CN111192090A - 航班的座位分配方法、装置、存储介质和电子设备 - Google Patents
航班的座位分配方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111192090A CN111192090A CN201911421717.2A CN201911421717A CN111192090A CN 111192090 A CN111192090 A CN 111192090A CN 201911421717 A CN201911421717 A CN 201911421717A CN 111192090 A CN111192090 A CN 111192090A
- Authority
- CN
- China
- Prior art keywords
- flight
- target
- seat
- determining
- prediction model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000010006 flight Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (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
本公开涉及一种航班的座位分配方法、装置、存储介质和电子设备,涉及信息处理技术领域,该方法包括:根据指定的出发时间和指定的目标航线,确定目标航班和目标航班的航班信息,航班信息包括航班标识和舱位级别,根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,按照座位数量,对目标航班的每个舱位级别进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定每个舱位级别的座位数量,提高上座率和收益率。
Description
技术领域
本公开涉及信息处理技术领域,具体地,涉及一种航班的座位分配方法、装置、存储介质和电子设备。
背景技术
随着社会经济的不断发展,越来越多的人选择乘坐飞机出行。旅客在购买机票时,机票的价格随舱位、季节、时间等因素的变化,会有很大的浮动。现有技术中,航空公司在进行收益管理时,通常采用CCM(英文:Consumer Choice Model,中文:旅客选择模型)来实现收益最大化的目的。在使用CCM时,需要根据旅客的行为特征来判断旅客选择各个舱位的可能性,从而确定航班每个舱位的座位分配。由于旅客的行为特征具有隐私性,很难获取到可靠、准确的行为特征,因此也很难获得准确的CCM,导致对旅客的选择判断错误,从而影响航班各个舱位的座位分配,造成航班的资源浪费,降低了航空公司的收益。
发明内容
本公开的目的是提供一种航班的座位分配方法、装置、存储介质和电子设备,用于解决现有技术中存在的座位分配不合理的问题。
为了实现上述目的,根据本公开实施例的第一方面,提供一种航班的座位分配方法,所述方法包括:
根据指定的出发时间和指定的目标航线,确定目标航班和所述目标航班的航班信息,所述航班信息包括航班标识和舱位级别;
根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,并根据当前时间和所述出发时间,确定所述目标航线的预售时长;
根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量;
按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配。
可选地,所述根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,包括:
根据所述历史销售信息,确定所述目标航线的销售模型;
根据所述销售模型,确定所述目标航线在所述当前时间的所述总销售数量。
可选地,所述根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量,包括:
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的所述座位数量;或者,
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的座位比例;根据所述目标航班的每个所述舱位级别的座位比例,和所述总销售数量,确定该舱位级别的所述座位数量。
可选地,所述航班信息还包括:舱位级别状态;
所述根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量,包括:
根据所述总销售数量、所述预售时长、所述目标航班的航班信息和所述座位预测模型,确定所述目标航班的目标舱位级别的所述座位数量,所述目标舱位级别为所述舱位级别状态为开放状态的舱位级别;
所述按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配,包括:
按照所述座位数量,对所述目标航班的所述目标舱位级别进行座位分配。
可选地,所述座位预测模型是通过如下方式进行训练的:
获取样本输入集和样本输出集;所述样本输入集中的每个样本输入包括:所述目标航班的所述航班信息、所述目标航线在对应的历史时间的历史销售数量、和所述目标航线在所述历史时间的历史预售时长;所述样本输出集中包括与每个所述样本输入对应的样本输出,每个所述样本输出包括:所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位数量,或者,所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位比例;
将所述样本输入集作为所述座位预测模型的输入,将所述样本输出集作为所述座位预测模型的输出,以训练所述座位预测模型。
根据本公开实施例的第二方面,提供一种航班的座位分配装置,所述装置包括:
第一确定模块,用于根据指定的出发时间和指定的目标航线,确定目标航班和所述目标航班的航班信息,所述航班信息包括航班标识和舱位级别;
第二确定模块,用于根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,并根据当前时间和所述出发时间,确定所述目标航线的预售时长;
第三确定模块,用于根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量;
分配模块,用于按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配。
可选地,所述第二确定模块包括:
第一确定子模块,用于根据所述历史销售信息,确定所述目标航线的销售模型;
第二确定子模块,用于根据所述销售模型,确定所述目标航线在所述当前时间的所述总销售数量。
可选地,所述第三确定模块用于:
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的所述座位数量;或者,
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的座位比例;根据所述目标航班的每个所述舱位级别的座位比例,和所述总销售数量,确定该舱位级别的所述座位数量。
可选地,所述航班信息还包括:舱位级别状态;
所述第三确定模块用于:
根据所述总销售数量、所述预售时长、所述目标航班的航班信息和所述座位预测模型,确定所述目标航班的目标舱位级别的所述座位数量,所述目标舱位级别为所述舱位级别状态为开放状态的舱位级别;
所述分配模块用于:
按照所述座位数量,对所述目标航班的所述目标舱位级别进行座位分配。
可选地,所述座位预测模型是通过如下方式进行训练的:
获取样本输入集和样本输出集;所述样本输入集中的每个样本输入包括:所述目标航班的所述航班信息、所述目标航线在对应的历史时间的历史销售数量、和所述目标航线在所述历史时间的历史预售时长;所述样本输出集中包括与每个所述样本输入对应的样本输出,每个所述样本输出包括:所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位数量,或者,所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位比例;
将所述样本输入集作为所述座位预测模型的输入,将所述样本输出集作为所述座位预测模型的输出,以训练所述座位预测模型。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例的第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例的第一方面中任一项所述方法的步骤。
通过上述技术方案,本公开中首先确定符合指定的出发时间和指定的目标航线的目标航班,和目标航班的航班信息,其中航班信息包括航班标识和舱位级别,然后根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,之后根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,最后对目标航班的每个舱位级别,按照座位数量进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定与总销售数量、预售时长和航班信息匹配的每个舱位级别的座位数量,从而实现对每个舱位级别的座位的合理分配,能够提高航班的上座率和收益率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种航班的座位分配方法的流程图;
图2是根据一示例性实施例示出的另一种航班的座位分配方法的流程图;
图3是根据一示例性实施例示出的另一种航班的座位分配方法的流程图;
图4是根据一示例性实施例示出的一种航班的座位分配装置的框图;
图5是根据一示例性实施例示出的另一种航班的座位分配装置的框图;
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法和装置的例子。
在介绍本公开提供的航班的座位分配方法、装置、存储介质和电子设备之前,首先对本公开各个实施例所涉及的应用场景进行介绍。该应用场景可以为任一种服务器,例如可以是本地服务器,也可以是云服务器或者服务器集群。该服务器可以与现有的民航管理信息系统进行数据传输,服务器可以从民航管理信息系统获取各个航班的航班信息和各个航班的销售信息,服务器也可以将座位分配的结果发送至民航管理信息系统。
图1是根据一示例性实施例示出的一种航班的座位分配方法的流程图,如图1所示,该方法包括:
步骤101,根据指定的出发时间和指定的目标航线,确定目标航班和目标航班的航班信息,航班信息包括航班标识和舱位级别。
举例来说,在对各个航线上的航班进行管理时,需要确定每个航班的座位分配。当旅客选择购买机票时,通常关心的是出发时间和目标航线(即始发地和目的地),因此可以将航线相同、出发时间在同一天内的多个航班划分为一组进行统一管理。可以根据旅客指定的出发时间和指定的目标航线,确定目标航班和目标航班的航班信息。其中,指定的出发时间表示航班起飞的日期(例如可以是2020年1月1日),指定的目标航线表示航班的始发地以及目的地(例如西安至上海虹桥)。目标航班的数量可以是一个,也可以是多个,即符合出发时间和目标航线的航班可以是一个或多个。相应的,目标航班的航班信息也可以是一个或者多个。航班信息可以包括航班标识和舱位级别。航班标识通常由英文字母和数字组成,每个航班的航班标识都各不相同,即航班标识能够唯一标识不同的航班。舱位级别用以对航班中不同区域的座位进行区分,可以用英文字母等进行表示(例如C表示公务舱、Y1表示全价经济舱、Y2表示8折经济舱等)。由于每个目标航班上会分有不同的舱位级别,因此,一个目标航班可以对应多个航班信息。例如,步骤101中确定了4个目标航班,每个目标航班都有3种舱位级别,那么相应的,步骤101中确定了12个目标航班的航班信息,每个航班信息中包括一个目标航班的航班标识和该目标航班的一种舱位级别。
步骤102,根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长。
示例的,可以根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,即根据历史销售信息,可以对目标航线在当前时间的总销售数量进行预测。预设历史时段可以是当前时间之前的指定时长的时段,例如可以是当前时间之前的一个月、一个季度或者一年等。历史销售信息可以理解为在预设历史时段内,目标航线在每个预设的采集周期(例如可以是1天)内的总销售数量。例如,历史销售信息可以为目标航线在当前时间之前的一个月内,每天的总销售数量。可以根据历史销售信息,得到总销售数量的变化规律,从而预测目标航线在当前时间的总销售数量。由于结合了历史销售信息,考虑了时间变化对总销售数量的影响,能够提高预测总销售数量的准确度,使得总销售数量更加接近实际情况。进一步的,还可以将当前时间和出发时间的时间差,作为目标航线的预售时长,即旅客要提前买票的时间,也是目标航线预先售票的时间,预售时长例如可以采用小时表示,也可以采用天数表示。例如,当前时间为8月5日,旅客指定的出发时间是8月30日,那么预售时长为25天。
举个例子,目标航线为西安至上海虹桥,出发时间为2020年1月1日。当前时间为2019年12月11日,那么,西安至上海虹桥的航线的预售时长为21天。在预测西安至上海虹桥的航线在当前时间的总销售数量时,可以先统计西安至上海虹桥的航线在2018年12月15日至2019年1月15日之间每天的总销售数量,得到西安至上海虹桥的航线在2018年12月15日至2019年1月15日之间每天的总销售数量的分布,分析得到总销售数量的变化规律,从而确定目标航线在当前时间的总销售数量。
步骤103,根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量。
步骤104,按照座位数量,对目标航班的每个舱位级别进行座位分配。
示例的,在确定目标航班的每个舱位级别的座位数量时,首先将步骤102中确定的总销售数量、预售时长和步骤101中确定的目标航班的航班信息输入预先训练的座位预测模型,座位预测模型可以是根据预先设置的样本输入集和样本输出集训练得到的神经网络。其中,目标航班可以有一个或多个,每个目标航班上可以有多种舱位级别,输入到座位预测模型的数据可以按照航班标识和舱位级别分为多组,具体的,输入到座位预测模型的数据可以如表1所示。表1中,Y、B、H、K、L分别对应了不同目标航班的多种舱位级别。
表1
航班标识 | 舱位级别 | 预售时长(天) | 总销售数量 |
AA1001 | Y | 2 | 83 |
AA1001 | B | 2 | 83 |
AA1002 | H | 2 | 83 |
BB1001 | K | 2 | 83 |
CC1001 | L | 2 | 83 |
AA1001 | Y | 1 | 105 |
AA1001 | B | 1 | 105 |
AA1002 | H | 1 | 105 |
BB1001 | K | 1 | 105 |
CC1001 | L | 1 | 105 |
之后座位预测模型能够提取输入的总销售数量、预售时长和每个目标航班的航班信息的特征信息,并根据特征信息输出与输入的总销售数量、预售时长和每个目标航班的航班信息对应的目标航班的每个舱位级别的座位数量(或者目标航班的每个舱位级别的座位比例,然后根据总销售数量,确定目标航班的每个舱位级别的座位数量)。示例性地,座位预测模型例如可以是基于监督学习的神经网络,也可以是卷积(英文:ConvolutionalNeural Networks,缩写:CNN)神经网络,还可以包括其他各种神经网络。
具体的,座位预测模型例如可以包括输入层、卷积层、反馈层、全连接层和输出层。首先将总销售数量、预售时长和目标航班的航班信息输入到输入层,通过卷积层,从总销售数量、预售时长和目标航班的航班信息中提取卷积层特征。再通过反馈层,结合上一次的反馈层特征和后一次的反馈层特征,从卷积层中提取当前的反馈层特征,之后通过全连接层,对反馈层特征进行抽象处理,以通过输出层输出目标航班的每个舱位级别的座位数量(或目标航班的每个舱位级别的座位比例)。其中,卷积层中包含多个卷积单元(或滤波器),用于提取卷积层特征。
这样,在确定目标航班的每个舱位级别的座位数量之后,可以对目标航班的每个舱位级别按照座位数量进行座位分配。例如,将表1中的数据输入座位预测模型,座位预测模型输出的座位数量如表2所示,那么预售时长为2天时,可以对航班标识为AA1001的目标航班的Y、B两种舱位级别分别分配21个座位和22个座位,对航班标识为CC1001的目标航班的L舱位级别分配14个座位。
表2
航班标识 | 舱位级别 | 预售时长(天) | 总销售数量 | 座位数量 |
AA1001 | Y | 2 | 83 | 21 |
AA1001 | B | 2 | 83 | 22 |
AA1002 | H | 2 | 83 | 17 |
BB1001 | K | 2 | 83 | 9 |
CC1001 | L | 2 | 83 | 14 |
AA1001 | Y | 1 | 105 | 31 |
AA1001 | B | 1 | 105 | 28 |
AA1002 | H | 1 | 105 | 22 |
BB1001 | K | 1 | 105 | 19 |
CC1001 | L | 1 | 105 | 5 |
综上所述,本公开中首先确定符合指定的出发时间和指定的目标航线的目标航班,和目标航班的航班信息,其中航班信息包括航班标识和舱位级别,然后根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,之后根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,最后对目标航班的每个舱位级别,按照座位数量进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定与总销售数量、预售时长和航班信息匹配的每个舱位级别的座位数量,从而实现对每个舱位级别的座位的合理分配,能够提高航班的上座率和收益率。
图2是根据一示例性实施例示出的另一种航班的座位分配方法的流程图,如图2所示,步骤102包括:
步骤1021,根据历史销售信息,确定目标航线的销售模型。
步骤1022,根据销售模型,确定目标航线在当前时间的总销售数量。
举例来说,目标航线的历史销售信息可以包括预设历史时段内,目标航线在每个预设的采集周期(例如可以是1天)内的总销售数量。例如,历史销售信息可以为目标航线在当前时间之前的一年内,每天的总销售数量。根据历史销售信息来确定目标航线的销售模型,可以理解为通过历史销售信息得到总销售数量的变化规律,从而预测目标航线在当前时间的总销售数量。
例如,可以根据历史销售信息对目标航线的销售模型进行训练。具体的,将获取的预设历史时段内,目标航线在每个采集周期采集的历史预售时长、目标航班的航班标识、舱位级别作为输入的样本,将与每个输入的样本对应的目标航线在该采集周期的总销售数量作为输出的样本,使得销售模型输入每个采集周期的历史预售时长、目标航班的航班标识、舱位级别时,销售模型输出的每个采集周期的总销售数量,都能和每个输入的样本对应的输出的样本保持一致。具体的,销售模型可以选择一个神经网络(例如卷积神经网络、线性神经网络等),将某一输入的样本作为神经网络的输入,以获取神经网络的输出,再将神经网络的输出与该输入的样本对应的输出的样本进行比较,来修正神经网络中至少一个神经元的参数。神经元的参数例如可以是神经元的权重(英文:Weight)和连接关系(英文:Bias)。重复执行上述步骤,使神经网络输入任一输入的样本时,神经网络的输出都能够与该输入的样本对应的输出的样本匹配,此时,将神经网络作为销售模型。在另一种实施方式中,销售模型还可以通过一个函数来实现,例如可以通过对预设历史时段内的多个采集周期采集的多个总销售数量进行拟合,得到一个时变的总销售数量函数,这样就可以根据总销售数量函数,确定当前时间对应的总销售数量。销售模型还可以是一个存储了预设历史时段内的多个采集周期采集的多个总销售数量的表格,这样就可以通过查表的方式,查找当前时间对应的总销售数量。
进一步的,若历史销售信息发生了更新,服务器还可以根据更新后的历史销售信息对销售模型进行更新。例如服务器可以定时(每隔1天)获取更新后的历史销售信息,并利用更新后的历史销售信息来更新目标航班的销售模型,以保证销售模型能够适用于实际情况,从而提高预测总销售数量的准确度。
可选地,步骤103包括:
将总销售数量、预售时长和目标航班的航班信息输入座位预测模型,以获取座位预测模型输出的目标航班的每个舱位级别的座位数量。或者,
将总销售数量、预售时长和目标航班的航班信息输入座位预测模型,以获取座位预测模型输出的目标航班的每个舱位级别的座位比例。根据目标航班的每个舱位级别的座位比例,和总销售数量,确定该舱位级别的座位数量。
示例的,将总销售数量、预售时长和目标航班的航班信息输入座位预测模型之后,座位预测模型的输出结果可以是每个舱位级别的座位数量,也可以是每个舱位级别的座位比例。若输出结果为每个舱位级别的座位数量,可以直接根据输出结果对目标航班的每个舱位级别进行座位分配;若输出结果为每个舱位级别的座位比例,则需要根据输出结果和总销售数量,确定每个舱位级别的座位数量,然后再根据每个舱位级别的座位数量对目标航班的每个舱位级别进行座位分配。例如,在输出结果为每个舱位级别的座位数量的场景中,将目标航班的航班标识AA1001、舱位级别Y、预售时长2天、总销售数量83输入座位预测模型后,座位预测模型的输出结果为21,表示对航班标识为AA1001的目标航班的Y舱位级别分配21个座位。在输出结果为每个舱位级别的座位比例的场景中,将目标航班的航班标识AA1001、舱位级别Y、预售时长2天、总销售数量83输入座位预测模型后,座位预测模型的输出结果为0.25,表示对航班标识为AA1001的目标航班的Y舱位级别分配的座位数量占总销售数量的0.25,此时根据输入的总销售数量83,确定该舱位级别的座位数量为20.75,由于座位数量只能为整数,因此可以采取四舍五入的原则,将该舱位级别的座位数量确定为21,即对该舱位级别分配21个座位。
进一步的,在输出结果为每个舱位级别的座位数量的场景中,若座位预测模型输出的每个舱位级别的座位数量之和不等于总销售数量,那么可以按照预设规则对输出结果进行校正,以确保能够对目标航班的每个舱位级别的座位进行准确分配。例如,可以先获取各输出结果占所有输出结果之和的比例,然后根据获取的比例和总销售数量,确定每个舱位级别的座位数量。这样,就可以根据校正后的结果,对目标航班的每个舱位级别进行准确的座位分配。具体的,可以根据公式对每个舱位级别的座位数量进行校正。公式中,di *表示第i个舱位级别校正后的座位数量,D表示总销售数量,di表示座位预测模型输出的第i个舱位级别的座位数量,表示座位预测模型输出的n个舱位级别的座位数量之和。
可选地,航班信息还包括:舱位级别状态。
步骤103包括:
根据总销售数量、预售时长、目标航班的航班信息和座位预测模型,确定目标航班的目标舱位级别的座位数量,目标舱位级别为舱位级别状态为开放状态的舱位级别。
步骤104包括:
按照座位数量,对目标航班的目标舱位级别进行座位分配。
举例来说,舱位级别状态可以分为开放状态(例如可以表示为“1”)和关闭状态(例如可以表示为“0”)两种,舱位级别状态为开放状态表示该舱位级别当前可以进行销售,舱位级别状态为关闭状态,表示该舱位级别当前不进行销售。舱位级别状态为开放状态的舱位级别即为目标舱位级别。将总销售数量、预售时长和目标航班的航班信息输入训练好的座位预测模型之后,可以得到座位预测模型输出的目标航班的目标舱位级别的座位数量,从而确定目标航班的目标舱位级别的座位分配。若目标航班的舱位级别状态为关闭状态,表示目标航班的该舱位级别的座位尚未开始预售,此时,不对目标航班的该舱位级别的座位进行分配。例如,输入到座位预测模型的数据可以如表3所示,表示分别对不同目标航班的不同目标舱位级别进行座位分配。
表3
航班标识 | 舱位级别 | 预售时长(天) | 总销售数量 | 舱位级别状态 |
AA1001 | Y | 2 | 83 | 1 |
AA1001 | B | 2 | 83 | 1 |
AA1002 | H | 2 | 83 | 1 |
BB1001 | K | 2 | 83 | 1 |
CC1001 | L | 2 | 83 | 1 |
AA1001 | Y | 1 | 105 | 1 |
AA1001 | B | 1 | 105 | 1 |
AA1002 | H | 1 | 105 | 1 |
BB1001 | K | 1 | 105 | 1 |
CC1001 | L | 1 | 105 | 1 |
图3是根据一示例性实施例示出的另一种航班的座位分配方法的流程图,如图3所示,座位预测模型是通过如下方式进行训练的:
步骤105,获取样本输入集和样本输出集。样本输入集中的每个样本输入包括:目标航班的航班信息、目标航线在对应的历史时间的历史销售数量、和目标航线在历史时间的历史预售时长。样本输出集中包括与每个样本输入对应的样本输出,每个样本输出包括:目标航班的每个舱位级别在历史时间销售的实际座位数量,或者,目标航班的每个舱位级别在历史时间销售的实际座位比例。
步骤106,将样本输入集作为座位预测模型的输入,将样本输出集作为座位预测模型的输出,以训练座位预测模型。
示例的,上述座位预测模型的训练方式可以包括:首先获取样本输入集和样本输出集。其中,样本输入集中包括多个样本输入,每个样本输入包括:目标航班的航班信息、目标航线在对应的历史时间的历史销售数量、和目标航线在历史时间的历史预售时长。其中,历史时间可以是当前时间之前的任意时间,例如,样本输入集中包括了365个样本输入,每个样本输入包括当前时间之前365天中某一天目标航线在该天的历史销售数量、目标航线在该天的历史预售时长和目标航班的航班信息。相应的,样本输出集中包括与样本输入集中每个样本输入一一对应的样本输出,每个样本输出为目标航班的每个舱位级别在历史时间销售的实际座位数量,或者,目标航班的每个舱位级别在历史时间销售的实际座位比例。例如,样本输出集中包括了365个样本输出,每个样本输出包括目标航班的每个舱位级别在当前时间之前365天中某一天销售的实际座位数量。在对座位预测模型进行训练时,可以将样本输入集作为座位预测模型的输入,将样本输出集作为座位预测模型的输出来训练,使得座位预测模型在输入样本输入集时,座位预测模型输出的每一个实际座位数量,或者,实际座位比例,都能够和该样本输入对应的样本输出集中的样本输出保持一致。
具体的训练过程,可以预先选择一个初始神经网络(例如可以根据需求选择神经网络的类别、深度等),将某一样本输入作为初始神经网络的输入,以获取初始神经网络的输出,再将初始神经网络的输出与该样本输入对应的样本输出进行比较,来修正初始神经网络中至少一个神经元的参数。神经元的参数例如可以是神经元的权重(英文:Weight)和连接关系(英文:Bias)。重复执行上述步骤,使初始神经网络的输入为任一样本输入时,初始神经网络的输出能够与该样本输入对应的样本输出匹配,此时,将初始神经网络作为座位预测模型。
进一步的,若样本输入集和样本输出集发生了更新,服务器还可以根据更新后的样本输入集和样本输出集对座位预测模型进行更新。例如服务器可以定时(每隔1天)获取更新后的样本输入集和样本输出集,并利用更新后的样本输入集和样本输出集来更新目标航班的座位预测模型,以保证座位预测模型能够适用于实际情况,从而提高预测每个舱位级别的座位数量,或者座位比例的准确度。
综上所述,本公开中首先确定符合指定的出发时间和指定的目标航线的目标航班,和目标航班的航班信息,其中航班信息包括航班标识和舱位级别,然后根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,之后根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,最后对目标航班的每个舱位级别,按照座位数量进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定与总销售数量、预售时长和航班信息匹配的每个舱位级别的座位数量,从而实现对每个舱位级别的座位的合理分配,能够提高航班的上座率和收益率。
图4是根据一示例性实施例示出的一种航班的座位分配装置的框图,如图4所示,该装置200包括:
第一确定模块201,用于根据指定的出发时间和指定的目标航线,确定目标航班和目标航班的航班信息,航班信息包括航班标识和舱位级别。
第二确定模块202,用于根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长。
第三确定模块203,用于根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量。
分配模块204,用于按照座位数量,对目标航班的每个舱位级别进行座位分配。
图5是根据一示例性实施例示出的另一种航班的座位分配装置的框图,如图5所示,第二确定模块202包括:
第一确定子模块2021,用于根据历史销售信息,确定目标航线的销售模型。
第二确定子模块2022,用于根据销售模型,确定目标航线在当前时间的总销售数量。
可选地,第三确定模块203用于:
将总销售数量、预售时长和目标航班的航班信息输入座位预测模型,以获取座位预测模型输出的目标航班的每个舱位级别的座位数量。或者,
将总销售数量、预售时长和目标航班的航班信息输入座位预测模型,以获取座位预测模型输出的目标航班的每个舱位级别的座位比例。根据目标航班的每个舱位级别的座位比例,和总销售数量,确定该舱位级别的座位数量。
可选地,航班信息还包括:舱位级别状态。
第三确定模块203用于:
根据总销售数量、预售时长、目标航班的航班信息和座位预测模型,确定目标航班的目标舱位级别的座位数量,目标舱位级别为舱位级别状态为开放状态的舱位级别。
分配模块204用于:
按照座位数量,对目标航班的目标舱位级别进行座位分配。
可选地,座位预测模型是通过如下方式进行训练的:
获取样本输入集和样本输出集。样本输入集中的每个样本输入包括:目标航班的航班信息、目标航线在对应的历史时间的历史销售数量、和目标航线在历史时间的历史预售时长。样本输出集中包括与每个样本输入对应的样本输出,每个样本输出包括:目标航班的每个舱位级别在历史时间销售的实际座位数量,或者,目标航班的每个舱位级别在历史时间销售的实际座位比例。
将样本输入集作为座位预测模型的输入,将样本输出集作为座位预测模型的输出,以训练座位预测模型。
关于上述实施例中的装置,其中各个部分执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开中首先确定符合指定的出发时间和指定的目标航线的目标航班,和目标航班的航班信息,其中航班信息包括航班标识和舱位级别,然后根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,之后根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,最后对目标航班的每个舱位级别,按照座位数量进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定与总销售数量、预售时长和航班信息匹配的每个舱位级别的座位数量,从而实现对每个舱位级别的座位的合理分配,能够提高航班的上座率和收益率。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如,电子设备600可以被提供为一服务器。参照图6,电子设备600包括处理器622,其数量可以为一个或多个,以及存储器632,用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器622可以被配置为执行该计算机程序,以执行上述的航班的座位分配方法。
另外,电子设备600还可以包括电源组件626和通信组件650,该电源组件626可以被配置为执行电子设备600的电源管理,该通信组件650可以被配置为实现电子设备600的通信,例如,有线或无线通信。此外,该电子设备600还可以包括输入/输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的航班的座位分配方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器632,上述程序指令可由电子设备600的处理器622执行以完成上述的航班的座位分配方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的航班的座位分配方法的代码部分。
综上所述,本公开中首先确定符合指定的出发时间和指定的目标航线的目标航班,和目标航班的航班信息,其中航班信息包括航班标识和舱位级别,然后根据预设历史时段内的目标航线的历史销售信息,确定目标航线在当前时间的总销售数量,并根据当前时间和出发时间,确定目标航线的预售时长,之后根据总销售数量、预售时长、目标航班的航班信息和预先训练的座位预测模型,确定目标航班的每个舱位级别的座位数量,最后对目标航班的每个舱位级别,按照座位数量进行座位分配。本公开能够结合历史销售信息确定总销售数量,并利用座位预测模型,确定与总销售数量、预售时长和航班信息匹配的每个舱位级别的座位数量,从而实现对每个舱位级别的座位的合理分配,能够提高航班的上座率和收益率。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,本领域技术人员在考虑说明书及实践本公开后,容易想到本公开的其他实施方案,均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种航班的座位分配方法,其特征在于,所述方法包括:
根据指定的出发时间和指定的目标航线,确定目标航班和所述目标航班的航班信息,所述航班信息包括航班标识和舱位级别;
根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,并根据当前时间和所述出发时间,确定所述目标航线的预售时长;
根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量;
按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配。
2.根据权利要求1所述的方法,其特征在于,所述根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,包括:
根据所述历史销售信息,确定所述目标航线的销售模型;
根据所述销售模型,确定所述目标航线在所述当前时间的所述总销售数量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量,包括:
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的所述座位数量;或者,
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的座位比例;根据所述目标航班的每个所述舱位级别的座位比例,和所述总销售数量,确定该舱位级别的所述座位数量。
4.根据权利要求1所述的方法,其特征在于,所述航班信息还包括:舱位级别状态;
所述根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量,包括:
根据所述总销售数量、所述预售时长、所述目标航班的航班信息和所述座位预测模型,确定所述目标航班的目标舱位级别的所述座位数量,所述目标舱位级别为所述舱位级别状态为开放状态的舱位级别;
所述按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配,包括:
按照所述座位数量,对所述目标航班的所述目标舱位级别进行座位分配。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述座位预测模型是通过如下方式进行训练的:
获取样本输入集和样本输出集;所述样本输入集中的每个样本输入包括:所述目标航班的所述航班信息、所述目标航线在对应的历史时间的历史销售数量、和所述目标航线在所述历史时间的历史预售时长;所述样本输出集中包括与每个所述样本输入对应的样本输出,每个所述样本输出包括:所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位数量,或者,所述目标航班的每个所述舱位级别在所述历史时间销售的实际座位比例;
将所述样本输入集作为所述座位预测模型的输入,将所述样本输出集作为所述座位预测模型的输出,以训练所述座位预测模型。
6.一种航班的座位分配装置,其特征在于,所述装置包括:
第一确定模块,用于根据指定的出发时间和指定的目标航线,确定目标航班和所述目标航班的航班信息,所述航班信息包括航班标识和舱位级别;
第二确定模块,用于根据预设历史时段内的所述目标航线的历史销售信息,确定所述目标航线在当前时间的总销售数量,并根据当前时间和所述出发时间,确定所述目标航线的预售时长;
第三确定模块,用于根据所述总销售数量、所述预售时长、所述目标航班的航班信息和预先训练的座位预测模型,确定所述目标航班的每个所述舱位级别的座位数量;
分配模块,用于按照所述座位数量,对所述目标航班的每个所述舱位级别进行座位分配。
7.根据权利要求6所述的装置,其特征在于,所述第二确定模块包括:
第一确定子模块,用于根据所述历史销售信息,确定所述目标航班线的销售模型;
第二确定子模块,用于根据所述销售模型,确定所述目标航线在所述当前时间的所述总销售数量。
8.根据权利要求6所述的装置,其特征在于,所述第三确定模块用于:
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的所述座位数量;或者,
将所述总销售数量、所述预售时长和所述目标航班的航班信息输入所述座位预测模型,以获取所述座位预测模型输出的所述目标航班的每个所述舱位级别的座位比例;根据所述目标航班的每个所述舱位级别的座位比例,和所述总销售数量,确定该舱位级别的所述座位数量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421717.2A CN111192090A (zh) | 2019-12-31 | 2019-12-31 | 航班的座位分配方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421717.2A CN111192090A (zh) | 2019-12-31 | 2019-12-31 | 航班的座位分配方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192090A true CN111192090A (zh) | 2020-05-22 |
Family
ID=70709802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911421717.2A Pending CN111192090A (zh) | 2019-12-31 | 2019-12-31 | 航班的座位分配方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192090A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784457A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 航班销售控制方法、装置、电子设备及存储介质 |
CN111858690A (zh) * | 2020-07-30 | 2020-10-30 | 中国民航信息网络股份有限公司 | 一种航班舱位限制销售数量自动调整方法及系统 |
CN112651671A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种航班舱位调整方法及相关设备 |
CN112965904A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 座位图系统的测试方法及装置、存储介质及电子设备 |
CN115186233A (zh) * | 2022-09-07 | 2022-10-14 | 中航信移动科技有限公司 | 一种用于太阳显示位置确定的数据处理方法、存储介质及电子设备 |
CN116757728A (zh) * | 2023-08-16 | 2023-09-15 | 中国民航信息网络股份有限公司 | 一种历史航班的销售数据的处理方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180114150A1 (en) * | 2015-08-07 | 2018-04-26 | Nomura Research Institute, Ltd. | Airline ticket sales system |
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 |
CN110334121A (zh) * | 2019-07-10 | 2019-10-15 | 中国民航信息网络股份有限公司 | 付费座位管理方法及系统 |
CN110516873A (zh) * | 2019-08-28 | 2019-11-29 | 贵州优策网络科技有限公司 | 一种航空公司舱位分配优化方法 |
-
2019
- 2019-12-31 CN CN201911421717.2A patent/CN111192090A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114150A1 (en) * | 2015-08-07 | 2018-04-26 | Nomura Research Institute, Ltd. | Airline ticket sales system |
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 |
CN110334121A (zh) * | 2019-07-10 | 2019-10-15 | 中国民航信息网络股份有限公司 | 付费座位管理方法及系统 |
CN110516873A (zh) * | 2019-08-28 | 2019-11-29 | 贵州优策网络科技有限公司 | 一种航空公司舱位分配优化方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784457A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 航班销售控制方法、装置、电子设备及存储介质 |
CN111784457B (zh) * | 2020-06-30 | 2024-06-07 | 中国民航信息网络股份有限公司 | 航班销售控制方法、装置、电子设备及存储介质 |
CN111858690A (zh) * | 2020-07-30 | 2020-10-30 | 中国民航信息网络股份有限公司 | 一种航班舱位限制销售数量自动调整方法及系统 |
CN111858690B (zh) * | 2020-07-30 | 2024-04-30 | 中国民航信息网络股份有限公司 | 一种航班舱位限制销售数量自动调整方法及系统 |
CN112651671A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种航班舱位调整方法及相关设备 |
CN112965904A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 座位图系统的测试方法及装置、存储介质及电子设备 |
CN112965904B (zh) * | 2021-03-10 | 2024-04-05 | 中国民航信息网络股份有限公司 | 座位图系统的测试方法及装置、存储介质及电子设备 |
CN115186233A (zh) * | 2022-09-07 | 2022-10-14 | 中航信移动科技有限公司 | 一种用于太阳显示位置确定的数据处理方法、存储介质及电子设备 |
CN115186233B (zh) * | 2022-09-07 | 2022-11-25 | 中航信移动科技有限公司 | 一种用于太阳显示位置确定的数据处理方法、存储介质及电子设备 |
CN116757728A (zh) * | 2023-08-16 | 2023-09-15 | 中国民航信息网络股份有限公司 | 一种历史航班的销售数据的处理方法及相关装置 |
CN116757728B (zh) * | 2023-08-16 | 2023-10-24 | 中国民航信息网络股份有限公司 | 一种历史航班的销售数据的处理方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN107086935B (zh) | 基于wifi ap的人流量分布预测方法 | |
CN108022140A (zh) | 一种用车订单推荐方法、装置及服务器 | |
CN109784970B (zh) | 一种基于afc乘客乘车数据的服务推荐方法及装置 | |
CN112703517A (zh) | 电子叫车服务 | |
US9310204B2 (en) | Route modeler for improving desired environmental and economic flight characteristics | |
CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
Erdoğan et al. | Solving a large-scale crew pairing problem | |
Chen et al. | Decentralised cooperative cruising of autonomous ride-sourcing fleets | |
CN110751359B (zh) | 一种自动化航线网络评估方法、电子设备及存储介质 | |
US20160071044A1 (en) | Flight schedule optimization | |
CN110413722B (zh) | 地址选择方法、装置以及非瞬时性存储介质 | |
CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
CN111310961A (zh) | 数据预测方法、装置、电子设备和计算机可读存储介质 | |
US20180089774A1 (en) | Method for automatic property valuation | |
CN106779245B (zh) | 基于事件的民航需求预测方法和装置 | |
US20150286962A1 (en) | Method and computer program product for analyzing airline passenger ticket mass data stocks | |
CN109711894B (zh) | 航线需求异常的检测方法及系统 | |
CN112215453A (zh) | 一种库存信息处理方法、装置、电子设备及存储介质 | |
CN111612183A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
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 | |
CN111507502B (zh) | 一种虚占航班班次的优化方法和系统 | |
CN110766435B (zh) | 向量训练方法、装置、电子设备以及计算机可读存储介质 | |
Ahmed et al. | An overview of the issues in the airline industry and the role of optimization models and algorithms | |
CN116362788B (zh) | 一种新航线开通的预测方法、装置、设备及存储介质 |
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 |