CN109242579A - 基于卷积神经网络的机票价格预测方法 - Google Patents

基于卷积神经网络的机票价格预测方法 Download PDF

Info

Publication number
CN109242579A
CN109242579A CN201811389125.2A CN201811389125A CN109242579A CN 109242579 A CN109242579 A CN 109242579A CN 201811389125 A CN201811389125 A CN 201811389125A CN 109242579 A CN109242579 A CN 109242579A
Authority
CN
China
Prior art keywords
price
time slice
air ticket
flight
ticket price
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811389125.2A
Other languages
English (en)
Inventor
武志昊
林友芳
万怀宇
韩升
董兴业
王晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201811389125.2A priority Critical patent/CN109242579A/zh
Publication of CN109242579A publication Critical patent/CN109242579A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种基于卷积神经网络的机票价格预测方法，包括：分析机票价格维度特点，设计二维的机票价格时间片结构；根据二维的机票价格时间片结构得到时间‑价格序列数据；根据时间‑价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中；对时间片，采用预测模型DC_Airfare网络进行精确预测，得到最终训练模型；利用最终训练模型进行预测，得到所要预测的机票价格结果。本发明采用的时间片构建及预测模型设计，能较好的实现机票价格预测，为购票者和航空公司价格调整人员提供准确有效的决策支持。

Description

基于卷积神经网络的机票价格预测方法
技术领域
本发明涉及民航机票价格预测技术领域，尤其涉及一种基于卷积神经网络的机票价格预测方法。
背景技术
近年来，随着我国民航业自主定价政策的逐步放开，航空公司对其航班产品的定价越来越自由，各航空公司都会制定自己复杂的定价策略以保证其收益最大化。因此，对机票价格的准确预测，能够帮助机票代理商以及各航空公司的定价决策人在价格竞争中获得优势的同时保证收益，并且帮助普通乘客买到价格相对较低的机票。
由于机票价格自身波动性大、随机性强等诸多因素使得机票价格预测成为了一个很具挑战性的问题。目前机票价格预测领域的研究主要分为两大方向，一个方向是针对机票价格升高或降低趋势的二元分类预测问题，另一个方向则是针对具体机票价格数值的预测问题，而后者能为航班定价者以及旅客提供更好更直观的决策支持。
现有技术中，针对机票价格数值的预测问题主要存在两大类方法，一类是基于价格序列自身历史值的时间序列方法，第二类是针对价格影响因素建立模型的回归方法。但这两种方法都不能充分体现以“周”为周期的价格变动特点，无法很好地解决机票价格预测问题。
因此，有必要设计一种充分挖掘和利用航班票价价格变动特点的票价预测方法，从而更好地完成票价预测任务，为航空公司票价调整人员提供良好的决策服务，并为购票者提供更便利更准确的票价预测服务。
发明内容
本发明的实施例提供了一种基于卷积神经网络的机票价格预测方法，以解决上述背景技术中的问题。
为了实现上述目的，本发明采取了如下技术方案：
一种基于卷积神经网络的机票价格预测方法，包括：
S1：分析机票价格维度特点，设计二维的机票价格时间片结构；
S2：分析所述二维的机票价格时间片结构的数据规律与关系，对机票价格预测问题进行描述和定义得到时间-价格序列数据；
S3：对所述时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；其中，
第一阶段：利用所述时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中；
第二阶段：对第一阶段中的所述时间片，采用预测模型DC_Airfare网络进行精确预测，提取所述时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型；
S4：利用所述最终训练模型进行预测，得到所要预测的机票价格结果。
进一步地，所述的分析机票价格维度特点，设计二维的机票价格时间片结构，包括：
每个机票价格包括：起飞日期和查询日期两个维度，根据机票价格的维度特点，设qd为查询日期，fd为起飞日期，将在日期qd当天查询到的日期fd当天起飞的某具体航班的最低价格表示为：Pqd，fd；
对某个起飞日期fd确定的具体航班，起飞前n天每天都存在一个当天的最低价格，组成一条该航班的最低价格序列，则起飞日期fd所对应的最低价格序列Lfd为：
Lfd＝{Pfd-n，fd，Pfd-(n-1)，fd，...，Pfd-1，fd，Pfd，fd}； (1)
不同起飞日期fd的具体航班同属于一个航班号flight确定的产品集，每个航班对应一条所述最低价格序列Lfd，将这一系列的所述最低价格序列Lfd按起飞日期fd顺序进行排列，得到该航班号对应的最低价格序列集合，设当前日期为cd，未来能收集k个起飞日期fd的价格数据，其中，每个起飞日期fd对应的价格序列为所述最低价格序列Lfd，则机票最低价格序列集Sflight为：
Sflight＝{...，Lcd-2，Lcd-1，Lcd，Lcd+1，Lcd+2，...，Lcd+k}。 (2)
进一步地，所述的分析机票价格维度特点，设计二维的机票价格时间片结构，还包括：
根据航班产品存在起飞日期、查询日期两个维度的特点，设计的所述二维的机票价格时间片结构如下：
在所述机票最低价格序列集Sflight中，取连续k个起飞日期fd对应的n条最低价格序列Lfd，构造成n*k大小的矩阵，得到表格形式的二维的机票价格时间片结构，在所述二维的机票价格时间片结构中包括：在当前日期cd能够查询到的价格，以及需要预测的价格值。
进一步地，所述的分析二维的机票价格时间片结构的数据规律与关系，对机票价格预测问题进行描述和定义得到时间-价格序列数据，包括：
根据已设的qd为查询日期，fd为起飞日期，Pqd，fd表示在qd当天查询到的fd当天起飞的某具体航班的价格，在所述二维的机票价格时间片结构中，取其中任意连续k行即构造为一个时间片，对机票价格预测问题定义如下：
设当前日期为cd，设一个周期为k天，已知以cd当天起飞的航班价格序列为最后一行的最新周期的完整时间片为：
Picture1＝{{P(cd-(k-1))-n，cd-(k-1)，P(cd-(k-1))-(n-1)，cd-(k-1)，...，P(cd-(k-1))-1，cd-(k-1)，Pcd-(k-1)，cd-(k-1)}，{P(cd-(k-2))-n，cd-(k-2)，P(cd-(k-2))-(n-1)，cd-(k-2)，...，P(cd-(k-2))-1，cd-(k-2)，Pcd-(k-2)，cd-(k-2)}，...，{P(cd-1)-n，cd-1，P(cd-1)-(n-1)，cd-1，...，P(cd-1)-1，cd-1，Pcd-1，cd-1}，{Pcd-n，cd，Pcd-(n-1)，cd，...，Pcd-1，cd，Pcd，cd}}；
(3)
以及以起飞日期fd为cd+1的航班价格序列为第一行的下一个时间片的部分已知值为：
Picture2＝{{P(cd+1)-n，cd+1，P(cd+1)-(n-1).cd+1，...，Pcd-1，cd+1，Pcd，cd+1}，{P(cd+2)-n，cd+2，P(cd+2)-(n-1).cd+2，...，Pcd-1，cd+2，Pcd，cd+2}，...，{P(cd+(k-1))-n，cd+(k-1)，P(cd+(k-1))-(n-1).cd+(k-1)，...，Pcd-1，cd+(k-1)，Pcd，cd+(k-1)}，{P(cd+k)-n，cd+k，P(cd+k)-(n-1).cd+k，...，Pcd-1，cd+k，Pcd，cd+k}}；
(4)
预测未知部分的值为：
Picture3＝{{Pcd+1，cd+1}，{Pcd+1，cd+2，Pcd+2，cd+2}，...，{Pcd+1，cd+(k-1)，P(cd+1)+1，cd+(k-1)，...，Pcd+(k-1)-1，cd+(k-1)，Pcd+(k-1)，cd+(k-1)}，{Pcd+1，cd+k，P(cd+1)+1，cd+k，...，Pcd+k-1，cd+k，Pcd+ k，cd+k}}；
(5)
则已知过去k天及未来k天起飞的航班所有能查询到的价格，预测未来k天所有还无法查询到的价格，共计k(k+1)/2个值。
进一步地，所述的对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型，其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中，第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型，包括：
根据连续多天起飞日期fd对应的最低价格序列Lfd构造出机票价格的时间片，利用粗略的预测方法对未知值进行预测并填补到时间片中；
在所述的两阶段式机票价格预测模型中，输入为两个相邻的时间片，第一个时间片最后一个起飞日期fd对应的即为当前日期cd，第二个时间片的第一个起飞日期fd为当前日期cd的第二天cd+1；
第一个时间片是以“周”为单位的周期性数据，第二个时间片包含要预测的k个起飞日期fd已知的价格数据以及要进行预测的空缺的数据；
在第一阶段，使用粗略的预测方法对第二个时间片的空缺值进行预测并填充，所述的粗略的预测方法采用三阶滑动平均法，针对第二个时间片的每条序列，利用其各自已有的价格数据对未知项进行预测。
进一步地，所述的对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型，其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中，第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型，还包括：
在第二阶段中，采用预测模型DC_Airfare网络进行精确预测包括两大部分：特征提取部分与特征连接融合部分，所述特征提取部分包括：时间片特征提取部分，以及外部特征部分；其中，
所述时间片特征提取部分包括8个操作步骤，分别为：数据标准化、多形状卷积、池化、卷积、池化、dropout操作、flatten操作、以及全连接层调整；
所述外部特征部分包括3个操作步骤，分别为：数据标准化以及两个全连接层；
所述特征连接融合部分包括4个操作步骤，分别为：数据标准化以及三个全连接层。
进一步地，所述的时间片特征提取部分包括8个操作步骤，分别为：数据标准化、多形状卷积、池化、卷积、池化、dropout操作、flatten操作、以及全连接层调整，包括：
所述时间片特征提取部分，使用多个不同形状的卷积神经网络提取各维度特征，利用1xn和nx1形状的卷积提取时间片中行列两个方向的特征同时减少网络参数；
对每一个时间片输入，首先使用BatchNormalization层做数据的标准化，然后分别使用卷积核形状为：1x3，3x1，1x5，5x1，3x3的5个卷积层提取第一层特征，接着做池化操作，再分别做3x3的卷积操作，再接池化操作，再做dropout操作，之后将结果整合成一维向量，再用一个全连接层调整结果向量的大小；
每个时间片经过5个不同卷积核形状的特征提取的操作步骤后，得到5组不同维度的特征向量，当采用两个时间片作为输入时，则最终得到10组特征向量。
进一步地，所述的外部特征部分包括3个操作步骤，分别为：数据标准化以及两个全连接层，包括：
利用与航班相关的多方面的有价值因素，向预测模型DC_Airfare网络中加入外部特征，其中，有价值因素包括的信息属性类别有：航空公司、航线属性、航班时间属性、星期属性；
所述航空公司信息属性类别中包括的特征向量有：航空公司的类别属性标志；
所述航线属性信息属性类别中包括的特征向量有：出发城市是否为一线城市、目的城市是否为一线城市、航线长度、航线拥有航班数量；
所述航班时间属性信息属性类别中包括的特征向量有：航班起飞时间段、航班降落时间段、航班是否跨天标志；
所述星期属性信息属性类别中包括的特征向量有：时间片代表的星期属性标志；
对所有的外部特征，利用BatchNormalization层做数据的标准化，然后通过两个全连接神经网络层将数据映射为一个n维特征向量。
进一步地，所述的特征连接融合部分包括4个操作步骤，分别为：数据标准化以及三个全连接层，包括：
在时间片特征提取部分和外部特征部分中，提取到共计10+1组特征向量；
对10+1组特征向量进行标准化处理，利用三个全连接层，将数据映射到最终所要预测的维数，并将所要预测的数据按顺序排列成向量作为监督学习中的因变量向量，即获得对未知的机票价格的最终训练模型。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供的一种基于卷积神经网络的机票价格预测方法，包括：分析机票价格维度特点，设计二维的机票价格时间片结构；分析二维的机票价格时间片结构的数据规律与关系，得到时间-价格序列数据；对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；第一阶段：构造机票价格的时间片，采用粗略预测方法对未知值进行预测并填补到时间片中；第二阶段：对时间片采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型；利用最终训练模型进行预测，得到所要预测的机票价格结果。本发明提出的机票价格预测方法在真实数据集上与其他方法进行对比，能够取得很好的预测效果，并能够很好地完成票价预测任务，进而为购票者和航空公司价格调整人员提供准确有效的决策支持；同时，本发明中的时间片构建及预测模型的设计，为有着相同特点的航班需求、航班查询量等民航领域的其他预测问题提供了新的思路。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卷积神经网络的机票价格预测方法的处理流程图；
图2为本发明实施例提供的一种基于卷积神经网络的机票价格预测方法的机票价格时间片设计图；
图3为本发明实施例提供的一种基于卷积神经网络的机票价格预测方法的两阶段式预测模型整体架构图；
图4为本发明实施例提供的一种基于卷积神经网络的机票价格预测方法的预测模型DC_Airfare网络整体架构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例提供了一种基于卷积神经网络的机票价格预测方法，设计二维的机票价格时间片结构，并基于此时间片设计了以卷积神经网络为核心的两阶段式机票价格预测模型，充分考虑机票价格自身的变动特点和规律，对机票价格的预测准确度高。
本发明实施例提供一种基于卷积神经网络的机票价格预测方法的处理流程图如图1所示，该方法具体如下：
S110：分析机票价格维度特点，设计二维的机票价格时间片结构。
对机票价格问题中涉及的相关概念进行描述并给出形式化的定义；在民航领域，“航班号”由航空公司、航线、起飞时间共同确定，每一个航班号代表的是一个航班产品集，每个航班号在各个起飞日期对应的具体“航班”则是航班产品集中的独立产品，据此可给出如下定义：
(1)定义1——机票最低价格
由于航班产品的特殊性，每个机票价格包括：起飞日期和查询日期两个维度，针对某航班号确定的对象，设query_date(后简称qd)为查询日期，flight_date(后简称fd)为起飞日期，将在日期qd当天查询到的日期fd当天起飞的某具体航班的最低价格表示为：Pqd，fd。
(2)定义2——机票最低价格序列
对某个起飞日期fd确定的具体航班，起飞前n天每天都会存在一个当天的最低价格，从而组成一条该航班的最低价格序列。设fd为该航班的起飞日期，则起飞日期fd所对应的最低价格序列Lfd为：
Lfd＝{Pfd-n，fd，Pfd-(n-1)，fd，...，Pfd-1，fd，Pfd，fd}。 (1)
(3)定义3——机票最低价格序列集
不同起飞日期fd的具体航班同属于一个航班号flight确定的产品集，每个航班对应一条定义2中所确定的最低价格序列Lfd，将这一系列的最低价格序列Lfd按起飞日期fd顺序进行排列，则得到该航班号对应的最低价格序列集合；设当前日期为current_date(后简称cd)，未来能收集k个起飞日期fd的价格数据，其中，每个起飞日期fd对应的价格序列为定义2中所确定的最低价格序列Lfd，则机票最低价格序列集Sflight为：
Sflight＝{...，Lcd-2，Lcd-1，Lcd，Lcd+1，Lcd+2，...，Lcd+k}。 (2)
根据以上定义，充分挖掘机票价格的维度特点，给出价格时间片的定义，设计出二维的机票价格时间片结构，具体如下：
本发明实施例根据航班产品存在起飞日期、查询日期两个维度的特点，设计的二维的机票价格时间片结构如下：
对机票价格时间片的定义为：在定义3中所确定的机票最低价格序列集Sflight中，取连续k个起飞日期fd对应的n条最低价格序列Lfd，构造成n*k大小的矩阵，得到表格形式的二维的机票价格时间片结构，即为后续模型中涉及的价格时间片。如图2所示为机票价格时间片设计图，取其中任意连续k行即可构造一个时间片，在二维的机票价格时间片结构中包括：在当前日期cd能够查询到的价格，以及需要预测的价格值；其中，设当前日期为cd，图2中白色方格内为在cd能够查询到的价格，而图2中黑色部分为当前日期还无法查询到的价格，即需要预测的价格值。
S120：分析所述二维的机票价格时间片结构的数据规律与关系，对机票价格预测问题进行描述和定义得到时间-价格序列数据。
根据已设的qd为查询日期，fd为起飞日期，Pqd，fd表示在qd当天查询到的fd当天起飞的某具体航班的价格，在所述二维的机票价格时间片结构中，取其中任意连续k行即构造为一个时间片，对机票价格预测问题定义如下：
设当前日期为cd，设一个周期为k天，已知以cd当天起飞的航班价格序列为最后一行的最新周期的完整时间片为：
Picture1＝{{P(cd-(k-1))-n，cd-(k-1)，P(cd-(k-1))-(n-1)，cd-(k-1)，...，P(cd-(k-1))-1，cd-(k-1)，Pcd-(k-1)，cd-(k-1)}，{P(cd-(k-2))-n，cd-(k-2)，P(cd-(k-2))-(n-1)，cd-(k-2)，...，P(cd-(k-2))-1，cd-(k-2)，Pcd-(k-2)，cd-(k-2)}，...，{P(cd-1)-n，cd-1，P(cd-1)-(n-1)，cd-1，...，P(cd-1)-1，cd-1，Pcd-1，cd-1}，{Pcd-n，cd，Pcd-(n-1)，cd，...，Pcd-1，cd，Pcd，cd}}。
(3)
以及以起飞日期fd为cd+1的航班价格序列为第一行的下一个时间片的部分已知值为：
Picture2＝{{P(cd+1)-n，cd+1，P(cd+1)-(n-1).cd+1，...，Pcd-1，cd+1，Pcd，cd+1}，{P(cd+2)-n，cd+2，P(cd+2)-(n-1).cd+2，...，Pcd-1，cd+2，Pcd，cd+2}，...，{P(cd+(k-1))-n，cd+(k-1)，P(cd+(k-1))-(n-1).cd+(k-1)，...，Pcd-1，cd+(k-1)，Pcd，cd+(k-1)}，{P(cd+k)-n，cd+k，P(cd+k)-(n-1).cd+k，...，Pcd-1，cd+k，Pcd，cd+k}}。
(4)
预测未知部分的值为：
Picture3＝{{Pcd+1，cd+1}，{Pcd+1，cd+2，Pcd+2，cd+2}，...，{Pcd+1，cd+(k-1)，P(cd+1)+1，cd+(k-1)，...，Pcd+(k-1)-1，cd+(k-1)，Pcd+(k-1)，cd+(k-1)}，{Pcd+1，cd+k，P(cd+1)+1，cd+k，...，Pcd+k-1，cd+k，Pcd+k，cd+k}}。
(5)
则已知过去k天及未来k天起飞的航班所有能查询到的价格，预测未来k天所有还无法查询到的价格，如图2所示的机票价格时间片设计图中黑色区域对应的价格为无法查询到的价格，共计k(k+1)/2个值。
S130：对所述时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型。
本发明实施例提出的以卷积神经网络为核心的两阶段式机票价格预测模型为两阶段模型，如图3所示。其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中。第二阶段：对第一阶段中的所述时间片，采用预测模型DC_Airfare网络进行精确预测，提取所述时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型。
(1)第一阶段：利用连续多天起飞日期对应的时间-价格序列数据构造机票价格的时间片，并利用粗略的预测方法对未知值进行预测并填补到时间片中。
根据连续多天起飞日期fd对应的最低价格序列Lfd构造出机票价格的时间片，利用粗略的预测方法对未知值进行预测并填补到时间片中。
该两阶段式机票价格预测模型的输入为两个相邻的时间片，第一个时间片最后一个起飞日期fd对应的即为当前日期cd，第二个时间片的第一个起飞日期fd为当前日期cd的第二天cd+1。第一个时间片是以“周”为单位的周期性数据，第二个时间片包含要预测的k个起飞日期fd已知的价格数据以及要进行预测的空缺的数据。
时间片的设计将机票价格数据组织成了类似图像的形式，在第一阶段，使用粗略的预测方法对第二个时间片的空缺值进行预测并填充。
本发明实施例用到的粗略预测方法是三阶滑动平均法，针对第二个时间片的每条序列，利用其各自已有价格数据对未知项进行预测。滑动平均法是一种利用近期历史数据对未来进行预测的常用方法，能够利用到近期数据的特点并消除随机波动，而且算法简单、计算量小，很适合用以完成第一步粗略预测的任务。
(2)第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型。
本发明实施例在第二阶段，利用多形状卷积神经网络对时间片进行特征提取，并结合多维的外部特征利用多层全连接网络对最终结果进行精细化预测；即采用预测模型DC_Airfare网络进行精确预测。
本发明实施例提供的一种预测模型DC_Airfare网络整体架构图如图4所示，包括：特征提取部分与特征连接融合部分，特征提取部分包括：时间片特征提取部分以及外部特征部分；其中，时间片特征提取部分包括8个操作步骤，分别为：数据标准化、多形状卷积、池化、卷积、池化、dropout操作、flatten操作、以及全连接层调整；外部特征部分包括3个操作步骤，分别为：数据标准化以及两个全连接层；特征连接融合部分包括4个操作步骤，分别为：数据标准化以及三个全连接层。
具体如下：
A、时间片特征提取部分
时间片特征提取部分，使用多个不同形状的卷积神经网络提取各维度特征，利用1xn和nx1形状的卷积提取时间片中行列两个方向的特征同时减少网络参数。
对每一个时间片输入，首先使用BatchNormalization层做数据的标准化，然后分别使用卷积核形状为：1x3，3x1，1x5，5x1，3x3的5个卷积层提取第一层特征，接着做池化操作，再分别做3x3的卷积操作，再接池化操作，再做dropout操作，之后将结果“压平”成一维向量，再用一个全连接层调整结果向量的大小。
每个时间片经过5个不同形状的特征提取的操作步骤后，得到5组不同维度的特征向量，当采用两个时间片作为输入时，则最终得到10组特征向量
B、外部特征部分
利用与航班相关的诸如航空公司信息、航线信息、航班时间相关信息等多方面的有价值因素，向预测模型DC_Airfare网络中加入外部因素特征，其中，具体包含如下表1所示几方面的信息：
表1：外部因素设计表
如表1所示，有价值因素包括的信息属性类别有：航空公司、航线属性、航班时间属性、星期属性。航空公司信息属性类别中包括的特征向量有：航空公司的类别属性标志；航线属性信息属性类别中包括的特征向量有：出发城市是否为一线城市、目的城市是否为一线城市、航线长度、航线拥有航班数量；航班时间属性信息属性类别中包括的特征向量有：航班起飞时间段、航班降落时间段、航班是否跨天标志；星期属性信息属性类别中包括的特征向量有：时间片代表的星期属性标志。
对这些外部特征，利用BatchNormalization层做数据的标准化，然后通过两个全连接神经网络层将数据映射为一个n维特征向量。
C、特征连接融合部分
在时间片特征提取部分和外部特征部分中，提取到共计10+1组特征向量。
对10+1组特征向量进行标准化处理，利用三个全连接层，将数据映射到最终所要预测的维数，并将所要预测的数据按顺序排列成向量作为监督学习中的因变量向量，即获得对未知的机票价格的最终训练模型。
S140：利用所述最终训练模型进行预测，得到所要预测的机票价格结果。
对于未来的机票价格，根据前述步骤构造时间片和获取特征向量，作为输入，加入到最终训练模型中即可预测出未来未知的价格值。
实施例二
该实施例提供了一种基于卷积神经网络的机票价格预测方法，充分考虑机票价格自身的规律和特点，设计出类似于图像而又在横纵两个方向上存在强烈规律性的时间片结构，能够以设计出的DC_Airfare模型实现对未来一周内未知机票价格更精准的预测。应用该方法进行具体的机票价格预测情况如下：
以国内某订票网站提供的真实数据集为例，其中包含了涉及32条航线、11家航空公司的共计428个航班的数据，每个航班记录了连续46个起飞日期(2016/10/09～2016/11/23)涉及到的价格数据，其中每个起飞日期对应起飞前历史40天查询价格值。实验中每个航班能够构造出33个样本，按照时间先后顺序取前26个作为训练集，后7个作为测试集，数据集中有428个航班的数据，则训练集中共计11128个样本，测试集中2996个样本。
步骤S1：对训练集与测试集中每一个样本数据构造其所对应的2个时间片。
每个机票价格时间片形状均为40x7，包含了同一航班号连续7个起飞日期的信息，每个起飞日期的信息则是由对应起飞前40天每天的最低价格所组成的序列。每个样本均包含了上述2个相邻的时间片。
步骤S2：对时间片采用粗略的预测方法三阶滑动平均法对样本中第二个时间片的空缺值进行预测并填充。
对每个时间片中的28个未知值采用如下方法进行粗略填充，即对待求值最近的三个连续确定的值取平均作为该待求值，之后采用滑动的方法将刚刚求出的值作为确定的值以便于对其他未知值的粗略预测。采用上述三阶滑动平均法依次补全所有每个时间片中的未知值。
步骤S3：利用多形状卷积神经网络对时间片进行特征提取。
对输入的每一个时间片首先使用BatchNormalization层做数据的标准化，然后分别使用卷积核形状为1x3，3x1，1x5，5x1，3x3的5个卷积层提取第一层特征，之后对第一层特征做最大池化操作，再分别做3x3的卷积操作，再做最大池化操作，再做dropout操作，之后将结果“压平”成一维向量，再用一个全连接层调整结果向量的大小。最终每个时间片经过上述特征提取的方法都能够得到5组不同维度的特征向量。因此进过本步操作后2个时间片共得到10组特征向量。
步骤S4：引入与航班信息有关的外部特征。
与航班相关的诸如航空公司信息、航线信息、航班时间相关信息等多方面信息均为机票价格预测中的有价值因素。因此，在模型中加入外部因素特征，包含如表1所示的信息。
对这些外部特征利用BatchNormalization层做数据的标准化，然后通过两个全连接神经网络层将数据映射为一个n维向量。
步骤S5：将提取到的特征通过特征向量融合网络得到最终训练好的模型。
经过上述步骤S3、S4后得到了10组由时间片提取到的特征以及一组由引入外部因素得到的特征，两类共计11组特征。对此11组特征进行标准化处理，最后利用三个全连接层将所输入的特征数据映射到最终需要预测的维数。由此使用训练集数据得到了参数最优的网络模型。
步骤S6：利用训练好的模型进行预测。
在上述步骤完成后，得到了已训练好的模型，对于未来的机票价格，按照前述步骤构造时间片和特征，作为输入加入到模型中即可预测出未来未知的价格值。
综上所述，本发明实施例通过提供了一种基于卷积神经网络的机票价格预测方法，包括：分析机票价格维度特点，设计二维的机票价格时间片结构；对机票价格预测问题进行描述和定义得到时间-价格序列数据；对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中；第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型；利用最终训练模型进行预测，得到所要预测的机票价格结果。本发明针对时间片独有的特点进行了个性化的设计，通过增加网络数量、减少网络深度的方式适应时间片数据点比普通图像少的特点，通过加入BN层进行规范化解决数据波动大的问题，通过设计多种形状卷积形状适应时间片横纵两个方向存在强烈规律性的特点，同时加入了影响票价的外界因素影响，最终使得本网络在机票价格预测问题上取得了很好的效果。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于卷积神经网络的机票价格预测方法，其特征在于，包括：
S1：分析机票价格维度特点，设计二维的机票价格时间片结构；
S2：分析所述二维的机票价格时间片结构的数据规律与关系，对机票价格预测问题进行描述和定义得到时间-价格序列数据；
S3：对所述时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；其中，
第一阶段：利用所述时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中；
第二阶段：对第一阶段中的所述时间片，采用预测模型DC_Airfare网络进行精确预测，提取所述时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型；
S4：利用所述最终训练模型进行预测，得到所要预测的机票价格结果。
2.根据权利要求1所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的分析机票价格维度特点，设计二维的机票价格时间片结构，包括：
每个机票价格包括：起飞日期和查询日期两个维度，根据机票价格的维度特点，设qd为查询日期，fd为起飞日期，将在日期qd当天查询到的日期fd当天起飞的某具体航班的最低价格表示为：Pqd，fd；
对某个起飞日期fd确定的具体航班，起飞前n天每天都存在一个当天的最低价格，组成一条该航班的最低价格序列，则起飞日期fd所对应的最低价格序列Lfd为：
Lfd＝{Pfd-n，fd，Pfd-(n-1)，fd，...，Pfd-1，fd，Pfd，fd}； (1)
不同起飞日期fd的具体航班同属于一个航班号flight确定的产品集，每个航班对应一条所述最低价格序列Lfd，将这一系列的所述最低价格序列Lfd按起飞日期fd顺序进行排列，得到该航班号对应的最低价格序列集合，设当前日期为cd，未来能收集k个起飞日期fd的价格数据，其中，每个起飞日期fd对应的价格序列为所述最低价格序列Lfd，则机票最低价格序列集Sflight为：
Sflight＝{...，Lcd-2，Lcd-1，Lcd，Lcd+1，Lcd+2，...，Lcd+k} (2) 。
3.根据权利要求2所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的分析机票价格维度特点，设计二维的机票价格时间片结构，还包括：
根据航班产品存在起飞日期、查询日期两个维度的特点，设计的所述二维的机票价格时间片结构如下：
在所述机票最低价格序列集Sflight中，取连续k个起飞日期fd对应的n条最低价格序列Lfd，构造成n*k大小的矩阵，得到表格形式的二维的机票价格时间片结构，在所述二维的机票价格时间片结构中包括：在当前日期cd能够查询到的价格，以及需要预测的价格值。
4.根据权利要求1所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的分析二维的机票价格时间片结构的数据规律与关系，对机票价格预测问题进行描述和定义得到时间-价格序列数据，包括：
根据已设的qd为查询日期，fd为起飞日期，Pqd，fd表示在qd当天查询到的fd当天起飞的某具体航班的价格，在所述二维的机票价格时间片结构中，取其中任意连续k行即构造为一个时间片，对机票价格预测问题定义如下：
设当前日期为cd，设一个周期为k天，已知以cd当天起飞的航班价格序列为最后一行的最新周期的完整时间片为：
Picture1＝
{{P(cd-(k-1))-n，cd-(k-1)，P(cd-(k-1))-(n-1)，cd-(k-1)，...，P(cd-(k-1))-1，cd-(k-1)，Pcd-(k-1)，cd-(k-1)}，
{P(cd-(k-2))-n，cd-(k-2)，P(cd-(k-2))-(n-1)，cd-(k-2)，...，P(cd-(k-2))-1，cd-(k-2)，Pcd-(k-2)，cd-(k-2)}，...，
{P(cd-1)-n，cd-1，P(cd-1)-(n-1)，cd-1，...，P(cd-1)-1，cd-1，Pcd-1，cd-1}，
{Pcd-n，cd，Pcd-(n-1)，cd，...，Pcd-1，cd，Pcd，cd}}；
(3)
以及以起飞日期fd为cd+1的航班价格序列为第一行的下一个时间片的部分已知值为：
Picture2＝
{{P(cd+1)-n，cd+1，P(cd+1)-(n-1).cd+1，...，Pcd-1，cd+1，Pcd，cd+1}，
{P(cd+2)-n，cd+2，P(cd+2)-(n-1).cd+2，...，Pcd-1，cd+2，Pcd，cd+2}，...，
{P(cd+(k-1))-n，cd+(k-1)，P(cd+(k-1))-(n-1).cd+(k-1)，...，Pcd-1，cd+(k-1)，Pcd，cd+(k-1)}，
{P(cd+k)-n，cd+k，P(cd+k)-(n-1).cd+k，...，Pcd-1，cd+k，Pcd，cd+k}}；
(4)
预测未知部分的值为：
Picture3＝
{{Pcd+1，cd+1}，{Pcd+1，cd+2，Pcd+2，cd+2}，...，
{Pcd+1，cd+(k-1)，P(cd+1)+1，cd+(k-1)，...，Pcd+(k-1)-1，cd+(k-1)，Pcd+(k-1)，cd+(k-1)}，
{Pcd+1，cd+k，P(cd+1)+1，cd+k，...，Pcd+k-1，cd+k，Pcd+k，cd+k}}；
(5)
则已知过去k天及未来k天起飞的航班所有能查询到的价格，预测未来k天所有还无法查询到的价格，共计k(k+1)/2个值。
5.根据权利要求1所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型，其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中，第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型，包括：
根据连续多天起飞日期fd对应的最低价格序列Lfd构造出机票价格的时间片，利用粗略的预测方法对未知值进行预测并填补到时间片中；
在所述的两阶段式机票价格预测模型中，输入为两个相邻的时间片，第一个时间片最后一个起飞日期fd对应的即为当前日期cd，第二个时间片的第一个起飞日期fd为当前日期cd的第二天cd+1；
第一个时间片是以“周”为单位的周期性数据，第二个时间片包含要预测的k个起飞日期fd已知的价格数据以及要进行预测的空缺的数据；
在第一阶段，使用粗略的预测方法对第二个时间片的空缺值进行预测并填充，所述的粗略的预测方法采用三阶滑动平均法，针对第二个时间片的每条序列，利用其各自已有的价格数据对未知项进行预测。
6.根据权利要求1所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的对时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型，其中，第一阶段：利用时间-价格序列数据构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中，第二阶段：对第一阶段中的时间片，采用预测模型DC_Airfare网络进行精确预测，提取时间片的特征，引入外部特征，进行特征连接融合，得到最终训练模型，还包括：
在第二阶段中，采用预测模型DC_Airfare网络进行精确预测包括两大部分：特征提取部分与特征连接融合部分，所述特征提取部分包括：时间片特征提取部分，以及外部特征部分；其中，
所述时间片特征提取部分包括8个操作步骤，分别为：数据标准化、多形状卷积、池化、卷积、池化、dropout操作、flatten操作、以及全连接层调整；
所述外部特征部分包括3个操作步骤，分别为：数据标准化以及两个全连接层；
所述特征连接融合部分包括4个操作步骤，分别为：数据标准化以及三个全连接层。
7.根据权利要求6所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的时间片特征提取部分包括8个操作步骤，分别为：数据标准化、多形状卷积、池化、卷积、池化、dropout操作、flatten操作、以及全连接层调整，包括：
所述时间片特征提取部分，使用多个不同形状的卷积神经网络提取各维度特征，利用1xn和nx1形状的卷积提取时间片中行列两个方向的特征同时减少网络参数；
对每一个时间片输入，首先使用BatchNormalization层做数据的标准化，然后分别使用卷积核形状为：1x3，3x1，1x5，5x1，3x3的5个卷积层提取第一层特征，接着做池化操作，再分别做3x3的卷积操作，再接池化操作，再做dropout操作，之后将结果整合成一维向量，再用一个全连接层调整结果向量的大小；
每个时间片经过5个不同卷积核形状的特征提取的操作步骤后，得到5组不同维度的特征向量，当采用两个时间片作为输入时，则最终得到10组特征向量。
8.根据权利要求7所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的外部特征部分包括3个操作步骤，分别为：数据标准化以及两个全连接层，包括：
利用与航班相关的多方面的有价值因素，向预测模型DC_Airfare网络中加入外部特征，其中，有价值因素包括的信息属性类别有：航空公司、航线属性、航班时间属性、星期属性；
所述航空公司信息属性类别中包括的特征向量有：航空公司的类别属性标志；
所述航线属性信息属性类别中包括的特征向量有：出发城市是否为一线城市、目的城市是否为一线城市、航线长度、航线拥有航班数量；
所述航班时间属性信息属性类别中包括的特征向量有：航班起飞时间段、航班降落时间段、航班是否跨天标志；
所述星期属性信息属性类别中包括的特征向量有：时间片代表的星期属性标志；
对所有的外部特征，利用BatchNormalization层做数据的标准化，然后通过两个全连接神经网络层将数据映射为一个n维特征向量。
9.根据权利要求8所述的基于卷积神经网络的机票价格预测方法，其特征在于，所述的特征连接融合部分包括4个操作步骤，分别为：数据标准化以及三个全连接层，包括：
在时间片特征提取部分和外部特征部分中，提取到共计10+1组特征向量；
对10+1组特征向量进行标准化处理，利用三个全连接层，将数据映射到最终所要预测的维数，并将所要预测的数据按顺序排列成向量作为监督学习中的因变量向量，即获得对未知的机票价格的最终训练模型。
CN201811389125.2A 2018-11-21 2018-11-21 基于卷积神经网络的机票价格预测方法 Pending CN109242579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811389125.2A CN109242579A (zh) 2018-11-21 2018-11-21 基于卷积神经网络的机票价格预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811389125.2A CN109242579A (zh) 2018-11-21 2018-11-21 基于卷积神经网络的机票价格预测方法

Publications (1)

Publication Number Publication Date
CN109242579A true CN109242579A (zh) 2019-01-18

Family

ID=65075526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811389125.2A Pending CN109242579A (zh) 2018-11-21 2018-11-21 基于卷积神经网络的机票价格预测方法

Country Status (1)

Country Link
CN (1) CN109242579A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798256A (zh) * 2019-04-08 2020-10-20 阿里巴巴集团控股有限公司 确定票价的方法、数据获取的方法、装置和系统
CN113313525A (zh) * 2021-06-01 2021-08-27 中国民航信息网络股份有限公司 国际客票的价格预测方法、相关装置及计算机存储介质
CN113377554A (zh) * 2021-06-24 2021-09-10 携程旅游信息技术（上海）有限公司 机票价格的缓存方法、系统、设备及存储介质
CN117252631A (zh) * 2023-11-14 2023-12-19 北京嗨飞科技有限公司 一种机票价格趋势的预测方法、装置及设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798256A (zh) * 2019-04-08 2020-10-20 阿里巴巴集团控股有限公司 确定票价的方法、数据获取的方法、装置和系统
CN113313525A (zh) * 2021-06-01 2021-08-27 中国民航信息网络股份有限公司 国际客票的价格预测方法、相关装置及计算机存储介质
CN113377554A (zh) * 2021-06-24 2021-09-10 携程旅游信息技术（上海）有限公司 机票价格的缓存方法、系统、设备及存储介质
CN113377554B (zh) * 2021-06-24 2024-03-05 携程旅游信息技术（上海）有限公司 机票价格的缓存方法、系统、设备及存储介质
CN117252631A (zh) * 2023-11-14 2023-12-19 北京嗨飞科技有限公司 一种机票价格趋势的预测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109242579A (zh) 基于卷积神经网络的机票价格预测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
JP7334067B2 (ja) 大規模多次元時空間データ解析のためのシステム及び方法
CN106203523B (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类方法
EP3065084A1 (en) Image recognition method, image recognition device, and recording medium
CN106897737B (zh) 一种基于超限学习机的高光谱遥感图像地物分类方法
CN106779867B (zh) 基于上下文感知的支持向量回归推荐方法及系统
CN113469119B (zh) 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法
CN103310230B (zh) 联合解混及自适应端元提取的高光谱图像分类方法
DE112014005247T5 (de) Informationssystem und Verfahren zur Verwendung einer Vorausberechnungsmaschine eines Fahrzeugs
CN103164713A (zh) 图像分类方法和装置
CN104102929A (zh) 基于深度学习的高光谱遥感数据分类方法
CN111814685A (zh) 基于双支路卷积自编码器的高光谱图像分类方法
CN108460400A (zh) 一种结合多种特征信息的高光谱图像分类方法
DE102015214060A1 (de) System und Verfahren zur Bereitstellung eines Rezeptes
Chen et al. SpanConv: A New Convolution via Spanning Kernel Space for Lightweight Pansharpening.
CN117036060A (zh) 车险欺诈识别方法、装置和存储介质
CN111104614A (zh) 用于旅游目的地推荐系统的召回信息的生成方法
CN115131580A (zh) 基于注意力机制的空间目标小样本识别方法
CN102722732A (zh) 一种基于数据二阶统计量建模的图像集合匹配方法
CN107220661A (zh) 基于多模态融合的光谱波段选择方法
CN107122395A (zh) 数据抽样方法和装置
CN104732246B (zh) 一种半监督协同训练高光谱图像分类方法
CN109711894A (zh) 航线需求异常的检测方法及系统
CN113869103A (zh) 对象的检测方法、存储介质和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118