CN108846493A - 一种基于改进的增量模型的机票订座数预测方法 - Google Patents

Abstract

本发明涉及一种基于改进的增量模型的机票订座数预测方法，包括：(1)获取、预处理航班历史订座数据；(2)采集环期数据、同期数据；(3)预测机票订座数。本发明利用环期日期和同期日期获得相应的舱位加权预测结果，并结合多元线性回归模型得到最终订座数预测结果。与现有技术相比，本发明引入了舱位数加权方法，解决了不同日期航班数目不同及航班机型不同导致的总航班舱位数不同对预测结果的干扰。并且充分利用了同期、环期订座数据与要预测的订座数之间的联系，挖掘了历史数据内在的时间特性，提高了预测的准确率，对指导航空公司进行后续的舱位调控及动态定价具有重要作用，具有重要的实际应用意义。

Description

一种基于改进的增量模型的机票订座数预测方法

技术领域

本发明涉及民航信息技术领域，具体地，涉及一种基于改进的增量模型的机票订座数预测方法。

背景技术

收益管理的核心是在适当的时候将产品以适当的价格销售给适当的顾客，以取得最大的经济效益。航空收益管理是指航空公司通过需求预测和动态定价等手段，使航班的每一个座位都以最适当的价格卖出，进而实现收益最大化。航空公司根据航班历史订座数据进行需求预测，在此基础上制定相应的机票价格，并通过存量控制和超售等策略来平衡供需。需求预测是航空收益管理的基础，航空公司实施科学的动态定价、舱位分配等决策都离不开准确的需求预测的支撑。

在航班开放售票之前，航空公司需要对该航班的订票数有一个预估，以便对航班的舱位及价格设置有一个整体的规划，并指导交通管理部门提早进行规划和管理以及优化航空资源配置。在航班的预售期内，随着航班每天不断地卖出机票，航空公司需要根据每天卖票数的新信息，重新预测航班最终的成行人数，对之前做出的预测结果进行修正，进而优化机票价格的动态定制以及舱位存量控制等。

目前广泛应用的一种航班需求预测模型是增量模型，该模型利用航班的历史订座成长数据来预测航班最终起飞时的订座数(成行人数)。具体地，根据航空公司数据库中航班历史订座数据随离港日期临近的变化情况，使用航班当前订座数(已发生的真实数据)加上随后会产生的订座增量(预测数据)来预测航班最终的订座需求，即最终订座＝当前已有订座+剩余订座增量估计。

传统的增量预测法模型虽然简单、易于实现，但是存在以下不足：只是简单的利用已有的所有历史数据进行预测，对所有历史数据同等对待，没有考虑历史数据的时间性，如环期、同期数据的重要特性。由于航班需求受诸多因素的影响，历史订座规律和销售趋势变得非常复杂，传统的增量方法很难准确地反映出复杂的历史订座规律和销售趋势，预测准确率较低。

中国专利文献CN107506869A公开了一种基于循环神经网络的机票日订座数预测方法。本发明所述基于循环神经网络的机票日订座数预测方法，利用循环神经网络建模航空订座数据序列信息，应用于航空订座数据预测；但是，该专利应用前六天的航班的历史数据信息来预测当前航班订座数，只有在昨天的航班的数据已经知道的情况下才可以应用该模型，即该模型的预测范围只有一天。比如说要预测今天航班最终的成行人数，只能在昨天航班的成行人数已知的情况下展开预测。预测时间范围短，预测结果不准确。

发明内容

为解决现有的增量模型预测存在的问题，满足航空公司的实际需求，本发明提供了一种基于改进的增量模型的机票订座数预测方法。

本发明的技术方案为：

一种基于改进的增量模型的机票订座数预测方法，包括步骤如下：

(1)获取、预处理航班历史订座数据；

(2)采集环期数据、同期数据；

环期是指与要预测的航班日期属于一周之内同一天的日期，例如，要预测的航班日期是星期一，那么所有的其它星期一的日期就是环期；

环期数据是指环期对应的该航线的订票数；

同期是指与要预测的航班日期属于一年之内的同一天的日期，例如，2018年5月28日(周一)，其对应的去年的同期日期就是2017年的5月28日所在的那个周的周一，即2017年5月29日。如果当前日期是法定节假日，则其去年的同期日期为对应的去年的法定节假日的同一天，如2018年6月16日(端午假期第一天)对应的去年的同期日期为2017年5月28日(端午假期第一天)；

同期数据是指同期对应的该航线的订票数；

(3)预测机票订座数。

根据本发明优选的，所述步骤(1)，获取、预处理航班历史订座数据，包括步骤如下：

A、获取需要预测的航线的所有航班历史订座数据，航班历史订座数据是指该航班起飞前i天到该航班起飞当天的i+1条订座数据，订座数据是指订票数；

B、预处理需要预测的航线的所有航班历史订座数据，将该航班起飞前i天到该航班起飞当天中每一天的订座数据累积求和，得到每一天该航线的订座数据，并将每一天该航线的订座数据按照时间先后顺序进行排列，即得到该航线的订座成长数据。

根据本发明优选的，所述步骤(2)，采集环期、同期数据，包括步骤如下：

采集环期数据，包括：以当前航班起飞日期为基础，对该日期循环减7天，将得到的日期保存到集合R中，直到将历史数据中的全部环期数据取出；

采集同期数据，包括：考虑节假日及日期对齐，人工将同期数据取出，记为C_-1、C_-2、C_-3……C_-n，C_-1是指去年的同期日期数据；C_-2是指前年的同期日期数据；C_-3是指大前年的同期日期)……，直到将历史数据中的全部同期数据取出。

根据本发明优选的，所述步骤(3)，预测机票订座数，设定需要预测的航班日期DEP-DATE和当前日期，航班当前订座数记为航班总舱位数记为CAP^{DEP -DATE＝p}，当前日期与航班起飞日期之间的日期差记为ex-dif，即航班离港前的天数；包括步骤如下：

①对集合R的数据，提取环期航班在日期差为ex-dif时的订座数据以及该航班的最终订座数和总舱位数CAP^DEP-DATE＝d；根据环期数据所预测出的最终订座数P_R由式(I)求得：

式(I)中，|R|代表集合R中的数据个数，p代表要预测的航班日期；

②对于同期数据，提取同期航班在日期差为ex-dif时的订座数据以及该航班的最终订座数和总舱位数CAP^DEP-DATE＝C，根据同期数据所预测出的最终订座数P_C由式(II)求得：

式(II)中，在实际应用中，我们选择历史五年的同期数据，即C∈{C_-1，C_-2，C_-3，C_-4，C_-5}，C_-1是指去年的同期日期数据；C_-2是指前年的同期日期数据；C_-3是指大前年的同期日期；

③对于给定日期的航班，最终预测的订座数BKD_P由多元线性回归模型求得，如式(III)所示：

α、β、γ、δ、ε、θ是多元线性回归模型的参数，取值范围：0≤α≤1，0≤β≤1，0≤γ≤1，0≤δ≤1，0≤ε≤1，0≤θ≤1；

是指根据n年前的同期数据得出的预测数据；例如是根据去年的同期数据得出的预测数据。

本发明的有益效果为：

本发明涉及基于改进的增量模型的机票订座数预测方法，利用环期日期和同期日期获得相应的舱位加权预测结果，并结合多元线性回归模型得到最终订座数预测结果。与现有技术相比，本发明所述的设计方案，引入了舱位数加权方法，解决了不同日期航班数目不同及航班机型不同导致的总航班舱位数不同对预测结果的干扰。并且充分利用了同期、环期订座数据与要预测的订座数之间的联系，挖掘了历史数据内在的时间特性，提高了预测的准确率，对指导航空公司进行后续的舱位调控及动态定价具有重要作用，具有重要的实际应用意义。

附图说明

图1是根据本发明实施例的基于改进的增量模型的机票订座数预测方法流程图。

图2是根据本发明实施例的预测示例图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例

一种基于改进的增量模型的机票订座数预测方法，如图1所示，包括步骤如下：

(1)获取、预处理航班历史订座数据；包括步骤如下：

A、获取需要预测的航线的所有航班历史订座数据，航班历史订座数据是指该航班起飞前i天到该航班起飞当天的i+1条订座数据，订座数据是指订票数；

B、预处理需要预测的航线的所有航班历史订座数据，将该航班起飞前i天到该航班起飞当天中每一天的订座数据累积求和，得到每一天该航线的订座数据，并将每一天该航线的订座数据按照时间先后顺序进行排列，即得到该航线的订座成长数据。

(2)采集环期数据、同期数据；

环期是指与要预测的航班日期属于一周之内同一天的日期，例如，要预测的航班日期是星期一，那么所有的其它星期一的日期就是环期；环期数据是指环期对应的该航线的订票数；

同期是指与要预测的航班日期属于一年之内的同一天的日期，例如，2018年5月28日(周一)，其对应的去年的同期日期就是2017年的5月28日所在的那个周的周一，即2017年5月29日。如果当前日期是法定节假日，则其去年的同期日期为对应的去年的法定节假日的同一天，如2018年6月16日(端午假期第一天)对应的去年的同期日期为2017年5月28日(端午假期第一天)；同期数据是指同期对应的该航线的订票数；

包括步骤如下：

采集环期数据，包括：以当前航班起飞日期为基础，对该日期循环减7天，将得到的日期保存到集合R中，直到将历史数据中的全部环期数据取出；

采集同期数据，包括：考虑节假日及日期对齐，人工将同期数据取出，记为C_-1、C_-2、C_-3……C_-n，C_-1是指去年的同期日期数据；C_-2是指前年的同期日期数据；C_-3是指大前年的同期日期)……，直到将历史数据中的全部同期数据取出。

如图2所示，对于要预测的日期2017年1月1日，当我们要在该航班开始预售票三天后(即日期差为14的售票数已知时)预测航班最终的成行人数，首先找出2017年1月1日的所有的环期日期和同期日期，并将环期和同期的订座成长数据列出。

(3)预测机票订座数。

对于环期日期1按照下式计算其预测结果：

58是2017年1月1日的航班的当前订座数，149是环期日期1的航班的最终成行人数，45是环期日期1的航班在日期差为14时的订座数，167是环期日期1的航班的舱位总数，267是要预测的2017年1月1日航班的舱位总数。按照上述方式计算出所有环期日期的预测结果并取平均值得到P_R，按照上述方式计算五年历史的同期日期的预测结果即为

实际应用中，我们取2017年一整年的航班，利用上述方式获得其对应的P_R、的值，然后用这一年的数据训练多元线性回归模型，得到模型参数：α＝0.280、β＝0.174、γ＝0.127、δ＝0.213、ε＝0.071、θ＝0.170。

对于新的要预测的航班，我们首先根据历史数据计算出P_R、的值，然后带入多元线性回归模型得到最终预测结果。

取某航空公司某航线2018年1月到2018年3月的订座数据作为测试数据，应用本专利提出的模型和传统的增量模型，预测最终订座数，结果如下表1所示。(预测水平即为日期差，即距离航班起飞日期的前几天进行预测)

表1

由测试结果可以看出，本专利提出的模型相较于传统的增量模型，能在距离航班起飞日期较远时大大提升预测的准确率。

Claims (5)

1.一种基于改进的增量模型的机票订座数预测方法，其特征在于，包括步骤如下：

(1)获取、预处理航班历史订座数据；

(2)采集环期数据、同期数据；

环期是指与要预测的航班日期属于一周之内同一天的日期，环期数据是指环期对应的该航线的订票数；

同期是指与要预测的航班日期属于一年之内的同一天的日期，同期数据是指同期对应的该航线的订票数；

(3)预测机票订座数。

2.根据权利要求1所述的一种基于改进的增量模型的机票订座数预测方法，其特征在于，所述步骤(1)，获取、预处理航班历史订座数据，包括步骤如下：

A、获取需要预测的航线的所有航班历史订座数据，航班历史订座数据是指该航班起飞前i天到该航班起飞当天的i+1条订座数据，订座数据是指订票数；

B、预处理需要预测的航线的所有航班历史订座数据，将该航班起飞前i天到该航班起飞当天中每一天的订座数据累积求和，得到每一天该航线的订座数据，并将每一天该航线的订座数据按照时间先后顺序进行排列，即得到该航线的订座成长数据。

3.根据权利要求1所述的一种基于改进的增量模型的机票订座数预测方法，其特征在于，所述步骤(2)，采集环期、同期数据，包括步骤如下：

采集环期数据，包括：以当前航班起飞日期为基础，对该日期循环减7天，将得到的日期保存到集合R中，直到将历史数据中的全部环期数据取出；

采集同期数据，包括：人工将同期数据取出，记为C_-1、C_-2、C_-3……C_-n，C_-1是指去年的同期日期数据；C_-2是指前年的同期日期数据；C_-3是指大前年的同期日期)……，直到将历史数据中的全部同期数据取出。

4.根据权利要求1所述的一种基于改进的增量模型的机票订座数预测方法，其特征在于，所述步骤(3)，预测机票订座数，设定需要预测的航班日期DEP-DATE和当前日期，航班当前订座数记为航班总舱位数记为CAP^DEP-DATE＝p，当前日期与航班起飞日期之间的日期差记为ex-dif，即航班离港前的天数；包括步骤如下：

①对集合R的数据，提取环期航班在日期差为ex-dif时的订座数据以及该航班的最终订座数和总舱位数CAP^DEP-DATE＝d；根据环期数据所预测出的最终订座数P_R由式(I)求得：

式(I)中，|R|代表集合R中的数据个数，p代表要预测的航班日期；

②对于同期数据，提取同期航班在日期差为ex-dif时的订座数据以及该航班的最终订座数和总舱位数CAP^DEP-DATE＝C，根据同期数据所预测出的最终订座数P_C由式(II)求得：

③对于给定日期的航班，最终预测的订座数BKD_P由多元线性回归模型求得，如式(III)所示：

α、β、γ、δ、ε、θ是多元线性回归模型的参数，取值范围：0≤α≤1，0≤β≤1，0≤γ≤1，0≤δ≤1，0≤ε≤1，0≤θ≤1；

是指根据n年前的同期数据得出的预测数据。

5.根据权利要求4所述的一种基于改进的增量模型的机票订座数预测方法，其特征在于，α＝0.280，β＝0.174，γ＝0.127，δ＝0.213，ε＝0.071，θ＝0.170。