CN111582919B - 一种航班客座率预测方法和系统 - Google Patents
一种航班客座率预测方法和系统 Download PDFInfo
- Publication number
- CN111582919B CN111582919B CN202010331386.XA CN202010331386A CN111582919B CN 111582919 B CN111582919 B CN 111582919B CN 202010331386 A CN202010331386 A CN 202010331386A CN 111582919 B CN111582919 B CN 111582919B
- Authority
- CN
- China
- Prior art keywords
- flight
- passenger seat
- historical
- seat rate
- mth
- 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.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
Abstract
本发明涉及一种航班客座率预测方法和系统,通过航班的客座率预测模型预测出航班在第M次运行时的客座率的初始预测值,并通过航班的修正系数预测模型预测出航班在第M次运行时的修正系数,最后通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正,减小了单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,从而使得到航班在第M次运行时的客座率的最终预测值更接近航班在第M次运行时的真实的客座率,即提高客座率预测的准确度,以便于为航空公司发展政策的拟定提供实证支持。
Description
技术领域
本发明涉及航空信息技术领域,尤其涉及一种航班客座率预测方法和系统。
背景技术
随着我国从航空运输大国到航空运输强国战略的逐渐展开,民航业已经成为国家重要战略产业之一,是构成建设交通强国的强有力支柱。客座率指标是航空公司重要的效益参考指标之一,对于航空公司来说,建设和发展民航业需重点关注客座率指标,掌握其变化规律和影响因素,对更好更快实现民航强国战略提供了指导意义。
目前,航空公司往往根据任一航班的以往的1年、2年等的客座率通过建立数学模型的方式,对该航班的客座率进行预测,但由于建立的数学模型不能百分之百地对该航班以往的1年、2年等的客座率进行拟合,由此导致预测出的客座率往往存在较大偏差,不能为航空公司发展政策的拟定提供实证支持。
发明内容
本发明提供了一种航班客座率预测方法和系统,旨在解决的技术问题是如何提高航班客座率的预测准确度,解决了因现有技术中数学模型不能对航班历史客座率进行拟合,而导致预测的航班客座率存在较大偏差的技术问题。
本发明的一种航班客座率预测方法的技术方案如下:
将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值。
本发明的一种航班客座率预测方法的有益效果如下:
通过航班的客座率预测模型预测出航班在第M次运行时的客座率的初始预测值,并通过航班的修正系数预测模型预测出航班在第M次运行时的修正系数,最后通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正,减小了单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,从而使得到航班在第M次运行时的客座率的最终预测值更接近航班在第M次运行时的真实的客座率,即提高客座率预测的准确度,以便于为航空公司发展政策的拟定提供实证支持。
进一步,所述航班客座率预测方法还包括:
将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
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:通过卷积神经网络构建出航班的客座率预测模型,以保证所构建出的航班的客座率预测模型能对航班在连续N次历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据进行最优的拟合,以减小单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,当通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正后,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
进一步,还包括:
获取所述航班在连续N次历史运行的每次历史运行的修正系数;
将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数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航班的修正系数预测模型。
采用上述进一步方案的有益效果是:通过卷积神经网络构建出航班的修正系数预测模型,以保证所构建出的航班的修正系数预测模型能对航班在连续N次历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数进行最优的拟合,以保证所得到的航班在第M次运行时的修正系数的准确度。
进一步,所述获取所述航班在连续N次历史运行的每次历史运行的修正系数,包括:
遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
采用上述进一步方案的有益效果是:对获取航班在连续N次历史运行的每次历史运行的修正系数的过程进行说明。
进一步,所述得到所述航班在第M次运行时的客座率的最终预测值之前,还包括:
通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数;
通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数;
在根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正之后,利用所述航班在第M次运行时的比例系数对所述航班在第M次运行时的客座率的初始预测值进行第二次修正。
采用上述进一步方案的有益效果是:通过自回归滑动平均模型预测出航班在第M次运行时的比例系数,并根据预测出的第M次运行时的比例系数对航班在第M次运行时的客座率的初始预测值进行修正所得到的预测值进行修正,即通过两次修正,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
本发明的一种航班客座率预测系统的技术方案如下:
包括客座率预测模块、修正系数预测模块和第一修正模块;
所述客座率预测模块用于将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
所述修正系数预测模块用于将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
所述第一修正模块用于根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值。
本发明的一种航班客座率预测系统的有益效果如下:
通过航班的客座率预测模型预测出航班在第M次运行时的客座率的初始预测值,并通过航班的修正系数预测模型预测出航班在第M次运行时的修正系数,最后通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正,减小了单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,从而使得到航班在第M次运行时的客座率的最终预测值更接近航班在第M次运行时的真实的客座率,即提高客座率预测的准确度,以便于为航空公司发展政策的拟定提供实证支持。
在上述方案的基础上,本发明的一种航班客座率预测系统还可以做如下改进。
进一步,还包括第一构建模块,所述第一构建模块用于:
将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
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:通过卷积神经网络构建出航班的客座率预测模型,以保证所构建出的航班的客座率预测模型能对航班在连续N次历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据进行最优的拟合,以减小单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,当通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正后,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
进一步,还包括第二构建模块,所述第二构建模块用于:
获取所述航班在连续N次历史运行的每次历史运行的修正系数;
将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数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航班的修正系数预测模型。
采用上述进一步方案的有益效果是:通过卷积神经网络构建出航班的修正系数预测模型,以保证所构建出的航班的修正系数预测模型能对航班在连续N次历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数进行最优的拟合,以保证所得到的航班在第M次运行时的修正系数的准确度。
进一步,所述第二构建模块具体用于:
遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
采用上述进一步方案的有益效果是:对获取航班在连续N次历史运行的每次历史运行的修正系数的过程进行说明。
进一步,还包括第二修正模块,所述第二修正模块用于:
通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数;
通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数;
在根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正之后,利用所述航班在第M次运行时的比例系数对所述航班在第M次运行时的客座率的初始预测值进行第二次修正。
采用上述进一步方案的有益效果是:通过自回归滑动平均模型预测出航班在第M次运行时的比例系数,并根据预测出的第M次运行时的比例系数对航班在第M次运行时的客座率的初始预测值进行修正所得到的预测值进行修正,即通过两次修正,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
本发明还提供了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客座率预测方法的步骤。
附图说明
图1为本发明实施例的一种航班客座率预测方法的流程示意图;
图2为本发明实施例的一种航班客座率预测系统的结构示意图;
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客座率预测方法,包括如下步骤:
S1、将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
S2、将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
S3、根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值。
通过航班的客座率预测模型预测出航班在第M次运行时的客座率的初始预测值,并通过航班的修正系数预测模型预测出航班在第M次运行时的修正系数,最后通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正,减小了单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,从而使得到航班在第M次运行时的客座率的最终预测值更接近航班在第M次运行时的真实的客座率,即提高客座率预测的准确度,以便于为航空公司发展政策的拟定提供实证支持。
其中,影响数据包括:航班的起飞机场的天气数据、航班的终止机场的天气数据、航班的起飞机场的交通数据、航班的终止机场的交通数据等,具体地:
1)把不同天气进行权重分配,例如,将天气为晴天的权重分配为1、将天气为阴天的权重分配为0.8、将天气为小雨的权重分配为0.5等,其中,于航班在第M次运行时,其航班的起飞机场的天气、航班的终止机场的天气可从气象台获取,可以理解的是:
根据不同的天气所分配的权重即为天气数据,由此,可将抽象的天气转换为具体的数据,便于进行后续计算;
2)根据交通情况进行权重分配,例如:若距离起飞机场3公里内有10个站点,则将其权重分配为1,若距离起飞机场3公里内有8个站点,则将其权重分配为0.8,若距离终止机场3公里内7个站点,则将其权重分配为0.7等,其中站点包括地铁站点和公交站点等,可以理解的是:
若距离起飞机场3公里内有10个站点,由于起飞机场所在城市规划原因时距离起飞机场3公里内有15个站点,则可将其权重分配为1.5,由此,可将抽象的交通情况转换为具体的数据,也便于进行后续计算;
根据上述内容进一步进行阐述,假设第一航班的起飞机场为A机场,其终止机场为B机场,且假设航班在第M次运行时,A机场的天气情况为晴天,且距离A机场3公里内有8个站点,B机场的天气情况为阴天,且距离A机场3公里内有7个站点,则影响数据可做如下理解:
1)第一理解方式:
影响数据为起飞机场的天气数据、起飞机场的交通数据、终止机场的天气数据和终止机场的交通数据的综合,则第一航班的影响数据=A机场的天气数据+A机场的交通数据+B机场的天气数据+B机场的交通数据=1+0.8+0.8+0.7=3.3;
2)第二理解方式:
影响数据为数组形式,即第一航班的影响数据中包括A机场的天气数据和A机场的交通数据之和、B机场的天气数据和A机场的交通数据之和,即第一航班的影响数据是由1.8和1.5两个数据所构成的数据;
可以理解的是:根据不同的影响数据的理解方式进行航班的客座率预测模型和航班的修正系数预测模型的构建,以便于第M次运行时的影响数据的输入。
而且,上述通过直飞航班进行说明,即直飞航班包括起飞机场和终止机场,当航班为经停航班时,则包括直飞航班包括起飞机场、中转航班和终止机场,则直接类比上文内容,增加中转航班的天气数据和交通数据,从而得到天气数据。
可以理解的是:假设M=501,航班实际运行了500次,则通过上述过程得到第501次运行时的客座率的最终预测值,并与第501次运行时的实际客座率即真实的客座率进行比较,可及时验证所述航班的客座率预测模型和航班的修正系数预测模型的准确度,例如若偏差超过80%或其它预设的阈值,可将到第501次运行时的影响数据和实际客座率参与构建航班的客座率预测模型和航班的修正系数预测模型以对航班的客座率预测模型和航班的修正系数预测模型进行调整,使调整后的航班的客座率预测模型和航班的修正系数预测模的准确度提高,当M=502,航班实际运行了501次时,也可参考该过程对航班的客座率预测模型和航班的修正系数预测模进行继续调整,进一步提高准确度。
其中,第M次运行也可理解为:
航班已经运行了500次,第M次为这已经运行500次中的其中一次,例如M=100,则通过上述过程得到第100次运行时的客座率的最终预测值,并与第100次运行时的实际客座率即真实的客座率进行比较,可及时验证所述航班的客座率预测模型和航班的修正系数预测模型的准确度,例如若偏差超过80%或其它预设的阈值,能及时对航班的客座率预测模型和航班的修正系数预测模今天调整,其中,需注意的是:第100次运行时的影响数据和实际客座率前期没有参与构建航班的客座率预测模型和航班的修正系数预测模,若偏差超过80%或其它预设的阈值,可将第100次运行的影响数据和客座率参与构建航班的客座率预测模型和航班的修正系数预测模,且也可引入更多的未前期参与构建数据来参与构建航班的客座率预测模型和航班的修正系数预测模,使调整后的航班的客座率预测模型和航班的修正系数预测模的准确度提高,其中,未前期参与构建数据是指:航班的任一次运行中没有前期参与构建航班的客座率预测模型和航班的修正系数预测模的影响数据和对应的实际客座率。
其中,未前期参与构建数据可简单理解为:假设N=300,但航班已经实际运行了600次,从中选择了第301次至600次运行时的实际客座率和对应的影响数据,并将其划分为第一训练集和第一验证集,并训练出航班的客座率预测模型,则第1次至第300次运行时的实际客座率和对应的影响数据均为未前期参与构建数据。
其中,构建出航班的客座率预测模型的过程为:
S10、将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
S11、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航班的客座率预测模型。
通过卷积神经网络构建出航班的客座率预测模型,以保证所构建出的航班的客座率预测模型能对航班在连续N次历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据进行最优的拟合,以减小单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,当通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正后,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
其中,构建出航班的修正系数预测模型的过程为:
S20、获取所述航班在连续N次历史运行的每次历史运行的修正系数;
S21、将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数划分为第二训练集和第二验证集;
S22、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航班的修正系数预测模型。
通过卷积神经网络构建出航班的修正系数预测模型,以保证所构建出的航班的修正系数预测模型能对航班在连续N次历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数进行最优的拟合,以保证所得到的航班在第M次运行时的修正系数的准确度。
其中,S20具体包括:
S200、遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
S210、根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
在此以上述第一航班的实例对本申请能提高预测客座率的准确性进行更为详细地说明,假设N=1000,M=1001,那么:
S1000、得到第一训练集和第一验证集,具体地:
将第一航班在1000次连续历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据划分为第一训练集和第一验证集,例如将第1次至第900次连续历史运行的每次历史运行的客座率和每次历史运行的实际客座率所对应的影响数据作为第一训练集,第901次至第1000次连续历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据作为第一验证集,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%。
S1001、得到第一航班的客座率预测模型,具体地:
以第一训练集中的第一航班在第1次至第900次连续历史运行的每次历史运行的实际客座率作为第一因变量,以第一训练集的第一航班在第1次至第900次连续历史运行的每次历史运行的实际客座率所对应的影响数据作为第一自变量,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的第901次至第1000次连续历史运行的每次历史运行的实际客座率作为第一因变量、以第一验证集中的第901次至第1000次连续历史运行的每次历史运行的实际客座率所对应的影响数据作为第一自变量,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:在验证的过程中,在修正系数预测模型中输入第一验证集中的第901次至第1000次连续历史运行的每次历史运行的实际客座率所对应的影响数据所得到的100个客座率预测值,与第一验证集中的第901次至第1000次连续历史运行的每次历史运行的实际客座率进行相应的对比所得到的偏差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,则对第一训练集继续进行训练,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;
S1002、获取第一航班在连续N次历史运行的每次历史运行的修正系数,具体地:
将第一航班在第一次历史运行的影响数据输入第一航班的客座率预测模型中,得到第一航班在第一次历史运行的预测客座率,将第一航班在第一次历史运行的客座率预测值与第一航班在第一次历史运行的实际客座率即真实的客座率进行对比后,得到第一航班在第一次历史运行的修正系数,例如第一次历史运行的客座率预测值为80%,第一次历史运行的实际客座率即真实的客座率为85%,通过修正系数的计算公式可得到第一次历史运行的修正系数为:5%/80%=0.0625=6.25%,
其中,修正系数的计算公式为:其中,i为正整数,且i≤N,Pi表示第i次历史运行的修正系数,Ri表示第i次历史运行的实际客座率,Fi表示第i次历史运行的客座率预测值,根据上述过程,遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据后,得到每次历史运行的修正系数;
S1003、获取第二训练集和第二验证集,具体地:
将第一航班在1000次连续历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数划分为第二训练集和第二验证集,例如将第1次至第900次连续历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数作为第二训练集,将第901次至第1000次连续历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数作为第二验证集,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修正系数预测模型的准确度,原则上第二训练集的占比不少于70%。
S1004、得到第一航班的修正系数预测模型,具体地:
以第二训练集中的第一航班在第1次至第900次连续历史运行的每次历史运行的修正系数作为第二因变量,以第二训练集的第一航班在第1次至第900次连续历史运行的每次历史运行所对应的影响数据作为第二自变量,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的第901次至第1000次连续历史运行的每次历史运行的修正系数作为第二因变量、以第二验证集中的第901次至第1000次连续历史运行的每次历史运行的所对应的影响数据作为第二自变量,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修正系数预测模型;
其中,第二预设条件为:在验证的过程中,在第一航班的修正系数预测模型中输入第二验证集中的第901次至第1000次连续历史运行的每次历史运行所对应的影响数据所得到的100个修正系数的预测值,与第二验证集中的第901次至第1000次连续历史运行的每次历史运行的修正系数进行相应的对比所得到的偏差不超过第二偏差阈值,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修正系数预测模型,若否,则进行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修正系数预测模型;
S1005、将第一航班在第1001次运行时的影响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次运行时的客座率的初始预测值;
S1006、将第一航班在第1001次运行时的影响数据输入第一航班的修正系数预测模型,得到第一航班在第1001次运行时的修正系数;
S1007、根据第一航班在第M次运行时的修正系数对第一航班在第1001次运行时的客座率的初始预测值进行修正,得到第一航班在第M次运行时的客座率的最终预测值,具体地:
可以理解的是:由于第一航班的客座率预测模型是由实际问题即客座率预测进行抽象得到的,会存在不可避免的模型误差,且卷积神经网络本身就是一种近似方法,且计算机在计算时只能对有限位进行计算,对计算出中间结果会采用“四舍五入”或其它规则取近似值,由此会进行使误差增大,因此,在构建数学模型即构建第一航班的客座率预测模型时,第一偏差阈值达不到0,那么:
假设第一偏差阈值为8%,且每次历史运行的客座率预测值与每次历史运行的实际客座率之间的偏差均为第一偏差阈值8%,由于拟合的准确率与预测值的准确率之间为正比关系,则得到第1001次运行的客座率的初始预测值的准确度为1-0.08-0.082-0.083-0.084-……-0.081000;
由于引入每次历史运行的修正系数,相当于对每次历史运行的客座率预测值与每次历史运行的实际客座率之间的偏差进行纠偏,使客座率预测值更接近每次历史运行的实际客座率,因此通过构造出的第一航班的修正系数预测模型所计算出第1001次运行时的修正系数能使第1001次运行的客座率的初始预测值更接近真实的客座率,假设第二偏差阈值为5%,且每次历史运行的修正系数的预测值与每次历史运行的修正系数之间的偏差为5%,则使得到第1001次运行的客座率的修正系数的准确度为1-0.05-0.052-0.053-0.054-……-0.051000,则使客座率的最终预测值的准确度为1-(0.08-0.082-0.083-0.084-……-0.081000)×(1-0.05-0.052-0.053-0.054-……-0.051000),由于1-(0.08-0.082-0.083-0.084-……-0.081000)×(1-0.05-0.052-0.053-0.054-……-0.051000)>1-0.08-0.082-0.083-0.084-……-0.081000,则说明对本申请能提高预测客座率的准确性。
其中,当得到航班真实完成第1001次运行后,得到航班在第1001次运行时的实际客座率,将航班第1001次运行预测得到的最终客座率与实际客座率进行对比,可及时验证所述航班的客座率预测模型和航班的修正系数预测模型的准确度,例如若偏差超过80%或其它预设的阈值,可将到第1001次运行时的影响数据和实际客座率参与构建航班的客座率预测模型和航班的修正系数预测模型,使新构建的航班的客座率预测模型和航班的修正系数预测模的准确度提高。
较优地,在上述技术方案中,S3中所述得到所述航班在第M次运行时的客座率的最终预测值之前,还包括:
S30、通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数,具体地:
其中,搜索量可为网页搜索量、APP搜索量、软件搜索量和电话询问量之间的总和,假设第一次历史运行的搜索量为10000次,第一次历史运行的实际客座率为85%,则第一次历史运行的比例系数为遍历航班在连续N次历史运行的每一次历史运行的搜索量后,获得每次历史运行的比例系数;
S31、通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数,具体地:
将第一次历史运行、第二次历史运行……第N次历史运行作为时间序列数据,例如将第一次历史运行作为第一分钟、将第二次历史运行作为第二分钟等,然后根据第一次历史运行的比例系数、第二次历史运行的比例系数……第N次历史运行的比例系数建立自回归滑动平均模型,具体包括S310至S314:
S310、采用一定的方法对第一分钟、第二分钟……第N分钟的时间序列数据通过进行平稳化处理,且一定的方法为本领域技术人员所熟知,在此不做赘述;
S311、由于将第一分钟、第二分钟……第N分钟的时间序列数据进行平稳化处理后所得到的平稳数列的自相关函数和偏相关函数都是固定的,从而可根据自相关函数和偏相关函数进行模型识别;
S312、使用最小乘二法实现自回归滑动平均模型的参数的估计;
S313、采用自相关函数、偏自相关函数定阶法和准则函数定阶法相结合的方式确定自回归滑动平均模型的阶;
S314、根据模型识别的结果、估计到的参数和自回归滑动平均模型的阶进行自回归滑动平均模型的建立,并使用最小方差原理进行误差的预测,如果预测的误差在预设的误差范围内,则该模型为自回归滑动平均模型;
S32、根据所述航班在第M次运行时的比例系数对根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正所得到的预测值进行修正。
通过自回归滑动平均模型预测出航班在第M次运行时的比例系数,并根据预测出的第M次运行时的比例系数对航班在第M次运行时的客座率的初始预测值进行修正所得到的预测值进行修正,使本申请的一种航班客座率的预测方法更接近真实的真实情况,即通过两次修正,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
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客座率预测系统200,包括客座率预测模块210、修正系数预测模块220和第一修正模块230;
所述客座率预测模块210用于将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
所述修正系数预测模块220用于将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
所述第一修正模块230用于根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值。
通过航班的客座率预测模型预测出航班在第M次运行时的客座率的初始预测值,并通过航班的修正系数预测模型预测出航班在第M次运行时的修正系数,最后通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正,减小了单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,从而使得到航班在第M次运行时的客座率的最终预测值更接近航班在第M次运行时的真实的客座率,即提高客座率预测的准确度,以便于为航空公司发展政策的拟定提供实证支持。
较优地,在上述技术方案中,还包括第一构建模块,所述第一构建模块用于:
将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
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航班的客座率预测模型。
通过卷积神经网络构建出航班的客座率预测模型,以保证所构建出的航班的客座率预测模型能对航班在连续N次历史运行的每次历史运行的实际客座率和每次历史运行的实际客座率所对应的影响数据进行最优的拟合,以减小单一由航班的客座率预测模型所预测出的客座率的初始预测值的偏差,当通过航班在第M次运行时的修正系数对航班在第M次运行时的客座率的初始预测值进行修正后,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
较优地,在上述技术方案中,还包括第二构建模块,所述第二构建模块用于:
获取所述航班在连续N次历史运行的每次历史运行的修正系数;
将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数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航班的修正系数预测模型。
通过卷积神经网络构建出航班的修正系数预测模型,以保证所构建出的航班的修正系数预测模型能对航班在连续N次历史运行的每次历史运行的影响数据和每次历史运行所对应的修正系数进行最优的拟合,以保证所得到的航班在第M次运行时的修正系数的准确度。
较优地,在上述技术方案中,所述第二构建模块具体用于:
遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
较优地,在上述技术方案中,还包括第二修正模块,所述第二修正模块用于:
通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数;
通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数;
在根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正之后,利用所述航班在第M次运行时的比例系数对所述航班在第M次运行时的客座率的初始预测值进行第二次修正。
通过自回归滑动平均模型预测出航班在第M次运行时的比例系数,并根据预测出的第M次运行时的比例系数对航班在第M次运行时的客座率的初始预测值进行修正所得到的预测值进行修正,即通过两次修正,使得到航班在第M次运行时的客座率的最终预测值能更进一步地接近航班在第M次运行时的真实的客座率,即进一步提高了客座率预测的准确度。
上述关于本发明的一种航班客座率预测系统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客座率预测方法的实施例中的各参数和步骤,在此不做赘述。
如图3所示,本发明实施例的一种电子设备300,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客座率预测方法的步骤。
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客座率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)
1.一种航班客座率预测方法,其特征在于,包括:
将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值;
还包括:
将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
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航班的客座率预测模型;
还包括:
获取所述航班在连续N次历史运行的每次历史运行的修正系数;
将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数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航班的修正系数预测模型;
所述获取所述航班在连续N次历史运行的每次历史运行的修正系数,包括:
遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
2.根据权利要求1所述的一种航班客座率预测方法,其特征在于,所述得到所述航班在第M次运行时的客座率的最终预测值之前,还包括:
通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数;
通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数;
在根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正之后,利用所述航班在第M次运行时的比例系数对所述航班在第M次运行时的客座率的初始预测值进行第二次修正。
3.一种航班客座率预测系统,其特征在于,包括客座率预测模块、修正系数预测模块和第一修正模块;
所述客座率预测模块用于将航班在第M次运行时的影响数据输入所述航班的客座率预测模型,得到所述航班在第M次运行时的客座率的初始预测值,M为正整数;
所述修正系数预测模块用于将所述航班在第M次运行时的影响数据输入所述航班的修正系数预测模型,得到所述航班在第M次运行时的修正系数;
所述第一修正模块用于根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正,得到所述航班在第M次运行时的客座率的最终预测值;
还包括第一构建模块,所述第一构建模块用于:
将所述航班在连续N次历史运行的每次历史运行的实际客座率和对应的影响数据划分为第一训练集和第一验证集,N为正整数且N<M;
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航班的客座率预测模型;
还包括第二构建模块,所述第二构建模块用于:
获取所述航班在连续N次历史运行的每次历史运行的修正系数;
将所述航班在连续N次历史运行的每次历史运行的影响数据和对应的修正系数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航班的修正系数预测模型;
所述第二构建模块具体用于:
遍历所述航班在连续N次历史运行中的每一次历史运行的影响数据,并依次将每一次历史运行的影响数据输入所述客座率预测模型,得到每一次历史运行的客座率预测值;
根据每一次历史运行的客座率预测值和对应的实际客座率,计算得到所述航班在连续N次历史运行中的每一次历史运行的修正系数。
4.根据权利要求3所述的一种航班客座率预测系统,其特征在于,还包括第二修正模块,所述第二修正模块用于:
通过遍历所述航班在连续N次历史运行的每一次历史运行的搜索量,计算每一次历史运行的搜索量与对应的实际客座率之间的比例系数,搜索量为用户对所述航班在连续N次历史运行中的每一次历史运行时的搜索次数;
通过自回归滑动平均模型基于所述每次历史运行的比例系数预测出所述航班在第M次运行时的比例系数;
在根据所述航班在第M次运行时的修正系数对所述航班在第M次运行时的客座率的初始预测值进行修正之后,利用所述航班在第M次运行时的比例系数对所述航班在第M次运行时的客座率的初始预测值进行第二次修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331386.XA CN111582919B (zh) | 2020-04-24 | 2020-04-24 | 一种航班客座率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331386.XA CN111582919B (zh) | 2020-04-24 | 2020-04-24 | 一种航班客座率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582919A CN111582919A (zh) | 2020-08-25 |
CN111582919B true CN111582919B (zh) | 2023-09-19 |
Family
ID=72111718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331386.XA Active CN111582919B (zh) | 2020-04-24 | 2020-04-24 | 一种航班客座率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582919B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113537555B (zh) * | 2021-06-03 | 2023-04-11 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
CN116757731B (zh) * | 2023-08-16 | 2023-11-17 | 中国民航信息网络股份有限公司 | 航班季节因子的预测方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2739276A1 (en) * | 2011-03-29 | 2012-09-29 | Trapeze Software Inc. | Method and system for scheduling paratransit service |
CN106779240A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 民航市场宏观指数的预测方法及系统 |
CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
CN107590569A (zh) * | 2017-09-25 | 2018-01-16 | 山东浪潮云服务信息科技有限公司 | 一种数据预测方法及装置 |
CN107657335A (zh) * | 2017-09-06 | 2018-02-02 | 武汉科技大学 | 一种机场客流量的时空分布预测方法 |
CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
CN109657870A (zh) * | 2018-12-27 | 2019-04-19 | 重庆科技学院 | 一种汽车停产后维修配件产量预测方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110070208A (zh) * | 2019-03-15 | 2019-07-30 | 中铁第四勘察设计院集团有限公司 | 一种基于数据修正的铁路日常客运量获取方法 |
CN110288121A (zh) * | 2019-05-16 | 2019-09-27 | 北京交通大学 | 基于多粒度时间注意力机制的航班客座率预测方法 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158771A1 (en) * | 2002-01-16 | 2003-08-21 | Ncr Corporation | Retention modeling methodology for airlines |
US20150371245A1 (en) * | 2014-06-20 | 2015-12-24 | Diio, Llc | Airline Sales Forecasting and Budgeting Tool |
-
2020
- 2020-04-24 CN CN202010331386.XA patent/CN111582919B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2739276A1 (en) * | 2011-03-29 | 2012-09-29 | Trapeze Software Inc. | Method and system for scheduling paratransit service |
CN106779240A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 民航市场宏观指数的预测方法及系统 |
CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
CN107657335A (zh) * | 2017-09-06 | 2018-02-02 | 武汉科技大学 | 一种机场客流量的时空分布预测方法 |
CN107590569A (zh) * | 2017-09-25 | 2018-01-16 | 山东浪潮云服务信息科技有限公司 | 一种数据预测方法及装置 |
CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
CN109657870A (zh) * | 2018-12-27 | 2019-04-19 | 重庆科技学院 | 一种汽车停产后维修配件产量预测方法 |
CN110070208A (zh) * | 2019-03-15 | 2019-07-30 | 中铁第四勘察设计院集团有限公司 | 一种基于数据修正的铁路日常客运量获取方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110288121A (zh) * | 2019-05-16 | 2019-09-27 | 北京交通大学 | 基于多粒度时间注意力机制的航班客座率预测方法 |
CN110826782A (zh) * | 2019-10-25 | 2020-02-21 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
张桥艳 ; 李璐 ; 张培文 ; .基于BP神经网络的航班收入预测.科技和产业.(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111582919A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582919B (zh) | 一种航班客座率预测方法和系统 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN109270927B (zh) | 道路数据的生成方法及装置 | |
EP4047878A1 (en) | Traffic prediction method, device, and storage medium | |
CN112071060B (zh) | 一种基于城市路网交通环境变化的应急救援路径规划方法 | |
CN106503231B (zh) | 基于人工智能的搜索方法和装置 | |
CN107451363B (zh) | 一种多目标均衡网络连续优化问题的计算方法 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN110889558A (zh) | 路况预测方法及装置 | |
CN111862944B (zh) | 语音识别装置、方法、电子设备和计算机可读存储介质 | |
CN113762578A (zh) | 流量预测模型的训练方法、装置和电子设备 | |
KR20180046172A (ko) | 다층확률 기계학습 기반 최적해 탐색 시스템 및 방법 | |
CN110378526A (zh) | 基于gw及svr的汽车站移动流量预测方法、系统及存储介质 | |
CN103578274B (zh) | 一种交通流预测方法及装置 | |
CN112330054A (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
Liang et al. | The impact of bus fleet size on performance of self-equalise bus headway control method | |
CN112562325A (zh) | 基于块坐标下降的大规模城市交通网络流量监测方法 | |
CN114596702B (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
CN114141029B (zh) | 基于线下强化学习与宏观模型的匝道控制方法 | |
CN113675854A (zh) | 一种考虑台区电压损耗的配网线变校验方法及装置 | |
CN114518755A (zh) | 全局路径的规划方法、装置、设备及存储介质 | |
CN112329992A (zh) | 一种航班客座率预测方法、系统及电子设备 | |
Zu et al. | Distributed traffic speed control for improving vehicle throughput |
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 |