CN114298356A - 一种航班订座数预测方法及装置 - Google Patents
一种航班订座数预测方法及装置 Download PDFInfo
- Publication number
- CN114298356A CN114298356A CN202111612143.4A CN202111612143A CN114298356A CN 114298356 A CN114298356 A CN 114298356A CN 202111612143 A CN202111612143 A CN 202111612143A CN 114298356 A CN114298356 A CN 114298356A
- Authority
- CN
- China
- Prior art keywords
- model
- date
- target prediction
- prediction
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009499 grossing Methods 0.000 claims description 42
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000010006 flight Effects 0.000 abstract description 7
- 238000013480 data collection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100030988 Angiotensin-converting enzyme Human genes 0.000 description 1
- 101000873780 Homo sapiens m7GpppN-mRNA hydrolase Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 108010083141 dipeptidyl carboxypeptidase Proteins 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 102100035860 m7GpppN-mRNA hydrolase Human genes 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种航班订座数预测方法及装置，可以确定对目标航班的订座数的目标预测日期与初始固定采集日期，确定目标预测日期与初始固定采集日期的大小关系，基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，获得目标航班截止至目标预测日期的订座数并确定为第一订座数，将第一订座数输入至目标预测模型，获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。本发明可以在实现对航班订座数的同时，避免人工预测方式需要消耗的人力资源，有效提高对订座数预测的预测效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种航班订座数预测方法及装置。
背景技术
随着数据处理技术的发展，民航业务处理技术不断提高。
在民航的基础版收益管理系统中，航班订座数的预测可以有效提高业务收益。当前，在现有技术中，航班订座数的预测主要是由人工预测的方式的来进行的，即主要是由技术人员根据工作经验和市场趋势来确定的。
但是，人工预测的方式需要消耗一定的人力资源，当航班数量较多时，可能导致航班订座数的预测效率低。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的航班订座数预测方法及装置，技术方案如下：
一种航班订座数预测方法，包括：
确定对目标航班的订座数的目标预测日期与初始固定采集日期；
确定所述目标预测日期与所述初始固定采集日期的大小关系；
基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，所述订座数预测模型组中包括至少一个订座数预测模型；
获得所述目标航班截止至所述目标预测日期的订座数并确定为第一订座数；
将所述第一订座数输入至所述目标预测模型；
获得所述目标预测模型输出的与所述目标预测日期相匹配的最终航班订座数。
可选的，所述订座数预测模型组中包括全值加法模型和去年模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期小于所述初始固定采集日期，且所述全值加法模型满足第一模型使用条件，则确定所述全值加法模型为所述目标预测模型；
如果所述大小关系为所述目标预测日期小于所述初始固定采集日期、所述全值加法模型未满足第一模型使用条件且所述去年模型满足第二模型使用条件，则确定所述去年模型为所述目标预测模型。
可选的，所述订座数预测模型组中包括0订座模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为0且所述0订座模型满足第三模型使用条件，则确定所述0订座模型为所述目标预测模型。
可选的，所述订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0且所述指数平滑模型满足第四模型使用条件，则确定所述指数平滑模型为所述目标预测模型。
可选的，所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，还包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件、所述第一订座数为未来异常且所述加法模型满足第五模型使用条件，则确定所述加法模型为所述目标预测模型。
可选的，所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，还包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件且所述第一订座数不是未来异常，则在所述加法模型、所述乘法模型、所述线性模型和所述对数模型中，选定满足模型使用条件的且误差最小的模型确定为所述目标预测模型。
一种航班订座数预测装置，包括：第一确定单元、第二确定单元、第一选定单元、第三确定单元、第一输入单元和获得单元；其中：
所述第一确定单元，用于确定对目标航班的订座数的目标预测日期与初始固定采集日期；
所述第二确定单元，用于确定所述目标预测日期与所述初始固定采集日期的大小关系；
所述第一选定单元，用于基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，所述订座数预测模型组中包括至少一个订座数预测模型；
所述第三确定单元，用于获得所述目标航班截止至所述目标预测日期的订座数并确定为第一订座数；
所述第一输入单元，用于将所述第一订座数输入至所述目标预测模型；
所述获得单元，用于获得所述目标预测模型输出的与所述目标预测日期相匹配的最终航班订座数。
可选的，所述订座数预测模型组中包括全值加法模型和去年模型；所述第一选定单元包括：第四确定单元、和第五确定单元；
所述第四确定单元，用于如果所述大小关系为所述目标预测日期小于所述初始固定采集日期，且所述全值加法模型满足第一模型使用条件，则确定所述全值加法模型为所述目标预测模型；
所述第五确定单元，用于如果所述大小关系为所述目标预测日期小于所述初始固定采集日期、所述全值加法模型未满足第一模型使用条件且所述去年模型满足第二模型使用条件，则确定所述去年模型为所述目标预测模型。
可选的，所述订座数预测模型组中包括0订座模型；所述第一选定单元包括：第六确定单元；
所述第六确定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为0且所述0订座模型满足第三模型使用条件，则确定所述0订座模型为所述目标预测模型。
可选的，所述订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；所述第一选定单元，包括：第七确定单元；
所述第七确定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0且所述指数平滑模型满足第四模型使用条件，则确定所述指数平滑模型为所述目标预测模型。
可选的，所述第一选定单元，还包括：第八确定单元；
所述第八确定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件、所述第一订座数为未来异常且所述加法模型满足第五模型使用条件，则确定所述加法模型为所述目标预测模型。
可选的，所述第一选定单元，还包括：第二选定单元；
所述第二选定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件且所述第一订座数不是未来异常，则在所述加法模型、所述乘法模型、所述线性模型和所述对数模型中，选定满足模型使用条件的且误差最小的模型确定为所述目标预测模型。
本发明提出的航班订座数预测方法及装置，可以确定对目标航班的订座数的目标预测日期与初始固定采集日期，确定目标预测日期与初始固定采集日期的大小关系，基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，订座数预测模型组中包括至少一个订座数预测模型，获得目标航班截止至目标预测日期的订座数并确定为第一订座数，将第一订座数输入至目标预测模型，获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。本发明可以基于历史数据创建对目标航班的至少一个订座数预测模型，并可以基于目标预测日期与初始固定采集日期之间的大小关系，选取适合的订座数预测模型确定为目标预测模型，基于目标预测模型对目标航班的最终订座数进行预测，可以避免人工预测方式需要消耗的人力资源，并可以有效提高对订座数预测的预测效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本申请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申请的实施例，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示出了本发明实施例提供的第一种航班订座数预测方法；
图2示出了本发明实施例提供的第一种航班订座数预测装置。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本实施例提出了第一种航班订座数预测方法，该方法可以包括以下步骤：
S101、确定对目标航班的订座数的目标预测日期与初始固定采集日期；
其中，目标航班可以是某一个航班。
其中，目标预测日期可以是需要对目标航班在当天的订座数进行预测的某个基准日期。
需要说明的是，在民航企业的基础版收益管理系统中，可以距离航班离港日期的某个指定天数为一个预定义的基准日期，将该基准日期确定为一个数据采集点(Datacollection points，DCP)。在该基准日期采集目标航班在当天的订座数，将该采集到的订座数确定为该数据采集点对应的订座数。
其中，数据采集点可以包括固定数据采集点和浮动数据采集点。具体的，固定数据采集点可以为预先指定好的基准日期所对应的数据采集点，浮动数据采集点可以为浮动采集日期对应的数据采集点，浮动采集日期可以是在根据某个基准日期所设置的时间范围内。需要说明的是，浮动采集日期可以与基准日期相重合，浮动采集日期也可以与基准日期不重合。比如，基础版收益管理系统可以指定距离某个航班的离港日期的前第20天、前第16天、前第14天……分别确定为一个基准日期，在各基准日期采集相应的航班订座数，其中，各基准日期均可以为一个固定数据采集点，此时如果在前第15天进行一次数据采集，则该前第15天即可以为一个浮动数据采集点，其中，前第20天的基准日期即可以记为DCP1，前第16天的基准日期可以记为DCP2……而前第15天的浮动数据采集点可以记为DCP2.5。
需要说明的是，初始固定采集日期可以为预先指定的时间最早的一个基准日期，如上述前第20天。
S102、确定目标预测日期与初始固定采集日期的大小关系；
具体的，本发明可以确定目标预测日期和初始固定采集日期之后，比较目标预测日期和初始固定采集日期的日期先后关系，从而确定目标预测日期和初始固定采集日期的大小关系。
其中，如果目标预测日期在初始固定采集日期之前，则可以确定目标预测日期小于初始固定采集日期；如果目标预测日期与初始固定采集日期重合，即为同一日期，则可以确定目标预测日期与初始固定采集日期大小相等；如果目标预测日期在初始固定采集日期之后，则可以确定目标预测日期大于初始固定采集日期。
S103、基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，订座数预测模型组中包括至少一个订座数预测模型；
其中，订座数预测模型组可以是由一个或多个订座数预测模型构成的模型组。
需要说明的是，对于某个航班，本发明可以分别基于该航班的各个基准日期，预先创建相应的一个订座数预测模型组。比如，本发明可以基于第一基准日期，预先创建相应的一个订座数预测模型组，可以基于第二基准日期预先创建相应的一个订座数预测模型组。
可选的，各订座数预测模型组中均可以包括0订座模型、加法模型、乘法模型、线性模型、对数模型、指数平滑模型、均值模型、全值加法模型和去年模型中的至少一种。
可选的，各订座数预测模型组均可以是由0订座模型、加法模型、乘法模型、线性模型、对数模型、指数平滑模型、均值模型、全值加法模型和去年模型构成的模型组。
其中，0订座模型可以为：
f0 Bk(x)＝a；
加法模型可以为：
fADD(x)＝a+x；
乘法模型可以为：
fMUL(x)＝bx；
线性模型可以为：
fLNR(x)＝a+bx；
对数模型可以为：
fLOG(x)＝a+b ln(x)；
指数平滑模型可以为：
fESP(x)＝a+x；
均值模型可以为：
fMN(x)＝a；
全值加法模型可以为：
fALL(x)＝a+x；
去年模型可以为：
fLY(x)＝a；
其中，在上述各模型表达式中，x可以为某个日期的订座数，而f(x)可以为相应的预测的最终订座数；a和b可以为常数，在不同的模型表达式中可以由不同的方式确定。
其中，对于某个航班，本发明在基于该航班的一个目标基准日期确定一个相应的订座数预测模型组的过程中，可以从该航班的历史订座数据中，查找历史上的在相应基准日期所采集的订座数和最终订座数(离港当天的订座数)，根据查找出的数据确定各模型表达式中的参数，从而确定该目标基准日期对应的订座数预测模型组。比如，当目标基准日期为目标航班的离港日期前第20天的日期，则本发明可以从目标航班对应的历史航班的历史订座数据中，查找历史上的在前第20天所采集的订座数和最终订座数，根据查找出的数据确定目标基准日期对应的订座数预测模型组中各模型表达式的参数，确定各订座数预测模型。
需要说明的是，本发明从历史订座数据中查找出在相应基准日期所采集的订座数和最终订座数时，可以对其进行去限制、去季节性处理，并判断其是否为异常数据，如果是，则可以舍弃该数据；否则，则可以使用其建立订座数预测模型。其中，去限制处理可以是使用去限制算法对订座数进行处理，去季节性处理可以是将已去限制后的订座数除以季节因子。
可选的，本发明构建订座数预测模型所使用的历史订座数数据对应的历史航班与目标航班可以是来自同一个预测组、航段和/或舱级；可选的，其可以是来同一个航班班期；可选的，其也可以是来自同一个历史池或同一个节假日。
具体的，本发明可以根据目标预测日期与初始固定采集日期之间的大小关系，从目标预测日期对应的订座数预测模型组中选取出相应的订座数预测模型确定为目标预测模型。
S104、获得目标航班截止至目标预测日期的订座数并确定为第一订座数；
需要说明的是，本实施例中截止至目标预测日期的订座数可以是包括目标预测日期当天的订座数。
其中，第一订座数可以为在目标预测日期所采集的目标航班的当前订座数。
可选的，本发明可以先行确定目标预测模型，之后再确定第一订座数(如图1所示)；可选的，本发明可以先行确定第一订座数，之后再确定目标预测模型；可选的，本发明也可以同时确定目标预测模型和第一订座数。
S105、将第一订座数输入至目标预测模型；
具体的，本发明可以在获得第一订座数和目标预测模型之后，将第一订座数输入至目标预测模型中。
S106、获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。
其中，最终航班订座数可以是本发明基于第一订座数预测的目标航班的最终订座数。
具体的，本发明可以在将第一订座数输入至目标预测模型中后，获得目标预测模型输出的最终航班订座数。
需要说明的是，本发明可以基于历史数据创建对目标航班的至少一个订座数预测模型，并可以基于目标预测日期与初始固定采集日期之间的大小关系，选取适合的订座数预测模型确定为目标预测模型，基于目标预测模型对目标航班的最终订座数进行预测，可以避免人工预测方式需要消耗的人力资源，并可以有效提高对订座数预测的预测效率。
本实施例提出的航班订座数预测方法，可以确定对目标航班的订座数的目标预测日期与初始固定采集日期，确定目标预测日期与初始固定采集日期的大小关系，基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，订座数预测模型组中包括至少一个订座数预测模型，获得目标航班截止至目标预测日期的订座数并确定为第一订座数，将第一订座数输入至目标预测模型，获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。本发明可以基于历史数据创建对目标航班的至少一个订座数预测模型，并可以基于目标预测日期与初始固定采集日期之间的大小关系，选取适合的订座数预测模型确定为目标预测模型，基于目标预测模型对目标航班的最终订座数进行预测，可以避免人工预测方式需要消耗的人力资源，并可以有效提高对订座数预测的预测效率。
基于图1所示步骤，本实施例提出第二种航班订座数预测方法。在该方法中，订座数预测模型组中包括全值加法模型和去年模型；此时，步骤S103可以包括：
如果大小关系为目标预测日期小于初始固定采集日期，且全值加法模型满足第一模型使用条件，则确定全值加法模型为目标预测模型；
如果大小关系为目标预测日期小于初始固定采集日期、全值加法模型未满足第一模型使用条件且去年模型满足第二模型使用条件，则确定去年模型为目标预测模型。
需要说明的是，每个订座数预测模型在生成之后，均需要满足一定的条件，才能被认为可用，即是一个好模型。
其中，第一模型使用条件可以为模型的样本数不少于第一样本数阈值。
其中，第二模型使用条件可以为模型的权重总和不小于第一权重阈值，且模型中的参数a不小于当前订座数。
需要说明的是，第一样本数阈值和第一权重阈值均可以由技术人员根据实际情况进行制定，本发明对此不作限定。
可选的，在本实施例提出的其他航班订座数预测方法中，订座数预测模型组中包括0订座模型；此时，步骤S103可以包括：
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为0且0订座模型满足第三模型使用条件，则确定0订座模型为目标预测模型。
其中，第三模型使用条件可以为模型的样本数不少于第二样本数阈值。
需要说明的是，第二样本数阈值可以由技术人员根据实际情况进行制定，本发明对此不作限定。
可选的，在本实施例提出的第三种航班订座数预测方法中，订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；此时，步骤S103可以包括：
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0且指数平滑模型满足第四模型使用条件，则确定指数平滑模型为目标预测模型。
其中，第四模型使用条件可以为模型的样本数不少于对应的系统参数“近期样本数”和“远期样本数”之和，且模型中的参数a≠0，且t-检验确定两组数据有显著的差异的概率大于对应的系统参数置信度。
可选的，在上述第三种航班订座数预测方法中，步骤S103还可以包括：
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件、第一订座数为未来异常且加法模型满足第五模型使用条件，则确定加法模型为目标预测模型。
其中，第五模型使用条件可以为模型的样本数不少于对应的第三样本数阈值。需要说明的是，第三样本数阈值可以由技术人员根据实际情况进行制定，本发明对此不作限定。
可选的，在上述第三种航班订座数预测方法中，步骤S103还可以包括：
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件且第一订座数不是未来异常，则在加法模型、乘法模型、线性模型和对数模型中，选定满足模型使用条件的且误差最小的模型确定为目标预测模型。
需要说明的是，在本实施例提出的第四种航班订座数预测方法中，各订座数预测模型组中可以包括全值加法模型、去年模型、0订座模型、指数平滑模型、加法模型、乘法模型、线性模型、对数模型和均值模型；此时步骤S103可以包括：
如果大小关系为目标预测日期小于初始固定采集日期，且全值加法模型满足第一模型使用条件，则确定全值加法模型为目标预测模型；
如果大小关系为目标预测日期小于初始固定采集日期、全值加法模型未满足第一模型使用条件且去年模型满足第二模型使用条件，则确定去年模型为目标预测模型；
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为0且0订座模型满足第三模型使用条件，则确定0订座模型为目标预测模型；
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0且指数平滑模型满足第四模型使用条件，则确定指数平滑模型为目标预测模型；
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件、第一订座数为未来异常且加法模型满足第五模型使用条件，则确定加法模型为目标预测模型；
如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件且第一订座数不是未来异常，则在加法模型、乘法模型、线性模型和对数模型中，选定满足模型使用条件的且误差最小的模型确定为目标预测模型。
可选的，在上述第四种航班订座数预测方法中，如果流程走完依然没有可用的模型，则可以确定全值加法模型是否为好的模型，如果是，则可以将全值加法模型确定为目标预测模型；否则，确定均值模型是否为好的模型，如果是则可以将均值模型确定为目标预测模型。而如果均值模型也不是好的模型，则可以将目标航班在当前的总订座数直接预测为最终订座数。
需要说明的是，本发明在创建上述各模型的过程中，输入可以为：各历史航班i在DCP j的订座数xi和finalDCP的订座数yi即{(xi，yi)}；输出可以为：DCP j的各预测模型：{y＝fk(x)及对应的标准误差：{ek}；对于每个Dcp j<finalDcp(finalDcp可以为离港日期)，本发明均可以按照下述流程来确定模型参数。
具体的，对于0订座模型(0BK)：f0 Bk(x)＝a；此时，本发明可以要求xi＝0，a是对应的yi的平均值，即：
具体的，对于加法模型(ADD)：fADD(x)＝a+x；此时，本发明可以要求xi不为0，a可以是对应的DCPj到finalDCP的平均增值；即：
其中，n可以为xi≠0的个数。
具体的，对于乘法模型(MUL)：fMUL(x)＝bx；此时，本发明可以要求xi不为0，b可以为对应的yi平均值和xi平均值之比，即：
其中，n可以为xi≠0的个数。
具体的，对于线性模型(LNR)：fLNR(x)＝a+bx；此时，本发明可以要求xi不为0，a和b可以由最小二乘法获得，此时：
其中，n可以为xi≠0的个数。
具体的，对于对数模型(LOG)：fLOG(x)＝a+b ln(x)；此时，本发明可以要求xi不为0，a和b可以由最小二乘法获得，此时：
其中，n可以为xi≠0的个数。从形式上，可以看做在线性模型的相应公式中由ln(xi)取代xi。
具体的，对于指数平滑模型(ESP)：fESP(x)＝a+x；此时，本发明可以把{yi-xi}作为时间序列，应用不同的加权平均，有两个不同的算法(其中c是系统参数“平滑因子”，取值在0和1之间)，其中，在第一种算法即传统的指数平滑中，从
得到：
其中，第二种算法及直接赋权重的指数平滑中：
需要说明的是，两种算法得到的a实际上的差别可以是较小的，在预测结果y是整数的情况下，差别几乎可以忽略不计。具体的，两者的所获得的a差别可以为：
且在指数平滑模型中：
具体的，本发明可以将模型应用到历史数据，求使得误差最小的c值作为最优的平滑因子估值。
具体的，对于均值模型(MN)：fMN(x)＝a；此时，本发明对xi是否为0可以不作限制，a可以为所有的yi的平均值，即：
a＝∑yi/n；
且在均值模型中：
其中，n可以为yi的个数。
具体的，对于全值加法模型(ALL)：fALL(x)＝a+x；全值加法模型可以是对xi是否为0不作限制的加法模型。A可以从DCPj到finalDCP的平均增值，即：
a＝∑(yi-xi)/n；
此时，n可以为yi的个数，且：
具体的，对于去年模型(LY)：fLY(x)＝a；其中，去年模型时一个航班起飞日期的去年同期、去年同期的前一个和两个星期、后一个和两个星期的y值的加权平均值。按照日期的先后，分别赋权为1、2、3、2和1一个起飞日期的去年同期指的是航班班期相同，月、日最临近的去年的一天，比如，2019年4月10日星期三的去年同期是2018年4月11日(2018年4月10日为星期二)，模型使用2018年的3月28日、4月4日、4月11日、4月18日和4月25日这五天。如果某一天的数据不符合要求而不能使用，其对应的权重wi则可以忽略不计。此时：
需要说明的是，加权平均实际上就是yi使用了wi次的平均。按照这个思路就可以得到以上误差公式。
本实施例提出的航班订座数预测方法，可以按照一定的流程在订座预测模型组中选取出目标预测模型，有效实现对于目标预测模型的确定，保证订座数预测的实现。
基于图1所示步骤，本实施例提出第五种航班订座数预测方法。在该方法中，目标预测日期也可以为浮动数据采集点对应的浮动采集日期。
可选的，如果目标预测日期与某个基准日期重合，则本发明可以先行确定该基准日期对应的目标预测模型，之后将该基准日期对应的目标预测模型确定为目标预测日期对应的目标预测模型。
可选的，如果目标预测日期在第一基准日期和第二基准日期之间时，本发明可以先行确定第一基准日期对应的目标预测模型f(x)，确定第二基准日期对应的目标预测模型g(x)，之后根据下述公式(1)来确定目标预测日期对应的最终订座数。
其中，v可以为目标预测日期对应的最终订座数，floatDCP可以为目标预测日期，d[j]可以为第二基准日期距离离港日期的天数，d[j-1]可以为第一基准日期距离离港日期的天数。
可以理解的是，基于公式(1)可知，当目标预测日期接近于第一基准日期时，v可以相对接近于f(x)；当目标预测日期接近于第二基准日期时，v可以相对接近于g(x)。
本实施例提出的航班订座数预测方法，可以实现对于浮动采集日期对应的最终订座数的预测，进一步的有效实现对航班订座数的预测，降低人力资源的消耗。
与图1所示步骤相对应，如图2所示，本实施例提出第一种航班订座数预测装置，该装置可以包括：第一确定单元101、第二确定单元102、第一选定单元103、第三确定单元104、输入单元105和获得单元106；其中：
第一确定单元101，用于确定对目标航班的订座数的目标预测日期与初始固定采集日期；
第二确定单元102，用于确定目标预测日期与初始固定采集日期的大小关系；
第一选定单元103，用于基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，订座数预测模型组中包括至少一个订座数预测模型；
第三确定单元104，用于获得目标航班截止至目标预测日期的订座数并确定为第一订座数；
输入单元105，用于将第一订座数输入至目标预测模型；
获得单元106，用于获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。
需要说明的是，第一确定单元101、第二确定单元102、第一选定单元103、第三确定单元104、输入单元105和获得单元106的具体处理过程及其带来的技术效果可以分别参照图1中的步骤S101、S102、S103、S104、S105和S106，此处不再赘述。
可选的，订座数预测模型组中包括全值加法模型和去年模型；第一选定单元103包括：第四确定单元、和第五确定单元；
第四确定单元，用于如果大小关系为目标预测日期小于初始固定采集日期，且全值加法模型满足第一模型使用条件，则确定全值加法模型为目标预测模型；
第五确定单元，用于如果大小关系为目标预测日期小于初始固定采集日期、全值加法模型未满足第一模型使用条件且去年模型满足第二模型使用条件，则确定去年模型为目标预测模型。
可选的，订座数预测模型组中包括0订座模型；第一选定单元103包括：第六确定单元；
第六确定单元，用于如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为0且0订座模型满足第三模型使用条件，则确定0订座模型为目标预测模型。
可选的，订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；第一选定单元103，包括：第七确定单元；
第七确定单元，用于如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0且指数平滑模型满足第四模型使用条件，则确定指数平滑模型为目标预测模型。
可选的，第一选定单元103，还包括：第八确定单元；
第八确定单元，用于如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件、第一订座数为未来异常且加法模型满足第五模型使用条件，则确定加法模型为目标预测模型。
可选的，第一选定单元103，还包括：第二选定单元；
第二选定单元，用于如果大小关系为目标预测日期不小于初始固定采集日期、第一订座数为大于0、指数平滑模型未满足第四模型使用条件且第一订座数不是未来异常，则在加法模型、乘法模型、线性模型和对数模型中，选定满足模型使用条件的且误差最小的模型确定为目标预测模型。
本实施例提出的航班订座数预测装置，可以确定对目标航班的订座数的目标预测日期与初始固定采集日期，确定目标预测日期与初始固定采集日期的大小关系，基于大小关系，从目标预测日期对应的订座数预测模型组中选定目标预测模型，订座数预测模型组中包括至少一个订座数预测模型，获得目标航班截止至目标预测日期的订座数并确定为第一订座数，将第一订座数输入至目标预测模型，获得目标预测模型输出的与目标预测日期相匹配的最终航班订座数。本发明可以基于历史数据创建对目标航班的至少一个订座数预测模型，并可以基于目标预测日期与初始固定采集日期之间的大小关系，选取适合的订座数预测模型确定为目标预测模型，基于目标预测模型对目标航班的最终订座数进行预测，可以避免人工预测方式需要消耗的人力资源，并可以有效提高对订座数预测的预测效率。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种航班订座数预测方法，其特征在于，包括：
确定对目标航班的订座数的目标预测日期与初始固定采集日期；
确定所述目标预测日期与所述初始固定采集日期的大小关系；
基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，所述订座数预测模型组中包括至少一个订座数预测模型；
获得所述目标航班截止至所述目标预测日期的订座数并确定为第一订座数；
将所述第一订座数输入至所述目标预测模型；
获得所述目标预测模型输出的与所述目标预测日期相匹配的最终航班订座数。
2.根据权利要求1所述的航班订座数预测方法，其特征在于，所述订座数预测模型组中包括全值加法模型和去年模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期小于所述初始固定采集日期，且所述全值加法模型满足第一模型使用条件，则确定所述全值加法模型为所述目标预测模型；
如果所述大小关系为所述目标预测日期小于所述初始固定采集日期、所述全值加法模型未满足第一模型使用条件且所述去年模型满足第二模型使用条件，则确定所述去年模型为所述目标预测模型。
3.根据权利要求1所述的航班订座数预测方法，其特征在于，所述订座数预测模型组中包括0订座模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为0且所述0订座模型满足第三模型使用条件，则确定所述0订座模型为所述目标预测模型。
4.根据权利要求1所述的航班订座数预测方法，其特征在于，所述订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0且所述指数平滑模型满足第四模型使用条件，则确定所述指数平滑模型为所述目标预测模型。
5.根据权利要求4所述的航班订座数预测方法，其特征在于，所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，还包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件、所述第一订座数为未来异常且所述加法模型满足第五模型使用条件，则确定所述加法模型为所述目标预测模型。
6.根据权利要求4所述的航班订座数预测方法，其特征在于，所述基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，还包括：
如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0、所述指数平滑模型未满足第四模型使用条件且所述第一订座数不是未来异常，则在所述加法模型、所述乘法模型、所述线性模型和所述对数模型中，选定满足模型使用条件的且误差最小的模型确定为所述目标预测模型。
7.一种航班订座数预测装置，其特征在于，包括：第一确定单元、第二确定单元、第一选定单元、第三确定单元、第一输入单元和获得单元；其中：
所述第一确定单元，用于确定对目标航班的订座数的目标预测日期与初始固定采集日期；
所述第二确定单元，用于确定所述目标预测日期与所述初始固定采集日期的大小关系；
所述第一选定单元，用于基于所述大小关系，从所述目标预测日期对应的订座数预测模型组中选定目标预测模型，所述订座数预测模型组中包括至少一个订座数预测模型；
所述第三确定单元，用于获得所述目标航班截止至所述目标预测日期的订座数并确定为第一订座数；
所述第一输入单元，用于将所述第一订座数输入至所述目标预测模型；
所述获得单元，用于获得所述目标预测模型输出的与所述目标预测日期相匹配的最终航班订座数。
8.根据权利要求7所述的装置，其特征在于，所述订座数预测模型组中包括全值加法模型和去年模型；所述第一选定单元包括：第四确定单元、和第五确定单元；
所述第四确定单元，用于如果所述大小关系为所述目标预测日期小于所述初始固定采集日期，且所述全值加法模型满足第一模型使用条件，则确定所述全值加法模型为所述目标预测模型；
所述第五确定单元，用于如果所述大小关系为所述目标预测日期小于所述初始固定采集日期、所述全值加法模型未满足第一模型使用条件且所述去年模型满足第二模型使用条件，则确定所述去年模型为所述目标预测模型。
9.根据权利要求7所述的装置，其特征在于，所述订座数预测模型组中包括0订座模型；所述第一选定单元包括：第六确定单元；
所述第六确定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为0且所述0订座模型满足第三模型使用条件，则确定所述0订座模型为所述目标预测模型。
10.根据权利要求7所述的装置，其特征在于，所述订座数预测模型组中包括指数平滑模型、加法模型、乘法模型、线性模型和对数模型；所述第一选定单元，包括：第七确定单元；
所述第七确定单元，用于如果所述大小关系为所述目标预测日期不小于所述初始固定采集日期、所述第一订座数为大于0且所述指数平滑模型满足第四模型使用条件，则确定所述指数平滑模型为所述目标预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111612143.4A CN114298356A (zh) | 2021-12-27 | 2021-12-27 | 一种航班订座数预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111612143.4A CN114298356A (zh) | 2021-12-27 | 2021-12-27 | 一种航班订座数预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298356A true CN114298356A (zh) | 2022-04-08 |
Family
ID=80969583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111612143.4A Pending CN114298356A (zh) | 2021-12-27 | 2021-12-27 | 一种航班订座数预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298356A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115466A (zh) * | 2022-08-29 | 2022-09-27 | 中航信移动科技有限公司 | 一种事件请求的响应方法、存储介质及电子设备 |
| CN115169758A (zh) * | 2022-09-07 | 2022-10-11 | 中国民航信息网络股份有限公司 | 订座数据预测方法及装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160180256A1 (en) * | 2014-12-18 | 2016-06-23 | Amadeus S.A.S. | History-based probability forecasting |
| 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 |
| JP2019053737A (ja) * | 2018-10-10 | 2019-04-04 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
| CN112308346A (zh) * | 2020-11-30 | 2021-02-02 | 中国民航信息网络股份有限公司 | 一种基于指数平滑模型的航班订座值的处理方法及系统 |
| JP2021018727A (ja) * | 2019-07-23 | 2021-02-15 | 株式会社ナビタイムジャパン | 情報処理システム、情報処理プログラムおよび情報処理方法 |
| 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 |
| CN113393088A (zh) * | 2021-05-19 | 2021-09-14 | 悠桦林信息科技(上海)有限公司 | 航空运输控舱方法、装置、设备、介质及收益管理系统 |
-
2021
- 2021-12-27 CN CN202111612143.4A patent/CN114298356A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160180256A1 (en) * | 2014-12-18 | 2016-06-23 | Amadeus S.A.S. | History-based probability forecasting |
| 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 |
| JP2019053737A (ja) * | 2018-10-10 | 2019-04-04 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
| JP2021018727A (ja) * | 2019-07-23 | 2021-02-15 | 株式会社ナビタイムジャパン | 情報処理システム、情報処理プログラムおよび情報処理方法 |
| CN112308346A (zh) * | 2020-11-30 | 2021-02-02 | 中国民航信息网络股份有限公司 | 一种基于指数平滑模型的航班订座值的处理方法及系统 |
| 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 |
| CN113393088A (zh) * | 2021-05-19 | 2021-09-14 | 悠桦林信息科技(上海)有限公司 | 航空运输控舱方法、装置、设备、介质及收益管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙晓东: "邮轮收益管理：需求预测与收益优化", 《中国博士学位论文全文库·经济与管理科学辑》, 15 July 2011 (2011-07-15), pages 145 - 16 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115466A (zh) * | 2022-08-29 | 2022-09-27 | 中航信移动科技有限公司 | 一种事件请求的响应方法、存储介质及电子设备 |
| CN115115466B (zh) * | 2022-08-29 | 2022-11-11 | 中航信移动科技有限公司 | 一种事件请求的响应方法、存储介质及电子设备 |
| CN115169758A (zh) * | 2022-09-07 | 2022-10-11 | 中国民航信息网络股份有限公司 | 订座数据预测方法及装置、存储介质及电子设备 |
| CN115169758B (zh) * | 2022-09-07 | 2022-11-25 | 中国民航信息网络股份有限公司 | 订座数据预测方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114298356A (zh) | 一种航班订座数预测方法及装置 | |
| US11188878B2 (en) | Meeting room reservation system | |
| CN108256771B (zh) | 不同调度机制的可变周期多星应急任务规划方法及系统 | |
| US20070005639A1 (en) | Categorization including dependencies between different category systems | |
| US20070185823A1 (en) | Load prediction based on-line and off-line training of neural networks | |
| Huang et al. | The power of multiple choices in online stochastic matching | |
| CN109376971A (zh) | 一种面向电力用户的负荷曲线预测方法及系统 | |
| JP2011114944A (ja) | 電力需要予測装置、そのプログラム | |
| US20220327495A1 (en) | Intelligent scheduling using a prediction model | |
| CN109389424B (zh) | 流量分配方法、装置、电子设备及存储介质 | |
| CN105809280A (zh) | 一种机场容量需求预测方法 | |
| CN111784047A (zh) | 一种季节因子的计算方法及相关装置 | |
| JP2012168949A (ja) | 混合モデルの構築方法 | |
| CN114298402A (zh) | 预测模型的训练方法及装置、存储介质及电子设备 | |
| JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
| CN114331625A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
| Akin et al. | Capacity management and patient scheduling in an outpatient clinic using discrete event simulation | |
| Clark et al. | Measuring the duration of judicial and administrative proceedings | |
| CN112561351A (zh) | 用于评估卫星系统中的任务申请的方法及装置 | |
| CN114330908A (zh) | 一种订座需求的预测方法、装置和收益管理系统 | |
| CN111026863A (zh) | 客户行为预测方法、装置、设备及介质 | |
| CN106875029B (zh) | 一种资源对象信息推送方法及装置 | |
| Bhat et al. | A truthful mechanism with biparameter learning for online crowdsourcing | |
| Rademeyer et al. | 2013 update of the South African hake reference case assessment | |
| Samorani et al. | A stochastic programming approach to improve overbooking in clinic appointment scheduling |
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 |