CN109711894B - 航线需求异常的检测方法及系统 - Google Patents

Abstract

本发明公开了一种航线需求异常的检测方法及系统，所述检测方法包括：获取一航线在一预设时间内的多个航班的历史查询数据；从历史查询数据中获取查询量特征值；将多个航班的起飞时刻和查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；选取航线的距离当前时刻N天后起飞的一目标航班；将当前时刻和目标航班的起飞时刻输入至航班查询量预测模型，输出目标航班距离起飞时刻N‑1天前的累计查询量预测值；获取目标航班距离起飞时刻N‑1天前的实时累计查询量；判断目标航班的需求是否异常。本发明通过获取用户对航班的查询数据，构建航班查询量预测值，并实时基于查询量预测值和实时值对航班需求是否异常进行检测。

Description

航线需求异常的检测方法及系统

技术领域

本发明属于大数据处理领域，特别涉及一种航线需求异常的检测方法及系统。

背景技术

近年来，随着人民生活水平的逐渐提高和对旅游的热爱，乘坐飞机出行越来越多的受到人们的青睐，现有技术中航空公司在对航班进行安排时，大多是按照常规节假日对座位、票价、航次等进行适当调整，但是这种方式在应对潜在客户的突发需求时，很难做出应对，不能完全满足客户的需求。

发明内容

本发明要解决的技术问题是为了克服现有技术中不能航线需求合理预判的缺陷，提供一种航线需求异常的检测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种航线需求异常的检测方法，所述检测方法包括：

S10、获取一航线在一预设时间内的多个航班的历史查询数据；

S20、从所述历史查询数据中获取查询量特征值，所述查询量特征值为每个航班起飞前每天的历史累计查询量；

S30、将所述多个航班的起飞时刻和所述查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

S40、选取所述航线的距离当前时刻N天后起飞的一目标航班；

S50、将所述当前时刻和所述目标航班的起飞时刻输入至所述航班查询量预测模型，输出所述目标航班距离起飞时刻N-1天前的累计查询量预测值；

S60、获取所述目标航班距离起飞时刻N-1天前的实时累计查询量；

S70、根据所述累计查询量预测值和所述实时累计查询量判断所述目标航班的需求是否异常。

较佳地，步骤S30具体包括：

S301、选取任一航班；

S302、选取距离所述任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

S303、选取起飞时刻早于所述任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

S304、将所述第一查询序列和所述第二查询序列合并为一个查询序列组；

S305、提取所述任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

S306、将所述任一航班的飞行时刻、所述查询序列组和所述检验值作为一组所述训练参数；

S307、遍历M值和所有航班，将遍历获取的所有训练参数输入时间序列模型得到所述航班查询量预测模型。

较佳地，步骤S50还包括：

S501、输出与所述累计查询量预测值对应的置信区间；

步骤S70具体包括：

检测所述实时累计查询量是否在所述置信区间内，若否，则所述目标航班的需求为异常。

较佳地，步骤S10之后，所述检测方法还包括：

步骤S11、根据所述历史查询数据提取影响因子，所述影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；

步骤S30具体包括：

将所述多个航班的起飞时刻、所述查询量特征值、所述影响因子作为训练参数输入时间序列模型得到所述航班查询量预测模型。

较佳地，步骤S11具体包括：

基于prophet(一款基于Python和R语言的数据预测工具)模型从所述历史查询数据中提取所述影响因子。

一种航线需求异常的检测系统，所述检测系统包括历史数据获取模块、查询量特征值获取模块、模型训练模块、选取模块、预测值输出模块、实时查询量获取模块和检测模块；

所述历史数据获取模块用于获取一航线在一预设时间内的多个航班的历史查询数据；

所述查询量特征值获取模块用于从所述历史查询数据中获取查询量特征值，所述查询量特征值为每个航班起飞前每天的历史累计查询量；

所述模型训练模块用于将所述多个航班的起飞时刻和所述查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

所述选取模块用于选取所述航线的距离当前时刻N天后起飞的一目标航班；

所述预测值输出模块用于将所述当前时刻和所述目标航班的起飞时刻输入至所述航班查询量预测模型，输出所述目标航班距离起飞时刻N-1天前的累计查询量预测值；

所述实时查询量获取模块用于获取所述目标航班距离起飞时刻N-1天前的实时累计查询量；

所述检测模块用于根据所述累计查询量预测值和所述实时累计查询量检测所述目标航班的需求是否异常。

较佳地，所述模型训练模块包括航班选取单元、查询量获取单元、查询序列组生成单元、检验值获取单元和训练参数生成单元；

所述航班选取单元用于选取任一航班；

所述查询量获取单元用于选取距离所述任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

所述查询量获取单元还用于选取起飞时刻早于所述任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

所述查询序列组生成单元用于将所述第一查询序列和所述第二查询序列合并为一个查询序列组；

所述检验值获取单元用于提取所述任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

所述训练参数生成单元用于将所述任一航班的飞行时刻、所述查询序列组和所述检验值作为一组所述训练参数；

所述模型训练模块用于将遍历M值和所有航班后获取的所有训练参数输入时间序列模型得到所述航班查询量预测模型。

较佳地，所述预测值输出模块还用于输出与所述累计查询量预测值对应的置信区间；

所述检测模块用于检测所述实时累计查询量是否在所述置信区间内，若否，则所述目标航班的需求为异常。

较佳地，所述检测系统还包括影响因子提取模块；

所述影响因子提取模块用于根据所述历史查询数据提取影响因子，所述影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；

所述模型训练模块用于将所述多个航班的起飞时刻、所述查询量特征值、所述影响因子作为训练参数输入时间序列模型得到所述航班查询量预测模型。

较佳地，所述影响因子提取模块用于基于prophet模型从所述历史查询数据中提取所述影响因子。

本发明的积极进步效果在于：通过获取用户对航班的查询数据，构建航班查询量预测值，并实时基于查询量预测值和实时值对航班需求是否异常进行检测，进而及时准确地了解并掌握市场需求的变化，及时告知航司针对座位、票价等做出及时调整，提高自身的运营能力、收益、服务质量以及改善用户出行体验。

附图说明

图1为本发明实施例1的航线需求异常的检测方法的流程图。

图2为本发明实施例1的航线需求异常的检测方法中步骤30的流程图。

图3为本发明实施例2的航线需求异常的检测方法的流程图。

图4为本发明实施例3的航线需求异常的检测系统的模块示意图。

图5为本发明实施例3的航线需求异常的检测系统中模型训练模块的模块示意图。

图6为本发明实施例4的航线需求异常的检测系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

一种航线需求异常的检测方法，如图1所示，所述检测方法包括：

步骤10、获取一航线在一预设时间内的多个航班的历史查询数据；

步骤20、从历史查询数据中获取查询量特征值；查询量特征值为每个航班起飞前每天的历史累计查询量；

步骤30、将多个航班的起飞时刻和查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

步骤40、选取航线的距离当前时刻N天后起飞的一目标航班；

步骤50、将当前时刻和目标航班的起飞时刻输入至航班查询量预测模型，输出目标航班距离起飞时刻N-1天前的累计查询量预测值；

步骤60、获取目标航班距离起飞时刻N-1天前的实时累计查询量；

步骤70、根据累计查询量预测值和实时累计查询量判断目标航班的需求是否异常。

需要说明的是，本发明不仅仅可以输出目标航班距离起飞时刻N-1天前的累计查询量预测值，对于N-2、N-3等查询量均可以预测，预测时可以选取不同的时间周期进行预测。

本实施例中，如图2所示，步骤30具体包括：

步骤301、选取任一航班；

步骤302、选取距离任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

步骤303、选取起飞时刻早于任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

步骤304、将第一查询序列和第二查询序列合并为一个查询序列组；

步骤305、提取任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

步骤306、将任一航班的飞行时刻、查询序列组和检验值作为一组训练参数；

步骤307、遍历M值和所有航班，将遍历获取的所有训练参数输入时间序列模型得到航班查询量预测模型。

步骤50还包括：S501、输出与累计查询量预测值对应的置信区间；

进一步的，步骤70具体包括：检测实时累计查询量是否在置信区间内，若否，则目标航班的需求为异常。

举个具体示例进一步说明本实施例的方案：

一、确定具体的航线，并获取该航线到当前日期的所有历史查询量

表1示出了航线为上海-成都的机票查询量统计表，当前日期为2018年5月15日，原始数据集合包含所有在2018年5月15日及半年前统计的查询数据，表1中的每一行代表一个固定的航班的历史累计查询量数据，每一列表示不同航班距离一个特定的起飞前的累计查询量数据，每个单元格中的值对应一个具体的起飞日期、该记录的产生时间距离起飞的天数以及累积到记录产生时间的累计查询量，比如：在表1中，起飞日期为2018年5月15上海-成都航线，累计查询量为2500，提前1天的累计查询量为2000，提前2天的累计查询量为1800，提前30天的累计查询量为700，而在5月16日起飞的航班在起飞前1天及更早的累计查询量亦为已知量，以此类推。

表1机票查询量统计表

二、形成训练参数

令p_i ^d表示查询量表中第d行第i列的值，则对于查询量统计表中的每个已知单元格，依次抽取出两个查询序列：

第一查询量序列，即表中位于p_i ^d同一行右侧的所有单元格；

第二查询量序列，即表中位于p_i ^d同一列上方的所有单元格；

将每个单元格对应的第一查询序列和第二查询序列合并为一个查询序列组，作为一组训练参数，输入时间序列模型得到航班查询量预测模型；

三、航班异常检测

如表1所示，利用当前统计数据得到航班查询量预测模型之后，即能够对空白表格(实际查询量未知)进行预测，比如，对于起飞日为2018-05-17日的航班，起飞前2天及更早的累计查询量是已知量，将2018-05-17和2018-05-15作为参数输入航班查询量预测模型，能够得到2018-05-16日航班起飞前1天的累计查询量预测值，到2018-05-16日当天得到实时累计查询量，将其与累计查询量预测值进行比较，进一步判断当天的查询量是否异常；

利用航班查询量预测模型还能够输出与所述累计查询量预测值对应的置信区间，如果累计查询量预测值落在实时累计查询量的置信区间内，则认为2018-05-17的航班提前一天的查询量是正常的，反之，则为异常。

需要说明的是，在实际应用中，训练参数的生成的应根据数据量的大小或通过实验来确定，另外，通常情况下只需要预测未来1-30日的异常需求，所以随着出发日期的临近，空白单元格的部分信息会变成已知，这部分已知的信息会继续返回模型作为新的训练数据。

本实施例中，通过获取用户对航班的查询数据，构建航班查询量预测值，并实时基于查询量预测值和实时值对航班需求是否异常进行检测，进而及时准确地了解并掌握市场需求的变化，及时告知航司针对座位、票价等做出及时调整，提高自身的运营能力、收益、服务质量以及改善用户出行体验。

实施例2

本实施例的航线需求异常的检测方法是在实施例1的基础上进一步改进，如图3所示，步骤10之后，所述检测方法还包括：

步骤11、根据历史查询数据提取影响因子，影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；具体地，基于prophet模型提取影响因子；

步骤30用步骤30'替换，具体包括：

步骤30'、将多个航班的起飞时刻、查询量特征值、影响因子作为训练参数输入时间序列模型得到航班查询量预测模型。

本实施例中，引入外部特征，因为影响机票查询量波动的外部因素有很多，比如工作日、周末、寒暑运、平淡旺季节、各个法定节假日、调休日、热门事件、极端天气，按照查询量表中的出发日期，因此，模型训练时，将这些影响因子加入训练参数，进一步优化航班查询量预测模型。

实施例3

一种航线需求异常的检测系统，如图4所示，所述检测系统包括历史数据获取模块1、查询量特征值获取模块2、模型训练模块3、选取模块4、预测值输出模块5、实时查询量获取模块6和检测模块7；

所述历史数据获取模块1用于获取一航线在一预设时间内的多个航班的历史查询数据；

所述查询量特征值获取模块2用于从所述历史查询数据中获取查询量特征值，所述查询量特征值为每个航班起飞前每天的历史累计查询量；

所述模型训练模块3用于将所述多个航班的起飞时刻和所述查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

所述选取模块4用于选取所述航线的距离当前时刻N天后起飞的一目标航班；

所述预测值输出模块5用于将所述当前时刻和所述目标航班的起飞时刻输入至所述航班查询量预测模型，输出所述目标航班距离起飞时刻N-1天前的累计查询量预测值；

所述实时查询量获取模块6用于获取所述目标航班距离起飞时刻N-1天前的实时累计查询量；

所述检测模块7用于根据所述累计查询量预测值和所述实时累计查询量检测所述目标航班的需求是否异常。

需要说明的是，本发明不仅仅可以输出目标航班距离起飞时刻N-1天前的累计查询量预测值，对于N-2、N-3等查询量均可以预测，预测时可以选取不同的时间周期进行预测。

其中，如图5所示，所述模型训练模块3包括航班选取单元31、查询量获取单元32、查询序列组生成单元33、检验值获取单元34和训练参数生成单元35；

所述航班选取单元31用于选取任一航班；

所述查询量获取单元32用于选取距离所述任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

所述查询量获取单元32还用于选取起飞时刻早于所述任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

所述查询序列组生成单元33用于将所述第一查询序列和所述第二查询序列合并为一个查询序列组；

所述检验值获取单元34用于提取所述任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

所述训练参数生成单元35用于将所述任一航班的飞行时刻、所述查询序列组和所述检验值作为一组所述训练参数；

所述模型训练模块3用于将遍历M值和所有航班后获取的所有训练参数输入时间序列模型得到所述航班查询量预测模型。

另外，所述预测值输出模块5还用于输出与所述累计查询量预测值对应的置信区间；

进一步的，所述检测模块7用于检测所述实时累计查询量是否在所述置信区间内，若否，则所述目标航班的需求为异常。

本实施例中，通过获取用户对航班的查询数据，构建航班查询量预测值，并实时基于查询量预测值和实时值对航班需求是否异常进行检测，进而及时准确地了解并掌握市场需求的变化，及时告知航司针对座位、票价等做出及时调整，提高自身的运营能力、收益、服务质量以及改善用户出行体验。

实施例4

本实施例的航线需求异常的检测系统是在实施例3的基础上进一步改进，如图6所示，所述检测系统还包括影响因子提取模块8；

所述影响因子提取模块8用于根据所述历史查询数据提取影响因子，所述影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；其中，所述影响因子提取模块8用于基于prophet模型提取所述影响因子。

所述模型训练模块3用于将所述多个航班的起飞时刻、所述查询量特征值、所述影响因子作为训练参数输入时间序列模型得到所述航班查询量预测模型。

本实施例中，引入外部特征，因为影响机票查询量波动的外部因素有很多，比如工作日、周末、寒暑运、平淡旺季节、各个法定节假日、调休日、热门事件、极端天气，按照查询量表中的出发日期，因此，模型训练时，将这些影响因子加入训练参数，进一步优化航班查询量预测模型。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种航线需求异常的检测方法，其特征在于，所述检测方法包括：

S10、获取一航线在一预设时间内的多个航班的历史查询数据；

S20、从所述历史查询数据中获取查询量特征值，所述查询量特征值为每个航班起飞前每天的历史累计查询量；

S30、将所述多个航班的起飞时刻和所述查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

S40、选取所述航线的距离当前时刻N天后起飞的一目标航班；

S50、将所述当前时刻和所述目标航班的起飞时刻输入至所述航班查询量预测模型，输出所述目标航班距离起飞时刻N-1天前的累计查询量预测值；

S60、获取所述目标航班距离起飞时刻N-1天前的实时累计查询量；

S70、根据所述累计查询量预测值和所述实时累计查询量判断所述目标航班的需求是否异常；

步骤S30具体包括：

S301、选取任一航班；

S302、选取距离所述任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

S303、选取起飞时刻早于所述任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

S304、将所述第一查询序列和所述第二查询序列合并为一个查询序列组；

S305、提取所述任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

S306、将所述任一航班的飞行时刻、所述查询序列组和所述检验值作为一组所述训练参数；

S307、遍历M值和所有航班，将遍历获取的所有训练参数输入时间序列模型得到所述航班查询量预测模型。

2.如权利要求1所述的航线需求异常的检测方法，其特征在于，步骤S50还包括：

S501、输出与所述累计查询量预测值对应的置信区间；

步骤S70具体包括：

检测所述实时累计查询量是否在所述置信区间内，若否，则所述目标航班的需求为异常。

3.如权利要求1所述的航线需求异常的检测方法，其特征在于，步骤S10之后，所述检测方法还包括：

步骤S11、根据所述历史查询数据提取影响因子，所述影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；

步骤S30具体包括：

将所述多个航班的起飞时刻、所述查询量特征值、所述影响因子作为训练参数输入时间序列模型得到所述航班查询量预测模型。

4.如权利要求3所述的航线需求异常的检测方法，其特征在于，步骤S11具体包括：

基于prophet模型从所述历史查询数据中提取所述影响因子。

5.一种航线需求异常的检测系统，其特征在于，所述检测系统包括历史数据获取模块、查询量特征值获取模块、模型训练模块、选取模块、预测值输出模块、实时查询量获取模块和检测模块；

所述历史数据获取模块用于获取一航线在一预设时间内的多个航班的历史查询数据；

所述查询量特征值获取模块用于从所述历史查询数据中获取查询量特征值，所述查询量特征值为每个航班起飞前每天的历史累计查询量；

所述模型训练模块用于将所述多个航班的起飞时刻和所述查询量特征值作为训练参数输入时间序列模型，得到航班查询量预测模型；

所述选取模块用于选取所述航线的距离当前时刻N天后起飞的一目标航班；

所述预测值输出模块用于将所述当前时刻和所述目标航班的起飞时刻输入至所述航班查询量预测模型，输出所述目标航班距离起飞时刻N-1天前的累计查询量预测值；

所述实时查询量获取模块用于获取所述目标航班距离起飞时刻N-1天前的实时累计查询量；

所述检测模块用于根据所述累计查询量预测值和所述实时累计查询量检测所述目标航班的需求是否异常；

所述模型训练模块包括航班选取单元、查询量获取单元、查询序列组生成单元、检验值获取单元和训练参数生成单元；

所述航班选取单元用于选取任一航班；

所述查询量获取单元用于选取距离所述任一航班的起飞时刻M天前的每天的历史累计查询量作为第一查询量序列，M为正整数；

所述查询量获取单元还用于选取起飞时刻早于所述任一航班的航班的距离起飞时刻M天前的历史累计查询量作为第二查询序列；

所述查询序列组生成单元用于将所述第一查询序列和所述第二查询序列合并为一个查询序列组；

所述检验值获取单元用于提取所述任一航班的下一航班的起飞时刻M天前的历史累计查询量作为检验值；

所述训练参数生成单元用于将所述任一航班的飞行时刻、所述查询序列组和所述检验值作为一组所述训练参数；

所述模型训练模块用于将遍历M值和所有航班后获取的所有训练参数输入时间序列模型得到所述航班查询量预测模型。

6.如权利要求5所述的航线需求异常的检测系统，其特征在于，所述预测值输出模块还用于输出与所述累计查询量预测值对应的置信区间；

所述检测模块用于检测所述实时累计查询量是否在所述置信区间内，若否，则所述目标航班的需求为异常。

7.如权利要求5所述的航线需求异常的检测系统，其特征在于，所述检测系统还包括影响因子提取模块；

所述影响因子提取模块用于根据所述历史查询数据提取影响因子，所述影响因子包括工作日、周末、寒假、暑假、节假日、季节、极端天气日和重大突发事件日中的至少一个；

所述模型训练模块用于将所述多个航班的起飞时刻、所述查询量特征值、所述影响因子作为训练参数输入时间序列模型得到所述航班查询量预测模型。

8.如权利要求7所述的航线需求异常的检测系统，其特征在于，所述影响因子提取模块用于基于prophet模型从所述历史查询数据中提取所述影响因子。

Images