本公開涉及旅游產(chǎn)品領域，特別涉及用于在酒店銷售平臺上管理酒店庫存的方法等。

背景技術：

1、目前，酒店銷售平臺(例如包含售賣酒店服務的旅行服務平臺、或專門為酒店商家提供銷售渠道服務的平臺等)上有許多酒店商家進行房間的售賣。對于酒店來說，為了追求其房間售賣的最大化，常常通過多個銷售渠道(如多個酒店銷售平臺或多個商家)進行酒店房間的售賣。存在一部分酒店商家因為隱私保護等原因，并未將該酒店自己的酒店管理系統(tǒng)(其例如可管理房間庫存)與平臺的后臺互聯(lián)，也就是說，酒店實際的庫存情況對于平臺來說是未知的。而有些酒店商家對于平臺上的庫存的維護也不夠及時，可能導致即使該酒店實際還有庫存但平臺上對其感興趣的用戶也無法購買該酒店的房間，因為該平臺上已無房可買。

2、因此針對酒店銷售平臺無法真實掌握其庫存的酒店商家，期望提供一種協(xié)助商家追加庫存的方法，其能夠提高酒店的可售率，帶來額外間夜量。

技術實現(xiàn)思路

1、本公開要解決的一個技術問題是提供一種用于管理酒店庫存的方法，其能準確地追加庫存。

2、根據(jù)本公開的第一個方面，提供了一種用于在酒店銷售平臺上管理酒店庫存的方法，包括：在商家在酒店銷售平臺上售賣的房型無庫存的情況下，查看所述房型的庫存參照源的庫存；在所述庫存參照源有庫存的情況下，預估所述房型在追加庫存后成交的概率；以及基于所述房型在追加庫存后成交的概率，確定是否為所述房型追加庫存。

3、可選地，所述房型在追加庫存后成交的概率包括所述房型在追加庫存后的下單概率、以及/或者在針對所追加的庫存下單后所述商家接單的概率，并且在所述下單概率大于第一閾值并且/或者所述商家接單的概率大于第二閾值的情況下，確定為所述房型追加庫存。

4、可選地，所述房型在追加庫存后成交的概率包括所述房型在追加庫存后的下單概率以及在針對所追加的庫存下單后所述商家接單的概率，并且預估所述房型在追加庫存后成交的概率的步驟包括：預估所述房型在追加庫存后的下單概率；以及在所述下單概率大于第一閾值的情況下，預估在針對所追加的庫存下單后所述商家接單的概率；并且在所述商家接單的概率大于第二閾值的情況下，確定為所述房型追加庫存。

5、可選地，查看所述房型的庫存參照源的庫存的步驟包括：確定所述房型的多個候選庫存參照源；預估所述多個候選庫存參照源分別作為庫存參照源的準確概率；以及選擇準確概率超過第三閾值的候選庫存參照源作為所述房型的所述庫存參照源，并且查看所述庫存參照源的庫存。

6、可選地，預估所述多個候選庫存參照源分別作為庫存參照源的準確概率的步驟包括：預估所述多個候選庫存參照源各自所屬的庫存參照源類型的準確概率，作為所述多個候選庫存參照源各自的準確概率。

7、可選地，所述下單概率是利用訓練好的第一機器學習模型進行預估的。

8、可選地，所述商家接單的概率是利用訓練好的第二機器學習模型進行預估的。

9、可選地，所述庫存參照源類型包括在所述酒店銷售平臺上售賣的相似酒店的相似房型、在其他酒店銷售平臺上售賣的相同酒店的相同房型、和其他商家在所述酒店銷售平臺上售賣的相同酒店的相同房型中的至少一個。

10、可選地，所述庫存參照源類型的準確概率是利用訓練好的同一個第三機器學習模型進行預估的，或者多個所述庫存參照源類型各自的準確概率是分別利用訓練好的多個第三機器學習模型中的對應一個進行預估的。

11、可選地，所述第一機器學習模型的輸入特征包括表示所述房型的庫存參照源或多個候選庫存參照源各自的庫存情況的特征、表示所述房型的歷史下單率或歷史成交率的特征、表示特定時間信息或特定時段信息的特征、和/或表示所述房型在特定時間或特定時段的下單率或成交率的特征，并且所述第一機器學習模型的輸出為所述房型在追加庫存后的下單概率。

12、可選地，所述第二機器學習模型的輸入特征包括表示所述房型的庫存參照源或多個候選庫存參照源各自的庫存情況的特征、表示所述商家在所述酒店銷售平臺上的歷史活躍度的特征、表示所述房型或所述商家的歷史接單率或歷史拒單率的特征、表示特定時間信息或特定時段信息的特征、表示所述商家在所述酒店銷售平臺上的在特定時間或特定時段的活躍度的特征、和/或表示所述房型或所述商家在特定時間或特定時段的接單率或拒單率的特征，并且所述第二機器學習模型的輸出為所述商家接單的概率。

13、可選地，在僅利用一個第三機器學習模型預估多個所述庫存參照源類型各自的準確概率的情況下，所述一個第三機器學習模型被運行多次來分別預估所述多個庫存參照源類型各自的準確概率，所述一個第三機器學習模型的輸入特征包括表示當次預估的庫存參照源類型的特征、表示當次預估的庫存參照源類型的歷史準確率的特征、表示特定時間信息或特定時段信息的特征、和/或表示當次預估的庫存參照源類型在特定時間或特定時段的準確率的特征，并且所述一個第三機器學習模型的輸出為當次預估的庫存參照源類型的準確概率。

14、可選地，在利用多個第三機器學習模型分別預估多個所述庫存參照源類型各自的準確概率的情況下，所述多個第三機器學習模型是分別針對所述多個庫存參照源類型而訓練好的，所述多個第三機器學習模型的輸入特征分別包括表示對應的庫存參照源類型的歷史準確率的特征、表示特定時間信息或特定時段信息的特征、和/或表示對應的庫存參照源類型在特定時間或特定時段的準確率的特征，并且所述多個第三機器學習模型的輸出分別為對應的庫存參照源類型的準確概率。

15、可選地，所述方法在為所述房型追加庫存之后并且在所追加的庫存還未成交之前還包括：對所述房型進行追加庫存檢查任務，從而判斷是否要取消為所述房型追加的庫存，其中所述追加庫存檢查任務包括：重新執(zhí)行查看所述房型的庫存參照源的庫存的步驟、預估所述房型在追加庫存后成交的概率的步驟、和/或確定是否為所述房型追加庫存的步驟，并且在所述庫存參照源無庫存或確定不為所述房型追加庫存的情況下，確定取消為所述房型追加的庫存。

16、可選地，在追加庫存的所述房型包括一個或多個酒店的多個房型并且對所述多個房型分別進行所述追加庫存檢查任務的情況下，通過構造運籌優(yōu)化模型并且對所述運籌優(yōu)化模型進行求解來確定在未來第一預定時段內(nèi)對所述多個房型的追加庫存檢查任務的巡檢安排，其中，所述運籌優(yōu)化模型的目標是最大化在未來第一預定時段內(nèi)要巡檢的所述多個房型的追加庫存檢查任務的總價值，所述多個房型中的每個房型的追加庫存檢查任務在每次巡檢中的價值是根據(jù)在每次巡檢的執(zhí)行時刻之后的未來第二預定時段內(nèi)對應房型的下單概率確定的，并且所述運籌優(yōu)化模型的約束包括每個房型的追加庫存檢查任務最少要被巡檢的次數(shù)、每個房型的追加庫存檢查任務被巡檢的最少間隔次數(shù)、和/或累計要巡檢的所有追加庫存檢查任務的總次數(shù)的上限。

17、可選地，所述方法還包括：在為所述房型追加庫存之前，獲得所述商家同意追加庫存的授權。

18、可選地，所述方法還包括：在為所述房型追加庫存之后，提示所述商家，以表示已追加庫存并且呈現(xiàn)所追加的庫存的信息。

19、可選地，所述方法還包括：在為所述房型追加庫存之后，為所述商家提供取消所追加的庫存的入口或操作按鈕。

20、可選地，所述方法還包括：在為所述房型追加庫存并且所追加的庫存被下單之后，提示所述商家，以表示針對所追加的庫存產(chǎn)生了訂單，允許所述商家拒單，并且將所述商家對所追加的庫存的訂單的操作與對所述商家自身設置的庫存的訂單的操作區(qū)別評價。

21、可選地，所述方法還包括：在為所述房型追加庫存之后，經(jīng)由所述酒店銷售平臺的供用戶使用的客戶端，接收用戶對所追加的庫存下單的訂單信息并將所述訂單信息傳輸給所述酒店銷售平臺的服務端；以及在所述商家訪問所述酒店銷售平臺的商家后臺網(wǎng)站時，根據(jù)所述服務端獲得的所述訂單信息，經(jīng)由所述商家后臺網(wǎng)站，提示所述商家以表示針對所追加的庫存產(chǎn)生了訂單，并且接收關于所述商家是否接受所述訂單的信息。

22、根據(jù)本公開的第二個方面，提供了一種計算設備，包括：處理器；以及存儲器，其上存儲有可執(zhí)行代碼，當可執(zhí)行代碼被處理器執(zhí)行時，使處理器執(zhí)行如上述第一方面所述的方法。

23、根據(jù)本公開的第三個方面，提供了一種計算機程序產(chǎn)品，包括可執(zhí)行代碼，當所述可執(zhí)行代碼被電子設備的處理器執(zhí)行時，使所述處理器執(zhí)行如上述第一方面所述的方法。

24、根據(jù)本公開的第四個方面，提供了一種非暫時性機器可讀存儲介質(zhì)，其上存儲有可執(zhí)行代碼，當可執(zhí)行代碼被電子設備的處理器執(zhí)行時，使處理器執(zhí)行如上述第一方面所述的方法。

25、由此，利用根據(jù)本公開的方法，能夠準確地追加庫存，提高酒店的可售率，帶來額外間夜量。