CN112907158B - 一种基于博弈学习的航班乘客流量生成方法及系统 - Google Patents
一种基于博弈学习的航班乘客流量生成方法及系统 Download PDFInfo
- Publication number
- CN112907158B CN112907158B CN202110503968.6A CN202110503968A CN112907158B CN 112907158 B CN112907158 B CN 112907158B CN 202110503968 A CN202110503968 A CN 202110503968A CN 112907158 B CN112907158 B CN 112907158B
- Authority
- CN
- China
- Prior art keywords
- flight
- passenger flow
- passenger
- model
- ticket
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000010006 flight Effects 0.000 claims description 35
- 238000004088 simulation Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于博弈学习的航班乘客流量生成方法及系统，通过乘客流量的初始化信息、模拟乘客的航班选择和模拟调价员的售票策略来构建乘客流量生成模型，并采用所构建的乘客流量生成模型输出的模拟数据与真实乘客流量信息数据输入至判别模型进行判别，通过生成模型和判断模型的不断博弈来对生成模型的参数进行不断调整和优化。通过本发明提供的方法，可以模拟全网的不同机场之间在不同时间段的乘客流量，为航司的调价员提供数据参考，为合理的收益管理模型提供数据基础，可提升客座率并实现收益的最大化，解决航司数据采集的复杂性以及单一航司的数据局限性，以便后续可以对乘客需求预测以及合理定价打下数据的基础。
Description
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种基于博弈学习的航班乘客流量生成方法及系统。
背景技术
随着大数据时代的到来，国内航空公司市场进入了激烈的竞争时代，售票管理系统正是竞争的核心，而售票管理离不开对乘客流量的把控。但现状是大多数航司基本上是根据经验和感觉来把握乘客流量，这就导致各个航司不能采用合理的机票销售策略来争取到更多的乘客并获得更多效益，唯一的方法就是降价，这样必然导致航司收益下降。
因此，如何能模拟全网的各个机场的各个航班在不同时间段的乘客流量，为合理的航空机票管理模型提供数据基础，成为一个亟待解决的问题。
发明内容
基于现有技术的上述情况，本发明的目的在于提供一种基于博弈学习的航班乘客流量生成方法及系统，用于模拟全网的各个机场的各个航班在不同时间段的乘客流量，为合理的航空机票管理模型提供数据基础。
为达到上述目的，根据本发明的一个方面，提供了一种基于博弈学习的航班乘客流量生成方法，包括步骤：
对所属航段的乘客流量信息进行初始化；
根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择；
针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略；
利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型；
利用所述乘客流量生成模型，得到模拟乘客流量；
将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。
进一步的，所述对所属航段的乘客流量信息进行初始化，包括：
根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
根据扰动因素，在所述分布的基础上加或减一个正态分布的扰动；
其中，N为大于1的正整数。
进一步的，所述扰动因素包括节假日、周末和突发事件。
进一步的，所述根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择，包括：
对于普通乘客，其中5%最高能接受[0.9,1]倍的原价票，20%最高能接受[0.7,0.9)倍的原价票，5%最高能接受(0,0.3]倍的原价票，70%最高能接收（0.3，0.7）倍的原价票；
对于商务乘客，80%能接受起飞时间在正常工作日的航班，20%对起飞时间没有要求；
50%仅接受直飞的航班，50%能够接受转机的航班；
10%仅接受大航司的航班，90%能接受小航司的航班。
进一步的，所述针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略，包括：
当其他航司的航班机票已售罄时，对本航班的票价提价；
当本航班的机票即将售罄时，对本航班的票价提价；
当有导致客流量增大的突发事件时，对本航班的票价提价；
当有导致客流量减小的突发事件时，对本航班的票价降价。
进一步的，所述将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型，包括：
当判别模型无法区分模拟乘客流量和真实乘客流量时，得到优化后的乘客流量生成模型并采用该模型生成航班乘客流量；
否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
根据本发明的另一个方面，提供了一种基于博弈学习的航班乘客流量生成系统，包括航段乘客流量初始化模块、航班选择模拟模块、售票策略模拟模块、乘客流量生成模块，以及判别模块；其中，
所述航段乘客流量初始化模块，对所属航段的乘客流量信息进行初始化；
所述航班选择模拟模块，根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择；
所述售票策略模拟模块，针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略；
所述乘客流量生成模块，利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型；
所述判别模块，利用所述乘客流量生成模型，得到模拟乘客流量；将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。
进一步的，所述航段乘客流量初始化模块，对所属航段的乘客流量信息进行初始化，包括：
根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
根据扰动因素，在所述分布的基础上加或减一个正态分布的扰动；
其中，N为大于1的正整数。
进一步的，所述售票策略模拟模块，针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略，包括：
当其他航司的航班机票已售罄时，对本航班的票价提价；
当本航班的机票即将售罄时，对本航班的票价提价；
当有导致客流量增大的突发事件时，对本航班的票价提价；
当有导致客流量减小的突发事件时，对本航班的票价降价。
进一步的，所述判别模块，将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型，包括：
当判别模型无法区分模拟乘客流量和真实乘客流量时，得到优化后的乘客流量生成模型并采用该模型生成航班乘客流量；
否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
综上所述，本发明提供了一种基于博弈学习的航班乘客流量生成方法及系统，通过乘客流量信息数据、模拟的航班选择信息和模拟售票策略来构建乘客流量生成模型，并采用所构建的乘客流量生成模型输出的模拟数据与真实乘客流量信息数据输入至判别模型进行判别，通过生成模型和判断模型的不断博弈来对生成模型的参数进行不断调整和优化。通过本发明提供的方法，可以模拟全网的不同机场之间在不同时间段的乘客流量，为航司的调价员提供数据参考，为合理的收益管理模型提供数据基础，可提升客座率的并实现收益的最大化，解决航司数据采集的复杂性以及单一航司的数据局限性，以便后续可以对乘客需求预测以及合理定价打下数据的基础。
附图说明
图1是本发明基于博弈学习的航班乘客流量生成方法的流程图；
图2是本发明基于博弈学习的航班乘客流量生成系统的构成框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
下面对结合附图对本发明的技术方案进行详细说明。根据本发明的一个实施例，提供了一种基于博弈学习的航班乘客流量生成方法，该方法的流程图如图1所示，包括步骤：
对所属航段的乘客流量信息进行初始化。具体来说，可按照如下步骤进行：
根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
根据扰动因素，在所述分布的基础上加或减一个正态分布的扰动。
其中，可以通过根据各个航司在各个航段的乘客常态流量，得到常态上座率，从而根据航班运力和常态上座率，进一步得到常态航段流量信息。一般来说，乘客的流量与航段的运力存在一定的关系，某一天从机场A到机场B的乘客流量为直达运力的a%与和转机运力的b%之和。而这个乘客流量根据距离起飞时间的长短在时间轴上呈现出参数为λ的泊松分布，因此，将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中，例如N可以取14。乘客流量信息在常态状态下还要受到各种扰动因素的影响，比如，节假日、周末或是突发事件的影响，因此需要在乘客常态流量基础上加或减一个正态分布的扰动。举例来说，某个地方举行会议或发生疫情，需要在此基础上加或减一个正态分布的扰动。基于上述常态下每天的客座需求量以及扰动信息，可以得出某航段，例如从机场A到机场B，距离起飞前N天内每日的乘客流量的信息。依次类推，便可以获取一年内，不同机场之间的，距离起飞前N天的乘客流量信息。
根据乘客流量信息、以及乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择。其中，所述乘客流量信息，包括售票时刻距离起飞时刻的时间间隔；所述乘客类型，包括商务乘客和普通乘客，商务乘客通常指由于工作需要坐飞机出差的乘客，普通乘客通常指由于个人旅行或游玩的乘客，从而可知，在上述乘客类型中，不同的乘客类型具有不同的购票倾向，例如，商务乘客对价格不敏感，对航班时刻敏感，通常采用直达方式，并且通常分布在距离起飞时间一周内的时间出现；而普通乘客对价格敏感，对航班时刻不敏感，并可以接受转机，大多数分布在距离起飞时间比较远的时间出现。因此，乘客的类型会影响乘客最终的航班选择。所述各个航班的信息，包括航班机票折扣、航班起飞时间、是否为直飞航班；所述航班选择包括，购买该航班机票、不购买该航班机票、以及待观察。针对每个航段，有很多属于不同航司的航班，每个航班都有各自的出发时间，价格等信息。 因此，基于不同航班的出发时间以及价格等，也会影响乘客最终的航班选择。基于上述乘客类型和各个航班的信息，最后可以模拟得出乘客的航班选择。乘客可以决定购买某个航班的机票、不购买机票或者继续等待，观察各个航班的机票价格的变化。例如，可以根据一下原则来模拟乘客的航班选择。对于普通乘客，对票价的敏感度服从正态分布，这里设定5%的普通乘客，最高可以接受[0.9,1]倍的原价票，20%的普通乘客最高可以接受[0.7,0.9)倍的原价票，5%的普通乘客最高可以接受(0,0.3]倍的原价票，剩余70%的乘客最高可以接收（0.3，0.7）的价格。对于商务乘客，针对起飞时间，是否转机，是否是大航司符合下面的分布。80%的乘客起飞时间在正常工作日，20%的乘客对起飞时间没有要求；50%的乘客选择直达，50%可以选择转机；10%的乘客选择大航司，90%的乘客可以选择小航司。
根据其他各个航班的售票信息和本航班的售票信息，模拟该航班的售票策略。针对某一个航班价格信息，调价员一般会关注的是竞争对手的价格，大航司的价格，历史同期数据，并考虑本航班所剩的余票，以及是否有突发事件。将上述因素作为调价策略的输入，用于模拟航班的售票策略，以决定提价或者降价销售机票。小航司的价格一般会跟随大航司的价格进行变化，当竞争对手在距离起飞前较远的时间段售罄时，可以提价；当历史同期的票卖的比较好的时候，可以在起飞前14天内观察售票的分布情况，看是否分布一致，可以做出相应的提价或降价策略。当有突发事件时，如有重大会议，演唱会，球赛，可以提价，当有疫情时可以降价。当本航班的票即将售罄时，也可以提价销售。例如可以基于以下原则对售票策略进行模拟：当其他航司的航班机票已售罄时，对本航班的票价提价；当本航班的机票即将售罄时，对本航班的票价提价；当有导致客流量增大的突发事件时，对本航班的票价提价；当有导致客流量减小的突发事件时，对本航班的票价降价。
利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型。利用所述乘客流量生成模型，得到模拟乘客流量；将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。当判别模型无法区分模拟乘客流量和真实乘客流量时，得到乘客流量生成模型并采用该模型生成乘客流量。否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
在该步骤中，根据乘客流量信息、模拟乘客的航班选择和模拟航班的售票策略，构建并训练乘客流量生成模型，得到模拟乘客流量。举例来说，某一天，Q个乘客需要从机场A到机场B，有N个航班可以选择，这Q个乘客会根据自己的类型去选择航班，然后选择购买，离开和待观察。而N个航班对应的调价员会根据该航班的售票情况去调整价格，待观察的乘客会根据价格的变化选择购买或离开，将上述信息输入航司乘客流量生成模型，最终模拟得到各个航班上的售票记录，从而得到乘客流量。
然后，将通过乘客流量生成模型得到的模拟乘客流量数据与真实乘客流量数据共同输入至判别模型，以对所述生成的乘客流量生成模型进行验证，并利用验证结果对乘客流量生成模型的参数进行调整和优化，以得到可行度更高的乘客流量生成模型。举例来说，可以将某个航司365天的各个航班售票的真实乘客流量，与上述模拟得到的乘客流量共同输入判别模型进行判别，判别模型是把真实和模拟的两种数据送入卷积神经网络，让判别模型能够准确的分辨出哪个数据是模拟数据，哪个数据是真实的数据。然后将判断结果反馈给航司乘客流量生成模型，再优化参数。生成模型和判断模型不断博弈，并优化参数。本发明该实施例的优化方向是让模拟数据中不低于90%的数据在进入判别模型后，判别模型给出的为真实数据的概率无限逼近0.5，也就是当判别模型无法区分模拟乘客流量是否为真实乘客流量还是模拟乘客流量时，航司乘客流量生成模型训练完成。采用该航司乘客流量生成模型对乘客流量进行预测，可以得到较准确的效果。
根据本发明的另一个实施例，提供了一种基于博弈学习的航班乘客流量生成系统，该系统的构成框图如图2所示，该系统包括乘客流量信息估算模块、航班选择模拟模块、售票策略模拟模块、以及乘客流量生成模型构建模块。
乘客流量信息估算模块，根据航段运力周期性地估算该航段的乘客流量信息。根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
其中，N为大于1的正整数。所述每天的客座需求量还受节假日扰动信息、周末扰动信息、和突发时间扰动信息的影响。
航班选择模拟模块，根据乘客流量信息、以及乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择。所述乘客流量信息，包括售票时刻距离起飞时刻的时间间隔；所述乘客类型，包括商务乘客和普通乘客；所述各个航班的信息，包括航班机票折扣、航班起飞时间、是否为直飞航班；所述航班选择包括，购买该航班机票、不购买该航班机票、以及待观察。
售票策略模拟模块，根据其他各个航班的售票信息和本航班的售票信息，模拟该航班的售票策略。该模拟售票策略可以按照以下原则进行：当其他航司的航班机票已售罄时，对本航班的票价提价；当本航班的机票即将售罄时，对本航班的票价提价；当有导致客流量增大的突发事件时，对本航班的票价提价；当有导致客流量减小的突发事件时，对本航班的票价降价。
利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型；
所述判别模块，利用所述乘客流量生成模型，得到模拟乘客流量；将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。当判别模型无法区分模拟乘客流量和真实乘客流量时，得到乘客流量生成模型并采用该模型生成乘客流量；否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
综上所述，本发明涉及一种基于博弈学习的航班乘客流量生成方法及系统，通过乘客流量信息数据、模拟的航班选择信息和模拟售票策略来构建乘客流量生成模型，并采用所构建的乘客流量生成模型输出的模拟数据与真实乘客流量信息数据输入至判别模型进行判别，通过生成模型和判断模型的不断博弈来对生成模型的参数进行不断调整和优化。通过本发明提供的方法，可以模拟全网的不同机场之间在不同时间段的乘客流量，为航司的调价员提供数据参考，为合理的收益管理模型提供数据基础，可提升客座率的并实现收益的最大化，解决航司数据采集的复杂性以及单一航司的数据局限性，以便后续可以对乘客需求预测以及合理定价打下数据的基础。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (8)
1.一种基于博弈学习的航班乘客流量生成方法，其特征在于，包括步骤：
对所属航段的乘客流量信息进行初始化，包括：
根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
根据扰动因素，在所述分布的基础上加或减一个正态分布的扰动；
其中，N为大于1的正整数；
根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择；
针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略；
利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型；
利用所述乘客流量生成模型，得到模拟乘客流量；
将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。
2.根据权利要求1所述的方法，其特征在于，所述扰动因素包括节假日、周末和突发事件。
3.根据权利要求1所述的方法，其特征在于，所述根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择，包括：
对于普通乘客，其中5％最高能接受[0.9,1]倍的原价票，20％最高能接受[0.7,0.9)倍的原价票，5％最高能接受(0,0.3]倍的原价票，70％最高能接收(0.3，0.7)倍的原价票；
对于商务乘客，80％能接受起飞时间在正常工作日的航班，20％对起飞时间没有要求；
50％仅接受直飞的航班，50％能够接受转机的航班；
10％仅接受大航司的航班，90％能接受小航司的航班。
4.根据权利要求1所述的方法，其特征在于，所述针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略，包括：
当其他航司的航班机票已售罄时，对本航班的票价提价；
当本航班的机票即将售罄时，对本航班的票价提价；
当有导致客流量增大的突发事件时，对本航班的票价提价；
当有导致客流量减小的突发事件时，对本航班的票价降价。
5.根据权利要求1所述的方法，其特征在于，所述将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型，包括：
当判别模型无法区分模拟乘客流量和真实乘客流量时，得到优化后的乘客流量生成模型并采用该模型生成航班乘客流量；
否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
6.一种基于博弈学习的航班乘客流量生成系统，其特征在于，包括航段乘客流量初始化模块、航班选择模拟模块、售票策略模拟模块、乘客流量生成模块，以及判别模块；其中，
所述航段乘客流量初始化模块，对所属航段的乘客流量信息进行初始化，包括：
根据该航段运力和常态上座率，得到该航段每天的客座需求量；
将每天的客座需求量按照泊松分布将对应该客座需求量的售票分布到该天的前N天中；
根据扰动因素，在所述分布的基础上加或减一个正态分布的扰动；
其中，N为大于1的正整数；
所述航班选择模拟模块，根据初始化的乘客流量信息、乘客类型和该航段各个航班的信息，模拟每个乘客的航班选择；
所述售票策略模拟模块，针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略；
所述乘客流量生成模块，利用所述初始化的乘客流量信息、所模拟的乘客的航班选择、以及所模拟的本航班的售票策略进行仿真，得到乘客流量生成模型；
所述判别模块，利用所述乘客流量生成模型，得到模拟乘客流量；将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型。
7.根据权利要求6所述的系统，其特征在于，所述售票策略模拟模块，针对该航段的所有航班，根据同航段上各个航班的售票信息和本航班的售票信息，模拟本航班的售票策略，包括：
当其他航司的航班机票已售罄时，对本航班的票价提价；
当本航班的机票即将售罄时，对本航班的票价提价；
当有导致客流量增大的突发事件时，对本航班的票价提价；
当有导致客流量减小的突发事件时，对本航班的票价降价。
8.根据权利要求6所述的系统，其特征在于，所述判别模块，将模拟乘客流量和真实乘客流量输入判别模型进行判别，并根据判别结果对乘客流量生成模型的参数进行优化，以得到优化后的乘客流量生成模型，包括：
当判别模型无法区分模拟乘客流量和真实乘客流量时，得到优化后的乘客流量生成模型并采用该模型生成航班乘客流量；
否则，根据判别结果对所述乘客流量生成模型进行参数优化并返回上一步继续判别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503968.6A CN112907158B (zh) | 2021-05-10 | 2021-05-10 | 一种基于博弈学习的航班乘客流量生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503968.6A CN112907158B (zh) | 2021-05-10 | 2021-05-10 | 一种基于博弈学习的航班乘客流量生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907158A CN112907158A (zh) | 2021-06-04 |
| CN112907158B true CN112907158B (zh) | 2021-07-23 |
Family
ID=76109043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503968.6A Active CN112907158B (zh) | 2021-05-10 | 2021-05-10 | 一种基于博弈学习的航班乘客流量生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907158B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573873A (zh) * | 2015-01-23 | 2015-04-29 | 哈尔滨工业大学 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
| 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 |
| CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
| CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和系统 |
| CN111899059A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷（厦门）信息技术有限公司 | 一种基于区块链的航司收益管理动态定价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
-
2021
- 2021-05-10 CN CN202110503968.6A patent/CN112907158B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573873A (zh) * | 2015-01-23 | 2015-04-29 | 哈尔滨工业大学 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
| 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 |
| CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
| CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和系统 |
| CN111899059A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷（厦门）信息技术有限公司 | 一种基于区块链的航司收益管理动态定价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周蔷等.基于博弈理论的航空机票动态定价模型.《江苏大学学报》.2013,(第4期),481-485. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907158A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jacquillat et al. | A roadmap toward airport demand and capacity management | |
| Cadarso et al. | Integrated airline scheduling: Considering competition effects and the entry of the high speed rail | |
| US20080059273A1 (en) | Strategic planning | |
| US20100076826A1 (en) | Onboard auction of a first class seat ticket | |
| Moolchandani et al. | Assessing effects of aircraft and fuel technology advancement on select aviation environmental impacts | |
| Rozenberg et al. | Comparison of FSC and LCC and their market share in aviation | |
| CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
| Belobaba | The airline planning process | |
| CN111539778A (zh) | 一种用于定向推送的动态定价方法和系统 | |
| O’Connell et al. | Transformation of India's domestic airlines: a case study of indian airlines, jet airways, air sahara and air deccan | |
| Duke et al. | Multifactor productivity change in the air transportation industry | |
| Zakharenko et al. | Downsizing the jet: A forecast of economic effects of increased automation in aviation | |
| Hao | Ancillary revenues in the airline industry: impacts on revenue management and distribution systems | |
| CN112907158B (zh) | 一种基于博弈学习的航班乘客流量生成方法及系统 | |
| Moolchandani et al. | Airline competition in duopoly market and its impact on environmental emissions | |
| US20030004764A1 (en) | Air carrier service evolution model and method | |
| Sun et al. | Airline competition: A comprehensive review of recent research | |
| CN113379443B (zh) | 一种航班流量仿真方法及系统 | |
| Pena | Yield management | |
| Kostiuk et al. | Closed loop forecasting of air traffic demand and delay | |
| Helmold et al. | Pricing in the Aviation industry | |
| Lee et al. | Key Factors Affecting Thai Passengers’ Selection of Low Cost Airlines | |
| Lubbe et al. | The role of technology in airline management and operations | |
| Ribeiro | Airport capacity management: towards a slot allocation modelling approach compliant with IATA rules | |
| Lepage | Performance of multiple cabin optimization methods in airline revenue management |
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 |