基于多目标群优化的旅游套餐推荐方法、装置及存储介质与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。


背景技术：

2.在旅游行业，有许多在线旅游平台提供机票、酒店和其他旅游服务的预订服务。这些平台通常根据用户的搜索条件，提供一系列的产品供用户选择。然而，这些平台的推荐策略通常基于单一的目标，例如价格，这意味着他们会忽略其他重要的因素，如出发时间，座位等级等。此外，这些平台往往没有考虑到库存问题，导致了无法预订库存资源导致的退费情况。因此，现有的推荐策略存在一些缺陷，导致旅游套餐推荐的匹配程度不足，不能全面满足用户的需求。


技术实现要素：

3.本技术提供了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质，用于解决现有技术中旅游套餐推荐的匹配程度不足的问题。
4.鉴于上述问题，本技术提供了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。
5.本技术实施例提供一种基于多目标群优化的旅游套餐推荐方法，包括：获取用户搜索旅游套餐的历史数据；基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；采用人工智能模型校正所述优化后的目标因子的权重；基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户；其中，所述基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；
评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。
6.可选地，所述旅游套餐为机票和酒店的组合，则采用最大最小归一化方法对每一个产品的属性进行标准化，包括：收集机票和酒店的数据；将所述机票和酒店的数据进行预处理；使用最大最小归一化来标准化预处理后的所述机票和酒店的数据，最大最小归一化公式如下：m
new
代表某一属性标准化后的值，m
max
和m
min
分别是该属性所有数据中的最大值和最小值，m代表该属性原始值，为自定义校正因子。
7.可选地，若所述产品属性为价格，则所述定义目标函数，包括：定义所述目标函数f(x)：f(x)=price(x)-reserved(x)；；其中，r为自定义正整数，解x为旅游套餐，price(x)为旅游套餐x的价格；所述利用适应度函数来评估所述解的质量，包括：定义适应度函数为f
fit
(x)=w1×
f1(x)+w2×
f2(x)+
⋯
+wn×fn
(x)，其中 wi是第 i 个目标函数的权重，fi(x)是第i个目标函数的值，i为正整数，n为自定义正整数，且i范围为(1,n)；对于每个解x，计算目标函数的值fi(x)；基于所述目标函数的值，计算适应度f
fit
(x)，所述适应度f
fit
(x)用于评估所述解x的质量；所述根据适应度函数的值选择最优的解，并更新所述解的群体，包括：根据所述适应度函数的值选择最优的解；随机选择多个第一解，然后交换所述多个第一解的一部分特征，生成多个第二解；随机选择一个第三解，然后随机改变所述第三解的一部分特征，生成一个第四解；重新计算适应度，并重新根据所述适应度函数的值选择最优的解。
8.可选地，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：
收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建回归模型，使用所述历史数据训练所述回归模型，以使所述回归模型学习每个所述产品属性与对应的所述等值价格之间的关系；训练完成后，所述训练好的回归模型输出所述每个产品属性的权重；使用所述每个产品属性的权重来预测不同产品组合的等值价格，并按照所述等值价格排序。
9.可选地，所述回归模型为线性回归，所述每个产品属性的权重是所述线性模型的系数，则使用所述历史数据训练所述回归模型，包括：将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集输入所述线性回归模型，所述线性回归模型表示为：y=β0+β1h1+β2h2+
⋯
+β
nhn
+
ϵ
，其中y是等值价格，h1,h2,
…
,hn是产品属性，β0,β1,
…
,βn是权重，
ϵ 是误差项，n是自定义正整数。
10.可选地，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：采用人工智能级联模型校正所述优化后的目标因子的权重，或采用人工智能并联模型校正所述优化后的目标因子的权重；其中，所述采用人工智能级联模型校正所述优化后的目标因子的权重，包括：收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建线性回归模型；将所述历史数据输入所述线性回归模型，并让所述线性回归模型学习产品属性与等值价格之间的关系；将所述线性回归模型输出的预测结果和实际的等值价格一同输入所述决策树回归模型，让所述决策树回归模型学习预测结果和实际结果之间的关系；将所述决策树回归模型输出的预测结果和实际的等值价格一同输入向量回归svr模型，让所述svr模型学习预测结果和实际结果之间的关系；从所述svr模型中获取每个产品属性的权重；其中，所述采用人工智能并联模型校正所述优化后的目标因子的权重，包括：选择线性回归模型、决策树回归模型和向量回归svr模型作为并联模型；将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集分别输入所述线性回归模型、决策树回归模型和svr模型，让所述线性回归模型、决策树回归模型和svr模型分别学习产品属性与等值价格之间的关系；将所述线性回归模型、决策树回归模型和svr模型的预测结果结合起来得到最终的预测结果；从所述线性回归模型、决策树回归模型和svr模型中分别获取每个产品属性的权重，然后将获取到的所述权重结合起来得到最终的权重。
11.可选地，本发明实施例还提供一种基于多目标群优化的旅游套餐推荐装置，所述装置包括：
获取模块，用于获取用户搜索旅游套餐的历史数据；转换模块，用于基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；设置模块，用于将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；优化模块，用于使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；校正模块，用于采用人工智能模型校正所述优化后的目标因子的权重；计算模块，用于基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户;其中，所述转换模块用于基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，所述优化模块用于使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，所述计算模块用于计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。
12.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
13.本技术中提供的一个或多个技术发明，至少具有如下技术效果或优点：本技术实施例提供的一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质，通过实现供应商库存分级，避免因无法预订库存资源导致打包套餐退费产生的经济损失。方案中，固定预留库存作为最高优先级，即可以调整其权重，库存作为一个标签参数，赋予其高权重。此外，利用智能优化算法，以损失最小为优化目标，进行多个因子优化建模。同时，采用人工智能的方法来校正跨业态的产品的各个参数的权重，最终优化打包产品的排序结果，实现旅游套餐产品的推荐更加精准，匹配程度更高，用户体验更好。
附图说明
14.图1为本技术提供的一种基于多目标群优化的旅游套餐推荐方法流程示意图；
图2为本技术提供的s102的细化流程图；图3为本技术提供的s104的细化流程图；图4为本技术提供的s105的细化流程图；图5为本技术提供的一种基于多目标群优化的旅游套餐推荐装置结构示意图；图6为本技术提供的一种基于多目标群优化的旅游套餐推荐系统结构示意图。
具体实施方式
15.本技术通过提供了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质，用于解决现有技术中旅游套餐推荐策略匹配度不高的问题。
16.本技术实施例提出了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。通过实现供应商库存分级，避免因无法预订库存资源导致打包套餐退费产生的经济损失。方案中，固定预留库存作为最高优先级，即可以调整其权重，库存作为一个标签参数，赋予其高权重。利用智能优化算法，以损失最小为优化目标，进行多个因子优化建模。同时，采用人工智能的方法来校正跨业态的产品的各个参数的权重，最终优化打包产品的排序结果。
17.本发明实施例中，将不同产品纬度（例如价格，距离，等级等）转换成等值可计算的价格，然后根据价格得到给用户推荐的优先级。对于固定预留库存，将其作为一个独立的标签参数，并赋予其相应的高权重。通过这种方式，可以优先考虑固定预留库存的产品，避免因无法预订库存资源而产生的退费情况。
18.此外，本发明实施例中，以机票和酒店捆绑在一起的旅游套餐为例，根据用户的出发地和目的地，获取历史机票和酒店数据，从中确定出打包策略。在比较机票和酒店的历史数据时，除了价格外，还需要考虑如出发时段、座次、是否中转、是否含餐、退订政策等因素，这些因素都需要转换成等值的金额。对于不好的时段，会下浮价格；对于体验好的时段，会提高价格。具体地，本发明实施例使用多目标群优化算法，以损失最小为优化目标，进行多个因子的优化建模。在优化过程中，不仅考虑单个目标，例如最低价格，而是同时考虑多个目标，例如最佳出发时段和最佳座次、酒店库存等。同时，采用人工智能的方法来校正跨业态的产品的各个参数的权重，最终优化打包产品的排序结果。
19.实施例一如图1所示，本技术提供了一种基于多目标群优化的旅游套餐推荐方法，所述方法包括：s101.获取用户搜索旅游套餐的历史数据；例如，当用户在平台上搜索时，首先获取用户的出发地、目的地、出发日期等搜索条件。再根据用户的搜索条件，获取相应的历史机票和酒店数据。这些数据包括价格，出发时间，座次，是否中转，是否含餐，退订政策等。
20.s102.基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；将各个产品属性（包括产品类型、旅游出发时间，座次等）转换为等值的价格，然后将这些等值价格用于后续的推荐优先级的计算，这里的产品指的是旅游套餐的旅游产品，如机票，酒店，接送车服务、旅游景点门票等产品。
21.具体地，把不同产品纬度转换成等值可计算的价格，然后得到给用户推荐的优先
级，打包策略根据经验，因为实际旅游套餐中酒店和机票体量比较大，组合打包能够更好；策略的逻辑在于，基于用户的出发地和目的地，获取历史机票和酒店数据，怎么样从机票和酒店的历史中，确定出打包策略，如果单从价格上去比较比较不出，所以还需要比较出发时段的权重计算（机票：座次、价格、触出发时间、是否中转、是否含餐、退订政策（是否可退，或是否完全可退，行李重量，酒店：是否含餐、房型中床的2面积，是否含窗，酒店和目的地距离，酒店的退改政策，是否是库存，如果是火车票（出发时段、座次坐等、行驶时长）））、把好的出发时段转换成等值的金额，对于不好的时段下浮价格，体验好的价格上涨，最后进行排序，再根据用户标签(消费级别)，再去影响一次计算权重。
22.提供一两个例子来说明。例如：a酒店大床房价格为500，提前2天可退（-20），含早（-20），距离用户搜索目的地1公里（-50）；b酒店大床房价格为300，不可退（+10），不含早（+20），距离用户搜索目的地3公里（+50）；则a计算后的权重=500-20-20-50=410；b计算后的权重=300+10+20+50=380；虽然b报价的各种条件较为苛刻，但由于价格很优惠，所以最终推荐排序还是在a之前。
23.此外，针对高品追求用户（近30天下单，客单价＞500，经常浏览奢侈品用户），在计算酒店权重时，会降低房间底价影响权重，提升距离、好评率、酒店高端服务的权重。
24.用户标签例如：重要价值会员：近期有消费，消费频次较高，消费总金额较高的会员重要发展会员：近期有消费，消费频次略低，消费总金额较高的会员重要保持会员：近期无消费，消费频次较高，消费总金额较高的会员重要挽留会员：近期无消费，消费频次略低，消费总金额较高的会员一般价值会员：近期有消费，消费频次较高，消费总金额略低的会员一般发展会员：近期有消费，消费频次略低，消费总金额略低的会员一般保持会员：近期无消费，消费频次较高，消费总金额略低的会员一般挽留会员：近期无消费，消费频次略低，消费总金额略低的会员在一个实施例中，权重公式为：source=(a1+b1+c1...n1)
×
n，其中 a1、b1、c1 分别表示是否可退权重、是否含早餐权重和距离权重，n1为其他参数的权重，n 为会员等级权重。
25.具体地，如图2所示，s102中包括以下步骤a1-a3：a1:对所述旅游套餐的各个产品的属性分配一个相应的权重；对于每一个产品的属性（如出发时段、座次、是否中转、是否含餐、退订政策等），需要分配一个权重，表示这个属性在总体评价中的相对重要性。这个权重可以人为定义，例如根据专业知识、历史数据和用户反馈来确定。例如，如果认为出发时段对于用户的满意度影响较大，可以给它分配一个较大的权重。
26.a2:采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；对于每一个属性，需要将其标准化到一个公共的尺度上。这是因为不同的属性有不同的单位和量级。例如，价格是几百到几千元，而距离是几公里到几百公里。为了能够在
一个公共的尺度上比较和合并这些属性，需要进行标准化。一种常见的标准化方法是将每个属性值转换为其在该属性所有值中的排名或百分位数。
27.属性标准化是一种重要的预处理步骤，它可以使得数据在进行计算时处于同一量级，从而避免因为单位或者量级差异导致的偏差。常见的标准化方法有以下几种：最大最小归一化：这种方法将数据的范围调整到（0，1）之间。适用于数据分布较为均匀，且没有明显异常值的情况。
28.z-分数标准化：将数据的均值变为0，标准差变为1，适用于数据分布近似于正态分布，或者数据存在异常值的情况。
29.十分位数标准化：将数据的范围调整到(1,10)之间，适用于数据分布非常不均匀，且数据间相差较大的情况。
30.在a2中，如果采用最大最小归一化方法对每一个产品的属性进行标准化，且旅游套餐内的产品组合为机票和酒店，则包括如下步骤a21-a23：a21:收集机票和酒店的数据；需要收集关于机票和酒店的数据，如价格、出发时间、座次、是否中转、是否含餐、退订政策等。
31.a22:将所述机票和酒店的数据进行预处理；在收集数据后，需要进行一些预处理步骤，如清洗数据（处理缺失值和异常值）、格式转换等。
32.a23:使用最大最小归一化来标准化预处理后的所述机票和酒店的数据，在本发明实施例中，最大最小归一化公式做了一个优化，具体公式如下：m
new
代表某一属性标准化后的值，m
max
和m
min
分别是该属性所有数据中的最大值和最小值，m代表该属性原始值，为自定义校正因子，其中，可以设定一个较大值，将m
new
的结果维持在(0,1)之间，表示为m在m
max
和m
min
区间的标准差。
33.例如，如果一家酒店的价格范围是500元到1500元，那么一个价格为1000元的房间在经过最大最小归一化后，其价格属性值将为0.5。
34.a3:基于各个产品的属性权重和标准化之后的属性，计算所述第一等值价格。
35.需要为每个属性确定一个权重。这个权重代表了该属性在总体评价中的相对重要性。这个权重可以根据业务经验、历史数据或者用户反馈来确定。例如，会给出发时间分配一个较高的权重，因为出发时间对旅行体验有很大的影响。
36.可以通过将每个产品的每个属性值乘以其相应的权重，然后将这些结果相加，得到一个总的“等值价格”，即第一等值价格。这个等值价格可以用来比较和排序不同的产品。
37.例如，如果一个产品的价格属性值是0.5，出发时间属性值是0.8，价格的权重是0.3，出发时间的权重是0.7，那么该产品的等值价格将为0.5
×
0.3+0.8
×
0.7=0.71。
38.通过这种方式，可以将不同的产品纬度转换成等值可计算的价格，从而实现跨产品的公正比较。
39.再例如，假设有一个产品，其价格是500元，出发时间是早上8点（给这个时间分配了一个高权重，因为认为用户更喜欢这个时间），并且包含早餐（给这个属性分配了一个中等的权重）。在标准化后，价格、出发时间和是否含早餐的属性值分别是0.5、0.8和1.0（假设这些值分别表示这个产品在所有产品中的价格、出发时间和早餐服务的排名或百分位数）。然后，可以计算等值价格为：0.5
×
价格权重+0.8
×
出发时间权重+1.0
×
早餐权重。
40.这个等值价格可以帮助在多个属性之间进行平衡，找到最符合用户需求的产品。
41.s103.将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；将供应商（如酒店供应商、航空公司供应商）的固定预留库存作为最高优先级，即可以调整其权重，库存作为一个标签参数，赋予其高权重。这样，可以优先考虑固定预留库存的产品，避免因无法预订库存资源而产生的退费情况。
42.s104.使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；使用多目标群优化算法，以损失最小为优化目标，进行多个因子的优化建模。在优化过程中，不仅考虑单个目标，例如最低价格，而是同时考虑多个目标，例如最佳出发时段和最佳座次等。
43.多目标群优化算法(multi-objective swarm optimization)是一种优化算法，它的目标是同时优化多个目标函数。这些目标函数通常是冲突的，也就是说，优化一个目标函数会降低另一个目标函数的优化程度。因此，多目标群优化算法的目标不是找到一个单一的最优解，而是找到一组解，这些解在所有目标函数之间达到了良好的平衡。
44.目标举例： 在旅游套餐推荐的情况下，的优化目标包括：价格：最小化总价格。
45.舒适度：最大化舒适度，这包括最优化出发时间、座次等因素。
46.服务质量：最大化服务质量，这包括是否含餐、退订政策等因素。
47.在s104中，如图3所示，使用多目标群优化算法进行目标因子优化包括如下步骤b1-b5：b1:定义目标函数，所述目标函数与所述目标因子一一对应；需要定义要优化的目标函数。在这个例子中，目标函数是价格、舒适度和服务质量的函数，即，与目标因子（价格、舒适度和服务质量）一一对应。
48.如果以价格为例，目标函数可以表示为最小化总价格。假设有一个解 x，它代表一个旅游套餐，那么价格的目标函数可以定义为 f(x)=price(x)，其中price(x) 表示旅游套餐 x 的价格。
49.考虑到固定库存，则可以在目标函数中增加一个项，这个项表示解 x 中的产品是否来自固定预留库存。如果是，这个项的值为一个大的正数；如果不是，这个项的值为零。这样，可以确保解中包含的产品优先来自固定预留库存。
50.具体来说，可以定义一个函数 reserved(x)，如果解 x 中的产品来自固定预留库存，那么 reserved(x)=r，否则 reserved(x)=0，其中 r 是一个大的正数。然后，的目标函数可以修改为 f(x)=price(x)
−
reserved(x)。这样，解中包含的产品如果来自固定预留库存，那么目标函数的值会显著减小，这样的解会被优先考虑。
51.上述公式可表示为：定义所述目标函数f(x)：f(x)=price(x)-reserved(x)；；其中，r为自定义正整数，解x为旅游套餐，price(x)为旅游套餐x的价格；b2:获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；需要初始化一个解的群体。每个解代表一种的旅游套餐组合。
52.b3:评估操作：利用适应度函数来评估所述解的质量；定义一个适应度函数来评估每个解的质量。适应度函数将每个目标函数的值结合起来，得到一个总的评分。在上述例子中，适应度函数会考虑价格、舒适度和服务质量的权重。
53.其中，利用适应度函数来评估所述解的质量，包括如下步骤b31-b33：b31:适应度函数是用来评估解的质量的。在多目标优化中，适应度函数通常是一个将各个目标函数的值结合起来的函数。本发明实施例中，定义适应度函数为f
fit
(x)=w1×
f1(x)+w2×
f2(x)+
⋯
+wn×fn
(x)，其中 wi是第 i 个目标函数的权重（可由人为自定义），fi(x)是第i个目标函数的值，i为正整数，n为自定义正整数，且i范围为(1,n)；其中，fi(x)可以表示为f(x)=price(x)-reserved(x)，也可以表示为f(x)=quality(x)-reserved(x)，quality(x)为质量分，还可以表示为其他目标因子的函数，如出发时间等，这里略。
54.b32:对于每个解x，计算目标函数的值fi(x)；b33:基于所述目标函数的值，计算适应度f
fit
(x)，所述适应度f
fit
(x)用于评估所述解x的质量。
55.b4:更新操作：根据适应度函数的值选择最优的解，并更新所述解的群体；根据适应度函数的值选择最优的解，并更新群体。更新过程通常包括交叉（组合两个解的部分特征生成新的解）和变异（随机改变解的一部分特征）。
56.具体地，b4包括如下步骤b41-b44：b41.根据适应度函数的值选择最优的解；即，寻找函数值最大的f
fit
(x)作为最优的解，会选择适应度最高的一部分解保留到下一代。
57.b42.随机选择多个第一解，然后交换所述多个第一解的一部分特征，生成多个第二解；即，随机选择两个解，然后交换他们的一部分特征，生成两个新的解。这个操作可以产生新的解，并且增加解的多样性。
58.b43.随机选择一个第三解，然后随机改变所述第三解的一部分特征，生成一个第四解；即，随机选择一个解，然后随机改变它的一部分特征，生成一个新的解。这个操作可以防止算法陷入局部最优。
59.b44.重新计算适应度，并重新根据所述适应度函数的值选择最优的解。
60.由于生成了多个第二解和一个第四解，x的值变化，因此需要基于适应度函数公式重新计算，并重新根据所述适应度函数的值选择最优的解。这个过程会持续进行，直到达到停止条件（例如，达到最大迭代次数或者适应度函数的值达到一个预设的阈值）。
61.b5:重复所述评估操作和所述更新操作，直至满足停止条件。
62.迭代过程：重复b3和b4，直到满足停止条件（例如，达到最大迭代次数或者适应度函数的值达到一个预设的阈值）。
63.与只考虑一个目标的传统优化算法相比，多目标群优化算法可以同时考虑多个目标。这意味着可以在多个目标之间找到一个良好的平衡，而不是牺牲一个目标来优化另一个目标。因此，多目标群优化算法可以提供更全面、更个性化的推荐结果，从而提高用户满意度。
64.s105.采用人工智能模型校正所述优化后的目标因子的权重；使用人工智能模型来校正各个参数的权重，以优化最终的打包产品排序结果。这个模型会通过学习历史数据，自动调整各个参数的权重。
65.人工智能模型选择： 在这个场景中，可以选择使用机器学习中的回归模型，例如线性回归、岭回归或者lasso回归等。这些回归模型可以用来预测一个连续的目标变量（在这个情况下，是第一等值价格）基于一个或多个预测变量（在这个情况下，是各个产品属性）。回归模型的目标是找到预测变量和目标变量之间的最佳关系。
66.参数权重举例： 在旅游套餐的场景下，每个参数的权重包括以下内容：价格：一个高的权重表示价格对用户的选择有很大的影响。
67.出发时间：一个中等的权重表示出发时间对用户的选择有一定的影响。
68.座次：一个低的权重表示座次对用户的选择影响较小。
69.是否中转：一个高的权重表示用户更倾向于直飞，而不是中转。
70.是否含餐：一个低的权重表示用户对是否含餐不太关心。
71.退订政策：一个中等的权重表示用户对退订政策有一定的关心。
72.如图4所示，s105中，采用人工智能模型校正所述优化后的目标因子的权重，包括如下步骤c1-c4：c1.收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；c2.构建回归模型，使用所述历史数据训练所述回归模型，以使所述回归模型学习每个所述产品属性与对应的所述等值价格之间的关系；选择回归模型，例如线性回归、岭回归或者lasso回归等。
73.若回归模型为线性回归，每个产品属性的权重是所述线性模型的系数，则c2包括步骤c21-c23：c21.将所述历史数据进行预处理；c22.将预处理后的所述历史数据进行数据分割，分为训练集和测试集；c23.将所述训练集输入所述线性回归模型，所述线性回归模型表示为：y=β0+β1h1+β2h2+
⋯
+β
nhn
+
ϵ
，其中y是等值价格，h1,h2,
…
,hn是产品属性，β0,β1,
…
,βn是权重，
ϵ 是误差项，n是自定义正整数。
74.c3.训练完成后，所述训练好的回归模型输出所述每个产品属性的权重；在模型训练完成后，可以从模型中获取每个产品属性的权重。例如，在线性回归模型中，权重就是模型的系数。
75.c4.使用所述每个产品属性的权重来预测不同产品组合的等值价格，并按照所述等值价格排序。
76.假设在旅游行业，产品属性包括价格、出发时间、座次等。收集了一些历史数据，包括这些产品属性和等值价格。然后，使用这些数据训练了一个线性回归模型。在模型训练完成后，得到了每个产品属性的权重，例如，价格的权重是-0.5，表示价格越低，等值价格越低；出发时间的权重是0.3，表示出发时间越早，等值价格越高。
77.在一个实施例中，还可以采用级联模型来实现权重更新。级联模型是一种模型集成方法，它将多个模型串联起来，每个模型的输出都作为下一个模型的输入。在此情况中，可以首先训练一个回归模型来预测等值价格，然后将这个模型的输出（即预测的等值价格）作为下一个模型的输入，以此类推。
78.在级联模型中，可以考虑使用以下几个模型：第一级：线性回归模型，这是一种基础的回归模型，可以用来建立产品属性和等值价格之间的线性关系。
79.第二级：决策树回归模型，这是一种可以处理非线性关系的模型，可以用来进一步优化线性回归模型的预测结果。
80.第三级：支持向量回归（svr）模型，这是一种可以处理高维度数据的强大模型，可以用来最终优化预测结果。
81.采用级联模型来实现权重更新，具体包括如下步骤d1-d6：d1.收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；d2.构建线性回归模型；d3.将所述历史数据输入所述线性回归模型，并让所述线性回归模型学习产品属性与等值价格之间的关系；d4.将所述线性回归模型输出的预测结果和实际的等值价格一同输入所述决策树回归模型，让所述决策树回归模型学习预测结果和实际结果之间的关系；让决策树回归模型学习预测结果和实际结果之间的关系的步骤如下：步骤1：收集数据：首先，需要收集包含预测结果和实际结果的数据。在的例子中，这个预测结果是第一级线性回归模型的输出。
82.步骤2：数据预处理：这可能包括处理缺失值、异常值，以及进行一些必要的数据转换，比如归一化等。
83.步骤3：创建决策树回归模型：使用收集到的数据来创建一个决策树回归模型。
84.需要选定一个决策树回归模型的实现，例如 scikit-learn 库中的 decisiontreeregressor。
85.在创建模型时，可以设置一些参数，如树的最大深度(max_depth)、最小叶节点样本数(min_samples_leaf)等。
86.步骤4：训练模型：将数据输入模型，并让模型学习预测结果和实际结果之间的关系。
87.将收集到的数据（包含预测结果和实际结果）分为训练集和测试集。
88.使用训练集数据来训练的决策树回归模型。在 scikit-learn 中，可以使用 fit 方法来进行训练。
89.在训练过程中，决策树回归模型会尝试找到预测结果和实际结果之间的最佳分割。
90.在实际操作中，还需要对模型进行评估和调优。评估模型的性能可以使用测试集数据，调优模型的参数可以使用网格搜索或者随机搜索。
91.d5.将所述决策树回归模型输出的预测结果和实际的等值价格一同输入向量回归svr模型，让所述svr模型学习预测结果和实际结果之间的关系；让所述svr模型学习预测结果和实际结果之间的关系的步骤包括：步骤1：收集数据：首先，需要收集包含预测结果和实际结果的数据。在的例子中，这个预测结果是第二级决策树回归模型的输出。
92.步骤2：数据预处理：这可能包括处理缺失值、异常值，以及进行一些必要的数据转换，比如归一化等。
93.步骤3：创建svr模型：使用收集到的数据来创建一个svr模型。
94.需要选定一个支持向量回归模型的实现，例如 scikit-learn 库中的 svr。
95.在创建模型时，可以设置一些参数，如误差项的惩罚系数(c)、核函数(kernel)、核函数的参数(gamma)等。
96.步骤4：训练模型：将数据输入模型，并让模型学习预测结果和实际结果之间的关系。
97.将收集到的数据（包含预测结果和实际结果）分为训练集和测试集。
98.使用训练集数据来训练的支持向量回归模型。在 scikit-learn 中，可以使用 fit 方法来进行训练。
99.在训练过程中，支持向量回归模型会尝试找到一个最优的超平面，使得预测结果和实际结果之间的误差最小。
100.d6.从所述svr模型中获取每个产品属性的权重；在所有模型训练完成后，可以从最后一个模型svr模型中获取每个产品属性的权重。这些权重是经过所有模型的级联学习得到的，因此它们比单个模型的权重更准确。即，级联模型的优点是可以通过级联多个模型来提高预测的准确性。
101.在其中一个实施例中，还可以考虑使用并联模型来实现权重更新。并联模型是一种模型集成方法，它将多个模型并行起来，每个模型独立地对同一输入进行预测，然后将这些预测结果结合起来得到最终的预测结果。
102.使用并联模型来实现权重更新的具体步骤包括e1-e6:e1.选择线性回归模型、决策树回归模型和向量回归svr模型作为并联模型；e2.将所述历史数据进行预处理；e3.将预处理后的所述历史数据进行数据分割，分为训练集和测试集；e4.将所述训练集分别输入所述线性回归模型、决策树回归模型和向量回归svr模型，让所述线性回归模型、决策树回归模型和向量回归svr模型分别学习产品属性与等值价格之间的关系；
与级联模型不同的是，并联模型是训练集分别输入至线性回归模型、决策树回归模型和向量回归svr模型中，分别学习产品属性与等值价格之间的关系。
103.e5.将所述线性回归模型、决策树回归模型和向量回归svr模型的预测结果结合起来得到最终的预测结果；将所有模型的预测结果结合起来得到最终的预测结果。结合方法可以是简单的平均，也可以是加权平均，或者是其他更复杂的方法。
104.e6.从每个模型中分别获取每个产品属性的权重，然后将获取到的所述权重结合起来得到最终的权重。
105.在所有模型训练完成后，可以从每个模型中获取每个产品属性的权重，然后将这些权重结合起来得到最终的权重。
106.与传统的基于规则的权重分配方法相比，使用人工智能模型来校正权重的方法有以下优势：数据驱动：权重是根据实际的历史数据学习得到的，因此它能够更好地反映出每个产品属性对等值价格的实际影响。
107.自动化：一旦模型训练完成，可以自动地更新权重和预测等值价格，无需人工干预。
108.灵活性：如果市场情况发生变化，可以通过重新训练模型来快速适应新的情况。
109.s106.基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户。
110.计算所述旅游套餐的第二等值价格具体的运算步骤同s102中的方法，这里不再累述。
111.最后，根据上述步骤计算出的权重，提供排序后的推荐结果给用户。
112.以下是三个示例旅游套餐：套餐a：包含一个商务舱的飞机票，价格为3000元，出发时间为早上8点；酒店为五星级，价格为2000元，提供免费早餐，可以免费取消，库存紧张。
113.套餐b：包含一个经济舱的飞机票，价格为2000元，出发时间为早上6点；酒店为四星级，价格为1500元，不提供早餐，不可取消，库存紧张。
114.套餐c：包含一个经济舱的飞机票，价格为2500元，出发时间为早上7点；酒店为五星级，价格为1800元，提供免费早餐，可以半额退款，库存充足。
115.在通过人工智能模型对产品属性进行权重调整和第二等值价格计算后，得到的第二等值价格如下：1. 套餐a的等值价格为0.80。
116.2. 套餐b的等值价格为0.65。
117.3. 套餐c的等值价格为0.75。
118.那么，根据等值价格，的推荐结果为：套餐a、套餐c、套餐b。
119.这意味着，尽管套餐a的总价格最高，但是考虑到其他的因素（例如出发时间、座次、酒店星级、是否提供早餐、退订政策、酒店库存等），它提供的价值最大。同样，尽管套餐b的总价格最低，但是由于它的出发时间早、不含早餐、不可退订等因素，它提供的价值最小。
120.综上，本发明实施例采用了多目标群优化算法，不仅考虑单个目标（例如最低价
only memory，eprom）、或便携式只读存储器（compact disc read至only memory，cd至rom），该存储器用于相关指令及数据。
127.输入装置62用于输入数据和/或信号，以及输出装置63用于输出数据和/或信号。输出装置63和输入装置62可以是独立的器件，也可以是一个整体的器件。
128.处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器（central processing unit，cpu），在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
129.存储器用于存储网络设备的程序代码和数据。
130.处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
131.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
132.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例发明的目的。
133.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，dsl））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器（read至only memory，rom），或随机存储存储器（random access memory，ram），或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘（digital versatile disc，dvd）、或者半导体介质，例如，固态硬盘（solid state disk ，ssd）等。
134.本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。

技术特征：
1.一种基于多目标群优化的旅游套餐推荐方法，其特征在于，包括：获取用户搜索旅游套餐的历史数据；基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；采用人工智能模型校正所述优化后的目标因子的权重；基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户；其中，所述基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。2.根据权利要求1所述的方法，其特征在于，所述旅游套餐为机票和酒店的组合，则采用最大最小归一化方法对每一个产品的属性进行标准化，包括：收集机票和酒店的数据；将所述机票和酒店的数据进行预处理；使用最大最小归一化来标准化预处理后的所述机票和酒店的数据，最大最小归一化公式如下：m
new
代表某一属性标准化后的值，m
max
和m
min
分别是该属性所有数据中的最大值和最小值，m代表该属性原始值，为自定义校正因子。3.根据权利要求1所述的方法，其特征在于，若所述产品属性为价格，则所述定义目标函数，包括：
定义所述目标函数f(x)：f(x)=price(x)-reserved(x)；；其中，r为自定义正整数，解x为旅游套餐，price(x)为旅游套餐x的价格；所述利用适应度函数来评估所述解的质量，包括：定义适应度函数为f
fit
(x)=w1×
f1(x)+w2×
f2(x)+
⋯
+w
n
×
f
n
(x)，其中 w
i
是第 i 个目标函数的权重，f
i
(x)是第i个目标函数的值，i为正整数，n为自定义正整数，且i范围为(1,n)；对于每个解x，计算目标函数的值f
i
(x)；基于所述目标函数的值，计算适应度f
fit
(x)，所述适应度f
fit
(x)用于评估所述解x的质量；所述根据适应度函数的值选择最优的解，并更新所述解的群体，包括：根据所述适应度函数的值选择最优的解；随机选择多个第一解，然后交换所述多个第一解的一部分特征，生成多个第二解；随机选择一个第三解，然后随机改变所述第三解的一部分特征，生成一个第四解；重新计算适应度，并重新根据所述适应度函数的值选择最优的解。4.根据权利要求1所述的方法，其特征在于，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建回归模型，使用所述历史数据训练所述回归模型，以使所述回归模型学习每个所述产品属性与对应的所述等值价格之间的关系；训练完成后，所述训练好的回归模型输出所述每个产品属性的权重；使用所述每个产品属性的权重来预测不同产品组合的等值价格，并按照所述等值价格排序。5.根据权利要求4所述的方法，其特征在于，所述回归模型为线性回归，所述每个产品属性的权重是所述线性模型的系数，则使用所述历史数据训练所述回归模型，包括：将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集输入所述线性回归模型，所述线性回归模型表示为：y=β0+β1h1+β2h2+
⋯
+β
n
h
n
+
ϵ
，其中y是等值价格，h1,h2,
…
,h
n
是产品属性，β0,β1,
…
,β
n
是权重，
ϵ 是误差项，n是自定义正整数。6.根据权利要求1所述的方法，其特征在于，所述采用人工智能模型校正所述优化后的目标因子的权重，包括：采用人工智能级联模型校正所述优化后的目标因子的权重，或采用人工智能并联模型校正所述优化后的目标因子的权重；其中，所述采用人工智能级联模型校正所述优化后的目标因子的权重，包括：
收集历史数据，所述历史数据包括各个产品属性及对应的等值价格；构建线性回归模型；将所述历史数据输入所述线性回归模型，并让所述线性回归模型学习产品属性与等值价格之间的关系；将所述线性回归模型输出的预测结果和实际的等值价格一同输入所述决策树回归模型，让所述决策树回归模型学习预测结果和实际结果之间的关系；将所述决策树回归模型输出的预测结果和实际的等值价格一同输入向量回归svr模型，让所述svr模型学习预测结果和实际结果之间的关系；从所述svr模型中获取每个产品属性的权重；其中，所述采用人工智能并联模型校正所述优化后的目标因子的权重，包括：选择线性回归模型、决策树回归模型和向量回归svr模型作为并联模型；将所述历史数据进行预处理；将预处理后的所述历史数据进行数据分割，分为训练集和测试集；将所述训练集分别输入所述线性回归模型、决策树回归模型和svr模型，让所述线性回归模型、决策树回归模型和svr模型分别学习产品属性与等值价格之间的关系；将所述线性回归模型、决策树回归模型和svr模型的预测结果结合起来得到最终的预测结果；从所述线性回归模型、决策树回归模型和svr模型中分别获取每个产品属性的权重，然后将获取到的所述权重结合起来得到最终的权重。7.一种基于多目标群优化的旅游套餐推荐装置，其特征在于，所述装置包括：获取模块，用于获取用户搜索旅游套餐的历史数据；转换模块，用于基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格；设置模块，用于将所述旅游套餐中的固定库存作为最高优先级，并设置其权重；优化模块，用于使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化；校正模块，用于采用人工智能模型校正所述优化后的目标因子的权重；计算模块，用于基于所述优化后的目标因子的权重，计算所述旅游套餐的第二等值价格，并提供排序后的结果给用户;其中，所述转换模块用于基于所述历史数据，将所述旅游套餐的各个产品属性转换为第一等值价格，包括：对所述旅游套餐的各个产品的属性分配一个相应的权重；采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述各个产品的属性权重和标准化之后的属性，计算所述第一等值价格；其中，所述优化模块用于使用多目标群优化算法，将所述旅游套餐中的各个产品属性及固定库存定义为目标因子，进行多个所述目标因子的优化，包括：定义目标函数，所述目标函数与所述目标因子一一对应；获取初始化解的群体，其中，每一个解代表一种旅游套餐组合；
评估操作：利用适应度函数来评估所述解的质量；更新操作：根据所述适应度函数的值选择最优的解，并更新所述解的群体；重复所述评估操作和所述更新操作，直至满足停止条件;其中，所述计算模块用于计算所述旅游套餐的第二等值价格，包括：采用最大最小归一化方法，或z-分数标准化方法，或十分位数标准化方法对每一个产品的属性进行标准化；基于所述优化后的目标因子的权重和标准化之后的属性，计算所述旅游套餐的第二等值价格。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一方法的步骤。

技术总结
本发明提出了一种基于多目标群优化的旅游套餐推荐方法、装置及存储介质。它通过实现供应商库存分级，避免因无法预订库存资源导致打包套餐退费产生的经济损失。发明中，固定预留库存作为最高优先级，即可以调整其权重，库存作为一个标签参数，赋予其高权重。利用智能优化算法，以损失最小为优化目标，进行多个因子优化建模。同时，采用人工智能的方法来校正跨业态的产品的各个参数的权重，最终优化打包产品的排序结果。产品的排序结果。产品的排序结果。


技术研发人员：王文林
受保护的技术使用者：贵州优特云科技有限公司
技术研发日：2023.08.14
技术公布日：2023/9/13