CN113282684B - 航班季节性归类的预测方法、装置及机器可读介质 - Google Patents
航班季节性归类的预测方法、装置及机器可读介质 Download PDFInfo
- Publication number
- CN113282684B CN113282684B CN202110604811.2A CN202110604811A CN113282684B CN 113282684 B CN113282684 B CN 113282684B CN 202110604811 A CN202110604811 A CN 202110604811A CN 113282684 B CN113282684 B CN 113282684B
- Authority
- CN
- China
- Prior art keywords
- flight
- data
- target
- historical
- date
- 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
- 230000010006 flight Effects 0.000 title claims abstract description 97
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 description 18
- 238000013461 design Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- RNPXCFINMKSQPQ-UHFFFAOYSA-N dicetyl hydrogen phosphate Chemical compound CCCCCCCCCCCCCCCCOP(O)(=O)OCCCCCCCCCCCCCCCC RNPXCFINMKSQPQ-UHFFFAOYSA-N 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 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
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种航班季节性归类的预测方法及相关设备,可以提高季节性归类的准确性,避免因为人为对航班的季节性归类而造成的偏颇现象。该方法包括:从本地数据库中获取目标航班所对应的目标离港日期;构建所述目标航班所对应的N个数据池;根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;获取所述第一历史航班集合中每个第一历史航班的航班数据;根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类。
Description
技术领域
本申请涉及航空领域,尤其涉及一种航班季节性归类的预测方法、装置及机器可读介质。
背景技术
受气候条件、突发事件、工农业生产生活、居民节假日等风俗习惯以及国民经济发展等因素的周期性影响,民航运输业客货运量呈季节性波动。在航空运输领域。通过将已离港历史航班进行淡旺季归类,也称之为季节性归类。
目前来说,主要是通过人为定量或定性的对航空航班进行的季节性归类,然而人为判断航空航班的季节性归类难免出现偏颇的结果,进而导致对航空航班的季节性归类精确度不高。
发明内容
本申请提供了一种航班季节性归类的预测方法、装置及机器可读介质,可以提高季节性归类的准确性,避免因为人为对航班的季节性归类而造成的偏颇现象。
本申请实施例第一方面提供了一种航班季节性归类的预测方法,包括:
从本地数据库中获取目标航班所对应的目标离港日期,所述目标航班为目标航司中待预测季节性归类的未离港航班;
构建所述目标航班所对应的N个数据池,其中,所述N为大于或等于2的正整数;
根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;
获取所述第一历史航班集合中每个第一历史航班的航班数据;
根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;
根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类。
本申请第二方面提供了一种航班季节性归类预测装置,包括:
获取单元,用于从本地数据库中获取目标航班所对应的目标离港日期,所述目标航班为目标航司中待预测季节性归类的未离港航班;
构建单元,用于构建所述目标航班所对应的N个数据池,其中,所述N为大于或等于2的正整数;
第一确定单元,用于根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;
所述获取单元,还用于获取所述第一历史航班集合中每个第一历史航班的航班数据;
第二确定单元,用于根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;
第三确定单元,用于根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类。
一种可能的设计中,所述第三确定单元具体用于:
根据所述每个第一历史航班的加权值确定所述第一历史航班集合的加权值总和;
根据所述每个第一历史航班的距离港天数确定所述第一历史航班集合的总天数;
根据所述加权总和以及所述总天数确定所述目标航班的季节性归类。
一种可能的设计中,所述第三确定单元根据所述加权总和以及所述总天数确定所述目标航班的季节性归类包括:
将所述加权总和与所述总天数进行比较,得到比较结果,所述比较结果用于指示所述加权总和与所述总天数的大小关系;
根据所述比较结果确定所述目标航班的季节性归类。
一种可能的设计中,所述第二确定单元具体用于:
根据所述每个第一历史航班的航班数据确定所述每个第一历史航班的收入数据;
将第一收入数据划分至第一数据池,所述第一收入数据为所述每个第一历史航班中任意一个航班所对应的收入数据,所述第一数据池为所述N个数据池中中心数据与所述第一收入数据之间距离最小的数据池;
确定所述第一数据池的预设加权值;
将所述第一数据池的预设加权值确定为所述第一收入数据所对应的航班的加权值。
一种可能的设计中,所述第一确定单元具体用于:
通过如下公式计算第一日期、第二日期、第三日期以及第四日期:
所述第一日期=所述目标离港日-52×7×i-1;
所述第二日期=所述目标离港日-52×7×i+1;
所述第三日期=所述目标离港日-51×7×i;
所述第四日期=所述目标离港日-53×7×i;
其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
一种可能的设计中,所述第一确定单元还具体用于:
通过如下公式计算所述目标历史参考日期:
所述目标历史参考日期=所述目标离港日期-52×7×i,其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
根据所述目标历史参考日确定第一日期、第二日期、第三日期以及第四日期,所述第一日期为所述目标历史参考日的前一天,所述第二日期为所述目标历史参考日的后一天,所述第三日期为所述目标历史参考日的前一个星期,所述第四日期为所述目标历史参考日的后一个星期;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
一种可能的设计中,所述构建单元具体用于:
步骤1、获取所述目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据;
步骤2、根据所述每个第二历史航班的航班数据计算所述每个第二历史航班的收入数据;
步骤3、将第二收入数据确定为第二数据池的中心数据,所述第二收入数据为第一航班对应的收入数据,所述第一航班为所述第二历史航班集合中任意一个航班,所述第二数据池为所述N个数据池中的任意一个;
步骤4、计算第三收入数据与所述第二收入数据的距离,所述第三收入数据为航班子集合中的任意一个航班所对应的收入数据,所述航班子集合为所述第二历史航班集合中除所述第一航班之外的航班集合;
步骤5、将第四收入数据划分至所述第二数据池,所述第四收入数据为第二航班所对应的收入数据,所述第二航班为所述航班子集合中与所述第二收入数据的距离最近的收入数据所对应的航班;
步骤6、计算划分后所述第二数据池的中心数据;
重复执行步骤3至步骤6,直至所述第二历史航班集合中每个第二历史航班所对应的收入数据均划分至所述N个数据池为止。
本申请第三方面提供了一种计算机设备,包括:存储器、处理器以及总线系统;其中,存储器用于存储程序,总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信;处理器用于执行所述存储器中的程序,并根据程序代码中的指令执行上述第一方面所述航班季节性归类的预测方法。
本申请实施例第四方面提供了一种机器可读介质,其包括指令,当其在机器上运行时,使得机器执行上述各方面所述的航班季节性归类的预测方法的步骤。
综上所述,可以看出,本申请提供的实施例中,航班季节性归类预测装置在确定目标航班的季节性分类时,可以获取目标航班的目标离港日期,并构建更改目标航班所对应的N个数据池,根据目标离港日期确定第一历史航班集合,并根据该第一历史航班集合中每个第一历史航班的航班数据确定每个第一历史航班的加权值,最后根据每个第一历史航班的加权值以及每个第一历史航班的距离港天数确定目标航班的季节性归类,相对于现有的通过人为对航班进行季节性归类来说,可以提高季节性归类的准确性,避免因为人为对航班的季节性归类而造成的偏颇现象。
附图说明
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本申请实施例提供的航班季节性归类的预测方法的流程示意图;
图2为本申请实施例提供的航班季节性归类预测装置的虚拟结构示意图;
图3为本申请实施例提供的机器可读介质的结构示意图;
图4为本申请实施例提供的服务器的硬件结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
本申请中使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
首先对本申请实施例涉及的专用名词进行说明:
收益管理系统是指利用航班计划、库存、离港与运价数据,基于预测与优化模型,对未离港航班的库存进行自动管理的系统;
市场需求值是指旅客具有能力购买且具有实际购买需求的需求,可以产生实际的订单,可以不产生实际的订单,作为收益管理系统中的输出值;
距离港天数(Number of department days,Ndo),系统日期(也即当前日期)距航班航段离港日期的天数,例如当前日期为2021年4月26日,离港日期为2021年5月1日,该Ndo即为5天;
数据采集点(Data collection points,Dcp),由距离港天数而决定,与距离港天数为一一对应关系,例如该数据采集点可以设置为24个(Dcp1,Dcp2,……Dcp24),距离港天数可以设置为365天,其中该数据采集点与距离港天数一一对应,数据采集点Dcp1对应距离港天数365天,Dcp24对应距离港天数1天,可以理解的是,上述数据采集点的数量、距离港天数的天数以及数据采集点与距离港天数的天数之间的对应关系仅为举例说明,具体不做限定。
DOW:Day Of Week,广义的星期
下面从航班季节性归类预测装置的角度本申请提供的航班季节性归类的预测方法进行说明,请参阅图1,图1为本申请实施例提供的航班季节性归类的预测方法的一个流程示意图,包括:
101、从本地数据库中获取目标航班所对应的目标离港日期。
本实施例中,航班季节性归类预测装置可以从本地数据库中获取目标航班所对应的目标离港日期,其中,该目标航班为目标航司中待预测季节性归类的未离港航班。可以理解的是,对于指定航空公司(也即目标航司)的航班数据在本地数据库是有存储的,在航班控制系统中含有指定航空公司全量或是增量的航班数据,可以设定为每隔预定时间从航班控制系统中获取指定航空公司全量或是增量的航班数据,例如,可以每间隔24小时的获取一次。该航班数据包括但不限于如下数据:航班号、航班离港日期、DCP与其对应的距航班离港天数、各舱位订座值与其对应的运价值。因此,该航班季节性归类预测装置可以直接从本地数据库中直接获取该目标航班所对应的目标离港日期。
需要说明的是,上述以目标航班为例进行说明,当然也还可以直接以航段为例进行说明,该目标航班中包括至少一个航段,航段是指能够构成旅客航程的航段,例如该目标航班为北京-上海-旧金山所对应的航班,旅客航程有3种可能:北京-上海、上海-旧金山和北京-旧金山,也即该目标航班包括北京-上海航段、上海-旧金山航段和北京-旧金山航段,共3个航段。
102、构建目标航班所对应的N个数据池。
本实施例中,航班季节性归类预测装置可以构建目标航班所对应的N个数据池,其中,N为大于或等于2的正整数。本申请中,将N的数量设置为7,将7个数据池标记为旺季1(记作peak)、旺季2(记作peak1)、平季1(记作peak2)、平季2(记作offpeak2)、淡季1(记作offpeak1)、淡季2(记作offpeak)以及无归类数据池default,此处的数据池的数量以及数据池的分类仅为举例说明,具体不做限定。
一个实施例中,航班季节性归类预测装置构建目标航班所对应的N个数据池包括:
步骤1、获取目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据。
本步骤中,航班季节性归类预测装置可以首先从本地数据库中获取目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据,另外,该目标航班所对应的第二历史航班集合为当前日期之前三年(当然也还可以是其他时长,例如4年,具体不限定)中与当前日期相关联的已离港航班,例如目标航班为2021年4月25日中的某一个航班,4月25日为星期天,那么该第二历史航班集合中为过去3年中所有星期天中与该目标航班相对应的航班的集合。
步骤2、根据每个第二历史航班的航班数据计算每个第二历史航班的收入数据。
本步骤中,航班季节性归类预测装置可以通过如下公式进行计算:
其中,Revenue Dcp(x)为每个第二历史航班中第x个航班的收入数据,i表示舱位,k为舱位的总数,BKG(i)为第i个舱位的订座,Fare(i)为第i个舱位的票价。
步骤3、将第二收入数据确定为第二数据池的中心数据,第二收入数据为第一航班对应的收入数据,第一航班为第二历史航班集合中任意一个航班,第二数据池为N个数据池中的任意一个。
本步骤中,航班季节性归类预测装置可以将第二收入数据确定为第二数据池的中心数据,该第二收入数据为第一航班的收入数据,该第一航班为第二历史航班集合中的任意一个航班,该第二数据池为N个数据池中的任意一个,也就是说,此处可以随机选择N个历史航班所对应的收入数据作为N个数据池的中心数据。
步骤4、计算第三收入数据与第二收入数据的第一距离,第三收入数据为航班子集合中的任意一个航班所对应的收入数据,航班子集合为第二历史航班集合中除第一航班之外的航班集合。
本步骤中,航班季节性归类预测装置可以通过如下公式计算第三收入数据与N个数据池的中心数据之间的距离:
D(i,j)=W(t)×|Xit-Yjt|;
其中,D(i,j)为第二收入数据i与第三收入数据j之间的距离,第三收入数据j为航班子集合中任意一个航班所对应的收入数据,W(t)为第三收入数据的权重,Xit为第二收入数据的市场需求值,Yjt为第三收入数据所对应的市场需求值。
步骤5、将第四收入数据划分至第二数据池,第四收入数据为第二航班所对应的收入数据,第二航班为航班子集合中与第二收入数据的距离最近的收入数据所对应的航班。
本步骤中,航班季节性归类预测装置可以将第四收入数据划分至第一数据池,该第四收入数据为第二航班所对应的收入数据,该第二航班为航班子集合中与第二收入数据的距离最近的收入数据所对应的航班,也就是说,可以将航班子集合中的每个航班分别划分至与每个航班距离最近的数据池中。
步骤6、计算划分后第二数据池的中心数据;
本步骤中,航班季节性归类预测装置可以通过如下公式计算第二数据池的中心数据:
其中,New_mean(t)为将第四收入数据划分至第二数据池后目标数据池的中心数据,old_mean(t)为将第四收入输入划分至第二数据池前目标数据池的中心数据,m为将第四收入输入划分至第二数据池之前目标数据池的中心数据的数量,X(t)为第二数据池中任意一个收入数据所对应的市场需求值。
之后,重复执行步骤3至步骤6,直至第二历史航班集合中每个第二历史航班所对应的收入数据均划分至N个数据池为止。
需要说明的是,市场需求值指的旅客具有能力购买且具有实际购买需求的需求,可以产生实际的订单,可以不产生实际的订单,在收益管理系统中应用限制算法计算模型输出市场需求值,该市场需求值被广泛应用与市场走势判断、市场淡旺季划分,并且是应用于收益管理系统核心算法子系统优化模块的重要输入值,是收益管理系统是航司利用航班计划、库存、离港与运价数据,对未离港航班的库存进行自动管理的自动化管理系统。此处具体不限定获取航班的市场需求值的方式,例如,获取目标航司的指定航班的航班信息,基于航班信息获取库存数据,该库存数据具体包括已离港航班库存信息和未离港航班库存信息,其中,已离港航班库存数据为指定航班以当前日期为基准的过往三年的已离港航班的航班库存数据,未离港航班的库存数据为指定航班在当前日期为基准的未来一年的航班库存数据;根据库存数据判断指定航班的指定舱位的销售状态。根据目标航司所对应的数据采集点,指定航空公司的航班信息、指定航班的库存数据等来识别指定航班的指定舱位的销售状态,销售状态包括锁舱、开舱等,最后基于预设算法对销售状态进行处理,得到指定航班的市场需求值。
需要说明的是,当指定舱位的可利用座位数小于等于零,可利用状态为开放、关闭,说明指定舱位处于非可销售状态,即为锁舱;指定舱位的可利用座位数大于零,可利用状态为关闭,说明指定舱位处于非可销售状态;即为锁舱;指定舱位的可利用座位数大于零,可利用状态为开放,说明指定舱位处于可销售状态;即为开舱;
下面对如何基于预设算法对销售状态进行处理,得到指定航班的时长需求值进行说明:
如果数据采集点DCP(n+1)的销售状态为开舱,且数据采集点DCP(n)的销售状态为开舱:
若数据采集点(n)较数据采集点(n+1)订座数是增加的,则使用如下公式计算数据采集点DCP(n+1)的市场需求值计算:
市场需求值DCP(n+1)=市场需求值DCP(n)+订座值增加变动值DCP(n),其中,订座增加变动值=实际订座值DCP(n+1)-实际订座值DCP(n)。
若数据采集点(n)较数据采集点(n+1)订座数是减少的,则通过如下公式计算数据采集点DCP(n+1)的市场需求值:
市场需求值DCP(n+1)=市场需求值DCP(n)+订座减少变动值DCP(n),其中,订座减少变动值=(实际订座值DCP(n+1)x市场需求值(n))/实际订座值DCP(n)-市场需求值(n)。
若数据采集点DCP(n+1)的销售状态为锁舱,且数据采集点DCP(n)的销售状态为开舱:
当数据采集点(n)较数据采集点(n+1)订座数是减少时,则通过如下公式计算
市场需求值DCP(n+1)=市场需求值DCP(n)+订座减少变动值DCP(n),其中,订座减少变动值=(实际订座值DCP(n+1)x市场需求值(n))/实际订座值DCP(n)-市场需求值(n)。可以理解的是,上述市场需求值的计算是一个迭代的过程,即为DCP(1)的市场需求值等于实际订座值,迭代计算DCP+=1的市场需求值。
103、根据目标离港日期确定目标航班所对应的第一历史航班集合。
本实施例中,航班季节性归类预测装置可以根据目标离港日期确定目标航班所对应的第一历史航班集合。具体的可以通过如下两种方式确定:
1、通过如下公式计算第一日期、第二日期、第三日期以及第四日期:
第一日期=所述目标离港日-52×7×i-1;
第二日期=所述目标离港日-52×7×i+1;
第三日期=所述目标离港日-51×7×i;
第四日期=所述目标离港日-53×7×i;
其中,i=(1,2,3……,n),i为当前年份之前的年份,例如当前年份为2021年,则i可以为2021年之前的多个年份,2020年,2019年,2018年等等;
将第一日期、第二日期、第三日期以及第四日期中与目标航班相对应的航班确定为第一历史航班集合。下面进行举例说明:
例如目标离港日期为2020年12月30日,那么第一日期即为2019年12月31日,第二日期为2020年1月2日,第三日期以及第四日期为与目标离港日期同DOW的日期,第三日期为2019年12月25日,第四日期为2020年1月8日。该第一历史航班集合为2019年12月31日、2020年1月2日、2019年12月25日以及2020年1月8日中与该目标航班相对应的航班的集合。
2、通过目标历史参考日期的防火确定目标航班所对应的第一历史航班集合:
通过如下公式计算目标历史参考日期:
目标历史参考日期=目标离港日期-52×7×i,其中,i=(1,2,3……,n),i为当前年份之前的年份;
根据目标历史参考日确定第一日期、第二日期、第三日期以及第四日期,所述第一日期为目标历史参考日的前一天,第二日期为目标历史参考日的后一天,第三日期为目标历史参考日的前一个星期,第四日期为目标历史参考日的后一个星期;
将第一日期、第二日期、第三日期以及第四日期中与目标航班相对应的航班确定为第一历史航班集合。下面进行举例说明:
例如该目标离港日为2020年12月30日,目标历史参考日期=2020/12/30-52×7×1=2020/1/1,对应DOW为星期三,目标历史参考日期前一天的日期为2019年12月31日(也即第一日期为2019年12月31日);目标历史参考日期后一天的日期为2020年1月2日(也即第二日期为2020年1月2日);参考日前一周同DOW的日期为2019年12月25日(也即第三日期为2019年12月25日);参考日后一周同DOW的日期为2020年1月8日(也即第四日期为2020年1月8日);该第一历史航班集合为2019年12月31日、2020年1月2日、2019年12月25日以及2020年1月8日中与该目标航班相对应的航班的集合。
104、获取第一历史航班集合中每个第一历史航班的航班数据。
本实施例中,航班季节性归类预测装置在确定第一历史航班集合之后,可以从本地数据库中获取该第一历史航班集合中每个第一历史航班的航班数据。需要说明的是,通过步骤101可以获取目标离港日期,通过步骤102可以构建N个数据池,通过步骤103至步骤104可以获取第一历史航班集合中每个第一历史航班的航班数据,然而,步骤101、步骤102、步骤103至步骤104之间并没有先后执行顺序的限制,可以先执行步骤101,也可以先执行步骤102,也可以先执行步骤103至步骤104,或者同时执行,具体不做限定。
105、根据N个数据池以及每个第一历史航班的航班数据确定每个第一历史航班的加权值。
本实施例中,航班季节性归类预测装置可以根据N个数据池以及每个第一历史航班的航班数据确定每个第一历史航班的加权值,具体的,可以首先根据每个第一历史航班的航班数据确定每个第一历史航班的收入数据(上述步骤102中已经对计算收入数据进行详细说明,具体此处不再赘述),之后将第一收入数据划分至第一数据池,其中,该第一收入数据为每个第一历史航班中任意一个航班所对应的收入数据,第一数据池为N个数据池中中心数据与第一收入数据之间的距离最小的数据池,并确定该第一数据池的预设加权值,将该第一数据池的预设加权值确定为第一收入数据所对应航班的加权值。也就是说,可以将每个第一历史航班所对应的收入数据划分至与其距离最近的数据池,并将对应的数据池的预设加权值确定为该每个第一历史航班的加权值。
需要说明的是,本地数据库中默认存储有N个数据池中每个数据池的预设加权值,本申请中将N设置为7(当然也还可以是其他的数值,具体不限定),该7个数据池的预设加权值分别设置为:peak=3,peak1=2,peak2=1,default=0,off-peak2=-1,off-peak1=-2,off-peak=-3,在将每个第一历史航班所对应的收入数据划分至7个数值之后,可以将数据池的预设加权值确定为划分至该数据池的第一历史航班的加权值,可以理解的是,若该第一历史航班集合中存在已经季节性归类的航班时,则将该航班的加权值确定为0。
106、根据每个第一历史航班的加权值以及每个第一历史航班的距离港天数确定目标航班的季节性归类。
本实施例中,航班季节性归类预测装置可以根据每个第一历史航班的加权值确定第一历史航班集合的加权总和,并根据该每个第一历史航班的距离港天数确定第一历史航班集合的总天数,最后根据加权总和以及总天数确定目标航班的季节性归类。一个实施例中,航班季节性归类预测装置根据加权总和以及总天数确定目标航班的季节性归类包括:将加权总和与总天数进行比较,得到比较结果,比较结果用于指示加权总和与总天数的大小关系;根据比较结果确定目标航班的季节性归类。
本实施例中,将第一历史航班集合的加权总和定义为字段Xi,将第一历史航班集合的总天数定义为Yi;之后比较Xi和Yi的大小关系,根据该大小关系确定目标航班的季节性归类,下面对比较Xi和Yi的大小关系及具体的季节性归类进行说明:
若Xi>Yi,则将目标航班指派至peak,也即该目标航班的季节性归类为旺季1;
若则将目标航班指派至peak1,也即该目标航班的季节性归类为旺季2;
若则将目标航班指派至peak2,也即该目标航班的季节性归类为平季1;
若Xi<-Yi,则将目标航班指派至off-peak,也即该目标航班的季节性归类为淡季2;
若则将目标航班指派至off-peak1,也即该目标航班的季节性归类为淡季1;
若则将目标航班指派至off-peak2,也即该目标航班的季节性归类为平季2。
综上所述,可以看出,本申请提供的实施例中,航班季节性归类预测装置在确定目标航班的季节性分类时,可以获取目标航班的目标离港日期,并构建更改目标航班所对应的N个数据池,根据目标离港日期确定第一历史航班集合,并根据该第一历史航班集合中每个第一历史航班的航班数据确定每个第一历史航班的加权值,最后根据每个第一历史航班的加权值以及每个第一历史航班的距离港天数确定目标航班的季节性归类,相对于现有的通过人为对航班进行季节性归类来说,可以提高季节性归类的准确性,避免因为人为对航班的季节性归类而造成的偏颇现象。
可以理解的是,附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
另外,本申请还可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上面从航班季节性归类的预测方法的角度对本申请实施例进行说明,下面从航班季节性归类预测装置的角度对本申请实施例进行说明。
请参阅图2,图2为本申请实施例提供的航班季节性归类预测装置的虚拟结构意图,该航班季节性归类预测装置200包括:
获取单元201,用于从本地数据库中获取目标航班所对应的目标离港日期,所述目标航班为目标航司中待预测季节性归类的未离港航班;
构建单元202,用于构建所述目标航班所对应的N个数据池,其中,所述N为大于或等于2的正整数;
第一确定单元203,用于根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;
所述获取单元201,还用于获取所述第一历史航班集合中每个第一历史航班的航班数据;
第二确定单元204,用于根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;
第三确定单元205,用于根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类。
一种可能的设计中,所述第三确定单元205具体用于:
根据所述每个第一历史航班的加权值确定所述第一历史航班集合的加权值总和;
根据所述每个第一历史航班的距离港天数确定所述第一历史航班集合的总天数;
根据所述加权总和以及所述总天数确定所述目标航班的季节性归类。
一种可能的设计中,所述第三确定单元205根据所述加权总和以及所述总天数确定所述目标航班的季节性归类包括:
将所述加权总和与所述总天数进行比较,得到比较结果,所述比较结果用于指示所述加权总和与所述总天数的大小关系;
根据所述比较结果确定所述目标航班的季节性归类。
一种可能的设计中,所述第二确定单元204具体用于:
根据所述每个第一历史航班的航班数据确定所述每个第一历史航班的收入数据;
将第一收入数据划分至第一数据池,所述第一收入数据为所述每个第一历史航班中任意一个航班所对应的收入数据,所述第一数据池为所述N个数据池中中心数据与所述第一收入数据之间距离最小的数据池;
确定所述第一数据池的预设加权值;
将所述第一数据池的预设加权值确定为所述第一收入数据所对应的航班的加权值。
一种可能的设计中,所述第一确定单元203具体用于:
通过如下公式计算第一日期、第二日期、第三日期以及第四日期:
所述第一日期=所述目标离港日-52×7×i-1;
所述第二日期=所述目标离港日-52×7×i+1;
所述第三日期=所述目标离港日-51×7×i;
所述第四日期=所述目标离港日-53×7×i;
其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
一种可能的设计中,所述第一确定单元203还具体用于:
通过如下公式计算所述目标历史参考日期:
所述目标历史参考日期=所述目标离港日期-52×7×i,其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
根据所述目标历史参考日确定第一日期、第二日期、第三日期以及第四日期,所述第一日期为所述目标历史参考日的前一天,所述第二日期为所述目标历史参考日的后一天,所述第三日期为所述目标历史参考日的前一个星期,所述第四日期为所述目标历史参考日的后一个星期;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
一种可能的设计中,所述构建单元202具体用于:
步骤1、获取所述目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据;
步骤2、根据所述每个第二历史航班的航班数据计算所述每个第二历史航班的收入数据;
步骤3、将第二收入数据确定为第二数据池的中心数据,所述第二收入数据为第一航班对应的收入数据,所述第一航班为所述第二历史航班集合中任意一个航班,所述第二数据池为所述N个数据池中的任意一个;
步骤4、计算第三收入数据与所述第二收入数据的距离,所述第三收入数据为航班子集合中的任意一个航班所对应的收入数据,所述航班子集合为所述第二历史航班集合中除所述第一航班之外的航班集合;
步骤5、将第四收入数据划分至所述第二数据池,所述第四收入数据为第二航班所对应的收入数据,所述第二航班为所述航班子集合中与所述第二收入数据的距离最近的收入数据所对应的航班;
步骤6、计算划分后所述第二数据池的中心数据;
重复执行步骤3至步骤6,直至所述第二历史航班集合中每个第二历史航班所对应的收入数据均划分至所述N个数据池为止。
综上所述,可以看出,本申请提供的实施例中,航班季节性归类预测装置在确定目标航班的季节性分类时,可以获取目标航班的目标离港日期,并构建更改目标航班所对应的N个数据池,根据目标离港日期确定第一历史航班集合,并根据该第一历史航班集合中每个第一历史航班的航班数据确定每个第一历史航班的加权值,最后根据每个第一历史航班的加权值以及每个第一历史航班的距离港天数确定目标航班的季节性归类,相对于现有的通过人为对航班进行季节性归类来说,可以提高季节性归类的准确性,避免因为人为对航班的季节性归类而造成的偏颇现象。
需要说明的是,描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标用户的证件信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
请参阅图3,图3为本申请实施例提供的一种机器可读介质的实施例示意图。
如图3所示,本实施例提供了一种机器可读介质300,其上存储有计算机程序311,该计算机程序311被处理器执行时实现上述图1中所述航班季节性归类的预测方法的步骤。
需要说明的是,本申请的上下文中,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。
需要说明的是,本申请上述的机器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或者是上述两者的任意组合。计算机可读存储介质例如可以是——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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
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。
请参阅图4,图4是本申请实施例提供的一种服务器的硬件结构示意图,该服务器400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)422(例如,一个或一个以上处理器)和存储器432,一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器422可以设置为与存储介质430通信,在服务器400上执行存储介质430中的一系列指令操作。
服务器400还可以包括一个或一个以上电源426,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口458,和/或,一个或一个以上操作系统441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由航班季节性归类预测装置所执行的步骤可以基于该图4所示的服务器结构。
还需要说明的,根据本申请的实施例,上述图1的流程示意图描述的所述航班季节性归类的预测方法的过程可以被实现为计算机软件程序。例如,本申请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上述图1的流程示意图中所示的方法的程序代码。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种航班季节性归类的预测方法,其特征在于,包括:
从本地数据库中获取目标航班所对应的目标离港日期,所述目标航班为目标航司中待预测季节性归类的未离港航班;
构建所述目标航班所对应的N个数据池,其中,所述N为大于或等于2的正整数;
根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;
获取所述第一历史航班集合中每个第一历史航班的航班数据;
根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;
根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类;
所述构建所述目标航班所对应的N个数据池包括:
步骤1、获取所述目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据;
步骤2、根据所述每个第二历史航班的航班数据计算所述每个第二历史航班的收入数据;
步骤3、将第二收入数据确定为第二数据池的中心数据,所述第二收入数据为第一航班对应的收入数据,所述第一航班为所述第二历史航班集合中任意一个航班,所述第二数据池为所述N个数据池中的任意一个;
步骤4、计算第三收入数据与所述第二收入数据的距离,所述第三收入数据为航班子集合中的任意一个航班所对应的收入数据,所述航班子集合为所述第二历史航班集合中除所述第一航班之外的航班集合;
步骤5、将第四收入数据划分至所述第二数据池,所述第四收入数据为第二航班所对应的收入数据,所述第二航班为所述航班子集合中与所述第二收入数据的距离最近的收入数据所对应的航班;
步骤6、计算划分后所述第二数据池的中心数据;
重复执行步骤3至步骤6,直至所述第二历史航班集合中每个第二历史航班所对应的收入数据均划分至所述N个数据池为止。
2.根据权利要求1所述的方法,其特征在于,所述根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类包括:
根据所述每个第一历史航班的加权值确定所述第一历史航班集合的加权值总和;
根据所述每个第一历史航班的距离港天数确定所述第一历史航班集合的总天数;
根据所述加权总和以及所述总天数确定所述目标航班的季节性归类。
3.根据权利要求2所述的方法,其特征在于,所述根据所述加权总和以及所述总天数确定所述目标航班的季节性归类包括:
将所述加权总和与所述总天数进行比较,得到比较结果,所述比较结果用于指示所述加权总和与所述总天数的大小关系;
根据所述比较结果确定所述目标航班的季节性归类。
4.根据权利要求1所述的方法,其特征在于,所述根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述历史航班集合中的每个第一历史航班的加权值包括:
根据所述每个第一历史航班的航班数据确定所述每个第一历史航班的收入数据;
将第一收入数据划分至第一数据池,所述第一收入数据为所述每个第一历史航班中任意一个航班所对应的收入数据,所述第一数据池为所述N个数据池中中心数据与所述第一收入数据之间距离最小的数据池;
确定所述第一数据池的预设加权值;
将所述第一数据池的预设加权值确定为所述第一收入数据所对应的航班的加权值。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合包括:
通过如下公式计算第一日期、第二日期、第三日期以及第四日期:
所述第一日期=所述目标离港日-52×7×i-1;
所述第二日期=所述目标离港日-52×7×i+1;
所述第三日期=所述目标离港日-51×7×i;
所述第四日期=所述目标离港日-53×7×i;
其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合包括:
通过如下公式计算所述目标历史参考日期:
所述目标历史参考日期=所述目标离港日期-52×7×i,其中,i=(1,2,3……,n),所述i为当前年份之前的年份;
根据所述目标历史参考日确定第一日期、第二日期、第三日期以及第四日期,所述第一日期为所述目标历史参考日的前一天,所述第二日期为所述目标历史参考日的后一天,所述第三日期为所述目标历史参考日的前一个星期,所述第四日期为所述目标历史参考日的后一个星期;
将所述第一日期、所述第二日期、所述第三日期以及所述第四日期中与所述目标航班相对应的航班确定为所述第一历史航班集合。
7.一种航班季节性归类预测装置,其特征在于,包括::
获取单元,用于从本地数据库中获取目标航班所对应的目标离港日期,所述目标航班为目标航司中待预测季节性归类的未离港航班;
构建单元,用于构建所述目标航班所对应的N个数据池,其中,所述N为大于或等于2的正整数;
第一确定单元,用于根据所述目标离港日期确定所述目标航班所对应的第一历史航班集合,所述第一历史航班集合中的每个第一历史航班均为未季节性归类的航班;
所述获取单元,还用于获取所述第一历史航班集合中每个第一历史航班的航班数据;
第二确定单元,用于根据所述N个数据池以及所述每个第一历史航班的航班数据确定所述每个第一历史航班的加权值;
第三确定单元,用于根据所述每个第一历史航班的加权值以及所述每个第一历史航班的距离港天数确定所述目标航班的季节性归类;
所述构建单元,具体用于:
步骤1、获取所述目标航班所对应的第二历史航班集合中每个第二历史航班的航班数据;
步骤2、根据所述每个第二历史航班的航班数据计算所述每个第二历史航班的收入数据;
步骤3、将第二收入数据确定为第二数据池的中心数据,所述第二收入数据为第一航班对应的收入数据,所述第一航班为所述第二历史航班集合中任意一个航班,所述第二数据池为所述N个数据池中的任意一个;
步骤4、计算第三收入数据与所述第二收入数据的距离,所述第三收入数据为航班子集合中的任意一个航班所对应的收入数据,所述航班子集合为所述第二历史航班集合中除所述第一航班之外的航班集合;
步骤5、将第四收入数据划分至所述第二数据池,所述第四收入数据为第二航班所对应的收入数据,所述第二航班为所述航班子集合中与所述第二收入数据的距离最近的收入数据所对应的航班;
步骤6、计算划分后所述第二数据池的中心数据;
重复执行步骤3至步骤6,直至所述第二历史航班集合中每个第二历史航班所对应的收入数据均划分至所述N个数据池为止。
8.一种计算机设备,其特征在于,包括:存储器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信;
所述处理器用于执行所述存储器中的程序,并根据程序代码中的指令执行权利要求1至6中任一项所述的航班季节性归类的预测方法。
9.一种机器可读介质,其特征在于,包括指令,当所述指令在机器上运行时,使得机器执行上述权利要求1至6中任一项所述的航班季节性归类的预测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604811.2A CN113282684B (zh) | 2021-05-31 | 2021-05-31 | 航班季节性归类的预测方法、装置及机器可读介质 |
PCT/CN2022/087049 WO2022252847A1 (zh) | 2021-05-31 | 2022-04-15 | 航班季节性归类的预测方法、装置及机器可读介质 |
KR1020237036733A KR20230159604A (ko) | 2021-05-31 | 2022-04-15 | 항공편의 시즌별 분류 예측 방법 및 기구, 및 기계 판독가능 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604811.2A CN113282684B (zh) | 2021-05-31 | 2021-05-31 | 航班季节性归类的预测方法、装置及机器可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113282684A CN113282684A (zh) | 2021-08-20 |
CN113282684B true CN113282684B (zh) | 2023-08-29 |
Family
ID=77282866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604811.2A Active CN113282684B (zh) | 2021-05-31 | 2021-05-31 | 航班季节性归类的预测方法、装置及机器可读介质 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR20230159604A (zh) |
CN (1) | CN113282684B (zh) |
WO (1) | WO2022252847A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282684B (zh) * | 2021-05-31 | 2023-08-29 | 中国民航信息网络股份有限公司 | 航班季节性归类的预测方法、装置及机器可读介质 |
CN116503568B (zh) * | 2023-06-27 | 2023-11-07 | 科大乾延科技有限公司 | 一种基于全息投影的三维场景显示方法 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
CN111652427A (zh) * | 2020-05-29 | 2020-09-11 | 航科院中宇(北京)新技术发展有限公司 | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012499A1 (en) * | 2016-07-07 | 2018-01-11 | Passur Aerospace, Inc. | System and Method for Predicting Aircraft Taxi Time |
CN109978211B (zh) * | 2017-12-28 | 2021-04-06 | 北京航空航天大学 | 航班进离港率的预测方法和装置 |
CN113282684B (zh) * | 2021-05-31 | 2023-08-29 | 中国民航信息网络股份有限公司 | 航班季节性归类的预测方法、装置及机器可读介质 |
-
2021
- 2021-05-31 CN CN202110604811.2A patent/CN113282684B/zh active Active
-
2022
- 2022-04-15 KR KR1020237036733A patent/KR20230159604A/ko unknown
- 2022-04-15 WO PCT/CN2022/087049 patent/WO2022252847A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
CN111652427A (zh) * | 2020-05-29 | 2020-09-11 | 航科院中宇(北京)新技术发展有限公司 | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
KR20230159604A (ko) | 2023-11-21 |
CN113282684A (zh) | 2021-08-20 |
WO2022252847A1 (zh) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113282684B (zh) | 航班季节性归类的预测方法、装置及机器可读介质 | |
Jacquillat et al. | A roadmap toward airport demand and capacity management | |
US7430518B2 (en) | Air cargo yield management system and method utilizing booking profiles and unconstrained demand | |
CN108053242B (zh) | 景点门票票量预测方法、系统、设备及存储介质 | |
US20030167110A1 (en) | Method and system for routing mobile vehicles and scheduling maintenance for those vehicles related application | |
Pilla et al. | A multivariate adaptive regression splines cutting plane approach for solving a two-stage stochastic programming fleet assignment model | |
CN111582584B (zh) | 基于航空公司公平性的航段运行时间优化方法 | |
US20180039679A1 (en) | Integrated management of disparate data from isolated data sources | |
CN111798079A (zh) | 航班调整方法、装置、电子设备及存储介质 | |
US20230186238A1 (en) | Intelligent prediction of bundles of spare parts | |
CN111784047B (zh) | 一种季节因子的计算方法及相关装置 | |
Maghrebi et al. | Reconstruction of an expert's decision making expertise in concrete dispatching by machine learning | |
WO2022252846A1 (zh) | 航段市场需求值的预测方法、装置及机器可读介质 | |
Tang et al. | A gate reassignment framework for real time flight delays | |
Setiawan et al. | Analysis of Demand Potential and Need for Passenger Terminal Facilities at Cikembar Sukabumi Airport | |
CN115689144A (zh) | 航班运行保障任务智能调整方法、系统、设备和存储介质 | |
CN112308636B (zh) | 一种基于市场需求变化的市场需求值的计算方法和装置 | |
CN113297336B (zh) | 航班的季节性归类方法、装置及机器可读介质 | |
JP2017513145A (ja) | エアライン乗客チケット大量データストックを分析する方法及びコンピュータプログラム | |
CN114239325B (zh) | 机场值机托运柜台配置规划方法、装置、设备和存储介质 | |
CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
US20230138588A1 (en) | Server and method of determining an advanced booking fee for an advance booking | |
Ahmed et al. | An overview of the issues in the airline industry and the role of optimization models and algorithms | |
CN112396249A (zh) | 一种基于订座变化识别的市场需求值的计算方法和装置 | |
Liu et al. | A Bayesian predictor of airline class seats based on multinomial event model |
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 |