近年来,中国旅游市场保持持续发展的态势,互联网不断渗入到国民生活的方方面面,用户倾向于通过网络预订酒店,拥有大量酒店的线上旅行平台积累了庞大的酒店、用户消费数据。酒店的销量是收益管理的基础和核心。如果通过现有的技术和方法预测到未来某段时间内特定酒店的销量变化,一方面有利于指导酒店库存管理进而提高收益管理效益,另一方面也能提高用户体验,给整个平台带来收益。由于酒店线上销量在不同时间段受到酒店本身属性、价格、节假日等众多因素的影响,传统的时间序列预测方法不能充分挖掘数据特征及高效处理高维、非线性大数据,预测误差较大,针对这样的问题,提出了一种基于LightGBM与WaveNet模型融合的酒店线上销量预测方法。研究的主要工作有:对历史数据进行分析与处理,包括缺失值及脏数据,分析不同维度销量数据,描绘酒店销量数据的特性,选取合理的预测时间范围。组织特征工程,一类为基本特征,包括地区、商圈、酒店属性、节假日时间等维度的基础数据,针对中国节假日时间独有特性对其进行编码,将非数字的特征进行独热编码;另一类为基于时间序列的数学统计特征,根据目标预测时间范围,在不同的时间窗口、组合交叉等特征组合中提取不同的统计数据。构建了基于LightGBM算法的销量预测模型,LightGBM具有内存需求小、计算速度快、通信代价小的特点;构建基于WaveNet的销量预测模型,WaveNet是一种自回归的深度生成模型,通过使用多层扩张因果卷积(Dilated Causal Convolution)扩大感受野(Receptive Field)来表达更多的时序特征,采用残差网络结构以及参数化的跳跃链接来提高训练深度。它在深度学习中对于音频分析所取得的成果比之前所有模型的效果都要好,同时本文结合序列到序列的预测框架,创新性地将改进的WaveNet应用于酒店线上销量预测。由于两个模型分别具有不可替代的优势,最后,将两个模型做线性融合,提高了模型预测的准确性,并利用OTA平台真实的销量数据进行一系列的实验证明了算法模型的高效性能。