CN112396245A - 一种基于线性模型的航班订座值的处理方法及系统 - Google Patents
一种基于线性模型的航班订座值的处理方法及系统 Download PDFInfo
- Publication number
- CN112396245A CN112396245A CN202011372597.4A CN202011372597A CN112396245A CN 112396245 A CN112396245 A CN 112396245A CN 202011372597 A CN202011372597 A CN 202011372597A CN 112396245 A CN112396245 A CN 112396245A
- Authority
- CN
- China
- Prior art keywords
- value
- historical sample
- booking
- flight
- departure
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000010006 flight Effects 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 102100030988 Angiotensin-converting enzyme Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 108010083141 dipeptidyl carboxypeptidase Proteins 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101000873780 Homo sapiens m7GpppN-mRNA hydrolase Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 102100035860 m7GpppN-mRNA hydrolase Human genes 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010998 test method Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- 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
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于线性模型的航班订座值的处理方法及系统，确定目标航班的数据采集点和离港时间；确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班；获取与数据采集点对应的目标航班的指定舱位的第一订座值；获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值；确定历史样本航班是否符合使用需求；若符合，利用线性模型预测目标航班的指定舱位的离港订座预测值；基于第二订座值、第三订座值和历史样本航班的数量，计算所述离港订座预测值的标准差。根据计算的离港订座预测值和标准差，对航司进行收益管理和预测市场走向，从而保证航司的收益。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于线性模型的航班订座值的处理方法及系统。
背景技术
航空公司在运营过程中，为保证收益，需要将每一航班的每一航段的每个座位按照不同的价格适时销售给不同类型的旅客。在制定航班的座位销售价格时，需要先预测航班离港时的订座值，并利用订座值确定市场需求情况，再根据市场需求情况制定航班的座位销售价格。
也就是说，为保证航空公司的收益，需要预测航班在离港时的订座值，而如何预测航班在离港时的订座值是目前亟需待解决的问题。
发明内容
有鉴于此，本发明实施例提供一种基于线性模型的航班订座值的处理方法及系统，以预测航班在离港时的订座值。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开一种基于线性模型的航班订座值的处理方法，所述方法包括：
确定目标航班的数据采集点和离港时间，所述数据采集点指示航班距离离港的天数；
确定离港时间与所述目标航班的离港时间为相同星期维度的历史样本航班；
获取与所述数据采集点对应的所述目标航班的指定舱位的第一订座值；
获取与所述数据采集点对应的所述历史样本航班的指定舱位的第二订座值，以及获取所述历史样本航班离港时所述历史样本航班的指定舱位的第三订座值；
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求；
若所述历史样本航班符合使用需求，基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值；
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差。
优选的，所述基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数；
利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数；
根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值。
优选的，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求，包括：
确定所述第二订座值、所述第三订座值和所述历史样本航班的数量是否满足所有预设条件，若满足所有所述预设条件，确定所述历史样本航班符合使用需求；
所述预设条件为：
所述第二订座值和所述第三订座值均大于等于1；
所述历史样本航班的数量大于等于4。
优选的，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，利用
确定线性模型的模型系数Coefficient，其中，Bd为每一所述历史样本航班的所述第三订座值，Bn为每一所述历史样本航班的所述第二订座值，Obse为所述历史样本航班的数量；
相应的，所述利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数，以及根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值，包括：
利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，通过
确定所述线性模型的常数Constant；
根据所述第一订座值、所述模型系数和所述线性模型的常数，利用Demand＝Constant+Coefficient*Bf，预测得到所述目标航班的指定舱位的离港订座预测值Demand，Bf为所述第一订座值。
优选的，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，利用
计算所述离港订座预测值的标准差StdError。
本发明实施例第二方面公开一种基于线性模型的航班订座值的处理系统，所述系统包括：
第一确定单元，用于确定目标航班的数据采集点和离港时间，所述数据采集点指示航班距离离港的天数；
第二确定单元，用于确定离港时间与所述目标航班的离港时间为相同星期维度的历史样本航班；
第一获取单元，用于获取与所述数据采集点对应的所述目标航班的指定舱位的第一订座值；
第二获取单元，用于获取与所述数据采集点对应的所述历史样本航班的指定舱位的第二订座值，以及获取所述历史样本航班离港时所述历史样本航班的指定舱位的第三订座值；
第三确定单元，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求；
预测单元，用于若所述历史样本航班符合使用需求，基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值；
计算单元，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差。
优选的，所述预测单元包括：
第一确定模块，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数；
第二确定模块，用于利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数；
预测模块，用于根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值。
优选的，所述第三确定单元具体用于：
确定所述第二订座值、所述第三订座值和所述历史样本航班的数量是否满足所有预设条件，若满足所有所述预设条件，确定所述历史样本航班符合使用需求；
所述预设条件为：
所述第二订座值和所述第三订座值均大于等于1；
所述历史样本航班的数量大于等于4。
本发明实施例第三方面公开一种电子设备，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如本发明实施例第一方面公开的基于线性模型的航班订座值的处理方法。
本发明实施例第四方面公开一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行本发明实施例第一方面公开的基于线性模型的航班订座值的处理方法。
基于上述本发明实施例提供的一种基于线性模型的航班订座值的处理方法及系统，确定目标航班的数据采集点和离港时间；确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班；获取与数据采集点对应的目标航班的指定舱位的第一订座值；获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值；基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求；若历史样本航班符合使用需求，基于第一订座值、第二订座值、第三订座值和历史样本航班的数量，结合预设的线性模型，预测目标航班的指定舱位的离港订座预测值；基于第二订座值、第三订座值和历史样本航班的数量，计算所述离港订座预测值的标准差。根据计算的离港订座预测值和标准差，对航司进行收益管理和预测市场走向，从而保证航司的收益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于线性模型的航班订座值的处理方法的流程图；
图2为本发明实施例提供的确定离港订座预测值的流程图；
图3为本发明实施例提供的一种基于线性模型的航班订座值的处理系统的结构框图；
图4为本发明实施例提供的一种基于线性模型的航班订座值的处理系统的另一结构框图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知，航空公司在运营过程中，为保证航司的收益，需要预测航班离港时的订座值，才能利用预测得到的订座值确定市场需求情况后制定相应的座位销售价格，而如何预测航班在离港时的订座值是目前亟需待解决的问题。
因此，本发明实施例提供一种基于线性模型的航班订座值的处理方法及系统，确定目标航班的数据采集点和离港时间，以及确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。获取与数据采集点对应的目标航班的指定舱位的第一订座值，获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。若历史样本航班符合使用需求，根据线性模型预测目标航班的指定舱位的离港订座预测值，并计算所述离港订座预测值的标准差。根据计算所得到的离港订座预测值和标准差，对航司进行收益管理和预测市场走向，以保证航司的收益。
参见图1，示出了本发明实施例提供的一种基于线性模型的航班订座值的处理方法的流程图，该处理方法包括：
步骤S101：确定目标航班的数据采集点和离港时间。
需要说明的是，每个数据采集点(Data collectionpoints，DCP)都对应一个数据采集时间，每个数据采集点都指示一航班距离离港的天数，也就是说，不同的数据采集点指示一航班不同的距离离港的天数，比如：DCP1对应的距离港天数(距离离港的天数)为120天，DCP2对应的距离港天数为900天，DCP24对应的距离港天数为0天(此时DCP24也称为DCP-final)。
可以理解的是，在预测目标航班在离港时的离港订座预测值的过程中，需要利用相应的数据，因此在执行步骤S101之前，需要获取目标航空公司(目标航班所对应的航空公司)对应的航班数据信息。
需要说明的是，目标航空公司的航班控制系统中含有该航司(航空公司)线性或增量的航班数据信息，因此可每隔预定时间(比如每隔24小时)从目标航空公司的航班控制系统中获取该航司对应的航班数据信息。
进一步需要说明的是，从所获取的航班数据信息中，获取目标航空公司的指定航班的库存数据，该库存数据包含了已离港航班的库存数据和未离港航班的库存数据，库存数据包含了航班的舱位明细、各个舱位的订座值、航班号、始发机场、到达机场、航班离港日期(即离港时间)和航班离港日期所对应的星期维度，星期维度指的是航班离港日期为周几。
更进一步需要说明的是，为了保证预测目标航班的指定舱位的离港订座预测值的准确性，需要保证上述所获取的库存数据的丰富性，因此在获取库存数据时尽可能获取数量足够丰富的库存数据，比如：以目标航空公司的指定航班的系统日期为基准日期，获取该基准日期过往三年(可标定)的已离港航班的库存数据，以及获取该基准日期未来一年(可标定)的未离港航班的库存数据。
在具体实现步骤S101的过程中，确定目标航班的数据采集点，以及确定该目标航班的离港时间。
步骤S102：确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。
可以理解的是，上述内容中提及了获取已离港航班和未离港航班(其中包含的目标航班)的库存数据，库存数据中至少包含了离港日期和离港日期对应的星期维度。
在具体实现步骤S102的过程中，从已离港航班中，确定离港时间的星期维度与目标航班的星期维度相同的航班，将所确定的航班作为历史样本航班。
比如：目标航班的离港时间为2020年12月1日，2020年12月1日为周二，则从已离港航班中确定离港时间为周二的航班作为历史样本航班。
步骤S103：获取与数据采集点对应的目标航班的指定舱位的第一订座值。
由前述内容可知，数据采集点对应一数据采集时间，因此对于一航班，利用数据采集点可从该航班的库存数据中获取相应的订座值，比如：获取DCP1(距离港天数120天)对应的该航班的订座值。
在具体实现步骤S103的过程中，从所获取的目标航班的库存数据中，获取与数据采集点(DCPn)对应的该目标航班的指定舱位的第一订座值。
步骤S104：获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。
在具体实现步骤S104的过程中，从所获取的历史样本航班(已离港航班)的库存数据中，获取与数据采集点(DCPn)对应的历史样本航班的指定舱位的第二订座值，以及获取该历史样本航班离港时该历史样本航班的指定舱位的第三订座值(即离港订座值)。
步骤S105：基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。
在利用历史样本航班对应的数据预测目标航班的离港订座预测值之前，需要先确定历史样本航班对应的数据是否符合使用要求。
在具体实现步骤S105的过程中，预先设置多个预设条件，确定第二订座值、第三订座值和历史样本航班的数量是否满足所有预设条件，若满足所有预设条件，确定历史样本航班符合使用需求。
预设条件为：
第二订座值和第三订座值均大于等于1。
历史样本航班的数量大于等于4。
也就是说，对于每一历史样本航班，该历史样本航班对应的第二订座值和第三订座值都需要大于等于1。并且，历史样本航班的数量要大于等于4，以保证历史样本航班涵盖整月的航班，从而保证所确定的离港订座预测值更加精确。
当历史样本航班满足上述条件时，利用历史样本航班对应的数据预测目标航班的离港订座预测值。当历史样本航班不满足上述条件时，则需重新获取相应的历史样本航班，直至所获取的历史样本航班满足上述条件后继续执行以下步骤。
步骤S106：若历史样本航班符合使用需求，基于第一订座值、第二订座值、第三订座值和历史样本航班的数量，结合预设的线性模型，预测目标航班的指定舱位的离港订座预测值。
需要说明的是，预先设置相应的线性模型(也称线性回归模型)。
在具体实现步骤S106的过程中，当确定历史样本航班符合使用需求，将历史样本航班的第二订座值和第三订座值作为样本数据，结合目标航班的第一订座值、历史样本航班的数量和线性模型，预测目标航班的指定舱位的离港订座预测值，即预测目标航班在离港时该目标航班的指定舱位的订座值。
可以理解的是，在利用线性模型预测目标航班的指定舱位的离港订座预测值时，不需要考虑目标航班的第一订座值的取值，即只要历史样本航班符合使用需求，无论目标航班的第一订座值的取值为多少，均可利用线性模型预测目标航班的指定舱位的离港订座预测值。
步骤S107：基于第二订座值、第三订座值和历史样本航班的数量，计算离港订座预测值的标准差。
在具体实现步骤S107的过程中，基于第二订座值、第三订座值和历史样本航班的数量，通过公式(1)计算离港订座预测值的标准差StdError，将该标准差作为航空公司的收益管理中的重要依据。
在公式(1)中，Coefficient为线性模型的模型系数，Constant为线性模型的常数，Bd为每一历史样本航班的第三订座值，Bn为每一历史样本航班的第二订座值，Obse为历史样本航班的数量。
可以理解的是，Coefficient的具体内容如公式(2)，Constant的具体内容如公式(3)。
可以理解的是，上述在计算离港订座预测值的标准差时需利用线性模型的相关参数进行计算，即所计算的标准差与该线性模型相对应。同理，在利用其它类型的模型确定离港订座预测值时，也可利用其它类型的模型的相关参数计算相应的标准差，即每种类型的模型可计算该类型的模型对应的标准差。
在实际应用中，可从多种模型中挑选最优的模型，挑选的方式为：根据多种模型对应的标准差，利用最小标准差法从多种模型中挑选最优的模型。
需要说明的是，应用线性模型时，可通过F检验方法确定该线性模型预测目标航班的指定舱位的离港订座预测值的实际效果。
在本发明实施例中，确定目标航班的数据采集点和离港时间，以及确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。获取与数据采集点对应的目标航班的指定舱位的第一订座值，获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。若历史样本航班符合使用需求，根据线性模型预测目标航班的指定舱位的离港订座预测值，并计算所述离港订座预测值的标准差。根据计算所得到的离港订座预测值和标准差，对航司进行收益管理和预测市场走向，提高预测订座值的精确度和保证航司的收益。
上述本发明实施例图1步骤S106中涉及的确定目标航班的指定舱位的离港订座预测值的过程，参见图2，示出了本发明实施例提供的确定离港订座预测值的流程图，包括以下步骤：
步骤S201：基于第二订座值、第三订座值和历史样本航班的数量，确定线性模型的模型系数。
在具体实现步骤S201的过程中，基于第二订座值、第三订座值和历史样本航班的数量，通过上述公式(2)确定线性模型的模型系数Coefficient。
步骤S202：利用第二订座值、第三订座值、历史样本航班的数量和模型系数，确定线性模型的常数。
在具体实现步骤S202的过程中，利用第二订座值、第三订座值、历史样本航班的数量和模型系数，通过上述公式(3)确定线性模型的常数Constant。
步骤S203：根据第一订座值、模型系数和线性模型的常数，预测得到目标航班的指定舱位的离港订座预测值。
在具体实现步骤S203的过程中，根据第一订座值、线性模型的模型系数和线性模型的常数，通过公式(4)计算得到目标航班的指定舱位的离港订座预测值Demand。
Demand＝Constant+Coefficient*Bf(4)
在公式(4)中，线性模型的常数Constant参见上述公式(3)，线性模型的模型系数Coefficient参见上述公式(2)，Bf为目标航班的第一订座值。
在本发明实施例中，利用历史样本航班对应的第二订座值、第三订座值和历史样本航班的数量，确定线性模型的模型系数，再利用模型系数、第二订座值、第三订座值和历史样本航班的数量，确定线性模型的常数。根据模型系数、线性模型的常数和第一订座值，结合线性模型预测目标航班的指定舱位的离港订座预测值，航司利用离港订座预测值进行收益管理，提高预测订座值的精确度和保证航司的收益。
与上述本发明实施例提供的一种基于线性模型的航班订座值的处理方法相对应，参见图3，本发明实施例还提供了一种基于线性模型的航班订座值的处理系统的结构框图，该处理系统包括：第一确定单元301、第二确定单元302、第一获取单元303、第二获取单元304、第三确定单元305、预测单元306和计算单元307；
第一确定单元301，用于确定目标航班的数据采集点和离港时间，数据采集点指示航班距离离港的天数。
第二确定单元302，用于确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。
第一获取单元303，用于获取与数据采集点对应的目标航班的指定舱位的第一订座值。
第二获取单元304，用于获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。
第三确定单元305，用于基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。
在具体实现中，第三确定单元305具体用于：确定第二订座值、第三订座值和历史样本航班的数量是否满足所有预设条件，若满足所有预设条件，确定历史样本航班符合使用需求；
预设条件为：
第二订座值和所述第三订座值均大于等于1；
历史样本航班的数量大于等于4。
预测单元306，用于若历史样本航班符合使用需求，基于第一订座值、第二订座值、第三订座值和历史样本航班的数量，结合预设的线性模型，预测目标航班的指定舱位的离港订座预测值。
计算单元307，用于基于第二订座值、第三订座值和历史样本航班的数量，计算离港订座预测值的标准差。
在具体实现中，计算单元307具体用于：基于第二订座值、第三订座值和历史样本航班的数量，利用上述公式(1)计算离港订座预测值的标准差StdError。
在本发明实施例中，确定目标航班的数据采集点和离港时间，以及确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。获取与数据采集点对应的目标航班的指定舱位的第一订座值，获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。若历史样本航班符合使用需求，根据线性模型预测目标航班的指定舱位的离港订座预测值，并计算所述离港订座预测值的标准差。根据计算所得到的离港订座预测值和标准差，对航司进行收益管理和预测市场走向，提高预测订座值的精确度和保证航司的收益。
优选的，结合图3，参见图4，示出了本发明实施例提供的一种基于线性模型的航班订座值的处理系统的另一结构框图，预测单元306包括第一确定模块3061、第二确定模块3062和预测模块3063；
第一确定模块3061，用于基于第二订座值、第三订座值和历史样本航班的数量，确定线性模型的模型系数。
在具体实现中，第一确定模块3061具体用于：基于第二订座值、第三订座值和历史样本航班的数量，利用上述公式(2)确定线性模型的模型系数Coefficient。
第二确定模块3062，用于利用第二订座值、第三订座值、历史样本航班的数量和模型系数，确定线性模型的常数。
在具体实现中，第二确定模块3062具体用于：利用第二订座值、第三订座值、历史样本航班的数量和模型系数，通过上述公式(3)确定线性模型的常数Constant。
预测模块3063，用于根据第一订座值、模型系数和线性模型的常数，预测得到目标航班的指定舱位的离港订座预测值。
在具体实现中，预测模块3063具体用于：根据第一订座值、模型系数和线性模型的常数，利用上述公式(4)预测得到目标航班的指定舱位的离港订座预测值Demand。
在本发明实施例中，利用历史样本航班对应的第二订座值、第三订座值和历史样本航班的数量，确定线性模型的模型系数，再利用模型系数、第二订座值、第三订座值和历史样本航班的数量，确定线性模型的常数。根据模型系数、线性模型的常数和第一订座值，结合线性模型预测目标航班的指定舱位的离港订座预测值，航司利用离港订座预测值进行收益管理，提高预测订座值的精确度和保证航司的收益。
本发明实施例还提供一种电子设备，该电子设备包括：处理器以及存储器，处理器以及存储器通过通信总线相连；其中，处理器，用于调用并执行存储器中存储的程序；存储器，用于存储程序，该程序用于实现基于线性模型的航班订座值的处理方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置506加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
更进一步的，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机可执行指令，计算机可执行指令用于执行基于线性模型的航班订座值的处理方法。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定目标航班的数据采集点和离港时间，以及确定离港时间与目标航班的离港时间为相同星期维度的历史样本航班。获取与数据采集点对应的目标航班的指定舱位的第一订座值，获取与数据采集点对应的历史样本航班的指定舱位的第二订座值，以及获取历史样本航班离港时历史样本航班的指定舱位的第三订座值。基于第二订座值、第三订座值和历史样本航班的数量，确定历史样本航班是否符合使用需求。若历史样本航班符合使用需求，根据线性模型预测目标航班的指定舱位的离港订座预测值，并计算所述离港订座预测值的标准差。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于线性模型的航班订座值的处理方法，其特征在于，所述方法包括：
确定目标航班的数据采集点和离港时间，所述数据采集点指示航班距离离港的天数；
确定离港时间与所述目标航班的离港时间为相同星期维度的历史样本航班；
获取与所述数据采集点对应的所述目标航班的指定舱位的第一订座值；
获取与所述数据采集点对应的所述历史样本航班的指定舱位的第二订座值，以及获取所述历史样本航班离港时所述历史样本航班的指定舱位的第三订座值；
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求；
若所述历史样本航班符合使用需求，基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值；
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数；
利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数；
根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求，包括：
确定所述第二订座值、所述第三订座值和所述历史样本航班的数量是否满足所有预设条件，若满足所有所述预设条件，确定所述历史样本航班符合使用需求；
所述预设条件为：
所述第二订座值和所述第三订座值均大于等于1；
所述历史样本航班的数量大于等于4。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，利用
确定线性模型的模型系数Coefficient，其中，Bd为每一所述历史样本航班的所述第三订座值，Bn为每一所述历史样本航班的所述第二订座值，Obse为所述历史样本航班的数量；
相应的，所述利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数，以及根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值，包括：
利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，通过
确定所述线性模型的常数Constant；
根据所述第一订座值、所述模型系数和所述线性模型的常数，利用Demand＝Constant+Coefficient*Bf，预测得到所述目标航班的指定舱位的离港订座预测值Demand，Bf为所述第一订座值。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差，包括：
基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，利用
计算所述离港订座预测值的标准差StdError。
6.一种基于线性模型的航班订座值的处理系统，其特征在于，所述系统包括：
第一确定单元，用于确定目标航班的数据采集点和离港时间，所述数据采集点指示航班距离离港的天数；
第二确定单元，用于确定离港时间与所述目标航班的离港时间为相同星期维度的历史样本航班；
第一获取单元，用于获取与所述数据采集点对应的所述目标航班的指定舱位的第一订座值；
第二获取单元，用于获取与所述数据采集点对应的所述历史样本航班的指定舱位的第二订座值，以及获取所述历史样本航班离港时所述历史样本航班的指定舱位的第三订座值；
第三确定单元，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定所述历史样本航班是否符合使用需求；
预测单元，用于若所述历史样本航班符合使用需求，基于所述第一订座值、所述第二订座值、所述第三订座值和所述历史样本航班的数量，结合预设的线性模型，预测所述目标航班的指定舱位的离港订座预测值；
计算单元，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，计算所述离港订座预测值的标准差。
7.根据权利要求6所述的系统，其特征在于，所述预测单元包括：
第一确定模块，用于基于所述第二订座值、所述第三订座值和所述历史样本航班的数量，确定线性模型的模型系数；
第二确定模块，用于利用所述第二订座值、所述第三订座值、所述历史样本航班的数量和所述模型系数，确定所述线性模型的常数；
预测模块，用于根据所述第一订座值、所述模型系数和所述线性模型的常数，预测得到所述目标航班的指定舱位的离港订座预测值。
8.根据权利要求6所述的系统，其特征在于，所述第三确定单元具体用于：
确定所述第二订座值、所述第三订座值和所述历史样本航班的数量是否满足所有预设条件，若满足所有所述预设条件，确定所述历史样本航班符合使用需求；
所述预设条件为：
所述第二订座值和所述第三订座值均大于等于1；
所述历史样本航班的数量大于等于4。
9.一种电子设备，其特征在于，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如权利要求1-5任意一所述的基于线性模型的航班订座值的处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-5任意一所述的基于线性模型的航班订座值的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372597.4A CN112396245B (zh) | 2020-11-30 | 2020-11-30 | 一种基于线性模型的航班订座值的处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372597.4A CN112396245B (zh) | 2020-11-30 | 2020-11-30 | 一种基于线性模型的航班订座值的处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396245A true CN112396245A (zh) | 2021-02-23 |
| CN112396245B CN112396245B (zh) | 2024-07-12 |
Family
ID=74604792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011372597.4A Active CN112396245B (zh) | 2020-11-30 | 2020-11-30 | 一种基于线性模型的航班订座值的处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396245B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111784047A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种季节因子的计算方法及相关装置 |
| CN111784398A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种航班数据的划分方法及相关装置 |
-
2020
- 2020-11-30 CN CN202011372597.4A patent/CN112396245B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111784047A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种季节因子的计算方法及相关装置 |
| CN111784398A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种航班数据的划分方法及相关装置 |
Non-Patent Citations (2)
| Title |
|---|
| 樊玮;朱杰杰;: "航线旅客流量组合预测模型", 中国民航大学学报, no. 05, 15 October 2017 (2017-10-15) * |
| 黄小荣, 张立: "收益管理系统中的几个关键模型", 中国民航学院学报, no. 04, 25 August 2004 (2004-08-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396245B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400024B (zh) | 订单预测的方法、装置、设备和计算机可读存储介质 | |
| CN112396243B (zh) | 一种基于加法模型的航班订座值的处理方法及系统 | |
| CN112396244A (zh) | 一种基于零预订模型的航班订座值的处理方法及系统 | |
| CN112308346A (zh) | 一种基于指数平滑模型的航班订座值的处理方法及系统 | |
| CN110766302A (zh) | 抽样量配置与抽样误差估计方法、装置及电子设备 | |
| CN110765596B (zh) | 审核过程仿真模型建模方法、装置及电子设备 | |
| CN110969390A (zh) | 用于分区的方法、装置、设备和介质 | |
| CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
| CN112418468A (zh) | 一种基于乘法模型的航班订座值的处理方法及系统 | |
| CN112396248A (zh) | 一种基于均值模型的航班订座值的处理方法及系统 | |
| CN112396245A (zh) | 一种基于线性模型的航班订座值的处理方法及系统 | |
| CN112308347A (zh) | 一种基于指数模型的航班订座值的处理方法及系统 | |
| CN116757731A (zh) | 航班季节因子的预测方法、装置、电子设备和存储介质 | |
| CN112308343A (zh) | 一种基于全量模型的航班订座值的处理方法及系统 | |
| CN116228100A (zh) | 多类价格带商品库存管理方法、系统、设备及介质 | |
| CN112461244A (zh) | 一种基于经纬度的快递柜定位方法、装置及电子设备 | |
| CN113837814B (zh) | 投放资源数量预测的方法、装置、可读介质及电子设备 | |
| US20130103456A1 (en) | Method, system and program storage device for production planning | |
| CN113312399B (zh) | 一种处理票价搜索的方法及系统 | |
| CN110837907A (zh) | 一种预测波次订单量的方法和装置 | |
| CN114298359A (zh) | 航班订座数量的预测方法及装置、存储介质及电子设备 | |
| CN110781583B (zh) | 审核模式优化方法、装置及电子设备 | |
| JP6307105B2 (ja) | ガス使用量の予測システムおよび予測方法 | |
| CN117670409A (zh) | 一种航班订座曲线拟合方法及相关装置 | |
| CN111177524A (zh) | 展示信息的价值确定方法、装置、电子设备及可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |