CN111582918B - 一种航班收益预测方法和系统 - Google Patents

Abstract

本发明涉及一种航班收益预测方法和系统，根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。

Description

一种航班收益预测方法和系统

技术领域

本发明涉及航空信息技术领域，尤其涉及一种航班收益预测方法和系统。

背景技术

对于航空公司来说，航班的机票全价过高，会使飞机的客座率降低，机票打折出售可以提高航班的客座率，目前航空公司往往根据航班以往的收益数据和客座率数据主观给出打折方案，虽然使客座率有所上升，但会存在机票折扣率过低以使航班收益降低的风险，为了降低该风险，航空公司往往在为旅客提供打折机票的同时，也为旅客设置很多限制条件，例如4折以下的机票不能退、改签，对此航空公司认为：如果低价票可以随意退、改签的话，则会使愿意出高价的旅客的权益得不到保证，从而危及航空公司对于低价票的投放出售，从而使航空公司的收益进一步受损；

但是，《中国民用航空旅客、行李国际运输规定》第六十九条规定“自愿退票，按下列规定办理：(一)客票全部未使用，从已付票款中扣除适当的费用，退还余额；(二)客票已部分使用，从已付票款中扣除相当于已使用航段的适用票价的票款和适用的费用，退还余款”，这显现与航空公司附加的限制条件产生背离，从而使得旅客的投诉率增高，甚至引起很多法律纠纷，严重危及到航空公司后期经营的收益。因此，对于航空公司来说，在推出任一航班的机票的打折方案之前，能获知该打折方案对应的收益是必要的。

发明内容

本发明提供了一种航班收益预测方法和系统，旨在解决的技术问题是如何针对航班收益进行预测，以便为旅客提供相应的机票折扣方案，从而降低旅客因不满机票折扣方案而发生的投诉率，以及提高航班收益。

本发明的一种航班收益预测方法的技术方案如下：

S1、将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

S2、根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值。

本发明的一种航班收益预测方法的有益效果如下：

首先，通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座率预测值，然后，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应的的客座率占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。

在上述方案的基础上，本发明的一种航班收益预测方法还可以做如下改进。

进一步，所述步骤S1具体包括：

将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂。

采用上述进一步方案的有益效果是：客座率作为航空公司经营航班的重要考核指标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使航班收益最大化，从而可避免因一味追求高收益，而忽略了航班客座率，从而导致影响航空公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不满足要求的客座率占比数据删除，有利于调整航班的打折数据，实现航班收益最大化。

进一步，在步骤S1之前，还包括：

将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数；

通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型；以及

将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集；

通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型。

采用上述进一步方案的有益效果是：对获取目标航班的客座率预测模型和目标航班的客座率占比预测模型的过程进行说明。

进一步，所述将所述第一函数确定为所述目标航班的客座率预测模型之前，还包括：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述将所述第一函数确定为所述目标航班的客座率预测模型，包括：

当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第一锚点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

进一步，所述将所述第二函数确定为所述目标航班的客座率占比预测模型之前，还包括：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述将所述第二函数确定为所述目标航班的客座率占比预测模型，包括：

当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。

采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第二锚点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

本发明的一种航班收益预测系统的技术方案如下：

包括预测模块和收益预测模块；

所述预测模块用于将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

所述收益预测模块用于根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值。

本发明的一种航班收益预测系统的有益效果如下：

通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座率预测值，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应的的客座率占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。

在上述方案的基础上，本发明的一种航班收益预测系统还可以做如下改进。

进一步，所述预测模块具体用于：

将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂。

采用上述进一步方案的有益效果是：客座率作为航空公司经营航班的重要考核指标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使目标航班收益最大化，从而可避免因一味追求高收益，而忽略了航班客座率，从而导致影响航空公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不满足要求的客座率占比数据删除，有利于调整航班的打折数据，实现航班收益最大化。

进一步，还包括第一构建模块和第二构建模块；

所述第一构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数，通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型；

所述第二构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集，通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型。

采用上述进一步方案的有益效果是：对获取目标航班的客座率预测模型和目标航班的客座率占比预测模型的过程进行说明。

进一步，还包括第一锚点模块，所述第一锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述第一构建模块具体用于：当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第一锚点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

进一步，还包括第二锚点模块，所述第二锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述第二构建模块具体用于：当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。

采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第二锚点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

本发明还提供一种电子设备的技术方案如下：

包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如上述任一项所述的一种航班收益预测方法的步骤。

附图说明

图1为本发明实施例的一种航班预测收益方法的流程示意图；

图2为本发明实施例的一种航班预测收益系统的结构示意图；

图3为本发明实施例的一种电子设备的结构示意图；

具体实施方式

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

下面将结合附图进行说明。

如图1所示，本发明实施例的一种航班预测收益方法，包括如下步骤：

S1、将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

S2、根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值。

首先，通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座率预测值，然后，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应的的客座率占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。

其中，以第一航班作为目标航班且预测第一航班的第1001次运行时的收益预测值为例，对打折数据进行说明：

当航空公司为第一航班的第1001次运行提出一个打折方案，且打折方案为：在预售期例如30天内，为便于描述，将第一航班运行即第一航班起飞的当天作为起飞日，提前起飞日30天至提前起飞日28天为3折，提前起飞日27天至提前起飞日25天为4折，提前起飞日24天至提前起飞日21天为5折，提前起飞日20天至提前起飞日16天为6折，提前起飞日15天至提前起飞日11天为7折，提前起飞日10天至提前起飞日6天为8折，提前起飞日5天至提前起飞日2天为9折，提前起飞日1天或起飞日当天为全价，则使提前起飞日的天数和折扣数组成31个数组，例如：数组(3，30)表示提前起飞日30天，折数为3折；例如(10，0)表示起飞日当天为10折即机票全价，这31个数组即为打折数据；

其中，客座率占比数据可理解为：假如第一航班上有100个旅客，其中，有2个旅客是提前起飞日30天购买第一航班的机票，则相对于数组(3，30)的客座率占比为2/100＝2％；有0个旅客是提前起飞日29天购买第一航班的机票，则相对于数组(3，29)的客座率占比为0/100＝0；有3个旅客是提前起飞日28天购买第一航班的机票，则相对于数组(3，28)的客座率占比为3/100＝3％；有3个旅客是提前起飞日27天购买第一航班的机票，则相对于数组(3，27)的客座率占比为3/100＝3％；以此类推，得到31个数组的每个数组所对应的客座率占比，共31个客座率占比，这31个客座率占比即为客座率占比数据，简言之，100个旅客可理解为真实的旅客，客座率占比相当于每天购买第一航班的机票的旅客的数量与真实的旅客数量之间的比例；

假如第一航班的最大承载旅客数量为200，第一航班的机票全价为5000元，将第一航班的上述打折数据输入第一航班的客座率预测模型，得到第一航班在第1001次运行时的客座率预测值为80％，则第一航班的预测的载客数量为200×80％＝160；

将第一航班的打折数据输入第一航班的客座率占比预测模型，得到第一航班在第1001次运行时的客座率占比数据，即得提前起飞日30天至起飞日当天中每天购买第一航班的机票的旅客与真实的旅客之间的占比，例如相对于数组(3，30)的客座率占比为5％，则相对于数组(3，30)，预测有160×5％＝8个旅客买第一航班的机票，则第一收益为：8×5000×30％＝12000元；例如相对于数组(3，29)的客座率占比为10％，则相对于数组(3，30)，预测有160×5％＝8个旅客买第一航班的机票，则第二收益为16×5000×30％＝24000元等，依次类推得到第三收益、第四收益……第三十一收益，将第一收益、第二收益、第三收益、第四收益……第三十一收益进行求和后，预测得到第一航班的收益预测值；

可以理解的是，当有多个打折方案时，每个打折方案对应一条打折数据，经S1-S2后，得到多条打折数据分别对应的收益预测值，便于航空公司打折方案，具体地：

若航空公司对第一航班在第1001次运行时的收益的预期为250000元，若计算出来的多个收益预测值中有5个收益预测值超过250000元，且该5个收益预测值中的最大收益预测值为300000元，则航空公司可执行最大收益预测值所对应的打折方案；

由于该5个收益预测值中的每个收益预测值对应1个客座率预测值和1个客座率占比数据，航空公司可根据实际情况从5个客座率预测值或5个客座率占比数据中选取最适合的客座率预测值或最适合的客座率占比数据，并执行最适合的客座率预测值或最适合的客座率占比数据所对应的打折方案；

若计算出来的多个收益预测值均小于250000元，则可再输入不同的打折数据进行计算；

其中，可以理解的是，通过目标航班的客座率预测模型得到的目标航班的多个客座率预测值、通过目标航班的客座率占比预测模型得到的多个客座率占比数据、以及针对所述目标航班预设的多条打折数据对应的收益预测值可通过弹框或网页直观向航空公司进行展示，便于航空公司进行选择。

其中，由于上述计算结果可能出现小数，但由于旅客的数量必须为整数，则采用四舍五入的方式对各计算结果进行处理。

较优地，在上述技术方案中，步骤S1具体包括：

S10、将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

S11、将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，

S12、将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

S13、将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂。

客座率作为航空公司经营航班的重要考核指标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使航班收益最大化，因此可避免因一味追求高收益，而忽略了航班客座率，从而导致影响航空公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不满足要求的客座率占比数据删除，有利于在下一次调整航班的打折数据时，在客座率占比不满足要求的提前起飞日某天，将折扣进行调整，或者将该提前起飞日某天从打折数据中删除，有利于打折数据的优化调整，有利于实现航班收益最大化。

本申请有利于航空公司根据自身需求权衡客座率和收益之间的平衡，将不满足自身需求的客座率占比数据或客座率预测值删除，根据打折数据预测对应的收益预测值，选取收益最大化对应的打折数据作为最佳打折方案，不仅使客座率以及航班收益都能满足航空公司的要求，也可摒弃掉与相关法律法规相背离的低价票限制条件，为旅客的权益提供保障。

其中，可设置M₁＝M₂，此时可理解为：输入目标航班的客座率预测模型的多条打折数据与输入目标航班的客座率占比预测模型的多条打折数据是相同的。

较优地，在上述技术方案中，在步骤S1之前还包括：

S01、将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数；

假设N₃＝1000，并以第一航班进行具体阐述：

可将第一航班在第1次至第900次连续历史运行的每次历史运行的打折数据和第一航班在第1次至第900次连续历史运行的每次历史运行的客座率作为第一训练集，将第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据和第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率作为第一验证集，具体可根据实际情况进行第一训练集和第一验证集的划分，为了所构建出的第一航班的客座率预测模型的准确度，原则上第一训练集的占比不少于70％。

S02、通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型，具体地：

以第一航班在第1次至第900次连续历史运行的每次历史运行的打折数据作为第一自变量，以第一航班在第1次至第900次连续历史运行的每次历史运行的客座率作为第一因变量，通过卷积神经网络进行训练后构建出第一函数，通过以第一验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据作为第一自变量、以第一验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率作为第一因变量，输入第一函数并对第一函数进行验证，当该第一函数满足第一预设条件时，则将第一函数确定为第一航班的客座率预测模型；

其中，第一预设条件为：在第一函数中输入第一验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据后所得到的100个客座率预测值，与第一验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率相比，所得到的偏差均不超过第一偏差阈值，第一偏差阈值可为6％、8％等，且第一偏差阈值根据实际情况进行设置；

当该第一函数满足第一预设条件时，则将第一函数确定为第一航班的客座率预测模型，若否，则继续对第一训练集进行训练，直至得到的第一函数满足第一预设条件，由此确定出第一航班的客座率预测模型；

S03、将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集，具体地：

可将第一航班在第1次至第900次连续历史运行的每次历史运行的打折数据和第一航班在第1次至第900次连续历史运行的每次历史运行的客座率占比数据作为第二训练集，将第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据和第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率占比数据作为第二验证集，具体可根据实际情况进行第二训练集和第二验证集的划分，为了所构建出的第一航班的客座率占比预测模型的准确度，原则上第二训练集的占比不少于70％。

S04、通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型，具体地：

以第一航班在第1次至第900次连续历史运行的每次历史运行的打折数据作为第二自变量，以第一航班在第1次至第900次连续历史运行的每次历史运行的客座率占比数据作为第二因变量，通过卷积神经网络进行训练后构建出第二函数，通过以第二验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据作为第二自变量、以第二验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率占比数据作为第二因变量，输入第二函数并对第二函数进行验证，当该第二函数满足第二预设条件时，则将第二函数确定为第一航班的客座率占比预测模型；

其中，第二预设条件为：在第二函数中输入第二验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的打折数据后所得到的1000个客座率占比数据的预测值，与第一验证集中第一航班在第901次至第1000次连续历史运行的每次历史运行的客座率占比数据相比，所得到的偏差均不超过第二偏差阈值，第二偏差阈值可为6％、8％等，且第二偏差阈值根据实际情况进行设置；

当该第二函数满足第二预设条件时，则将第二函数确定为第一航班的客座率占比预测模型，若否，则继续对第二训练集进行训练，直至得到的第二函数满足第二预设条件，由此确定出第一航班的客座率占比预测模型。

较优地，在技术方案中，在S02中所述将所述第一函数确定为所述航班的客座率预测模型之前，还包括：

S002、从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据；

S102、从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

S202、判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述将所述第一函数确定为所述目标航班的客座率预测模型，包括：

当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

可通过设置一些畸变的打折数据作为第一锚点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通过卷积神经网络进行迭代训练时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确，以第一航班作为目标航班为例进行阐述，具体地：

由于春节、五一劳动节、国庆节的假期期价，乘坐飞机出游的旅客较多，而春节、五一劳动节、国庆节的假期前后，乘坐飞机出游的旅客较少，因此，第一航班在春节、五一劳动节、国庆节的假期期间的打折数据与第一航班在春节、五一劳动节、国庆节的假期前后的打折数据存在明显差异，呈现出畸变特性，若按照通过卷积神经网络进行迭代训练时，会将畸变的打折数据进行平滑处理，使其不能呈现出原有的畸变特性，因此，可将第一航班在春节、五一劳动节、国庆节的假期期间的打折数据，以及第一航班在春节、五一劳动节、国庆节的假期前后的打折数据均设置为第一锚点打折数据，从第一航班在N₃次连续历史运行的每次历史运行的客座率中选取每个第一锚点打折数据对应的锚点客座率，那么：

判断将第一个第一锚点打折数据输入第一函数所得到的数值是否与第一个第一锚点打折数据对应的锚点客座率相等，判断第二个第一锚点打折数据输入第一函数所得到的数值是否与第二个第一锚点打折数据对应的锚点客座率相等，由此得到第一判断结果，当第一判断结果为是时，即第一个第一锚点打折数据输入第一函数所得到的数值与第一个第一锚点打折数据对应的锚点客座率相等且当第二个第一锚点打折数据输入第一函数所得到的数值是否与第二个第一锚点打折数据对应的锚点客座率相等时，将所述第一函数确定为所述第一航班的客座率预测模型，此时第一航班的客座率预测模型完全保留了第一航班在春节、五一劳动节、国庆节的假期期间的打折数据与第一航班在春节、五一劳动节、国庆节的假期前后的打折数据所呈现出的畸变特性，使第一航班的客座率预测模型更为准确，否则，继续对第一训练集进行训练。

较优地，在上述技术方案中，S04中，所述将所述第二函数确定为所述航班的客座率占比预测模型之前，还包括：

S004、从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

S104、从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

S204、判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述将所述第二函数确定为所述目标航班的客座率占比预测模型，包括：

当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。

可通过设置一些畸变的打折数据作为第二锚点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确，其具体论述过程参考上文内容，在此不做赘述。

在上述各实施例中，虽然对步骤进行进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序，此也在本发明的保护范围内。

如图2所示，本发明实施例的一种航班收益预测系统200，包括预测模块210和收益预测模块220；

所述预测模块210用于将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

所述收益预测模块220用于根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值。

通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座率预测值，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应的的客座率占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。

较优地，在上述技术方案中，所述预测模块210具体用于：

将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂。

客座率作为航空公司经营航班的重要考核指标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使目标航班收益最大化，因此可避免因一味追求高收益，而忽略了航班客座率，从而导致影响航空公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不满足要求的客座率占比数据删除，有利于在下一次调整航班的打折数据时，在客座率占比不满足要求的提前起飞日某天，将折扣进行调整，或者将该提前起飞日某天从打折数据中删除，有利于打折数据的优化调整，有利于实现航班收益最大化。

较优地，在上述技术方案中，还包括第一构建模块和第二构建模块；

所述第一构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数，通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型；

所述第二构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集，通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型。

较优地，在上述技术方案中，还包括第一锚点模块，所述第一锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述第一构建模块具体用于：当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

可通过设置一些畸变的打折数据作为第一锚点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

较优地，在上述技术方案中，还包括第二锚点模块，所述第二锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述第二构建模块具体用于：当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。

可通过设置一些畸变的打折数据作为第二锚点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等，避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客座率预测模型更准确。

上述关于本发明的一种航班收益预测系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种航班收益预测方法的实施例中的各参数和步骤，在此不做赘述。

本发明实施例还提供一种电子设备300，如图3所示，包括存储器310、处理器320及存储在所述存储器310上并在所述处理器320上运行的程序330，所述处理器320执行所述程序330时实现上述任一实施的一种航班收益预测方法的步骤。

其中，电子设备300可以选用电脑、手机等，相对应地，其程序330为电脑软件或手机APP等，且上述关于本发明的一种电子设备300中的各参数和步骤，可参考上文中一种航班收益预测方法的实施例中的各参数和步骤，在此不做赘述。

在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种航班收益预测方法，其特征在于，包括：

S1、将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

S2、根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值；

所述步骤S1具体包括：

将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂；

在步骤S1之前，还包括：

将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数；

通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型；以及

将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集；

通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型；

所述将所述第一函数确定为所述目标航班的客座率预测模型之前，还包括：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据，其中，设置畸变的打折数据作为第一锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述将所述第一函数确定为所述目标航班的客座率预测模型，包括：

当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

2.根据权利要求1所述的一种航班收益预测方法，其特征在于，所述将所述第二函数确定为所述目标航班的客座率占比预测模型之前，还包括：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述将所述第二函数确定为所述目标航班的客座率占比预测模型，包括：

当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。

3.一种航班收益预测系统，其特征在于，包括预测模块和收益预测模块；

所述预测模块用于将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数据；

所述收益预测模块用于根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值；

所述预测模块具体用于：

将针对所述目标航班预设的M₁条打折数据分别输入所述目标航班的客座率预测模型，预测得到M₁个客座率预测值；

将满足预设客座率阈值的N₁个客座率预测值作为所述目标航班的客座率预测值，其中，M₁≥2，M₁和N₁均为自然数，且M₁≥N₁；

以及，将针对所述目标航班预设的M₂条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到M₂个客座率占比数据；

将满足预设客座率占比阈值的N₂个客座率占比数据作为所述目标航班的客座率占比数据，其中，M₂≥2，M₂和N₂均为自然数，且M₂≥N₂；

还包括第一构建模块和第二构建模块；

所述第一构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率划分为第一训练集和第一验证集，N₃为正整数，通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型；

所述第二构建模块用于：将所述目标航班在N₃次连续历史运行的每次历史运行的打折数据和客座率占比数据划分为第二训练集和第二验证集，通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模型；

还包括第一锚点模块，所述第一锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第一锚点打折数据，其中，设置畸变的打折数据作为第一锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率中选取每个所述第一锚点打折数据对应的锚点客座率；

判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果；

所述第一构建模块具体用于：当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测模型。

4.根据权利要求3所述的一种航班收益预测系统，其特征在于，还包括第二锚点模块，所述第二锚点模块用于：

从所述目标航班在N₃次连续历史运行的所有次历史运行的打折数据中选取至少一个第二锚点打折数据；

从所述目标航班在N₃次连续历史运行的每次历史运行的客座率占比数据中选取每个所述第二锚点打折数据对应的锚点客座率占比数据；

判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果；

所述第二构建模块具体用于：当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比预测模型。