CN113297336B - 航班的季节性归类方法、装置及机器可读介质 - Google Patents
航班的季节性归类方法、装置及机器可读介质 Download PDFInfo
- Publication number
- CN113297336B CN113297336B CN202110604313.8A CN202110604313A CN113297336B CN 113297336 B CN113297336 B CN 113297336B CN 202110604313 A CN202110604313 A CN 202110604313A CN 113297336 B CN113297336 B CN 113297336B
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- revenue
- target
- pool
- 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
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 81
- 230000010006 flight Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 description 18
- 238000013461 design Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 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
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000007405 data analysis 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
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F16/28—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
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (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的季节性归类方法、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。该方法包括:获取目标航司中待进行季节性归类的第一航班的第一航班数据;获取第一航班所对应的历史航班集合中每个历史航班的第二航班数据;确定季节性归类的N个数据池,其中,N为大于或等2的整数;根据第二航班数据计算所述每个历史航班的第一收入数据;根据第一收入数据确定所述N个数据池中每个数据池的中心数据;根据第一航班数据计算第一航班的第二收入数据;根据第二收入数据以及N个数据池中每个数据池的中心数据确定第一航班的季节性归类。
Description
技术领域
本申请涉及航空领域,尤其涉及一种航班的季节性归类方法、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的季节性归类方法、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的季节性归类方法,包括:
获取目标航司中待进行季节性归类的第一航班的第一航班数据;
获取所述第一航班所对应的历史航班集合中每个历史航班的第二航班数据;
确定季节性归类的N个数据池,其中,所述N为大于或等2的整数;
根据所述第二航班数据计算所述每个历史航班的第一收入数据;
根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据;
根据所述第一航班数据计算所述第一航班的第二收入数据;
根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类。
将所述第二数据池所对应的季节性归类确定为所述第一航班的季节性归类。
本申请实施例第二方面提供了一种航班季节性归类装置,包括:
第一获取单元,用于获取目标航司中待进行季节性归类的第一航班的第一航班数据;
第二获取单元,用于获取所述第一航班所对应的历史航班集合中每个历史航班的第二航班数据;
第一确定单元,用于确定季节性归类的N个数据池,其中,所述N为大于或等2的整数;
第一计算单元,用于根据所述第二航班数据计算所述每个历史航班的第一收入数据;
第二确定单元,用于根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据;
第二计算单元,用于根据所述第一航班数据计算所述第一航班的第二收入数据;
第三确定单元,用于根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类。
一种可能的设计中,所述第二确定单元具体用于:
将目标收入数据确定为第一数据池的中心数据,所述目标收入数据为第二航班对应的收入数据,所述第二航班为所述历史航班集合中任意一个航班,所述第一数据池为所述N个数据池中的任意一个;
计算第三收入数据与所述目标收入数据的第一距离,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历史航班集合中除所述第二航班之外的航班集合;
将第四收入数据划分至所述第一数据池,所述第四收入数据为第三航班所对应的收入数据,所述第三航班为所述航班子集合中与所述目标收入数据的第一距离最近的收入数据所对应的航班;
计算划分后所述第一数据池的中心数据。
一种可能的设计中,所述第二确定单元计算第三收入数据与所述目标收入数据的第一距离包括:
根据如下公式计算计算第三收入数据与所述目标收入数据的第一距离:
D(i,j)=W(t)×|Xit-Yjt|;
其中,D(i,j)为所述目标收入数据i与第三收入数据j之间的第一距离,所述第三收入数据j为所述航班子集合中任意一个航班所对应的收入数据,W(t)为所述第三收入数据的权重,Xit为所述目标收入数据的市场需求值,Yjt为所述第三收入数据所对应的市场需求值。
一种可能的设计中,所述第二确定单元计算划分后所述目标数据池的中心数据包括:
通过如下公式计算划分后所述目标数据池的中心数据:
其中,New_mean(t)为将所述第四收入数据划分至所述目标数据池后所述目标数据池的中心数据,old_mean(t)为将所述第四收入输入划分至所述目标数据池前所述目标数据池的中心数据,m为将所述第四收入输入划分至所述目标数据池之前,所述目标数据池的中心数据的数量,X(t)为所述目标数据池中任意一个收入数据所对应的市场需求值。
一种可能的设计中,所述第一计算单元具体用于:
通过如下公式计算所述每个历史航班的第一收入数据:
其中,Revenue Dcp(x)为所述每个历史航班中第x个航班的第一收入数据,i表示舱位,k为舱位的总数,BKG(i)为所述第i个舱位的订座,Fare(i)为所述第i个舱位的票价。
一种可能的设计中,所述第三确定单元具体用于:
计算所述第二收入数据与N个中心数据中每个中心数据的第二距离,其中,所述N个中心数据与所述N个数据池相对应;
将所述第二收入数据划分至第二数据池,所述第二数据池为所述N个中心数据中与所述第二收入数据之间的第二距离最小的中心数据所对应的数据池;
将所述第二数据池所对应的季节性归类确定为所述第一航班的季节性归类。
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的季节性归类方法。
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,使得机器执行上述第一方面所述的航班的季节性归类方法。
综上所述,可以看出,本申请提供的实施例中,航班季节性归类装置在确定第一航班的季节性分类时,可以获取第一航班所对应的历史航班数据,之后对该历史航班数据进行聚类,得到N个聚类的中心数据,并根据该N个聚类的中心数据以及该第一航班的收入数据确定该第一航班的季节性分类,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的季节性归类方法的流程示意图;
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”。
通过将已离港历史航班进行淡旺季归类,归类后样本数据可以更好的反应真实的各时段的历史市场情况与市场走势,用于预测输出结果的计算更为精确,例如,对国庆节长假的航班进行市场预测,需要使用同样为国庆节或同质长假航班的已离港航班的航班数据作为样本,目前航空公司是通过人为对航空航班进行定量或定性的淡旺季划分,但是通过人为进行淡旺季的划分难免会出现偏颇的结果,导致季节性划分的不准确性。
有鉴于此,本申请实施例提供的一种航班的季节性归类方法,通过聚类分析的方式,将与待季节性归类的航班同时期的历史数据进行聚类分析,得到N个聚类,之后根据N个聚类对待季节性归类的航班进行分类。相对于现有的通过人为进行季节性归来来说,更加准确,避免出现偏颇的归类结果。
聚类为根据某种相似性准则将样本空间分为多个子空间,使每个子空间内部样本点相似相近,不同子空间内样本点之间差异性相异相远,其过程是一个无监督学习过程,能够实现样本空间的盲分类。聚类广泛应用于统计、机器学习、模式识别、数据分析等领域。目前己有应用于多个领域的聚类算法近百种,处理对象从一般数据库到超大规模数据库,从低维数据空间到高维数据空间,从数字属性数据到多种属性的数据。
下面从航班季节性归类装置的角度本申请提供的航班的季节性归类方法进行说明,请参阅图1,图1为本申请实施例提供的航班的季节性归类方法的一个流程示意图,包括:
101、获取目标航司中待进行季节性归类的第一航班的第一航班数据。
本实施例中,航班季节性归类装置获取目标航司中待进行季节性归类的第一航班的第一航班数据,该第一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,例如该第一航班为北京-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,也即该第一航班包括北京-上海航段、上海-旧金山航段和北京-旧金山航段,共3个航段。该第一航班数据为指定航空公司(也即目标航司)数据采集点(Datacollection points,DCP)数据,包括以下至少之一:航班号、始发机场、达到机场、航班航段离港日期与时刻、航班航段各舱位订座值与对应运价值。
可以理解的是,该第一航班数据还可以包括航班的离港日期、离港日期所对应的星期、具体的离港时刻、订座值数据与市场需求值。此处以航班的航班数据进行说明的,当然也还可以直接以航班中的航段为例进行说明,具体不做限定。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,已离岗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。
需要说明的是,DCP数据由当前时刻距离港天数而决定,与距离港天数为一一对应关系,下面进行举例说明:
例如该数据采集点可以设置为24个(Dcp1,Dcp2,......Dcp24),距离港日期可以设置为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对应距离港日期365天,Dcp24对应距离港日期1天,可以理解的是,上述数据采集点的数量、距离港日期的天数以及数据采集点与距离港日期的天数之间的对应关系仅为举例说明,具体不做限定。
还需要说明的是,数据采集点还可以包括舱位、订座以及票价等数据,其中:
舱位为支付价格、服务内容与设置的同类别的总称;
订座标记为BKG,对旅客预定的座位、舱位登机或对行李的重量、体积的预留;
票价标记为Fare,指旅客从地点A到地点B的被收取的费用,或者可以说是一个需要旅客付费的价格,以及附加在这个价格上、规定允许使用这个价格的条件(指运价、规则和各种限制的总和),上述这些都是可以进行自动化票价计算的基础条件。国际运价主要包含以下内容:城市对(也成为市场)、规则号、运价等级、脚注(可选)、货币、金额、生效日期、截止日期、里程等。
102、获取第一航班所对应的历史航班集合中每个历史航班的第二航班数据。
本实施例中,航班季节性归类装置可以获取第一航班所对应的历史航班集合中每个历史航班的第二航班数据,由于本地数据库会定期存储目标航司的航班数据,因此在获取第一航班所对应的历史航班集合中每个历史航班的第二航班数据时,只需要从本地数据库中提取即可。另外,该第一航班所对应的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天,具体不限定)中与当前日期相关联的已离港航班,例如第一航班为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。
103、确定季节性归类的N个数据池。
本实施例中,航班季节性归类装置可以确定季节性归类的N个数据池,其中,N为大于或等于2的正整数。可以理解的是,本申请中,将N的数量设置为7,将7个数据池划分为旺季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值的分类仅为举例说明,具体不做限定。
需要说明的是,通过步骤101可以获取目标航司中待进行季节性归类的第一航班的第一航班数据,通过步骤102可以获取第一航班所对应的历史航班集合中每个历史航班的第二航班数据,通过步骤103可以确定季节性归类的N个数据池,然而这三个步骤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,或者同时执行,具体不做限定。
104、根据第二航班数据计算每个历史航班的第一收入数据。
本实施例中,航班季节性归类装置在得到历史航班集合中每个历史航班的第二航班数据之后,可以根据第二航班数据计算每个历史航班的第一收入数据,具体的可以通过如下公式计算每个历史航班的第一收入数据:
其中,Revenue Dcp(x)为每个历史航班中第x个航班的第一收入数据,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)为所述第i个舱位的票价。
可以理解的是,为了计算简便,可以使用Dcp19,Dcp20,Dcp21,Dcp22,Dcp23以及Dcp24所对应的距离港天数的航班作为第一航班的历史航班,当然也还可以使用其他的数据采集点,具体不做限定。
105、根据第一收入数据确定N个数据池中每个数据池的中心数据。
本实施例中,航班季节性归类装置在得到每个历史航班的第一收入数据之后,可以根据每个历史航班的第一收入数据确定N个数据池中每个数据池的中心数据。
一个实施例中,航班季节性归类装置根据第一收入数据确定N个数据池中每个数据池的中心数据包括:
将目标收入数据确定为第一数据池的中心数据,目标收入数据为第二航班对应的收入数据,第二航班为历史航班集合中任意一个航班,第一数据池为N个数据池中的任意一个;
计算第三收入数据与目标收入数据的第一距离,所述第三收入数据为航班子集合中任意一个航班所对应的收入数据,航班子集合为历史航班集合中除目标航班之外的航班集合;
将第四收入数据划分至第一数据池,第四收入数据为第三航班所对应的收入数据,第三航班为航班子集合中与目标收入数据的第一距离最近的收入数据所对应的航班;
计算划分后第一数据池的中心数据。
本实施例中,航班季节性归类装置可以首先将目标收入数据确定为第一数据池的中心数据,该目标收入数据为目标航班的收入数据,该目标航班为历史航班集合中的任意一个航班,该第一数据池为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。
之后计算第三收入数据与目标收入数据的第一距离,第三收入数据为航班子集合中任意一个航班所对应的收入数据,航班子集合为历史航班集合中除目标航班之外的航班集合,具体的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第一距离:
D(i,j)=W(t)×|Xit-Yjt|;
其中,D(i,j)为目标收入数据i与第三收入数据j之间的第一距离,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为目标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。
航班季节性归类装置在计算得到航班子集合中任意一个航班所对应的收入数据与目标收入数据的第一距离之后,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三航班所对应的收入数据,该第三航班为航班子集合中与目标收入数据的第一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。
最后航班季节性归类装置,可以计算划分后的第一数据池的中心数据,具体的可以通过如下公式计算第一数据池的中心数据:
其中,New_mean(t)为将第四收入数据划分至目标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目标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目标数据池之前目标数据池的中心数据的数量,X(t)为目标数据池中任意一个收入数据所对应的市场需求值。
由此,可以将历史航班集合中每个历史航班所对应的收入数据进行聚类分析,以将每个航班所对应的收入数据分别划分至N个数据池中,得到了划分后的N个数据池以及N个数据池中每个数据池的中心数据。
也就是说,航班季节性归类装置可以随机从历史航班集合中每个航班的第二收入数据中选取N个第二收入数据作为N个数据池的中心数据,之后从航班子集合中随机选取一个航班,计算该随机选取的航班所对应的第二收入数据与N个数据池的中心数据之间的距离,并将该随机选取的航班所对应的第二收入数据划分至与该随机选取的航班所对应的第二收入数据距离最近的数据池,并计算该数据池的中心数据;之后在从航班子集合再选取一个航班,重复执行上述过程,直至历史航班集合中的所有航班所对应的第二收入数据均划分完毕为止,得到划分后的N个数据池,之后计算N个数据池的中心数据即可。
106、根据第一航班数据计算第一航班的第二收入数据。
本实施例中,航班季节性归类装置可以根据第一航班数据计算第一航班的第二收入数据,也即计算待进行季节性归类的第一航班的收入数据,具体的可以通过如下公式进行计算:
其中,Revenue Dcp(x)为第二收入数据,i表示第一航班中的第i个舱位,k为第一航班中舱位的总数,BKG(i)为第i个舱位的订座,Fare(i)为第i个舱位的票价。
107、根据第二收入数据以及每个数据池的中心数据确定第一航班的季节性归类。
本实施例中,航班季节性归类装置在计算得到第一航班的第二收入数据之后,可以根据第二收入数据以及每个数据池的中心数据确定第一航班的季节性归类,具体的,可以首先计算第二收入数据与N个中心数据中每个中心数据的第二距离,其中,N个中心数据与N个数据池相对应,具体的可以通过如下公式计算第二收入数据与N个中心数据中每个中心数据的第二距离:
D(i,j)=W(t)×|Xit-Yjt|;
其中,D(i,j)为目标收入数据i与第三收入数据j之间的第一距离,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为目标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。
之后将第二收入数据划分至第二数据池,该第二数据池为N个中心数据中与第二收入数据之间的第二距离最小的中心数据所对应的数据池,也即将第二收入数据划分至与之最相似的聚类中;
将第二数据池所对应的季节性归类确定为第一航班的季节性归类。
综上所述,可以看出,本申请提供的实施例中,航班季节性归类装置在确定第一航班的季节性分类时,可以获取第一航班所对应的历史航班数据,之后对该历史航班数据进行聚类,得到N个聚类的中心数据,并根据该N个聚类的中心数据以及该第一航班的收入数据确定该第一航班的季节性分类,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)。
上面从航班的季节性归类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装置的虚拟结构意图,该航班季节性归类装置200包括:
第一获取单元201,用于获取目标航司中待进行季节性归类的第一航班的第一航班数据;
第二获取单元202,用于获取所述第一航班所对应的历史航班集合中每个历史航班的第二航班数据;
第一确定单元203,用于确定季节性归类的N个数据池,其中,所述N为大于或等2的整数;
第一计算单元204,用于根据所述第二航班数据计算所述每个历史航班的第一收入数据;
第二确定单元205,用于根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据;
第二计算单元206,用于根据所述第一航班数据计算所述第一航班的第二收入数据;
第三确定单元207,用于根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类。
一种可能的设计中,所述第二确定单元205具体用于:
将目标收入数据确定为第一数据池的中心数据,所述目标收入数据为第二航班对应的收入数据,所述第二航班为所述历史航班集合中任意一个航班,所述第一数据池为所述N个数据池中的任意一个;
计算第三收入数据与所述目标收入数据的第一距离,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历史航班集合中除所述第二航班之外的航班集合;
将第四收入数据划分至所述第一数据池,所述第四收入数据为第三航班所对应的收入数据,所述第三航班为所述航班子集合中与所述目标收入数据的第一距离最近的收入数据所对应的航班;
计算划分后所述第一数据池的中心数据。
一种可能的设计中,所述第二确定单元205计算第三收入数据与所述目标收入数据的第一距离包括:
根据如下公式计算计算第三收入数据与所述目标收入数据的第一距离:
D(i,j)=W(t)×|Xit-Yjt|;
其中,D(i,j)为所述目标收入数据i与第三收入数据j之间的第一距离,所述第三收入数据j为所述航班子集合中任意一个航班所对应的收入数据,W(t)为所述第三收入数据的权重,Xit为所述目标收入数据的市场需求值,Yjt为所述第三收入数据所对应的市场需求值。
一种可能的设计中,所述第二确定单元205计算划分后所述目标数据池的中心数据包括:
通过如下公式计算划分后所述目标数据池的中心数据:
其中,New_mean(t)为将所述第四收入数据划分至所述目标数据池后所述目标数据池的中心数据,old_mean(t)为将所述第四收入输入划分至所述目标数据池前所述目标数据池的中心数据,m为将所述第四收入输入划分至所述目标数据池之前,所述目标数据池的中心数据的数量,X(t)为所述目标数据池中任意一个收入数据所对应的市场需求值。
一种可能的设计中,所述第一计算单元204具体用于:
通过如下公式计算所述每个历史航班的第一收入数据:
其中,Revenue Dcp(x)为所述每个历史航班中第x个航班的第一收入数据,i表示舱位,k为舱位的总数,BKG(i)为所述第i个舱位的订座,Fare(i)为所述第i个舱位的票价。
一种可能的设计中,所述第三确定单元207具体用于:
计算所述第二收入数据与N个中心数据中每个中心数据的第二距离,其中,所述N个中心数据与所述N个数据池相对应;
将所述第二收入数据划分至第二数据池,所述第二数据池为所述N个中心数据中与所述第二收入数据之间的第二距离最小的中心数据所对应的数据池;
将所述第二数据池所对应的季节性归类确定为所述第一航班的季节性归类。
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中所述航班的季节性归类方法的步骤。
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的季节性归类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 (6)
1.一种航班的季节性归类方法,其特征在于,包括:
获取目标航司中待进行季节性归类的第一航班的第一航班数据;
获取所述第一航班所对应的历史航班集合中每个历史航班的第二航班数据;
确定季节性归类的N个数据池,其中,所述N为大于或等于2的整数;
根据所述第二航班数据计算所述每个历史航班的第一收入数据;
根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据;
根据所述第一航班数据计算所述第一航班的第二收入数据;
根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类;
其中,所述根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据包括:
将目标收入数据确定为第一数据池的中心数据,所述目标收入数据为第二航班对应的收入数据,所述第二航班为所述历史航班集合中任意一个航班,所述第一数据池为所述N个数据池中的任意一个;
计算第三收入数据与所述目标收入数据的第一距离,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历史航班集合中除所述第二航班之外的航班集合;
将第四收入数据划分至所述第一数据池,所述第四收入数据为第三航班所对应的收入数据,所述第三航班为所述航班子集合中与所述目标收入数据的第一距离最近的收入数据所对应的航班;
计算划分后所述第一数据池的中心数据;
其中,计算划分后目标数据池的中心数据包括:
通过如下公式计算划分后所述目标数据池的中心数据:
;
其中,为将所述第四收入数据划分至所述目标数据池后所述目标数据池的中心数据, />为将所述第四收入输入划分至所述目标数据池前所述目标数据池的中心数据,m为将所述第四收入输入划分至所述目标数据池之前,所述目标数据池的中心数据的数量,/>为所述目标数据池中任意一个收入数据所对应的市场需求值;
其中,所述根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类包括:
计算所述第二收入数据与N个中心数据中每个中心数据的第二距离,其中,所述N个中心数据与所述N个数据池相对应;
将所述第二收入数据划分至第二数据池,所述第二数据池为所述N个中心数据中与所述第二收入数据之间的第二距离最小的中心数据所对应的数据池;
将所述第二数据池所对应的季节性归类确定为所述第一航班的季节性归类。
2.根据权利要求1所述的方法,其特征在于,所述计算第三收入数据与所述目标收入数据的第一距离包括:
根据如下公式计算第三收入数据与所述目标收入数据的第一距离:
;
其中,为所述目标收入数据i与第三收入数据j之间的第一距离,所述第三收入数据j为所述航班子集合中任意一个航班所对应的收入数据,/>为所述第三收入数据的权重,/>为所述目标收入数据的市场需求值,/>为所述第三收入数据所对应的市场需求值。
3.根据权利要求1至2中任一项所述的方法,其特征在于,所述根据所述第二航班数据计算所述每个历史航班的第一收入数据包括:
通过如下公式计算所述每个历史航班的第一收入数据:
;
其中,为所述每个历史航班中第x个航班的第一收入数据,i表示舱位,k为舱位的总数,/>为第i个舱位的订座,/>为所述第i个舱位的票价。
4.一种航班季节性归类装置,其特征在于,包括:
第一获取单元,用于获取目标航司中待进行季节性归类的第一航班的第一航班数据;
第二获取单元,用于获取所述第一航班所对应的历史航班集合中每个历史航班的第二航班数据;
第一确定单元,用于确定季节性归类的N个数据池,其中,所述N为大于或等于2的整数;
第一计算单元,用于根据所述第二航班数据计算所述每个历史航班的第一收入数据;
第二确定单元,用于根据所述第一收入数据确定所述N个数据池中每个数据池的中心数据;
第二计算单元,用于根据所述第一航班数据计算所述第一航班的第二收入数据;
第三确定单元,用于根据所述第二收入数据以及所述N个数据池中每个数据池的中心数据确定所述第一航班的季节性归类;
其中,所述第二确定单元具体用于:
将目标收入数据确定为第一数据池的中心数据,所述目标收入数据为第二航班对应的收入数据,所述第二航班为所述历史航班集合中任意一个航班,所述第一数据池为所述N个数据池中的任意一个;
计算第三收入数据与所述目标收入数据的第一距离,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历史航班集合中除所述第二航班之外的航班集合;
将第四收入数据划分至所述第一数据池,所述第四收入数据为第三航班所对应的收入数据,所述第三航班为所述航班子集合中与所述目标收入数据的第一距离最近的收入数据所对应的航班;
计算划分后所述第一数据池的中心数据;
其中,所述第二确定单元具体用于:
通过如下公式计算划分后目标数据池的中心数据:
;
其中,为将所述第四收入数据划分至所述目标数据池后所述目标数据池的中心数据, />为将所述第四收入输入划分至所述目标数据池前所述目标数据池的中心数据,m为将所述第四收入输入划分至所述目标数据池之前,所述目标数据池的中心数据的数量,/>为所述目标数据池中任意一个收入数据所对应的市场需求值;
其中,所述第三确定单元具体用于:
计算所述第二收入数据与N个中心数据中每个中心数据的第二距离,其中,所述N个中心数据与所述N个数据池相对应;
将所述第二收入数据划分至第二数据池,所述第二数据池为所述N个中心数据中与所述第二收入数据之间的第二距离最小的中心数据所对应的数据池;
将所述第二数据池所对应的季节性归类确定为所述第一航班的季节性归类。
5.一种计算机设备,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3中任一项所述的季节性归类方法。
6.一种机器可读介质,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3中任一项所述的季节性归类方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604313.8A CN113297336B (zh) | 2021-05-31 | 2021-05-31 | 航班的季节性归类方法、装置及机器可读介质 |
PCT/CN2022/087286 WO2022252850A1 (zh) | 2021-05-31 | 2022-04-18 | 航班的季节性归类方法、装置及机器可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604313.8A CN113297336B (zh) | 2021-05-31 | 2021-05-31 | 航班的季节性归类方法、装置及机器可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297336A CN113297336A (zh) | 2021-08-24 |
CN113297336B true CN113297336B (zh) | 2023-12-19 |
Family
ID=77326542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604313.8A Active CN113297336B (zh) | 2021-05-31 | 2021-05-31 | 航班的季节性归类方法、装置及机器可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113297336B (zh) |
WO (1) | WO2022252850A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297336B (zh) * | 2021-05-31 | 2023-12-19 | 中国民航信息网络股份有限公司 | 航班的季节性归类方法、装置及机器可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038886A (zh) * | 2017-05-11 | 2017-08-11 | 厦门大学 | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 |
CN107944625A (zh) * | 2017-11-23 | 2018-04-20 | 南京航空航天大学 | 基于历史运行数据驱动的单机场航班换季时隙优化方法 |
CN112307342A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 航班推荐方法及装置 |
CN112308616A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种航司旅客的群体划分方法及装置 |
CN112396244A (zh) * | 2020-11-30 | 2021-02-23 | 中国民航信息网络股份有限公司 | 一种基于零预订模型的航班订座值的处理方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201506680YA (en) * | 2015-08-24 | 2017-03-30 | Mastercard International Inc | Method and System For Predicting Lowest Airline Ticket Fares |
CN107808308A (zh) * | 2017-10-19 | 2018-03-16 | 天津伊翔运达网络科技有限公司 | 一种智能化检测淡旺季的收益管理方法 |
CN109446275A (zh) * | 2018-09-03 | 2019-03-08 | 厦门快商通信息技术有限公司 | 一种基于大数据的航空数据分析方法、设备及存储介质 |
CN111737634A (zh) * | 2020-06-23 | 2020-10-02 | 携程旅游网络技术(上海)有限公司 | 航班收入预测方法、系统、电子设备和可读存储介质 |
CN113297336B (zh) * | 2021-05-31 | 2023-12-19 | 中国民航信息网络股份有限公司 | 航班的季节性归类方法、装置及机器可读介质 |
-
2021
- 2021-05-31 CN CN202110604313.8A patent/CN113297336B/zh active Active
-
2022
- 2022-04-18 WO PCT/CN2022/087286 patent/WO2022252850A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038886A (zh) * | 2017-05-11 | 2017-08-11 | 厦门大学 | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 |
CN107944625A (zh) * | 2017-11-23 | 2018-04-20 | 南京航空航天大学 | 基于历史运行数据驱动的单机场航班换季时隙优化方法 |
CN112307342A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 航班推荐方法及装置 |
CN112308616A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种航司旅客的群体划分方法及装置 |
CN112396244A (zh) * | 2020-11-30 | 2021-02-23 | 中国民航信息网络股份有限公司 | 一种基于零预订模型的航班订座值的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022252850A1 (zh) | 2022-12-08 |
CN113297336A (zh) | 2021-08-24 |
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 | |
Sternberg et al. | An analysis of Brazilian flight delays based on frequent patterns | |
EP3252705A1 (en) | Order allocation system and method | |
US10332038B2 (en) | Travel inventory demand modeling | |
Pilla et al. | A multivariate adaptive regression splines cutting plane approach for solving a two-stage stochastic programming fleet assignment model | |
US20160210584A1 (en) | Travel inventory demand modeling | |
CN112651671A (zh) | 一种航班舱位调整方法及相关设备 | |
CN113297336B (zh) | 航班的季节性归类方法、装置及机器可读介质 | |
WO2022252846A1 (zh) | 航段市场需求值的预测方法、装置及机器可读介质 | |
Hatıpoğlu et al. | Flight delay prediction based with machine learning | |
Singh et al. | Analysis of machine learning techniques for airfare prediction | |
Yedavalli et al. | Planning land use constrained networks of urban air mobility infrastructure in the San Francisco bay area | |
Button et al. | Airline regulation and common markets in Sub-Saharan Africa | |
Govindaraju et al. | Profit motivated airline fleet allocation and concurrent aircraft design for multiple airlines | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
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 | |
Alla et al. | Flight arrival delay prediction using supervised machine learning algorithms | |
Parbat et al. | Understanding the customer perception using machine learning while booking flight tickets | |
CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
Liu et al. | A Bayesian predictor of airline class seats based on multinomial event model | |
US20230125533A1 (en) | System and method for dynamically enhancing a pricing database based on external information | |
CN113095731B (zh) | 一种基于客流时序聚类优化航班调控方法及系统 | |
US20240146580A1 (en) | Estimation system and estimation method | |
Panigrahi et al. | Flight Price Prediction Using Machine Learning. | |
Luttmann et al. | Discount opportunities in hub-and-spoke networks: The determinants of hidden-city ticketing |
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 |