CN112949952B - 一种基于图神经网络的航班客座率的预测方法及系统 - Google Patents
一种基于图神经网络的航班客座率的预测方法及系统 Download PDFInfo
- Publication number
- CN112949952B CN112949952B CN202110503951.0A CN202110503951A CN112949952B CN 112949952 B CN112949952 B CN 112949952B CN 202110503951 A CN202110503951 A CN 202110503951A CN 112949952 B CN112949952 B CN 112949952B
- Authority
- CN
- China
- Prior art keywords
- flight
- target
- node
- passenger seat
- flights
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000010006 flight Effects 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06Q50/40—
Abstract
本发明涉及一种基于图神经网络的航班客座率的预测方法及系统，以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；对多个特征子图融合获得邻接矩阵；获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；基于邻接矩阵及不同折扣下的时序特征图预测目标航班客座率。本发明考虑相关航班对目标航班的影响，基于航班在空间与时间上的变化准确预测客座率，大大提高了预测的准确性。本发明通过各种折扣下的销售量准确的预测客座率，能够提出更科学合理的定价策略，协助航线员调价，使航司收益最大化。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于图神经网络的航班客座率的预测方法及系统。
背景技术
对于航空公司来说，收益管理具有非常重要的意义，而收益管理取决于航司服务与需求的平衡，这就需要航司实时地把握各航司的动态信息，对需求进行合理的预测和判断，然后制定合理的价格来让利润最大化。而现有的收益管理系统，无法实现对航班信息在多个维度的变化的实时管理。
现有的航班客座率的预测方法通常依据本航班的历史数据，未考虑其他航班对本航班的影响，预测准确度不高。
因此，如何实时管理航班在空间与时间上的变化，制定科学合理的定价策略，使航司收益最大化成为一个亟待解决的问题。
发明内容
针对现有技术中存在的问题，本发明提供一种基于图神经网络的航班客座率的预测方法及系统，考虑相关航班对目标航班的影响，基于航班在空间与时间上的变化准确预测客座率，实现对航班信息在多个维度的变化的实时管理。
为达到上述目的，本发明提供了一种基于图神经网络的航班客座率的预测方法，包括：
以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；
对多个特征子图按照不同的权重融合获得邻接矩阵；
获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；
基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率。
进一步地，特征包括所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力以及起飞时间是否在节假日前后、周末前后或工作日。进一步地，根据与目标节点特征的相关性选择参考节点包括，选择与目标节点的相关性超过设定阈值的航班作为参考节点。
进一步地，对多个特征子图按照不同的权重融合获得邻接矩阵包括：
对各个特征子图的特征加权求和并归一化得到邻接矩阵。
进一步地，采用预测模块基于邻接矩阵及不同折扣下的时序特征预测不同折扣下的航班销售量，所述预测模块内置图神经网络模型。
进一步地，由参考节点中选择与目标节点起落城市相同的航班，与目标航班形成航班集，计算航班集中各航班的总销售的均值，由销售的均值计算目标航班的客座率。
另一方面提供一种基于图神经网络的航班客座率的预测系统，包括：
特征子图构建模块，以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；
融合模块，对多个特征子图融合获得融合成邻接矩阵；
时序特征构建模块，获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；
预测模块，基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率。
进一步地，特征包括所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力以及起飞时间是否在节假日前后、周末前后或工作日。进一步地，根据与目标节点特征的相关性选择参考节点包括，选择与目标节点的相关性超过设定阈值的航班作为参考节点。
进一步地，所述融合模块，对各个特征子图的特征加权求和并归一化得到邻接矩阵。
进一步地，所述预测模块基于邻接矩阵及不同折扣下的时序特征预测不同折扣下的销售量，所述预测模块内置图神经网络模型。
进一步地，由不同折扣下的销售量，计算目标航班的客座率，具体计算方法为：由参考节点中选择与目标节点起落城市相同的航班，与目标航班形成航班集，计算航班集中各航班的总销售的均值，由销售的均值计算目标航班的客座率。
本发明的上述技术方案具有如下有益的技术效果：
（1）本发明考虑相关航班对目标航班的影响，基于航班在空间与时间上的变化准确预测客座率，大大提高了预测的准确性。
（2）本发明通过预测各种折扣下的销售量，进而达到客座率的预测，能够提出更科学合理的定价策略，协助航线员调价，使航司收益最大化。
（3）本发明采用图神经网络模型预测，预测效率高，精度高。
（4）本发明基于相同起落城市的不同航班的销售量预测值，取均值作为目标航班的预期销量计算目标航班的客座率，最大限度地减少了由于不同航线员定价差异对预测值的影响。
附图说明
图1为本发明实施例中一种基于图神经网络的航班客座率的预测方法的流程图；
图2为本发明实施例中图神经网络的训练过程示意图；
图3为预测结构框图。
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。
如图1所示，基于图神经网络的航班客座率的预测方法，包括如下步骤：
预处理步骤：形成航班数据库，收集每个航班的特征信息。
特征至少包含：所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力、起飞时间是否在节假日前后、周末前后或工作日。每个节点为包括各种特征信息的向量。
S1以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图。每个特征子图对应一个特征，对多个特征子图按照不同的权重融合获得邻接矩阵。
在一个实施例中，相关性计算使用的属性包含：所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力、起飞时间是否在节假日前后、周末前后或工作日。与目标航班相关性超过阈值的航班作为参考节点。
进一步地，事先构建航班数据库，当航班信息出现调整后可以更新航班数据库。例如新增航班，减少航班后，可以调整节点。
在一个实施例中，对多个特征子图进行融合，可以对不同的特征子图设置不同的加权系数，多个特征子图加权后叠加获得邻接矩阵。
S2获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征。
将航司的销售记录，根据邻接矩阵上的每一个节点的特征，按照不同折扣M，分解成起飞前N天的销售记录，将销售记录构建成在不同折扣下的时序特征。
将航司的销售记录，分解成与邻接矩阵对应的不同折扣下的时序特征，例如该时序特征包含距离起飞前N天的M 折的销售记录，M可以是2、3、4…9的折扣，N可以是7、6、5、4、3。
S3基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率。
将邻接矩阵、目标航班和参考航班时序特征输入图神经网络模型，预测得到目标航班和参考航班不同折扣下的销售量。
由参考节点中选择与目标节点起落城市相同的航班，与目标航班形成航班集，计算航班集中各航班的总销售的均值，由销售的均值计算目标航班的客座率。由于不同航班的销售记录受到航线员定价的影响，为了降低航线员个人定价策略差异性的影响，采用销售的均值计算目标航班的客座率，提高了预测的准确性。
本发明实施例中的图神经网络不限于现有的图神经网络中的一种或几种组合。
在一个实施例中，采用预测模块基于邻接矩阵及不同折扣下的时序特征预测不同折扣下的目标航班客座率，所述预测模块内置图神经网络模型。图神经网络模型基于输入的空间和时间特征进行预测，输入为邻接矩阵及时序特征，输出目标节点和参考节点各个航班在不同折扣下的销售量。
在一个实施例中，图神经网络模型训练过程结合图2，利用历史数据形成多组邻接矩阵和时序特征，把时序特征按照8：2的比例分为训练集和测试集，这里取前T时间段的数据为训练集，采用总时间-T的时间段的数据为测试集，训练集中的数据输入图神经网络进行学习，测试集中的数据用于测试精度。满足精度要求后封装所述图神经网络模型。这里的图神经网络框架不限于GCN，LSTM，GTN，CNN中的一种或几种。这里卷积层用了两层，迭代了1000次，以RMSE为评价指标。
另一方面提供一种基于图神经网络的航班客座率的预测系统，结合图3，包括特征子图构建模块、融合模块、时序特征构建模块以及预测模块。
特征子图构建模块，以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；
形成航班数据库，收集每个航班的特征信息。航班的特征包括所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力以及起飞时间是否在节假日前后、周末前后或工作日。进一步地，根据与目标节点的相关性选择参考节点包括，选择与目标节点的相关性超过设定阈值的节点作为参考节点。
融合模块，对多个特征子图融合获得融合成邻接矩阵。
在一个实施例中，融合模块，对不同的特征子图设置不同的加权系数，多个特征子图加权后叠加获得邻接矩阵。
时序特征构建模块，获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征。
预测模块，基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率。
图神经网络模型训练获得。利用历史数据形成多组邻接矩阵和时序特征，把时序特征按照8：2的比例分为训练集和测试集，这里取前T时间段的数据为训练集，采用总时间-T的时间段的数据为测试集，训练集中的数据输入图神经网络进行学习，测试集中的数据用于测试精度。满足精度要求后封装所述图神经网络模型。
综上所述，本发明涉及一种基于图神经网络的航班客座率的预测方法及系统，以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；对多个特征子图融合获得邻接矩阵；获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；基于邻接矩阵及不同折扣下的时序特征图预测目标航班客座率。本发明考虑相关航班对目标航班的影响，基于航班在空间与时间上的变化准确预测客座率，大大提高了预测的准确性。本发明通过各种折扣下的销售量准确的预测客座率，能够提出更科学合理的定价策略，协助航线员调价，使航司收益最大化。
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 (6)
1.一种基于图神经网络的航班客座率的预测方法，其特征在于，包括：
以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；
对多个特征子图按照不同的权重融合获得邻接矩阵；
获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；
基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率；
每个特征子图对应一个特征，特征包括所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力以及起飞时间是否在节假日前后、周末前后或工作日；根据与目标节点特征的相关性选择参考节点包括，选择与目标节点的相关性超过设定阈值的航班作为参考节点；
将邻接矩阵、目标航班和参考航班的时序特征输入神经网络模型，预测得到目标航班和参考航班不同折扣下的航班销售量。
2.根据权利要求1所述的基于图神经网络的航班客座率的预测方法，其特征在于，对多个特征子图按照不同的权重融合获得邻接矩阵包括：
对各个特征子图的特征加权求和并归一化得到邻接矩阵。
3.根据权利要求1所述的基于图神经网络的航班客座率的预测方法，其特征在于，
由参考节点中选择与目标节点起落城市相同的航班，与目标航班形成航班集，计算航班集中各航班的总销售的均值，由销售的均值计算目标航班的客座率。
4.一种基于图神经网络的航班客座率的预测系统，其特征在于，包括：
特征子图构建模块，以目标航班作为目标节点，根据与目标节点的相关性选择参考节点，参考节点对应参考航班，由目标节点和参考节点的不同特征形成不同的特征子图；每个特征子图对应一个特征，特征包括所属航司规模、起落城市、是否直达、起飞时段、航司所在航线的运力以及起飞时间是否在节假日前后、周末前后或工作日；根据与目标节点特征的相关性选择参考节点包括，选择与目标节点的相关性超过设定阈值的航班作为参考节点；
融合模块，对多个特征子图融合获得邻接矩阵；
时序特征构建模块，获取目标节点及参考节点对应航班的销售记录，构建不同折扣下的时序特征；
预测模块，基于邻接矩阵及不同折扣下的时序特征预测目标航班和参考航班不同折扣下的销售量，由销售量计算目标航班的客座率；所述预测模块内置图神经网络模型，将邻接矩阵、目标航班和参考航班的时序特征输入神经网络模型，预测得到目标航班和参考航班不同折扣下的航班销售量。
5.根据权利要求4所述的基于图神经网络的航班客座率的预测系统，其特征在于，所述融合模块，对各个特征子图的特征加权求和并归一化得到邻接矩阵。
6.根据权利要求5所述的基于图神经网络的航班客座率的预测系统，其特征在于，由不同折扣下的销售量，计算目标航班的客座率，具体计算方法为：由参考节点中选择与目标节点起落城市相同的航班，与目标航班形成航班集，计算航班集中各航班的总销售的均值，由销售的均值计算目标航班的客座率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503951.0A CN112949952B (zh) | 2021-05-10 | 2021-05-10 | 一种基于图神经网络的航班客座率的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503951.0A CN112949952B (zh) | 2021-05-10 | 2021-05-10 | 一种基于图神经网络的航班客座率的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949952A CN112949952A (zh) | 2021-06-11 |
| CN112949952B true CN112949952B (zh) | 2021-08-17 |
Family
ID=76233737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503951.0A Active CN112949952B (zh) | 2021-05-10 | 2021-05-10 | 一种基于图神经网络的航班客座率的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949952B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858671A (zh) * | 2018-12-26 | 2019-06-07 | 携程旅游网络技术（上海）有限公司 | 预测目标航线的客座率的方法和系统 |
| 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 |
| 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 |
| CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112119412A (zh) * | 2018-05-18 | 2020-12-22 | 伯耐沃伦人工智能科技有限公司 | 具有注意力的图神经网络 |
-
2021
- 2021-05-10 CN CN202110503951.0A patent/CN112949952B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858671A (zh) * | 2018-12-26 | 2019-06-07 | 携程旅游网络技术（上海）有限公司 | 预测目标航线的客座率的方法和系统 |
| 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 |
| 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 |
| CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949952A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
| CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
| Choi et al. | Artificial neural network models for airport capacity prediction | |
| US11416007B2 (en) | Computer-implemented method and system for evaluating uncertainty in trajectory prediction | |
| CN106897801A (zh) | 司机分类的方法、装置、设备以及存储介质 | |
| CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
| CN111680382A (zh) | 等级预测模型训练方法、等级预测方法、装置及电子设备 | |
| CN111178978A (zh) | 一种结合航班信息和价格序列的机票价格预测方法 | |
| CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
| CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
| CN117561517A (zh) | 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 | |
| Patriarca et al. | Supporting weather forecasting performance management at aerodromes through anomaly detection and hierarchical clustering | |
| Guo et al. | Concurrent order dispatch for instant delivery with time-constrained actor-critic reinforcement learning | |
| Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
| Deng et al. | Multi-objective vehicle rebalancing for ridehailing system using a reinforcement learning approach | |
| CN105913654B (zh) | 一种智能交通管理系统 | |
| CN109118412B (zh) | 城市轨道交通网络客流在线控制系统 | |
| Liu et al. | Stochastic one-way carsharing systems with dynamic relocation incentives through preference learning | |
| Long et al. | Demand analysis in urban air mobility: A literature review | |
| CN112949952B (zh) | 一种基于图神经网络的航班客座率的预测方法及系统 | |
| CN115660728B (zh) | 一种机票销售订单预测方法、装置、电子设备和存储介质 | |
| CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
| Wu et al. | CACRNN: a context-aware attention-based convolutional recurrent neural network for fine-grained taxi demand prediction | |
| Patole et al. | Taxi demand prediction using lstm and optimized taxi geo-distribution |
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 |