CN109522372A - 民航领域旅客价值的预测方法 - Google Patents

Abstract

本发明提供了一种民航领域旅客价值的预测方法。该方法从四个维度评估民航领域的客户价值；其次，提出一种数值量化模型，利用AHP决策过程，将RFUM模型多维特征转化到一维数值空间，有利于从数值角度对用户价值变化进行分析；最后，提出一种序列依赖多任务学习模型，考虑用户消费意愿与消费金额的天然相关性，利用用户历史消费数据的时序特性，结合时序数据注意力机制与多任务学习过程，预测用户将来价值。本发明的实施结合民航领域的营销需求，能够更为准确地预测企业客户的生命周期价值，基于预测结果，企业可以更好地制定客户拓展策略，提高用户留存率，最大化利用客户价值，增强企业竞争力。

Description

民航领域旅客价值的预测方法

技术领域

本发明涉及民航旅客管理技术领域，尤其涉及一种民航领域旅客价值的预测方法。

背景技术

近年来，随着中国民用航空领域的快速发展，逐渐吸引了58家航空公司来到国内市场竞争市场份额，随着企业间竞争的日益激烈，如何拓展和巩固客户资源成为企业最为关注的问题。在这样的环境中，公司单单通过多种统计分析方法分析客户已经展示出的价值来调整市场策略是不够的。航空公司如果能在民航旅客高速增长的过程中，预测旅客的未来价值或者提前发现旅客未来的价值成长性，则能获得更多利益。

高价值客户群带来的不仅仅是个人效益，更可以影响周围人，带来群体效益。在这种情况下，企业能够根据旅客历史行为数据分析计算旅客当前价值并预测旅客未来的价值是至关重要的，对于历史旅客，挖掘用户当前价值并预测未来价值变化，可以快速调整相应营销策略，挽留旅客或者进一步提升其价值。对于新增旅客，快速发现其未来的成长价值，能够获得更多利益，迅速提升消费收益的同时，获取个体忠诚度。有助于企业扩大市场份额，提升企业竞争力。

目前，现有技术中还没有一种有效的民航领域旅客价值的预测方法。

发明内容

本发明的实施例提供了一种民航领域旅客价值的预测方法，以实现有效地预测民航领域的旅客价值。

为了实现上述目的，本发明采取了如下技术方案。

一种民航领域旅客价值的预测方法，包括：

从民航领域中的旅客订座记录数据和第三方数据中抽取信息，形成旅客行为关系数据；

对所述旅客行为关系数据进行分析和预处理，构建用户行为信息；

基于所述用户行为信息构建用户价值的多维度评估模型；

基于所述用户价值的多维度评估模型计算出旅客价值。

进一步地，所述的从民航领域中的旅客订座记录数据及第三方数据中抽取信息，形成旅客行为关系数据，包括：

对旅客订座记录数据和第三方数据进行抽取、清洗工作，形成旅客行为关系数据，所述旅客订座记录数据中的个体行为属性数据的结构如表1所示；

表1

所述第三方数据包括旅客的群体数据，该群体数据包括旅客所在的城市群，该城市群中的城市属性的描述如表2所示：

表2

。

进一步地，所述的对所述旅客行为关系数据进行分析和预处理，构建用户行为信息，包括：

对所述旅客行为关系数据进行分析和预处理，该分析和预处理包括缺失值处理、异常值分析、属性规约、清洗和变换，利用分析和预处理后的旅客行为关系数据构建用户行为信息，该用户行为信息形成了用户在特定时间窗口内的属性信息，该属性信息用三元组(id，t，features)的形式表示，其中id表示用户的标识，t指第t个时间窗口；features表示第t个时间窗口内用户的特征；

Features的具体设计如表3所示：

表3

进一步地，所述的基于所述用户行为信息构建用户价值的多维度评估模型，包括：

基于所述用户行为信息构建用于评估用户价值的多维度的RFUM模型，该RFUM模型包括旅客特定时间窗口内最近消费时间R、特定时间窗口的购买频率F、每公里单位收入U和飞行总里程数M；

T为当前窗口结束时间，T-1为前一窗口结束时间，ti为当前窗口内第i次购票发生时间；

r_i为旅客第i次购买的折扣率，RASK_i为旅客第i次飞行的RASK，d_i为旅客第i次飞行的距离。

进一步地，所述的基于所述用户价值的多维度评估模型计算出旅客价值，包括：

将所述RFUM模型多维特征转换为数值变量，计算出下一个时间窗口中的旅客价值CV：

CV＝w1×R+w2×F+w3×U+w4×M

w1，w2，w3，w4为设定的权重值。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出的民航领域预测旅客生命周期价值的方法，该方法结合民航领域的营销需求，充分利用了旅客历史消费行为和外部环境因素对旅客价值的影响，从而能够更为准确地预测未来旅客的价值和流失情况，能够更为准确地预测企业客户的生命周期价值。基于预测结果，企业可以更好地制定客户拓展策略，提高用户留存率，最大化利用客户价值，增强企业竞争力。

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民航领域旅客价值的预测方法的处理流程图；

图2为本发明实施例提供的一种采用了引入注意力机制的多任务时序模型的架构示意图。

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

本发明实施例提出了一种对客户生命周期价值进行建模，并根据客户历史行为计算用户价值并预测用户未来价值的方法。本发明可以将客户行为与企业利益紧密联系起来，充分考虑用户行为对用户价值的影响，更为准确地预测用户未来的价值，有助于于企业发现用户潜在价值，提高客户留存率。

本发明利用深度学习算法，针对用户在历史时间窗口中的消费行为、消费习惯等数据分别构造CLTV(Customer Lifetime value；客户声明周期价值)模型和RFUM(Recency，Frequency，Unit revenue per kilometers，Kilometers；最近消费时间，最近消费频率，单位公里收入，公里数)模型，利用AHP(Analytic hierarchy process；层次分析法)决策过程定义RFUM变量的权重以总结表示CV(Customer value；客户价值)的方程，采用引入注意力机制的LSTM(long-short term memmory，长短期记忆模型)预测出用户在下一个时间窗口的价值和行为。

本发明实施例提供了一种民航领域旅客价值的预测方法的处理流程如图1所示，包括如下的处理步骤：

S1.从PNR(Passenger Name Record，旅客订座记录)数据及第三方数据中抽取信息，形成旅客行为关系数据。

S1.1PNR数据是民航信息系统存储的最原始的关于用户订票乘机行为的数据。对PNR数据进行抽取、清洗工作，形成大量用户的行为关系数据，PNR数据中的个体行为属性数据的结构如表1所示。

S1.2从第三方数据抽取辅助信息。个体的行为轨迹活动与个体的文化程度、受教育水平等众多因素有关。相对于个体细节数据而言，群体数据在一定程度上更能反映出普遍的规律。群体数据的直接体现便是城市、城市群。机场作为连接城市之间的核心枢纽之一，将各个城市之间连接起来。而城市/城市群是一个区域人群平均消费水平的直接体现。本发明在数据抽取过程中充分考虑了地理区域效应，形成了对城市、城市群的有效描述。

城市属性的描述如表2所示。

S2.对上述从PNR数据及第三方数据中抽取的数据进行分析和预处理，构建用户行为信息。

相比于单次出行行为，用户在一段时间内的出行统计信息更能够反映用户的价值属性。在用户周期行为构建中，对上述从PNR数据及第三方数据中抽取的数据进行分析和预处理，包括缺失值处理和异常值分析，属性规约、清洗和变换，构建用户行为信息，该用户行为信息形成了用户在特定时间窗口内的属性信息，该属性信息可用三元组(id，t，features)的形式表示，其中id表示不同用户；t指第t个时间窗口；features表示第t个时间窗口内用户的特征。

Features的具体设计如表3所示。

S3.基于用户行为信息构建用户价值的多维度评估模型。

基于RFM(Recency，Frequency，Monetary；最近消费时间，最近消费频率，最近消费金额)模型提出RFUM模型，实现对民航领域客户价值精确评估。具体来说，该RFUM模型包括旅客最近消费时间、最近消费频率、每公里单位收入、总里程数。R和F指特定时间窗口内客户活跃度。受RASK(座公里收入)概念的启发，使用U(每公里单位收入)用于在个人层次衡量客户贡献。M是客户总飞行里程数。

T为当前窗口结束时间，T-1为前一窗口结束时间，t_i为当前窗口内第i次购票发生时间.

F＝特定时间窗口的购买频率

r_i＝第i次购买的折扣率

RASK_i＝第i次飞行的RASK(Revenue per Available Seat Kilometers；座公里收入)

d_i＝第i次飞行的距离

S4.基于用户价值的多维度评估模型建立用户价值的数值量化模型。

基于RFUM模型，利用AHP决策过程实现旅客CV(Customer value，客户价值)方程，该方程将RFUM的多维特征转换为数值变量。旅客CV值的计算公式如下：

CV＝w1×R+w2×F+w3×U+w4×M

AHP是由Satty提出的，是一种可以在决策过程中定义不同元素权重的方法。对RFUM模型，采用AHP(层次分析法)可以确定不同维度的权重。

CV在时间维度上呈现出一定的连续性，可以借助时间序列的分析方法对CV进行分析预测。传统的时间序列方法包括AR(自回归)、MA(滑动平均)、ARIMA(自回归滑动平均)等模型。由于个体用户具有相当大的不稳定性，很难采用传统的模型进行分析。近年来，RNN(循环神经网络)作为一种经典的深度学习模型在时间序列分析上展现出了其强大的预测能力。LSTM是RNN的一种变体，解决了RNN存在的部分问题，成为最常用的序列模型。经典的Encoder-Deconder(编码-解码)网络受到输入长度的限制，很难还原长期起来问题。

Attention(注意力机制)被引入用于解决Encoder-Deconder中存在的问题。本发明实施例中，用户的购买行为形成了一个多维度时间序列数据，可以借助Attention机制来预测用户未来的购买行为和价值变化。

S4.构建CV预测模型，

采用了引入注意力机制的多任务时序模型，该模型架构如图2所示，该模型由两个输入和两个输出，主要输入是客户历史行为数据，主要输出是下一个时间窗口的CV，辅助输入将接受外部数据，例如人口统计数据。辅助任务是一个用来判断用户在下一个时间窗口是否会购买的分类器。在这里，客户流失被定义为客户在特定时期内没有任何购买行为。客户流失意味着CV为零，CV不为零意味着客户必须购买东西，这两个问题并不是彼此独立的。它们是影响和相互作用。

实施例二

S1.收集数据并进行数据预处理。有两个数据集。基本数据集来自中国民航的数据采集系统，涵盖了两年内的整个样本，包含30个特征，包括最近的购买行为，客户偏好和数量统计。由于个人活动和地区经济之间存在关系，外部数据集包括城市类别、地区、GDP。在数据预处理过程中，为了降低训练成本并确保与真实分布的一致性，采用分层抽样来提取200万旅行乘客的数据。在特征工程中，对不同类型的特征使用不同的编码方式，所有类型的变量都使用One-Hot的编码方式进行编码。对除了R、F、U、M以外的连续变量，采用标准特征缩放。对于R、F、U、M，采用离差标准化的方法标准化到[0，1]的范围内。为了避免过拟合的问题，样本数据集分为训练集(90％)和测试集(10％)，训练集用于建立预测模型和调整参数，测试集使用调整好的参数模拟模型的实际表现。

S2.RFUM实施过程

·R为用户最近购买时间。分别以3个月和6个月为时间窗口对比实验结果。

·F为用户最近购买频率。以R大小为时间单位，统计在各个单位时间内，用户的购买次数。

·U指用户座公里贡献收入。以R大小为时间单位，受座公里收入概念的启发，用于在个人层次衡量客户贡献。

·M指客户总飞行里程数。是F次出行距离的累加统计量。

S3.AHP程序可以描述如下：

·收集针对元素矩阵设计的问卷调查结果。

·计算一致性指标C.I.。其中λ是矩阵最大特征值，n是特征的数量。

·计算一致性比率C.R.其中C.R.＝C.I./R.I.；R.I.。

·得到C.R.＜1的集合中最合理的结果。

为了收集专业的信息，多位专家填写了根据RFUM模型设计的成对比较矩阵。根据这些调查问卷，结果显示C.I＝0.06，R.I＝0.90，因此C.R＝0.069＜0.1，满足AHP的接受条件。RFUM的模型的不同变量权重分别是：R＝0.07，F＝0.20，U＝0.51，M＝0.21，据此，不同变量的对RFUM模型的影响程度为U＞M＞F＞R。

旅客价值可以用该公式计算：CV＝0.07×R+0.20×F+0.51×U+0.21×M。

从该式中可以看到CV的最大值为1，最小值为0。CV为0表示用户在特定时间窗口内没有任何购买行为。CV为1表示该客户是公司最重要的客户。

表4.RFUM评分矩阵

特征	R	F	U	M
					R	1	l	j	k
F	1/i	1	l	m
					U	1/j	1/l	1	n
M	1/k	1/m	1/n	1

表5. R.I.索引表

n	1	2	3	4	5	6	7	8	9	10
											R.I	0.00	0.00	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49

S4.基于历史数据，建立预测模型

S4.1建立多任务模型，在训练预测模型过程中，用MSE损失函数来估算CV，用二分类交叉熵来使辅助输出的分类正确率最大化。训练输入的长度为4，输出长度为1。模型用Adam训练，学习速率为0.01，最小批大小为20000，为了防止过拟合，设置所有层的droupout为0.2。

S5.对新的用户或需要建立预测价值的用户，利用S4中训练得到的模型，预测相应的客户价值。

本领域技术人员应能理解上述旅客价值CV的计算公式仅为举例，其他现有的或今后可能出现的旅客价值CV的计算公式如可适用于本发明实施例，也应包含在本发明保护范围以内，并在此以引用方式包含于此。

综上所述，本发明实施例提出的民航领域预测旅客生命周期价值的方法，该方法结合民航领域的营销需求，充分利用了旅客历史消费行为和外部环境因素对旅客价值的影响，从而能够更为准确地预测未来旅客的价值和流失情况，能够更为准确地预测企业客户的生命周期价值。基于预测结果，企业可以更好地制定客户拓展策略，提高用户留存率，最大化利用客户价值，增强企业竞争力。

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。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

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 (5)

1.一种民航领域旅客价值的预测方法，其特征在于，包括：

从民航领域中的旅客订座记录数据和第三方数据中抽取信息，形成旅客行为关系数据；

对所述旅客行为关系数据进行分析和预处理，构建用户行为信息；

基于所述用户行为信息构建用户价值的多维度评估模型；

基于所述用户价值的多维度评估模型计算出旅客价值。

2.根据权利要求1所述的方法，其特征在于，所述的从民航领域中的旅客订座记录数据及第三方数据中抽取信息，形成旅客行为关系数据，包括：

对旅客订座记录数据和第三方数据进行抽取、清洗工作，形成旅客行为关系数据，所述旅客订座记录数据中的个体行为属性数据的结构如表1所示；

表1

所述第三方数据包括旅客的群体数据，该群体数据包括旅客所在的城市群，该城市群中的城市属性的描述如表2所示：

表2

。

3.根据权利要求2所述的方法，其特征在于，所述的对所述旅客行为关系数据进行分析和预处理，构建用户行为信息，包括：

对所述旅客行为关系数据进行分析和预处理，该分析和预处理包括缺失值处理、异常值分析、属性规约、清洗和变换，利用分析和预处理后的旅客行为关系数据构建用户行为信息，该用户行为信息形成了用户在特定时间窗口内的属性信息，该属性信息用三元组(id，t，features)的形式表示，其中id表示用户的标识，t指第t个时间窗口；features表示第t个时间窗口内用户的特征；

Features的具体设计如表3所示：

表3

。

4.根据权利要求3所述的方法，其特征在于，所述的基于所述用户行为信息构建用户价值的多维度评估模型，包括：

基于所述用户行为信息构建用于评估用户价值的多维度的RFUM模型，该RFUM模型包括旅客特定时间窗口内最近消费时间R、特定时间窗口的购买频率F、每公里单位收入U和飞行总里程数M；

T为当前窗口结束时间，T-1为前一窗口结束时间，t_i为当前窗口内第i次购票发生时间；

r_i为旅客第i次购买的折扣率，RASK_i为旅客第i次飞行的RASK，d_i为旅客第i次飞行的距离。

5.根据权利要求4所述的方法，其特征在于，所述的基于所述用户价值的多维度评估模型计算出旅客价值，包括：

将所述RFUM模型多维特征转换为数值变量，计算出下一个时间窗口中的旅客价值CV：

CV＝w1×R+w2×F+w3×U+w4×M

w1，w2，w3，w4为设定的权重值。