CN109858671A - 预测目标航线的客座率的方法和系统 - Google Patents
预测目标航线的客座率的方法和系统 Download PDFInfo
- Publication number
- CN109858671A CN109858671A CN201811600877.9A CN201811600877A CN109858671A CN 109858671 A CN109858671 A CN 109858671A CN 201811600877 A CN201811600877 A CN 201811600877A CN 109858671 A CN109858671 A CN 109858671A
- Authority
- CN
- China
- Prior art keywords
- target
- course line
- flight
- prediction
- history
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测目标航线的客座率的方法和系统。其中,目标航线包括多条起飞日不同的目标子航线,方法包括:获取多条历史目标子航线的历史航线数据;根据获取得到的多组历史航线数据训练第一航线预测模型;获取预测目标子航线的当前航线数据;根据当前航线数据以及第一航线预测模型预测预测目标子航线在起飞日的第一航线客座率。本发明根据随着机票售卖进度而变化的客座率分布来预测起飞日的客座率,无需凭借航线员的人工经验,能够更加准确地对航线的最终客座率进行预测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种预测目标航线的客座率的方法和系统。
背景技术
由于机票产品具有时效性的特点,航空公司和供应商在售卖机票时会进行收舱和放舱的操作,其中,经由预测得到的航线客源量对于收舱、放舱操作具有指导作用。目前航线客源量的预测主要凭借航线员的人工经验,由于不同航线员的经验不同,判断能力不同,从而预测结果相对粗糙,最终会影响航线员的决策,进而影响售卖机票的航空公司以及供应商的收益。
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凭借人工经验预测航线客源量的缺陷,提供一种预测目标航线的客座率的方法和系统。
本发明是通过下述技术方案来解决上述技术问题:
一种预测目标航线的客座率的方法,其特点在于,所述目标航线包括多条起飞日不同的目标子航线,所述方法包括:
S11、获取多条历史目标子航线的历史航线数据,其中,每组历史航线数据包括历史目标子航线在以起飞日为终点的售卖时间段内的客座率分布;
S12、根据获取得到的多组历史航线数据训练第一航线预测模型,对于每组历史航线数据,所述第一航线预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
S13、获取预测目标子航线的当前航线数据,所述当前航线数据包括所述预测目标子航线在售卖时间段内的客座率分布;
S14、根据所述当前航线数据以及所述第一航线预测模型预测所述预测目标子航线在起飞日的第一航线客座率。
较佳地,所述目标航线对应多个目标航班,其中:
对于每条历史目标子航线,步骤S11包括:
S111、获取历史目标子航线对应的各目标航班的历史航班数据,每组历史航班数据包括目标航班在以起飞日为终点的售卖时间段内的客座率分布;
对于每个目标航班,步骤S12包括:
S121、根据获取得到的多组历史航班数据训练航班预测模型,对于每组历史航班数据,所述航班预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
步骤S13包括:
S131、获取所述预测目标子航线对应的各目标航班的当前航班数据,其中,当前航班数据包括目标航班在售卖时间段内的客座率分布;
步骤S14包括:
S141、对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率;
S142、根据预测得到的所述预测目标子航线对应的各目标航班的航班客座率,预测所述预测目标子航线在起飞日的第一航线客座率。
较佳地,每个目标航班包括多个舱位,其中:
对于每条历史目标子航线,步骤S111包括:
S1111、获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据,每组历史舱位数据包括舱位在起飞日为终点的售卖时间段内的客座率分布;
对于每个舱位,步骤S121包括:
S1211、根据获取得到的多组历史舱位数据训练舱位预测模型,对于每组历史舱位数据,所述舱位预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
步骤S131包括:
S1311、获取所述预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据,当前舱位数据包括舱位在售卖时间段内的客座率分布;
步骤S141包括:
S1411、对于每个舱位,根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率;
S1412、对于每个目标航班,根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
较佳地,所述方法还包括:
S15、获取所述预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣;
S16、根据预测得到的所述预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测所述预测目标子航线在起飞日的航线平均折扣。
较佳地,所述方法还包括:
S21、获取所述多条历史目标子航线的历史OTA(Online Travel Agency,在线旅行社)数据,其中,每组历史OTA数据包括历史目标子航线在以起飞日为终点的售卖时间段内的搜索量分布和订单量分布;
S22、根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型,对于每条历史目标子航线,所述第二航线预测模型的输入为起飞日以外的客座率分布、搜索量分布以及订单量分布,输出为起飞日的客座率;
S23、获取所述预测目标子航线的当前OTA数据,所述当前OTA数据包括所述预测目标子航线在售卖时间段内的搜索量分布和订单量分布;
S24、根据所述当前航线数据、当前OTA数据以及所述第二航线预测模型预测所述预测目标子航线在起飞日的第二航线客座率;
S25、根据所述第一航线客座率以及所述第二航线客座率预测所述预测目标子航线在起飞日的第三航线客座率。
一种预测目标航线的客座率的系统,其特点在于,所述目标航线包括多条起飞日不同的目标子航线,所述系统包括:
历史航线数据获取模块,用于获取多条历史目标子航线的历史航线数据,其中,每组历史航线数据包括历史目标子航线在以起飞日为终点的售卖时间段内的客座率分布;
第一航线预测模型训练模块,用于根据获取得到的多组历史航线数据训练第一航线预测模型,对于每组历史航线数据,所述第一航线预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
当前航线数据获取模块,用于获取预测目标子航线的当前航线数据,所述当前航线数据包括所述预测目标子航线在售卖时间段内的客座率分布;
第一航线客座率预测模块,用于根据所述当前航线数据以及所述第一航线预测模型预测所述预测目标子航线在起飞日的第一航线客座率。
较佳地,所述目标航线对应多个目标航班,其中:
对于每条历史目标子航线,所述历史航线数据获取模块包括:
历史航班数据获取单元,用于获取历史目标子航线对应的各目标航班的历史航班数据,每组历史航班数据包括目标航班在以起飞日为终点的售卖时间段内的客座率分布;
对于每个目标航班,所述第一航线预测模型训练模块包括:
航班预测模型训练单元,用于根据获取得到的多组历史航班数据训练航班预测模型,对于每组历史航班数据,所述航班预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
所述当前航线数据获取模块包括:
当前航班数据获取单元,用于获取所述预测目标子航线对应的各目标航班的当前航班数据,其中,当前航班数据包括目标航班在售卖时间段内的客座率分布;
所述第一航线客座率预测模块包括:
航班客座率预测单元,用于对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率;
第一航线客座率预测单元,用于根据预测得到的所述预测目标子航线对应的各目标航班的航班客座率,预测所述预测目标子航线在起飞日的第一航线客座率。
较佳地,每个目标航班包括多个舱位,其中:
对于每条历史目标子航线,所述历史航班数据获取单元包括:
历史舱位数据获取子单元,用于获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据,每组历史舱位数据包括舱位在起飞日为终点的售卖时间段内的客座率分布;
对于每个舱位,所述航班预测模型训练单元包括:
舱位预测模型训练子单元,用于根据获取得到的多组历史舱位数据训练舱位预测模型,对于每组历史舱位数据,所述舱位预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
所述当前航班数据获取单元包括:
当前舱位数据获取子单元,用于获取所述预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据,当前舱位数据包括舱位在售卖时间段内的客座率分布;
所述航班客座率预测单元包括:
舱位客座率预测子单元,对于每个舱位,用于根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率;
航班客座率预测子单元,对于每个目标航班,用于根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
较佳地,所述系统还包括:
舱位折扣分布获取模块,用于获取所述预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣;
航线平均折扣预测模块,用于根据预测得到的所述预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测所述预测目标子航线在起飞日的航线平均折扣。
较佳地,所述系统还包括:
历史OTA数据获取模块,用于获取所述多条历史目标子航线的历史OTA数据,其中,每组历史OTA数据包括历史目标子航线在以起飞日为终点的售卖时间段内的搜索量分布和订单量分布;
第二航线预测模型训练模块,用于根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型,对于每条历史目标子航线,所述第二航线预测模型的输入为起飞日以外的客座率分布、搜索量分布以及订单量分布,输出为起飞日的客座率;
当前OTA数据获取模块,用于获取所述预测目标子航线的当前OTA数据,所述当前OTA数据包括所述预测目标子航线在售卖时间段内的搜索量分布和订单量分布;
第二航线客座率预测模块,用于根据所述当前航线数据、当前OTA数据以及所述第二航线预测模型预测所述预测目标子航线在起飞日的第二航线客座率;
第三航线客座率预测模块,用于根据所述第一航线客座率以及所述第二航线客座率预测所述预测目标子航线在起飞日的第三航线客座率。
本发明的积极进步效果在于:本发明基于大量的历史航线数据来训练航线预测模型,实现根据随着机票售卖进度而变化的客座率分布来预测起飞日的客座率,无需凭借航线员的人工经验,能够更加准确地对航线的最终客座率进行预测。
附图说明
图1为根据本发明实施例1的预测目标航线的客座率的方法的流程图。
图2为根据本发明实施例2的预测目标航线的客座率的方法的流程图。
图3为根据本发明实施例3的预测目标航线的客座率的方法的流程图。
图4为根据本发明实施例4的预测目标航线的客座率的方法的部分流程图。
图5为根据本发明实施例5的预测目标航线的客座率的系统的模块示意图。
图6为根据本发明实施例6的预测目标航线的客座率的系统的模块示意图。
图7为根据本发明实施例7的预测目标航线的客座率的系统的模块示意图。
图8为根据本发明实施例8的预测目标航线的客座率的系统的模块示意图。
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
本发明提供一种预测目标航线的客座率的方法,图1示出了本实施例的流程图。参照图1,本实施例的方法包括:
S11、获取多条历史目标子航线的历史航线数据。
航线通常包括出发地、目的地以及起飞日,在本实施例中,令被预测的目标航线为AL,目标航线AL包括的于不同日期起飞的目标子航线分别为AL1、AL2、AL3、……、ALT、……、ALP、……,其中,ALN是于过去某一天起飞的历史目标子航线,ALT是于今天起飞的目标子航线,ALP是具体被预测的于将来某一天起飞的预测目标子航线,其中,1≤N<T≤P,并且N、T、P是整数。
在本实施例中,历史目标子航线ALN的历史航线数据构成一组历史航线数据,并且具体可以包括历史目标子航线ALN在以其起飞日为终点的售卖时间段内的客座率分布。其中,售卖时间段的起点可以是历史目标子航线ALN机票的起售日,也即,在本实施例中,售卖时间段可以是售卖航线机票的时间段,在此基础上,客座率分布可以包括售卖时间段内的每一天统计获得的总的航线客座率。其中,航线客座率可以通过航线的订座数以及航线所能提供的座位数来计算获得。
S12、根据获取得到的多组历史航线数据训练第一航线预测模型。
在本实施例中,第一航线预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史航线数据,其输出可以是起飞日的航线客座率。具体地,在本实施例中,对于每组历史航线数据,第一航线预测模型用于根据起飞日以外的客座率分布预测历史目标子航线ALN在起飞日的第一航线客座率。
S13、获取预测目标子航线的当前航线数据。
在本实施例中,历史目标子航线ALN和预测目标子航线ALP的区别在于,历史目标子航线ALN的起飞日是过去某一天,预测目标子航线ALP的起飞日是将来某一天,相应地,当前航线数据包括预测目标子航线ALP在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。
S14、根据当前航线数据以及第一航线预测模型预测预测目标子航线在起飞日的第一航线客座率。
在本实施例中,将预测目标子航线ALP的当前航线数据输入第一航线预测模型,第一航线预测模型可以输出预测目标子航线ALP在起飞日的第一航线客座率。
本实施例的预测目标航线的客座率的方法可以12小时为间隔被调用执行,若每天两次调用均未能获得第一航线客座率,则可以触发邮件报警,通知相关人员进行问题排查,以保证本实施例能够稳定地被执行调用。
本实施例基于大量的历史航线数据来训练航线预测模型,实现根据随着机票售卖进度而变化的客座率分布来预测起飞日的客座率,无需凭借航线员的人工经验,能够更加准确地对航线的最终客座率进行预测。此外,还可以为航线平均折扣的计算提供作为参考的航线客座率。
实施例2
在实施例1的基础上,本实施例提供一种预测目标航线的客座率的方法,图2示出了本实施例的流程图。
参照图2,在本实施例中,步骤S11包括:
S111、获取历史目标子航线对应的各目标航班的历史航班数据。
同一条航线,通常对应多家航空公司提供的多个航班。在本实施例中,目标航线可以对应多个目标航班,假设目标航线AL对应A航空公司提供的目标航班A,B航空公司提供的目标航班B,C航空公司提供的目标航班C。以目标航班A为例,ALN-A表征于过去某一天起飞的目标航班A,ALT-A表征于今天起飞的目标航班A,ALP-A表征于将来某一天起飞的目标航班A。
在本实施例中,历史目标子航线ALN对应的一个目标航班的历史航班数据构成一组历史航班数据,并且具体可以包括目标航班在以其起飞日为终点的售卖时间段内的客座率分布。其中,航班客座率可以通过航班的订座数以及航班所能提供的座位数来计算获得。
步骤S11获取得到的历史目标子航线ALN的历史航线数据相应地可以包括目标航班ALN-A、ALN-B、ALN-C的历史航班数据。
步骤S12包括:
S121、根据获取得到的多组历史航班数据训练航班预测模型。
同一目标航班在飞机机型、起飞时间、飞行时长、行李额等方面往往具有一致性,在本实施例中,可以针对目标航线对应的各个目标航班分别训练航班预测模型。其中,航班预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史航班数据,其输出可以是起飞日的航班客座率。具体地,在本实施例中,对于同一目标航班的每组历史航班数据,航班预测模型用于根据起飞日以外的客座率分布预测目标航班在起飞日的航班客座率。
步骤S12训练得到的第一航线预测模型相应地可以包括目标航班A、B、C的航班预测模型。
步骤S13包括:
S131、获取预测目标子航线对应的各目标航班的当前航班数据。
在本实施例中,以目标航班A为例,目标航班ALN-A与目标航班ALP-A的区别在于,目标航班ALN-A的起飞日是过去某一天,目标航班ALP-A的起飞日是将来某一天,相应地,当前航班数据包括目标航班在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。
步骤S13获取得到的预测目标子航线ALP的当前航线数据相应地可以包括目标航班ALP-A、ALP-B、ALP-C的当前航班数据。
步骤S14包括:
S141、对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率。
在本实施例中,以目标航班ALP-A为例,将当前航班数据输入航班预测模型,航班预测模型可以输出目标航班ALP-A在其起飞日的航班客座率。
S142、根据预测得到的预测目标子航线对应的各目标航班的航班客座率,预测预测目标子航线在起飞日的第一航线客座率。
步骤S14预测得到的预测目标子航线ALP在其起飞日的第一航线客座率可以根据预测得到的目标航班ALP-A、ALP-B、ALP-C在起飞日的航班客座率计算得到。
在实施例1的基础上,本实施例对历史航线数据进行了细化,基于大量的历史航班数据来训练航班预测模型,提供一种更加准确的预测航线最终客座率的方法。
实施例3
在实施例2的基础上,本实施例提供一种预测目标航线的客座率的方法,图3示出了本实施例的流程图。参照图3,本实施例的方法包括:
S1111、获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据。
同一航班通常包括多个舱位,例如头等舱、商务舱、经济舱等。在本实施例中,目标航班可以包括多个舱位,以目标航班A为例,假设目标航班A包括舱位X、舱位Y、舱位Z,步骤S111获取得到的目标航班ALN-A的历史航班数据包括舱位ALN-A-X、ALN-A-Y、ALN-A-Z的历史舱位数据,其中,舱位ALN-A-X、ALN-A-Y、ALN-A-Z的历史舱位数据分别构成一组历史舱位数据,并且每组历史舱位数据具体可以包括舱位在以其起飞日为终点的售卖时间段内的客座率分布。其中,舱位客座率可以通过舱位的订座数以及舱位所能提供的座位数来计算获得。
S1211、根据获取得到的多组历史舱位数据训练舱位预测模型。
同一航班的各个舱位所能够提供的座位数以及舱位折扣往往具有一致性,在本实施例中,可以针对同一航班包括的各个舱位分别训练舱位预测模型。其中,舱位预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史舱位数据,其输出可以是起飞日的舱位客座率。具体地,在本实施例中,对于同一目标航班同一舱位的每组历史舱位数据,舱位预测模型用于根据起飞日以外的客座率分布预测舱位在起飞日的舱位客座率。步骤S121训练得到的目标航班A的航班预测模型相应地可以包括舱位X、Y、Z的舱位预测模型。
S1311、获取预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据。
在本实施例中,以目标航班A包括的舱位X为例,舱位ALN-A-X与舱位ALP-A-X的区别在于,舱位ALN-A-X的起飞日是过去某一天,舱位ALP-A-X的起飞日是将来某一天,相应地,当前舱位数据包括舱位在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。步骤S131获取得到的目标航班ALP-A的当前航班数据相应地可以包括舱位ALP-A-X、ALP-A-Y、ALP-A-Z的当前舱位数据。
S1411、对于每个舱位,根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率。
在本实施例中,以舱位ALP-A-X为例,将当前舱位数据输入舱位预测模型,舱位预测模型可以输出舱位ALP-A-X在起飞日的舱位客座率。
S1412、对于每个目标航班,根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
步骤S141预测得到的目标航班ALP-A在起飞日的航班客座率相应地可以根据预测得到的舱位ALP-A-X、ALP-A-Y、ALP-A-Z在起飞日的舱位客座率计算得到。
参照图3,本实施例的方法还包括:
S15、获取预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣。
在本实施例中,对于目标航班A,在步骤S15中分别获取舱位ALP-A-X、ALP-A-Y、ALP-A-Z的座位数和舱位折扣。
S16、根据预测得到的预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测预测目标子航线在起飞日的航线平均折扣。
在本实施例中,可以获得预测目标子航线ALP对应各目标航班所包括的各舱位的座位数、舱位折扣以及预测得到的舱位客座率,经过简单计算即可获得预测目标子航线ALP在起飞日的航线平均折扣。
在实施例2的基础上,本实施例不仅对历史航班数据进行了细化,基于大量的历史舱位数据来训练舱位预测模型,还可以基于航空公司提供的航班舱位座位数以及舱位折扣来预测航线平均折扣,在提供更加准确的预测航线最终客座率的方法的基础上,对收舱、放舱操作提供了进一步的指导。
实施例4
在实施例1的基础上,本实施例提供一种预测目标航线的客座率的方法,图4示出了本实施例的部分流程图。参照图4,本实施例的还方法包括:
S21、获取多条历史目标子航线的历史OTA数据。
在本实施例中,历史目标子航线ALN的历史OTA数据构成一组历史OTA数据,并且具体可以包括历史目标子航线ALN在以其起飞日为终点的售卖时间段内的搜索量分布和订单量分布。此外,在本实施例中,历史OTA数据还可以包括诸如节假日、天气、特殊活动日等对客座率影响较大的其他变量条件。
S22、根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型。
在本实施例中,第二航线预测模型可以是XGBoost模型,其输入可以是除去起飞日的数据之后的历史航线数据以及历史OTA数据,其输出可以是起飞日的航线客座率。具体地,在本实施例中,对于每条历史目标子航线ALN,第二航线预测模型用于根据起飞日以外的客座率分布、搜索量分布以及订单量分布预测历史目标子航线在起飞日的第二航线客座率。
S23、获取预测目标子航线的当前OTA数据。
当前OTA数据包括预测目标子航线ALP在售卖时间段内的搜索量分布和订单量分布,也即,起售日至当前的时间段内的搜索量分布和订单量分布。
S24、根据当前航线数据、当前OTA数据以及第二航线预测模型预测预测目标子航线在起飞日的第二航线客座率。
在本实施例中,将预测目标子航线ALP的当前航线数据以及当前OTA数据输入第二航线预测模型,第二航线预测模型可以输出预测目标子航线ALP在起飞日的第二航线客座率。
S25、根据第一航线客座率以及第二航线客座率预测预测目标子航线在起飞日的第三航线客座率。
在本实施例中,第二航线模型预测得到的第二航线客座率用于对第一航线预测模型预测得到的第一航线客座率进行校准,融合预测得到的第一航线客座率以及第二航线客座率之后,得到了更为准确的作为预测目标子航线ALP在起飞日的最终客座率的第三航线客座率。
在实施例1的基础上,本实施例不仅仅基于可以由航空公司提供的历史航线数据,还基于由OTA提供的历史OTA数据,从宏观市场以及具体航空公司两方面来预测预测目标子航线最终的客座率,进一步提高了预测的准确性。
实施例5
本发明提供一种预测目标航线的客座率的系统,图5示出了本实施例的模块示意图。参照图5,本实施例的系统包括:
历史航线数据获取模块11,用于获取多条历史目标子航线的历史航线数据。
航线通常包括出发地、目的地以及起飞日,在本实施例中,令被预测的目标航线为AL,目标航线AL包括的于不同日期起飞的目标子航线分别为AL1、AL2、AL3、……、ALT、……、ALP、……,其中,ALN是于过去某一天起飞的历史目标子航线,ALT是于今天起飞的目标子航线,ALP是具体被预测的于将来某一天起飞的预测目标子航线,其中,1≤N<T≤P,并且N、T、P是整数。
在本实施例中,历史目标子航线ALN的历史航线数据构成一组历史航线数据,并且具体可以包括历史目标子航线ALN在以其起飞日为终点的售卖时间段内的客座率分布。其中,售卖时间段的起点可以是历史目标子航线ALN机票的起售日,也即,在本实施例中,售卖时间段可以是售卖航线机票的时间段,在此基础上,客座率分布可以包括售卖时间段内的每一天统计获得的总的航线客座率。其中,航线客座率可以通过航线的订座数以及航线所能提供的座位数来计算获得。
第一航线预测模型训练模块12,用于根据获取得到的多组历史航线数据训练第一航线预测模型。
在本实施例中,第一航线预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史航线数据,其输出可以是起飞日的航线客座率。具体地,在本实施例中,对于每组历史航线数据,第一航线预测模型用于根据起飞日以外的客座率分布预测历史目标子航线ALN在起飞日的第一航线客座率。
当前航线数据获取模块13,用于获取预测目标子航线的当前航线数据。
在本实施例中,历史目标子航线ALN和预测目标子航线ALP的区别在于,历史目标子航线ALN的起飞日是过去某一天,预测目标子航线ALP的起飞日是将来某一天,相应地,当前航线数据包括预测目标子航线ALP在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。
第一航线客座率预测模块14,用于根据当前航线数据以及第一航线预测模型预测预测目标子航线在起飞日的第一航线客座率。
在本实施例中,将预测目标子航线ALP的当前航线数据输入第一航线预测模型,第一航线预测模型可以输出预测目标子航线ALP在起飞日的第一航线客座率。
本实施例的预测目标航线的客座率的系统可以12小时为间隔被调用执行,若每天两次调用均未能获得第一航线客座率,则可以触发邮件报警,通知相关人员进行问题排查,以保证本实施例能够稳定地被执行调用。
本实施例基于大量的历史航线数据来训练航线预测模型,实现根据随着机票售卖进度而变化的客座率分布来预测起飞日的客座率,无需凭借航线员的人工经验,能够更加准确地对航线的最终客座率进行预测。此外,还可以为航线平均折扣的计算提供作为参考的航线客座率。
实施例6
在实施例5的基础上,本实施例提供一种预测目标航线的客座率的系统,图6示出了本实施例的模块示意图。
参照图6,在本实施例中,历史航线数据获取模块11包括历史航班数据获取单元111,用于获取历史目标子航线对应的各目标航班的历史航班数据。
同一条航线,通常对应多家航空公司提供的多个航班。在本实施例中,目标航线可以对应多个目标航班,假设目标航线AL对应A航空公司提供的目标航班A,B航空公司提供的目标航班B,C航空公司提供的目标航班C。以目标航班A为例,ALN-A表征于过去某一天起飞的目标航班A,ALT-A表征于今天起飞的目标航班A,ALP-A表征于将来某一天起飞的目标航班A。
在本实施例中,历史目标子航线ALN对应的一个目标航班的历史航班数据构成一组历史航班数据,并且具体可以包括目标航班在以其起飞日为终点的售卖时间段内的客座率分布。其中,航班客座率可以通过航班的订座数以及航班所能提供的座位数来计算获得。
历史航线数据获取模块11获取得到的历史目标子航线ALN的历史航线数据,相应地可以包括历史航班数据获取单元111获取得到的目标航班ALN-A、ALN-B、ALN-C的历史航班数据。
第一航线预测模型训练模块12包括航班预测模型训练单元121,用于根据获取得到的多组历史航班数据训练航班预测模型。
同一目标航班在飞机机型、起飞时间、飞行时长、行李额等方面往往具有一致性,在本实施例中,可以针对目标航线对应的各个目标航班分别训练航班预测模型。其中,航班预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史航班数据,其输出可以是起飞日的航班客座率。具体地,在本实施例中,对于同一目标航班的每组历史航班数据,航班预测模型用于根据起飞日以外的客座率分布预测目标航班在起飞日的航班客座率。
第一航线预测模型训练模块12训练得到的第一航线预测模型相应地可以包括航班预测模型训练单元121训练得到的目标航班A、B、C的航班预测模型。
当前航线数据获取模块13包括当前航班数据获取单元131,用于获取预测目标子航线对应的各目标航班的当前航班数据。
在本实施例中,以目标航班A为例,目标航班ALN-A与目标航班ALP-A的区别在于,目标航班ALN-A的起飞日是过去某一天,目标航班ALP-A的起飞日是将来某一天,相应地,当前航班数据包括目标航班在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。
当前航线数据获取模块13获取得到的预测目标子航线ALP的当前航线数据,相应地可以包括当前航班数据获取单元131获取得到的目标航班ALP-A、ALP-B、ALP-C的当前航班数据。
第一航线客座率预测模块14包括航班客座率预测单元141和第一航线客座率预测单元142。
航班客座率预测单元141用于对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率。
在本实施例中,以目标航班ALP-A为例,将当前航班数据输入航班预测模型,航班预测模型可以输出目标航班ALP-A在其起飞日的航班客座率。
第一航线客座率预测单元142用于根据预测得到的预测目标子航线对应的各目标航班的航班客座率,预测预测目标子航线在起飞日的第一航线客座率。
第一航线客座率预测模块14预测得到的预测目标子航线ALP在其起飞日的第一航线客座率,可以根据航班客座率预测单元141预测得到的目标航班ALP-A、ALP-B、ALP-C在起飞日的航班客座率计算得到。
在实施例5的基础上,本实施例对历史航线数据进行了细化,基于大量的历史航班数据来训练航班预测模型,提供一种更加准确的预测航线最终客座率的系统。
实施例7
在实施例6的基础上,本实施例提供一种预测目标航线的客座率的系统,图7示出了本实施例的模块示意图。
参照图7,在本实施例中,历史航班数据获取单元111包括历史舱位数据获取子单元1111,用于获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据。
同一航班通常包括多个舱位,例如头等舱、商务舱、经济舱等。在本实施例中,目标航班可以包括多个舱位,以目标航班A为例,假设目标航班A包括舱位X、舱位Y、舱位Z,历史航班数据获取单元111获取得到的目标航班ALN-A的历史航班数据包括历史舱位数据获取子单元1111获取得到的舱位ALN-A-X、ALN-A-Y、ALN-A-Z的历史舱位数据,其中,舱位ALN-A-X、ALN-A-Y、ALN-A-Z的历史舱位数据分别构成一组历史舱位数据,并且每组历史舱位数据具体可以包括舱位在以其起飞日为终点的售卖时间段内的客座率分布。其中,舱位客座率可以通过舱位的订座数以及舱位所能提供的座位数来计算获得。
航班预测模型训练单元121包括舱位预测模型训练子单元1211,用于根据获取得到的多组历史舱位数据训练舱位预测模型。
同一航班的各个舱位所能够提供的座位数以及舱位折扣往往具有一致性,在本实施例中,可以针对同一航班包括的各个舱位分别训练舱位预测模型。其中,舱位预测模型可以是时间序列模型,其输入可以是除去起飞日的数据之后的历史舱位数据,其输出可以是起飞日的舱位客座率。具体地,在本实施例中,对于同一目标航班同一舱位的每组历史舱位数据,舱位预测模型用于根据起飞日以外的客座率分布预测舱位在起飞日的舱位客座率。航班预测模型训练单元121训练得到的目标航班A的航班预测模型,相应地可以包括舱位预测模型训练子单元1211训练得到的舱位X、Y、Z的舱位预测模型。
当前航班数据获取单元131包括当前舱位数据获取子单元1311,用于获取预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据。
在本实施例中,以目标航班A包括的舱位X为例,舱位ALN-A-X与舱位ALP-A-X的区别在于,舱位ALN-A-X的起飞日是过去某一天,舱位ALP-A-X的起飞日是将来某一天,相应地,当前舱位数据包括舱位在售卖时间段内的客座率分布,也即,起售日至当前的时间段内的客座率分布。当前航班数据获取单元131获取得到的目标航班ALP-A的当前航班数据,相应地可以包括当前舱位数据获取子单元1311获取得到的舱位ALP-A-X、ALP-A-Y、ALP-A-Z的当前舱位数据。
航班客座率预测单元141包括舱位客座率预测子单元1411和航班客座率预测子单元1412。
舱位客座率预测子单元1411,对于每个舱位,用于根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率。
在本实施例中,以舱位ALP-A-X为例,将当前舱位数据输入舱位预测模型,舱位预测模型可以输出舱位ALP-A-X在起飞日的舱位客座率。
航班客座率预测子单元1412,对于每个目标航班,用于根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
航班客座率预测单元141预测得到的目标航班ALP-A在起飞日的航班客座率,相应地可以根据舱位客座率预测子单元1411预测得到的舱位ALP-A-X、ALP-A-Y、ALP-A-Z在起飞日的舱位客座率计算得到。
参照图7,本实施例的系统还包括:
舱位折扣分布获取模块15,用于获取预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣。
在本实施例中,对于目标航班A,舱位折扣分布获取模块15用于分别获取舱位ALP-A-X、ALP-A-Y、ALP-A-Z的座位数和舱位折扣。
航线平均折扣预测模块16,用于根据预测得到的预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测预测目标子航线在起飞日的航线平均折扣。
在本实施例中,可以获得预测目标子航线ALP对应各目标航班所包括的各舱位的座位数、舱位折扣以及预测得到的舱位客座率,经过简单计算即可获得预测目标子航线ALP在起飞日的航线平均折扣。
在实施例6的基础上,本实施例不仅对历史航班数据进行了细化,基于大量的历史舱位数据来训练舱位预测模型,还可以基于航空公司提供的航班舱位座位数以及舱位折扣来预测航线平均折扣,在提供更加准确的预测航线最终客座率的系统的基础上,对收舱、放舱操作提供了进一步的指导。
实施例8
在实施例5的基础上,本实施例提供一种预测目标航线的客座率的系统,图8示出了本实施例的模块示意图。参照图8,本实施例的系统还包括:
历史OTA数据获取模块21,用于获取多条历史目标子航线的历史OTA数据。
在本实施例中,历史目标子航线ALN的历史OTA数据构成一组历史OTA数据,并且具体可以包括历史目标子航线ALN在以其起飞日为终点的售卖时间段内的搜索量分布和订单量分布。此外,在本实施例中,历史OTA数据还可以包括诸如节假日、天气、特殊活动日等对客座率影响较大的其他变量条件。
第二航线预测模型训练模块22,用于根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型。
在本实施例中,第二航线预测模型可以是XGBoost模型,其输入可以是除去起飞日的数据之后的历史航线数据以及历史OTA数据,其输出可以是起飞日的航线客座率。具体地,在本实施例中,对于每条历史目标子航线ALN,第二航线预测模型用于根据起飞日以外的客座率分布、搜索量分布以及订单量分布预测历史目标子航线在起飞日的第二航线客座率。
当前OTA数据获取模块23,用于获取预测目标子航线的当前OTA数据。
当前OTA数据包括预测目标子航线ALP在售卖时间段内的搜索量分布和订单量分布,也即,起售日至当前的时间段内的搜索量分布和订单量分布。
第二航线客座率预测模块24,用于根据当前航线数据、当前OTA数据以及第二航线预测模型预测预测目标子航线在起飞日的第二航线客座率。
在本实施例中,将预测目标子航线ALP的当前航线数据以及当前OTA数据输入第二航线预测模型,第二航线预测模型可以输出预测目标子航线ALP在起飞日的第二航线客座率。
第三航线客座率预测模块25,用于根据第一航线客座率以及第二航线客座率预测预测目标子航线在起飞日的第三航线客座率。
在本实施例中,第二航线模型预测得到的第二航线客座率用于对第一航线预测模型预测得到的第一航线客座率进行校准,融合预测得到的第一航线客座率以及第二航线客座率之后,得到了更为准确的作为预测目标子航线ALP在起飞日的最终客座率的第三航线客座率。
在实施例5的基础上,本实施例不仅仅基于可以由航空公司提供的历史航线数据,还基于由OTA提供的历史OTA数据,从宏观市场以及具体航空公司两方面来预测预测目标子航线最终的客座率,进一步提高了预测的准确性。
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 (10)
1.一种预测目标航线的客座率的方法,其特征在于,所述目标航线包括多条起飞日不同的目标子航线,所述方法包括:
S11、获取多条历史目标子航线的历史航线数据,其中,每组历史航线数据包括历史目标子航线在以起飞日为终点的售卖时间段内的客座率分布;
S12、根据获取得到的多组历史航线数据训练第一航线预测模型,对于每组历史航线数据,所述第一航线预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
S13、获取预测目标子航线的当前航线数据,所述当前航线数据包括所述预测目标子航线在售卖时间段内的客座率分布;
S14、根据所述当前航线数据以及所述第一航线预测模型预测所述预测目标子航线在起飞日的第一航线客座率。
2.如权利要求1所述的预测目标航线的客座率的方法,其特征在于,所述目标航线对应多个目标航班,其中:
对于每条历史目标子航线,步骤S11包括:
S111、获取历史目标子航线对应的各目标航班的历史航班数据,每组历史航班数据包括目标航班在以起飞日为终点的售卖时间段内的客座率分布;
对于每个目标航班,步骤S12包括:
S121、根据获取得到的多组历史航班数据训练航班预测模型,对于每组历史航班数据,所述航班预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
步骤S13包括:
S131、获取所述预测目标子航线对应的各目标航班的当前航班数据,其中,当前航班数据包括目标航班在售卖时间段内的客座率分布;
步骤S14包括:
S141、对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率;
S142、根据预测得到的所述预测目标子航线对应的各目标航班的航班客座率,预测所述预测目标子航线在起飞日的第一航线客座率。
3.如权利要求2所述的预测目标航线的客座率的方法,其特征在于,每个目标航班包括多个舱位,其中:
对于每条历史目标子航线,步骤S111包括:
S1111、获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据,每组历史舱位数据包括舱位在起飞日为终点的售卖时间段内的客座率分布;
对于每个舱位,步骤S121包括:
S1211、根据获取得到的多组历史舱位数据训练舱位预测模型,对于每组历史舱位数据,所述舱位预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
步骤S131包括:
S1311、获取所述预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据,当前舱位数据包括舱位在售卖时间段内的客座率分布;
步骤S141包括:
S1411、对于每个舱位,根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率;
S1412、对于每个目标航班,根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
4.如权利要求3所述的预测目标航线的客座率的方法,其特征在于,所述方法还包括:
S15、获取所述预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣;
S16、根据预测得到的所述预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测所述预测目标子航线在起飞日的航线平均折扣。
5.如权利要求1所述的预测目标航线的客座率的方法,其特征在于,所述方法还包括:
S21、获取所述多条历史目标子航线的历史OTA数据,其中,每组历史OTA数据包括历史目标子航线在以起飞日为终点的售卖时间段内的搜索量分布和订单量分布;
S22、根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型,对于每条历史目标子航线,所述第二航线预测模型的输入为起飞日以外的客座率分布、搜索量分布以及订单量分布,输出为起飞日的客座率;
S23、获取所述预测目标子航线的当前OTA数据,所述当前OTA数据包括所述预测目标子航线在售卖时间段内的搜索量分布和订单量分布;
S24、根据所述当前航线数据、当前OTA数据以及所述第二航线预测模型预测所述预测目标子航线在起飞日的第二航线客座率;
S25、根据所述第一航线客座率以及所述第二航线客座率预测所述预测目标子航线在起飞日的第三航线客座率。
6.一种预测目标航线的客座率的系统,其特征在于,所述目标航线包括多条起飞日不同的目标子航线,所述系统包括:
历史航线数据获取模块,用于获取多条历史目标子航线的历史航线数据,其中,每组历史航线数据包括历史目标子航线在以起飞日为终点的售卖时间段内的客座率分布;
第一航线预测模型训练模块,用于根据获取得到的多组历史航线数据训练第一航线预测模型,对于每组历史航线数据,所述第一航线预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
当前航线数据获取模块,用于获取预测目标子航线的当前航线数据,所述当前航线数据包括所述预测目标子航线在售卖时间段内的客座率分布;
第一航线客座率预测模块,用于根据所述当前航线数据以及所述第一航线预测模型预测所述预测目标子航线在起飞日的第一航线客座率。
7.如权利要求6所述的预测目标航线的客座率的系统,其特征在于,所述目标航线对应多个目标航班,其中:
对于每条历史目标子航线,所述历史航线数据获取模块包括:
历史航班数据获取单元,用于获取历史目标子航线对应的各目标航班的历史航班数据,每组历史航班数据包括目标航班在以起飞日为终点的售卖时间段内的客座率分布;
对于每个目标航班,所述第一航线预测模型训练模块包括:
航班预测模型训练单元,用于根据获取得到的多组历史航班数据训练航班预测模型,对于每组历史航班数据,所述航班预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
所述当前航线数据获取模块包括:
当前航班数据获取单元,用于获取所述预测目标子航线对应的各目标航班的当前航班数据,其中,当前航班数据包括目标航班在售卖时间段内的客座率分布;
所述第一航线客座率预测模块包括:
航班客座率预测单元,用于对于每个目标航班,根据当前航班数据以及航班预测模型预测目标航班在起飞日的航班客座率;
第一航线客座率预测单元,用于根据预测得到的所述预测目标子航线对应的各目标航班的航班客座率,预测所述预测目标子航线在起飞日的第一航线客座率。
8.如权利要求7所述的预测目标航线的客座率的系统,其特征在于,每个目标航班包括多个舱位,其中:
对于每条历史目标子航线,所述历史航班数据获取单元包括:
历史舱位数据获取子单元,用于获取历史目标子航线对应的各目标航班包括的各舱位的历史舱位数据,每组历史舱位数据包括舱位在起飞日为终点的售卖时间段内的客座率分布;
对于每个舱位,所述航班预测模型训练单元包括:
舱位预测模型训练子单元,用于根据获取得到的多组历史舱位数据训练舱位预测模型,对于每组历史舱位数据,所述舱位预测模型的输入为起飞日以外的客座率分布,输出为起飞日的客座率;
所述当前航班数据获取单元包括:
当前舱位数据获取子单元,用于获取所述预测目标子航线对应的各目标航班包括的各舱位的当前舱位数据,当前舱位数据包括舱位在售卖时间段内的客座率分布;
所述航班客座率预测单元包括:
舱位客座率预测子单元,对于每个舱位,用于根据当前舱位数据以及舱位预测模型预测舱位在起飞日的舱位客座率;
航班客座率预测子单元,对于每个目标航班,用于根据预测得到的目标航班包括的各舱位在起飞日的舱位客座率,预测目标航班在起飞日的航班客座率。
9.如权利要求8所述的预测目标航线的客座率的系统,其特征在于,所述系统还包括:
舱位折扣分布获取模块,用于获取所述预测目标子航线对应的各目标航班包括的各舱位的座位数和舱位折扣;
航线平均折扣预测模块,用于根据预测得到的所述预测目标子航线对应的各目标航班包括的各舱位在起飞日的舱位客座率,以及获取得到的各舱位的座位数和舱位折扣,预测所述预测目标子航线在起飞日的航线平均折扣。
10.如权利要求6所述的预测目标航线的客座率的系统,其特征在于,所述系统还包括:
历史OTA数据获取模块,用于获取所述多条历史目标子航线的历史OTA数据,其中,每组历史OTA数据包括历史目标子航线在以起飞日为终点的售卖时间段内的搜索量分布和订单量分布;
第二航线预测模型训练模块,用于根据获取得到的多组历史航线数据和多组历史OTA数据训练第二航线预测模型,对于每条历史目标子航线,所述第二航线预测模型的输入为起飞日以外的客座率分布、搜索量分布以及订单量分布,输出为起飞日的客座率;
当前OTA数据获取模块,用于获取所述预测目标子航线的当前OTA数据,所述当前OTA数据包括所述预测目标子航线在售卖时间段内的搜索量分布和订单量分布;
第二航线客座率预测模块,用于根据所述当前航线数据、当前OTA数据以及所述第二航线预测模型预测所述预测目标子航线在起飞日的第二航线客座率;
第三航线客座率预测模块,用于根据所述第一航线客座率以及所述第二航线客座率预测所述预测目标子航线在起飞日的第三航线客座率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600877.9A CN109858671B (zh) | 2018-12-26 | 2018-12-26 | 预测目标航线的客座率的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600877.9A CN109858671B (zh) | 2018-12-26 | 2018-12-26 | 预测目标航线的客座率的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858671A true CN109858671A (zh) | 2019-06-07 |
CN109858671B CN109858671B (zh) | 2021-06-18 |
Family
ID=66892446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600877.9A Active CN109858671B (zh) | 2018-12-26 | 2018-12-26 | 预测目标航线的客座率的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858671B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751359A (zh) * | 2019-08-30 | 2020-02-04 | 中国南方航空股份有限公司 | 一种自动化航线网络评估方法、电子设备及存储介质 |
CN110930771A (zh) * | 2019-11-19 | 2020-03-27 | 中国民航信息网络股份有限公司 | 一种航线库存的控制方法和装置 |
CN111091407A (zh) * | 2019-10-28 | 2020-05-01 | 海南太美航空股份有限公司 | 一种航线客座率预测方法及系统 |
CN111325380A (zh) * | 2019-12-29 | 2020-06-23 | 航天信息股份有限公司 | 基于多粒度时间注意力机制确定航班客座率的方法和系统 |
CN111340536A (zh) * | 2020-02-20 | 2020-06-26 | 上海携程商务有限公司 | 模型训练方法、客座率进度预测方法、系统、设备及介质 |
CN111489014A (zh) * | 2020-03-16 | 2020-08-04 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和系统 |
CN111611332A (zh) * | 2020-03-13 | 2020-09-01 | 海南太美航空股份有限公司 | 航线中转的优化方法及系统 |
CN112308618A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112329992A (zh) * | 2020-10-22 | 2021-02-05 | 海南太美航空股份有限公司 | 一种航班客座率预测方法、系统及电子设备 |
CN112949952A (zh) * | 2021-05-10 | 2021-06-11 | 北京人人云图信息技术有限公司 | 一种基于图神经网络的航班客座率的预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046717A1 (en) * | 2011-08-19 | 2013-02-21 | Bank Of America Corporation | Predicting future travel based on a user's historical financial institution transaction data and providing offers based on the predicted future travel |
CN105069650A (zh) * | 2015-08-05 | 2015-11-18 | 携程计算机技术(上海)有限公司 | 商品的调价方法及系统 |
CN107506869A (zh) * | 2017-09-05 | 2017-12-22 | 济南浚达信息技术有限公司 | 一种基于循环神经网络的机票日订座数预测方法 |
CN108846493A (zh) * | 2018-06-22 | 2018-11-20 | 山东大学 | 一种基于改进的增量模型的机票订座数预测方法 |
-
2018
- 2018-12-26 CN CN201811600877.9A patent/CN109858671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046717A1 (en) * | 2011-08-19 | 2013-02-21 | Bank Of America Corporation | Predicting future travel based on a user's historical financial institution transaction data and providing offers based on the predicted future travel |
CN105069650A (zh) * | 2015-08-05 | 2015-11-18 | 携程计算机技术(上海)有限公司 | 商品的调价方法及系统 |
CN107506869A (zh) * | 2017-09-05 | 2017-12-22 | 济南浚达信息技术有限公司 | 一种基于循环神经网络的机票日订座数预测方法 |
CN108846493A (zh) * | 2018-06-22 | 2018-11-20 | 山东大学 | 一种基于改进的增量模型的机票订座数预测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751359B (zh) * | 2019-08-30 | 2023-10-13 | 中国南方航空股份有限公司 | 一种自动化航线网络评估方法、电子设备及存储介质 |
CN110751359A (zh) * | 2019-08-30 | 2020-02-04 | 中国南方航空股份有限公司 | 一种自动化航线网络评估方法、电子设备及存储介质 |
CN111091407A (zh) * | 2019-10-28 | 2020-05-01 | 海南太美航空股份有限公司 | 一种航线客座率预测方法及系统 |
CN110930771B (zh) * | 2019-11-19 | 2021-02-19 | 中国民航信息网络股份有限公司 | 一种航线库存的控制方法和装置 |
CN110930771A (zh) * | 2019-11-19 | 2020-03-27 | 中国民航信息网络股份有限公司 | 一种航线库存的控制方法和装置 |
CN111325380A (zh) * | 2019-12-29 | 2020-06-23 | 航天信息股份有限公司 | 基于多粒度时间注意力机制确定航班客座率的方法和系统 |
CN111340536A (zh) * | 2020-02-20 | 2020-06-26 | 上海携程商务有限公司 | 模型训练方法、客座率进度预测方法、系统、设备及介质 |
CN111611332A (zh) * | 2020-03-13 | 2020-09-01 | 海南太美航空股份有限公司 | 航线中转的优化方法及系统 |
CN111489014A (zh) * | 2020-03-16 | 2020-08-04 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111489014B (zh) * | 2020-03-16 | 2023-12-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和系统 |
CN111582918B (zh) * | 2020-04-24 | 2023-07-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和系统 |
CN112329992A (zh) * | 2020-10-22 | 2021-02-05 | 海南太美航空股份有限公司 | 一种航班客座率预测方法、系统及电子设备 |
CN112308618A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112949952B (zh) * | 2021-05-10 | 2021-08-17 | 北京人人云图信息技术有限公司 | 一种基于图神经网络的航班客座率的预测方法及系统 |
CN112949952A (zh) * | 2021-05-10 | 2021-06-11 | 北京人人云图信息技术有限公司 | 一种基于图神经网络的航班客座率的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109858671B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858671A (zh) | 预测目标航线的客座率的方法和系统 | |
CN107086935B (zh) | 基于wifi ap的人流量分布预测方法 | |
Grosche et al. | Integrated airline scheduling | |
CN110264709A (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN108898838A (zh) | 一种基于lstm模型的机场交通拥堵预测方法及装置 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
Cole et al. | Wind prediction accuracy for air traffic management decision support tools | |
US20200356958A1 (en) | Usage-based maintenance system for vehicles and method of operating the same | |
US11704943B2 (en) | Usage-based maintenance service system | |
CN110751395A (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
CN117669837A (zh) | 一种机场陆侧换乘交通方式选择预测方法及系统 | |
EP3736779A1 (en) | System and method for detecting vehicle environmental exposure and for determining maintenance service according to detected exposure | |
CN110428193A (zh) | 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法 | |
CN109543922A (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
Castelli et al. | An airline-based multilevel analysis of airfare elasticity for passenger demand | |
Roy et al. | User base estimation methodology for an eVTOL business airport shuttle air taxi service | |
Baumann | Using machine learning for data-based assessing of the aircraft fuel economy | |
CN110363341A (zh) | 一种客座率基准预测的方法及系统 | |
CN111260104B (zh) | 一种订单信息动态调整方法和装置 | |
CN116362788B (zh) | 一种新航线开通的预测方法、装置、设备及存储介质 | |
CN112949952B (zh) | 一种基于图神经网络的航班客座率的预测方法及系统 | |
Archer et al. | Analyzing air taxi operations from a system-of-systems perspective using agent-based modeling |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |