，以便提前進行相對應應變處理方式。

在一些實施例中，該處理器10根據一最低成團人數、該累進報名人數預測值，得到一成團率預測值，透過該成團率預測值以數值具體化呈現成團機率高低，更可具體化讓旅行社人員了解該旅遊行程的成團機率高低。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之修改與變化。因此，只要這些修改與變化是在後附之申請專利範圍及與其同等之範圍內，本發明也將涵蓋這些修改與變化。

S01~S04:步驟 10:處理器 20:報名熱門度預測模型 30:報名人數預測模型

圖1繪示本發明之旅行團報名預測模型訓練方法的步驟流程圖。圖2繪示本發明之旅行團報名預測系統的功能方塊圖。

S01~S04:步驟

Claims

一種旅行團報名預測模型的訓練方法，包括：一處理器對多個旅行團資料以一報名人數資料為基礎進行分群，得到多個旅行團分群；其中該些旅行團資料分別包括該報名人數資料及一旅行團廣告資料；該處理器根據該些旅行團分群及該旅行團廣告資料對一第一預測模型進行訓練，得到一報名熱門度預測模型；該處理器對多個該旅行團資料以該報名人數資料為基礎進行分群的步驟中，係以該報名人數資料及成團與否為基礎對該些旅行團資料進行分群；該旅行團廣告資料包括複數廣告特徵；於該處理器根據該些旅行團分群及該旅行團廣告資料對一預測模型進行訓練之步驟中，該處理器將該些廣告特徵作為輸入、該些旅行團分群作為輸出對該第一預測模型進行訓練；以及該處理器根據該些旅行團分群及該報名人數資料對一第二預測模型進行訓練，得到一報名人數預測模型。
如請求項1所述之旅行團報名預測模型的訓練方法，其中該報名人數資料包括一每日人數資料；於該處理器根據該些旅行團分群及該報名人數資料對該第二預測模型進行訓練之步驟中，取其中二日的該每日人數資料分別作為輸入及輸出對該第二預測模型進行訓練。
如請求項2所述之旅行團報名預測模型的訓練方法，其中該處理器對多個旅行團資料以報名人數資料為基礎進行分群之步驟前，對該些旅行團資料的報名人數進行標準化。
如請求項2所述之旅行團報名預測模型的訓練方法，其中該處理器對多個該旅行團資料以該報名人數資料為基礎進行分群之步驟前，對該些旅行團資料的報名天數進行等比例收縮或擴充。
一種旅行團報名預測系統，包括：一報名熱門度預測模型；一處理器，根據一旅行團廣告資料及該報名熱門度預測模型，判斷該旅行團廣告資料的報名熱門度，得到一熱門度判斷結果；一報名人數預測模型，該處理器根據一報名人數資料、該旅行團廣告資料及該報名人數預測模型，得到一報名人數預測值；以及該處理器根據一最低成團人數、該報名人數預測值，得到一成團率預測值。