CN114298402A - 预测模型的训练方法及装置、存储介质及电子设备 - Google Patents
预测模型的训练方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114298402A CN114298402A CN202111612502.6A CN202111612502A CN114298402A CN 114298402 A CN114298402 A CN 114298402A CN 202111612502 A CN202111612502 A CN 202111612502A CN 114298402 A CN114298402 A CN 114298402A
- Authority
- CN
- China
- Prior art keywords
- time point
- data acquisition
- acquisition time
- flight
- booking
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种预测模型的训练方法及装置、存储介质及电子设备,该方法包括:响应于模型训练指令,获取在每个数据采集时间点采集到的每个航班的原始订座样本;依据每个原始订座样本确定每个数据采集时间点的预处理参数;基于每个数据采集时间点的预处理参数,以及每个数据采集时间点采集到的每个航班的原始订座样本,计算得到每个航班在每个数据采集时间点的订座需求数据;应用各个订座需求数据训练预先构建的预测模型。应用本发明提供的方法,能够通过预处理参数对原始订座样本进行处理,去除原始订座样本的数据偏向,使得预处理后的数据能够准确的反应用户的订座需求,从而能够极大的提升预测模型的预测准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种预测模型的训练方法及装置、存储介质及电子设备。
背景技术
随着科学技术的发展,航空运输逐渐成为主要的交通运输方式之一,随着航班的数量增加,航班的座位资源管理的难度也在不断增加。
目前,航空公司为了能够实现对航班的座位资源的精细化管理,通常会通过历史订座数据构建预测模型,从而利用预测模型进行航班的订座预测。
然而,历史订座数据通常受到航班管理员的人为管理和季节波动的影响,具有严重的数据偏向,因此,直接通过历史订座数据构建预测模型,会导致预测模型的预测准确率低。
发明内容
本发明所要解决的技术问题是提供一种预测模型的训练方法,能够提升预测模型的预测准确性。
本发明还提供了一种预测模型的训练装置,用以保证上述方法在实际中的实现及应用。
一种预测模型的训练方法,包括:
响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
应用各个所述订座需求数据训练预先构建的预测模型。
一种预测模型的训练装置,包括:
获取单元,用于响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
确定单元,用于依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
计算单元,用于基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
训练单元,用于应用各个所述订座需求数据训练预先构建的预测模型。
一种存储介质,所述存储介质包括存储指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的预测模型的训练方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如上述的预测模型的训练方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种预测模型的训练方法及装置、存储介质及电子设备,该方法包括:响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;应用各个所述订座需求数据训练预先构建的预测模型。应用本发明提供的方法,能够通过预处理参数对原始订座样本进行处理,去除原始订座样本的数据偏向,使得预处理后的数据能够准确的反应用户的订座需求,因此,采用预处理参数处理原始订座样本得到的订座数据需求数据训练模型,能够极大的提升预测模型的预测准确性。
附图说明
为了更清楚地说明本发明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发明的实施例,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为本发明提供的一种预测模型的训练方法的方法流程图;
图2为本发明提供的一种确定每个数据采集时间点的预处理参数的过程的流程图;
图3为本发明提供的一种计算得到每个航班在每个数据采集时间点的订座需求数据的过程的流程图;
图4为本发明提供的又一种确定每个数据采集时间点的预处理参数的过程的流程图;
图5为本发明提供的又一种计算得到每个航班在每个数据采集时间点的订座需求数据的过程的流程图;
图6为本发明提供的一种预测模型的训练装置的结构示意图;
图7为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种预测模型的训练方法,该方法可以应用在多种系统平台,其执行主体可以为电子设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101:响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本。
在本发明实施例中,数据采集时间点DCP是以距离航班的离港时间为基准的时点,可以根据每个航班离港时间,在航班离港之前设置多个数据采集时间点,在到达每个数据采集时间点时,可以获取约定数据格式的航班数据,该航班数据可以包括订座数据,可以将该订座数据作为原始订座样本。
其中,数据采集时间点包括固定数据采集时间点或浮动数据采集时间点。
具体的,在本发明实施例中,还可以判断每个数据采集时间点采集到的每个航班的原始订座样本是否满足应用条件;若不满足数据应用条件,则可以将该航班的原始订座样本进行剔除;若满足数据应用条件,则通过满足数据应用条件的原始订座样本执行后续步骤。
S102:依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数。
在本发明实施例中,数据采集时间点的预处理参数可以为去限制参数,该去限制参数可以为依据Baseline算法对原始订座样本计算得到的参数,也可以为依据EM算法对原始订座样本计算得到的参数。
S103:基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
在本发明实施例中,可以应用预先设置的去限制算法,基于每个数据采集时间点的预处理参数,以及每个数据采集时间点采集到的每个航班的原始订座样本,计算得到每个航班在每个数据采集时间点的订座需求数据。
S104:应用各个所述订座需求数据训练预先构建的预测模型。
应用本发明提供的方法,能够通过预处理参数对原始订座样本进行处理,去除原始订座样本的数据偏向,使得预处理后的数据能够准确的反应用户的订座需求,因此,采用预处理参数处理原始订座样本得到的订座数据需求数据训练模型,能够极大的提升预测模型的预测准确性。
在本发明实施例提供的方法中,基于上述的实施过程,具体的,还包括:
获取待预测航班当前的航班信息;所述航班信息包含订座数据;
应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
在本实施例中,获得订座预测结果后,可以根据订座预测结果对航班的座位资源进行管理,例如,可以设置航班座位的销售策略。
在本发明实施例提供的方法中,基于上述的实施过程,具体的,所述依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数的一种可行的方式,如图2所示,具体包括:
S201:确定每个数据采集时间点采集到的原始订座样本的样本数量;并依据每个数据采集时间点采集到的原始订座样本,确定出该数据采集时间点对应的订座总量。
在本发明实施例中,每个采集时间点对应的订座总量,可以由该数据采集时间点的各个航班的原始订座样本,以及前一数据采集时间点的订座总量得到,具体如下:
其中,Sumj为第j个数据采集时间点的订座总量,Sumj-1为第j-1个数据采集时间点的订座总量,k可以为每个数据采集时间点的航班数量,bookingi,j可以为第j个数据采集时间点的第i个航班的原始订座样本的订座数量,j≥2。
具体的,首个数据采集时间点的订座总量可以为:
其中,数据采集时间点的数量可以为多个,例如,可以为20个。
S202:对于每个所述数据采集时间点,若该数据采集时间点为首个数据采集时间点,则将该数据采集时间点的样本数量以及该数据采集时间点对应的订座总量,作为该数据采集时间点的预处理参数;若该数据采集时间点为非首个数据采集时间点,则将该数据采集时间点的样本数量、该数据采集时间点对应的订座总量,以及该数据采集时间点的前一数据采集时间点的订座总量,作为该数据采集时间点的预处理参数。
在本发明实施例中,还可以判断每个数据采集时间点的预处理参数是否满足应用条件,若该数据采集时间点的原始订座样本的数量小于预先设置的样本阈值,则可以确定该数据采集时间点的预处理参数不满足应用条件,否则,可以确定该数据采集时间点的预处理参数满足应用条件。
其中,在该数据采集时间点的预处理参数不满足应用条件的情况下,可以舍弃该数据采集时间点的预处理参数,在该数据采集时间点的预处理参数满足应用条件的情况下,可以应用该数据采集时间点的预处理参数计算得到该数据采集时间点的订座需求数据。
在本发明实施例中,基于上述S202中的各个数据采集时间点的预处理参数,相应的,基于各个数据采集时间点的预处理参数,以及每个数据采集时间点采集到的每个航班的原始订座样本,计算得到每个航班在每个数据采集时间点的订座需求数据的一种可行的方式,如图3所示,可以包括:
S301:依据每个所述数据采集时间点的预处理参数计算得到每个数据采集时间点的采集值;所述采集值表征该数据采集时间点相对于前一数据采集时间点的订座平均增加量。
具体的,数据采集时间点的采集值的计算方式如下:
其中,hisPj为数据采集时间点j的采集值,Cj为数据采集时间点的各个航班的原始订座样本数量。
S302:依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,确定每个所述航班在每个数据采集时间点的订座数增量。
其中,订座数增量为所属航班在该数据采集时间点相对于该数据采集时间点的前一数据采集时间点的订座数量的增加量。
在本发明实施例中,每个航班在每个数据采集时间点的订座数增量的计算方式,如下:
Pi,j=bookingi,j,j=1;
Pi,j=bookingi,j-bookingi,j-1,j≥2。
其中,Pi,j为航班i在数据采集时间点j的订座数增量,bookingi,j为航班i在数据采集时间点j的原始订座样本。
S303:根据每个所述数据采集时间点的采集值,以及每个所述航班在每个所述数据采集时间点的订座数增量,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
在本发明实施例中,可以通过采集值计算第一参考值,若采集值hisPj大于或等于0,则确定第一参考值hisCij=hisPj,否则,第一参考值hisCij的计算方式如下:
其中,UnBookingi,j-1为航班i在前一个数据采集时间点的订座需求数据。
具体的,可以通过订座数增量确定第二参考值,若订座数增量Pi,j大于等于0,则确定第二参考值actCij=Pi,j,否则,第二参考值actCij的计算方式,如下:
其中,对于每个数据采集时间点,若该数据采集时间点与该数据采集时间点的前一数据采集时间点的订座数,均小于预设的订座数阈值;或者,该数据采集时间点的订座数小于订座数阈值,且订座数增量小于0,则该数据采集时间点的各个航班的订座需求数据UnBookingi,j可以为:
UnBookingi,j=UnBookingi,j-1+actCij;
否则,为:
UnBookingi,j=UnBookingi,j-1+max(hisCij+actCij)。
在本发明提供的一实施例中,还提供了在两个固定数据采集时间点之间存在浮动数据采集时间点的情况下,对浮动数据采集时间点的原始订座样本进行预处理的一种可行的方式,具体如下:
浮动数据采集时间点floatDcp的前一固定数据采集时间点为DCP(j-1),浮动数据采集时间点的后一固定数据采集时间点为DCP(j)。
计算从DCP(j-1)到floatDcp和从DCP(j-1)到DCP(j)的天数之比ratio,具体如下:
ratio=(dPrior[j-1]-dPrior[floatDcp])/(dPrior[j-1]-dPrior[j])。
计算每个航班在数据采集时间点DCP(j)的订座数增量Pi,j以及采集值。
通过采集值计算第一参考值,若采集值hisPj大于或等于0,则确定第一参考值hisCi floatDcp=ratio*hisPj,否则,第一参考值hisCi floatDcp的计算方式如下:
可以通过订座数增量确定第二参考值,若订座数增量Pi,j大于等于0,则确定第二参考值actCi floaDcp=Pi,j,否则,第二参考值actCi floatDcp的计算方式,如下:
若浮动数据采集时间点与前一数据采集时间点的订座数,均小于预设的订座数阈值;或者,该数据采集时间点的订座数小于订座数阈值,且订座数增量小于0,则该数据采集时间点的各个航班的订座需求数据UnBookingi,floatDcp可以为:
UnBookingi,floatDcp=UnBookingi,j-1+actCi floatDcp;
否则,为:
UnBookingi,floatDcp=UnBookingi,j-1+max(hisCij+actCi floatDcp)。
在本发明实施例中,基于上述的实施过程,具体的,依据每个原始订座样本确定每个数据采集时间点的预处理参数的一种可行的方式,如图4所示,可以包括:
S401:根据数据采集时间点采集到的每个航班的原始订座样本,确定每个航班在数据采集时间点的订座数增量。
在本发明实施例中,确定每个航班在数据采集时间点j的订座数增量的方式,如下:
Pi,j=bookingi,j,j=1;
Pi,j=bookingi,j-bookingi,j-1,j≥2。
其中,Pi,j为航班i在数据采集时间点j的订座数增量,bookingi,j为航班i在数据采集时间点j的原始订座样本。
S402:根据每个所述航班在所述数据采集时间点的订座数增量,计算得到各个所述航班在该采集时间点的订座数增量之和,以及订座数增量之和的平方。
在本发明实施例中,计算各个航班在该数据采集时间点的订座数增量之和的方式如下:
其中,Opj为各个航班在该数据采集时间点的订座数增量之和。
在本发明实施例中,计算每个航班在该数据采集时间点的订座数增量之和的平方的方式如下:
其中,SQpj为各个航班在该数据采集时间点的订座数增量之和的平方。
S403:根据所述数据采集时间点采集到的各个航班的原始订座样本的数量、所述订座数增量之和以及所述订座数增量之和的平方,计算得到所述订座数增量之和的均值和根方差。
在本发明实施例中,订座数增量之和的均值的计算方式如下:
其中,Meanj为订座数增量之和的均值,Ocj为该数据采集时间点j的各个航班的原始订座样本的数量。
在本发明实施例中,订座数增量之和的根方差的计算方式如下:
其中,errorj为订座数增量之和的根方差。
S404:根据所述均值和所述根方差,在各个订座数增量中确定出的备选订座数增量。
在本发明实施例中,可以确定每个订座数增量Pi,j与Meanj的差的绝对值;并根据根方差errorj确定门限值;判断每个绝对值是否大于对应的门限值,将未大于其对应的门限值的绝对值所属的订座数增量,确定为备选订座数增量。
具体的,备选订座数增量均满足以下条件:
|Pi,j-Meanj|<errorj*R。
其中,errorj*R为数据采集时间点j的误差门限,R为误差乘子。
S405:根据各个所述备选订座数增量所属的航班的原始订座样本的数量,每个所述备选订座数增量对应的订座数增量之和,以及每个所述备选订座数增量对应的订座数增量之和的平方,计算出每个所述备选订座数增量对应的订座数增量之和的第一均值和第一根方差。
在本发明实施例中,第一均值和第一根方差的计算方式,可以参见S403中的均值和根方差的计算方式,此处不再赘述。
S406:将所述第一均值确定为目标均值,以及将所述第一根方差确定为目标根方差。
S407:迭代第一操作,直至迭代次数大于预设的次数阈值,或者当前执行第一操作计算得到的目标均值满足预设的停止迭代条件;所述第一操作包括:根据当前计算得到的所述目标均值和所述目标根方差,在各个所述订座数增量中确定出目标订座数增量;根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望;将每个所述目标订座数增量所属的航班确定为目标航班;根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和;根据各个所述目标航班的订座数增量之和的平方以及所述方差期望,计算得到各个目标航班新的订座数增量之和的平方;根据各个目标航班的原始订座样本的数量,各个目标航班新的订座数增量之和,以及各个目标航班新的订座数增量之和的平方,计算出各个所述目标订座数增量对应的订座数增量之和的第二均值和第二根方差;将所述第二均值确定为新的目标均值,并将所述第二根方差确定为新的目标根方差。
在本发明实施例中,该次数阈值可以为依据实际需求进行设定,例如,可以为10次,该停止迭代条件可以为当前的目标均值与前一次计算得到的目标均值的差值小于等于差异阈值,该差异阈值可以为0.01。
其中,根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望的一种可行的方式为:将目标订座数增量、第一均值和第一根方差代入EM算法的期望公式,得到均值期望NewPj以及方差期望NewSQpj。
可选的,根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和的方式,如下:
NewPj=Op+Pc*expP
其中,NewPj为新的订座数增量之和,Pc为当前的各个目标航班的原始订座样本的数量,expP为均值期望。
具体的,根据各个目标航班的订座数增量之和的平方以及方差期望,计算得到各个目标航班新的订座数增量之和的平方的方式,如下:
NewSQpj=SQpj+Pc*expSQP
其中,NewSQpj为新的订座数增量之和的平方,expSQP为方差期望。
在本发明实施例中,根据各个目标航班的原始订座样本的数量,各个目标航班新的订座数增量之和,以及各个目标航班新的订座数增量之和的平方,计算出各个目标订座数增量对应的订座数增量之和的第二均值和第二根方差的方式,可以参见S403中的均值和根方差的计算方式,此处不再赘述。
S408:在停止迭代所述第一操作之后,将当前的目标均值以及目标根方差,作为数据采集时间点的预处理参数。
在本发明实施例中,基于上述S408中得到的各个数据采集时间点的预处理参数,相应的,所述基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据,如图5所示,包括:
S501:根据每个所述航班在每个所述数据采集时间点的订座数增量、每个所述数据采集时间点的预处理参数,计算得到每个所述航班在每个所述数据采集时间点的订座数增量期望。
将该Pi,j和目标均值TMeanj和目标方差Terrorj代入EM算法的期望公式,得到订座数增量期望EXPTij。
S502:依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,以及每个所述航班在每个所述数据采集时间点的订座数增量期望,计算得到每个所述航班在每个所述数据采集时间点的订座数需求数据。
在本发明实施例中,对于每个数据采集时间点j的航班i,如果该数据采集时间点j的原始订座样本的数量Ocj大于预设的样本数量阈值、目标均值大于0且订座数增量Pi,j小于等于误差门限Terrorj*R,则确定第三参考值HCij=EXPTij,否则,计算第一参考值hisCij,将第一参考值hisCij作为第三参考值。
可选的,还可以计算第二参考值actCij,其中,第一参考值和第二参考值的计算方式可以参见上述的S303部分,此处不再赘述。
在本发明实施例中,对于每个数据采集时间点,若该数据采集时间点与该数据采集时间点的前一数据采集时间点的订座数,均小于预设的订座数阈值;或者,该数据采集时间点的订座数小于订座数阈值,且订座数增量小于0,则该数据采集时间点的各个航班的订座需求数据UnBookingi,j可以为:
UnBookingi,j=UnBookingi,j-1+actCij;
否则,为:
UnBookingi,j=UnBookingi,j-1+max(HCij+actCij)。
在本发明提供的一实施例中,还提供了在两个固定数据采集时间点之间存在浮动数据采集时间点的情况下,对浮动数据采集时间点的原始订座样本进行预处理的又一种可行的方式,具体如下:
浮动数据采集时间点floatDcp的前一固定数据采集时间点为DCP(j-1),浮动数据采集时间点的后一固定数据采集时间点为DCP(j)。
如果该数据采集时间点j的原始订座样本的数量Ocj大于预设的样本数量阈值、目标均值大于0且订座数增量Pi,j小于等于误差门限Terrorj*R,则确定第三参考值HCifloatDcp=ratio*EXPTij,否则,计算第一参考值hisCij,将第一参考值hisCij作为第三参考值,进而计算UnBookingi,floatDcp,计算原理与S502中计算UnBookingi,j的原理一致,可以参见,此处不再赘述。
在本发明提供的一实施例中,还提供了一种对最后一个数据采集时间点的原始订座样本进行预处理的一种可行的方式,具体如下:
如果showRate>0.70,或bookingi,j>5,则
UnBookingi,j=UnBookingi,j-1+actCij;否则
UnBookingi,j=UnBookingi,j-1+max(HCij+actCij)。
与图1所述的方法相对应,本发明实施例还提供了一种预测模型的训练装置,用于对图1中方法的具体实现,本发明实施例提供的预测模型的训练装置可以应用于电子设备中,其结构示意图如图6所示,具体包括:
获取单元601,用于响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
确定单元602,用于依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
计算单元603,用于基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
训练单元604,用于应用各个所述订座需求数据训练预先构建的预测模型。
在本发明提供的一实施例中,基于上述的实施过程,具体的,还包括:执行单元,
所述执行单元,用于获取待预测航班当前的航班信息;所述航班信息包含订座数据;应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述确定单元602,包括:
第一确定子单元,用于确定每个数据采集时间点采集到的原始订座样本的样本数量;并依据每个数据采集时间点采集到的原始订座样本,确定出该数据采集时间点对应的订座总量;
第一执行子单元,用于对于每个所述数据采集时间点,若该数据采集时间点为首个数据采集时间点,则将该数据采集时间点的样本数量以及该数据采集时间点对应的订座总量,作为该数据采集时间点的预处理参数;若该数据采集时间点为非首个数据采集时间点,则将该数据采集时间点的样本数量、该数据采集时间点对应的订座总量,以及该数据采集时间点的前一数据采集时间点的订座总量,作为该数据采集时间点的预处理参数。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述计算单元603,包括:
第一计算子单元,用于依据每个所述数据采集时间点的预处理参数计算得到每个数据采集时间点的采集值;所述采集值表征该数据采集时间点相对于前一数据采集时间点的订座平均增加量;
第二确定子单元,用于依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,确定每个所述航班在每个数据采集时间点的订座数增量;
第二计算子单元,用于根据每个所述数据采集时间点的采集值,以及每个所述航班在每个所述数据采集时间点的订座数增量,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述确定单元602,包括:
第三确定子单元,用于根据所述数据采集时间点采集到的每个航班的原始订座样本,确定每个所述航班在所述数据采集时间点的订座数增量;
第三计算子单元,用于根据每个所述航班在所述数据采集时间点的订座数增量,计算得到各个所述航班在该采集时间点的订座数增量之和,以及订座数增量之和的平方;
第四计算子单元,用于根据所述数据采集时间点采集到的各个航班的原始订座样本的数量、所述订座数增量之和以及所述订座数增量之和的平方,计算得到所述订座数增量之和的均值和根方差;
第四确定子单元,用于根据所述均值和所述根方差,在各个订座数增量中确定出的备选订座数增量;
第五计算子单元,用于根据各个所述备选订座数增量所属的航班的原始订座样本的数量,各个所述备选订座数增量对应的订座数增量之和,以及各个所述备选订座数增量对应的订座数增量之和的平方,计算出各个所述备选订座数增量对应的订座数增量之和的第一均值和第一根方差;
第五确定子单元,用于将所述第一均值确定为目标均值,以及将所述第一根方差确定为目标根方差;
迭代子单元,用于迭代第一操作,直至迭代次数大于预设的次数阈值,或者当前执行第一操作计算得到的目标均值满足预设的停止迭代条件;所述第一操作包括:根据当前计算得到的所述目标均值和所述目标根方差,在各个所述订座数增量中确定出目标订座数增量;根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望;将每个所述目标订座数增量所属的航班确定为目标航班;根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和;根据各个所述目标航班的订座数增量之和的平方以及所述方差期望,计算得到各个所述目标航班新的订座数增量之和的平方;根据各个所述目标航班的原始订座样本的数量,各个所述目标航班新的订座数增量之和,以及各个所述目标航班新的订座数增量之和的平方,计算出各个所述目标订座数增量对应的订座数增量之和的第二均值和第二根方差;将所述第二均值确定为新的目标均值,并将所述第二根方差确定为新的目标根方差;
第二执行子单元,用于在停止迭代所述第一操作之后,将当前的所述目标均值以及所述目标根方差,作为所述数据采集时间点的预处理参数。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述计算单元603,包括:
第六计算子单元,用于根据每个所述航班在每个所述数据采集时间点的订座数增量、每个所述数据采集时间点的预处理参数,计算得到每个所述航班在每个所述数据采集时间点的订座数增量期望;
第七计算子单元,用于依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,以及每个所述航班在每个所述数据采集时间点的订座数增量期望,计算得到每个所述航班在每个所述数据采集时间点的订座数需求数据。
上述本发明实施例公开的预测模型的训练装置中的各个单元和模块具体的原理和执行过程,与上述本发明实施例公开的预测模型的训练方法相同,可参见上述本发明实施例提供的预测模型的训练方法中相应的部分,这里不再进行赘述。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述预测模型的训练方法。
本发明实施例还提供了一种电子设备,其结构示意图如图7所示,具体包括存储器701,以及一个或者一个以上的指令702,其中一个或者一个以上指令702存储于存储器701中,且经配置以由一个或者一个以上处理器703执行所述一个或者一个以上指令702进行以下操作:
响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
应用各个所述订座需求数据训练预先构建的预测模型。
根据本公开的一个或多个实施例,图1的实施例提供了一种预测模型的训练方法,该方法包括:响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
应用各个所述订座需求数据训练预先构建的预测模型。
上述的方法,可选的,所述依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数,包括:
确定每个数据采集时间点采集到的原始订座样本的样本数量;并依据每个数据采集时间点采集到的原始订座样本,确定出该数据采集时间点对应的订座总量;
对于每个所述数据采集时间点,若该数据采集时间点为首个数据采集时间点,则将该数据采集时间点的样本数量以及该数据采集时间点对应的订座总量,作为该数据采集时间点的预处理参数;若该数据采集时间点为非首个数据采集时间点,则将该数据采集时间点的样本数量、该数据采集时间点对应的订座总量,以及该数据采集时间点的前一数据采集时间点的订座总量,作为该数据采集时间点的预处理参数。
上述的方法,可选的,所述基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据,包括:
依据每个所述数据采集时间点的预处理参数计算得到每个数据采集时间点的采集值;所述采集值表征该数据采集时间点相对于前一数据采集时间点的订座平均增加量;
依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,确定每个所述航班在每个数据采集时间点的订座数增量;
根据每个所述数据采集时间点的采集值,以及每个所述航班在每个所述数据采集时间点的订座数增量,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
上述的方法,可选的,所述依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数,包括:
根据所述数据采集时间点采集到的每个航班的原始订座样本,确定每个所述航班在所述数据采集时间点的订座数增量;
根据每个所述航班在所述数据采集时间点的订座数增量,计算得到各个所述航班在该采集时间点的订座数增量之和,以及订座数增量之和的平方;
根据所述数据采集时间点采集到的各个航班的原始订座样本的数量、所述订座数增量之和以及所述订座数增量之和的平方,计算得到所述订座数增量之和的均值和根方差;
根据所述均值和所述根方差,在各个订座数增量中确定出的备选订座数增量;
根据各个所述备选订座数增量所属的航班的原始订座样本的数量,各个所述备选订座数增量对应的订座数增量之和,以及各个所述备选订座数增量对应的订座数增量之和的平方,计算出各个所述备选订座数增量对应的订座数增量之和的第一均值和第一根方差;
将所述第一均值确定为目标均值,以及将所述第一根方差确定为目标根方差;
迭代第一操作,直至迭代次数大于预设的次数阈值,或者当前执行第一操作计算得到的目标均值满足预设的停止迭代条件;所述第一操作包括:根据当前计算得到的所述目标均值和所述目标根方差,在各个所述订座数增量中确定出目标订座数增量;根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望;将每个所述目标订座数增量所属的航班确定为目标航班;根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和;根据各个所述目标航班的订座数增量之和的平方以及所述方差期望,计算得到各个所述目标航班新的订座数增量之和的平方;根据各个所述目标航班的原始订座样本的数量,各个所述目标航班新的订座数增量之和,以及各个所述目标航班新的订座数增量之和的平方,计算出各个所述目标订座数增量对应的订座数增量之和的第二均值和第二根方差;将所述第二均值确定为新的目标均值,并将所述第二根方差确定为新的目标根方差;
在停止迭代所述第一操作之后,将当前的所述目标均值以及所述目标根方差,作为所述数据采集时间点的预处理参数。
上述的方法,可选的,所述基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据,包括:
根据每个所述航班在每个所述数据采集时间点的订座数增量、每个所述数据采集时间点的预处理参数,计算得到每个所述航班在每个所述数据采集时间点的订座数增量期望;
依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,以及每个所述航班在每个所述数据采集时间点的订座数增量期望,计算得到每个所述航班在每个所述数据采集时间点的订座数需求数据。
上述的方法,可选的,还包括:
获取待预测航班当前的航班信息;所述航班信息包含订座数据;
应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
根据本公开的一个或多个实施例,图6的实施例提供了一种预测模型的训练装置,该装置包括:
获取单元,用于响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
确定单元,用于依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
计算单元,用于基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
训练单元,用于应用各个所述订座需求数据训练预先构建的预测模型。
上述的装置,可选的,还包括:执行单元,
所述执行单元,用于获取待预测航班当前的航班信息;所述航班信息包含订座数据;应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
上述的装置,可选的,所述确定单元,包括:
第一确定子单元,用于确定每个数据采集时间点采集到的原始订座样本的样本数量;并依据每个数据采集时间点采集到的原始订座样本,确定出该数据采集时间点对应的订座总量;
第一执行子单元,用于对于每个所述数据采集时间点,若该数据采集时间点为首个数据采集时间点,则将该数据采集时间点的样本数量以及该数据采集时间点对应的订座总量,作为该数据采集时间点的预处理参数;若该数据采集时间点为非首个数据采集时间点,则将该数据采集时间点的样本数量、该数据采集时间点对应的订座总量,以及该数据采集时间点的前一数据采集时间点的订座总量,作为该数据采集时间点的预处理参数。
上述的装置,可选的,所述计算单元,包括:
第一计算子单元,用于依据每个所述数据采集时间点的预处理参数计算得到每个数据采集时间点的采集值;所述采集值表征该数据采集时间点相对于前一数据采集时间点的订座平均增加量;
第二确定子单元,用于依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,确定每个所述航班在每个数据采集时间点的订座数增量;
第二计算子单元,用于根据每个所述数据采集时间点的采集值,以及每个所述航班在每个所述数据采集时间点的订座数增量,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
上述的装置,可选的,所述确定单元,包括:
第三确定子单元,用于根据所述数据采集时间点采集到的每个航班的原始订座样本,确定每个所述航班在所述数据采集时间点的订座数增量;
第三计算子单元,用于根据每个所述航班在所述数据采集时间点的订座数增量,计算得到各个所述航班在该采集时间点的订座数增量之和,以及订座数增量之和的平方;
第四计算子单元,用于根据所述数据采集时间点采集到的各个航班的原始订座样本的数量、所述订座数增量之和以及所述订座数增量之和的平方,计算得到所述订座数增量之和的均值和根方差;
第四确定子单元,用于根据所述均值和所述根方差,在各个订座数增量中确定出的备选订座数增量;
第五计算子单元,用于根据各个所述备选订座数增量所属的航班的原始订座样本的数量,各个所述备选订座数增量对应的订座数增量之和,以及各个所述备选订座数增量对应的订座数增量之和的平方,计算出各个所述备选订座数增量对应的订座数增量之和的第一均值和第一根方差;
第五确定子单元,用于将所述第一均值确定为目标均值,以及将所述第一根方差确定为目标根方差;
迭代子单元,用于迭代第一操作,直至迭代次数大于预设的次数阈值,或者当前执行第一操作计算得到的目标均值满足预设的停止迭代条件;所述第一操作包括:根据当前计算得到的所述目标均值和所述目标根方差,在各个所述订座数增量中确定出目标订座数增量;根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望;将每个所述目标订座数增量所属的航班确定为目标航班;根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和;根据各个所述目标航班的订座数增量之和的平方以及所述方差期望,计算得到各个所述目标航班新的订座数增量之和的平方;根据各个所述目标航班的原始订座样本的数量,各个所述目标航班新的订座数增量之和,以及各个所述目标航班新的订座数增量之和的平方,计算出各个所述目标订座数增量对应的订座数增量之和的第二均值和第二根方差;将所述第二均值确定为新的目标均值,并将所述第二根方差确定为新的目标根方差;
第二执行子单元,用于在停止迭代所述第一操作之后,将当前的所述目标均值以及所述目标根方差,作为所述数据采集时间点的预处理参数。
上述的装置,可选的,所述计算单元,包括:
第六计算子单元,用于根据每个所述航班在每个所述数据采集时间点的订座数增量、每个所述数据采集时间点的预处理参数,计算得到每个所述航班在每个所述数据采集时间点的订座数增量期望;
第七计算子单元,用于依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,以及每个所述航班在每个所述数据采集时间点的订座数增量期望,计算得到每个所述航班在每个所述数据采集时间点的订座数需求数据。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种预测模型的训练方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种预测模型的训练方法,其特征在于,包括:
响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
应用各个所述订座需求数据训练预先构建的预测模型。
2.根据权利要求1所述的方法,其特征在于,所述依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数,包括:
确定每个数据采集时间点采集到的原始订座样本的样本数量;并依据每个数据采集时间点采集到的原始订座样本,确定出该数据采集时间点对应的订座总量;
对于每个所述数据采集时间点,若该数据采集时间点为首个数据采集时间点,则将该数据采集时间点的样本数量以及该数据采集时间点对应的订座总量,作为该数据采集时间点的预处理参数;若该数据采集时间点为非首个数据采集时间点,则将该数据采集时间点的样本数量、该数据采集时间点对应的订座总量,以及该数据采集时间点的前一数据采集时间点的订座总量,作为该数据采集时间点的预处理参数。
3.根据权利要求2所述的方法,其特征在于,所述基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据,包括:
依据每个所述数据采集时间点的预处理参数计算得到每个数据采集时间点的采集值;所述采集值表征该数据采集时间点相对于前一数据采集时间点的订座平均增加量;
依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,确定每个所述航班在每个数据采集时间点的订座数增量;
根据每个所述数据采集时间点的采集值,以及每个所述航班在每个所述数据采集时间点的订座数增量,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据。
4.根据权利要求1所述的方法,其特征在于,所述依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数,包括:
根据所述数据采集时间点采集到的每个航班的原始订座样本,确定每个所述航班在所述数据采集时间点的订座数增量;
根据每个所述航班在所述数据采集时间点的订座数增量,计算得到各个所述航班在该采集时间点的订座数增量之和,以及订座数增量之和的平方;
根据所述数据采集时间点采集到的各个航班的原始订座样本的数量、所述订座数增量之和以及所述订座数增量之和的平方,计算得到所述订座数增量之和的均值和根方差;
根据所述均值和所述根方差,在各个订座数增量中确定出的备选订座数增量;
根据各个所述备选订座数增量所属的航班的原始订座样本的数量,各个所述备选订座数增量对应的订座数增量之和,以及各个所述备选订座数增量对应的订座数增量之和的平方,计算出各个所述备选订座数增量对应的订座数增量之和的第一均值和第一根方差;
将所述第一均值确定为目标均值,以及将所述第一根方差确定为目标根方差;
迭代第一操作,直至迭代次数大于预设的次数阈值,或者当前执行第一操作计算得到的目标均值满足预设的停止迭代条件;所述第一操作包括:根据当前计算得到的所述目标均值和所述目标根方差,在各个所述订座数增量中确定出目标订座数增量;根据各个所述目标订座数增量、所述第一均值和所述第一根方差,计算得到均值期望和方差期望;将每个所述目标订座数增量所属的航班确定为目标航班;根据各个所述目标航班的订座数增量之和以及所述均值期望,计算得到各个所述目标航班新的订座数增量之和;根据各个所述目标航班的订座数增量之和的平方以及所述方差期望,计算得到各个所述目标航班新的订座数增量之和的平方;根据各个所述目标航班的原始订座样本的数量,各个所述目标航班新的订座数增量之和,以及各个所述目标航班新的订座数增量之和的平方,计算出各个所述目标订座数增量对应的订座数增量之和的第二均值和第二根方差;将所述第二均值确定为新的目标均值,并将所述第二根方差确定为新的目标根方差;
在停止迭代所述第一操作之后,将当前的所述目标均值以及所述目标根方差,作为所述数据采集时间点的预处理参数。
5.根据权利要求4所述的方法,其特征在于,所述基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据,包括:
根据每个所述航班在每个所述数据采集时间点的订座数增量、每个所述数据采集时间点的预处理参数,计算得到每个所述航班在每个所述数据采集时间点的订座数增量期望;
依据在每个所述数据采集时间点采集到的各个航班的原始订座样本,以及每个所述航班在每个所述数据采集时间点的订座数增量期望,计算得到每个所述航班在每个所述数据采集时间点的订座数需求数据。
6.根据权利要求1所述的方法,其特征在于,还包括:
获取待预测航班当前的航班信息;所述航班信息包含订座数据;
应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
7.一种预测模型的训练装置,其特征在于,包括:
获取单元,用于响应于模型训练指令,获取预先在每个数据采集时间点采集到的每个航班的原始订座样本;
确定单元,用于依据每个所述原始订座样本确定每个所述数据采集时间点的预处理参数;
计算单元,用于基于每个所述数据采集时间点的预处理参数,以及每个所述数据采集时间点采集到的每个所述航班的原始订座样本,计算得到每个所述航班在每个所述数据采集时间点的订座需求数据;
训练单元,用于应用各个所述订座需求数据训练预先构建的预测模型。
8.根据权利要求7所述的装置,其特征在于,还包括:执行单元,
所述执行单元,用于获取待预测航班当前的航班信息;所述航班信息包含订座数据;应用预测模型对所述航班信息进行处理,获得所述待预测航班的在未来时段的订座预测结果。
9.一种存储介质,其特征在于,所述存储介质包括存储指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~6任意一项所述的预测模型的训练方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~6任意一项所述的预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612502.6A CN114298402A (zh) | 2021-12-27 | 2021-12-27 | 预测模型的训练方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612502.6A CN114298402A (zh) | 2021-12-27 | 2021-12-27 | 预测模型的训练方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298402A true CN114298402A (zh) | 2022-04-08 |
Family
ID=80969914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111612502.6A Pending CN114298402A (zh) | 2021-12-27 | 2021-12-27 | 预测模型的训练方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298402A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118070979A (zh) * | 2024-04-17 | 2024-05-24 | 中国国际航空股份有限公司 | 舱位订座量的预测方法、电子设备和存储介质 |
-
2021
- 2021-12-27 CN CN202111612502.6A patent/CN114298402A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118070979A (zh) * | 2024-04-17 | 2024-05-24 | 中国国际航空股份有限公司 | 舱位订座量的预测方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8826277B2 (en) | Cloud provisioning accelerator | |
CN114298402A (zh) | 预测模型的训练方法及装置、存储介质及电子设备 | |
US10929792B2 (en) | Hybrid cloud operation planning and optimization | |
US8756209B2 (en) | Computing resource allocation based on query response analysis in a networked computing environment | |
US8751659B2 (en) | Data center batch job quality of service control | |
CN111738596B (zh) | 工单派发方法及装置 | |
Gocgun et al. | Lagrangian relaxation and constraint generation for allocation and advanced scheduling | |
US20080320482A1 (en) | Management of grid computing resources based on service level requirements | |
Seneviratne et al. | Task profiling model for load profile prediction | |
CN109389424B (zh) | 流量分配方法、装置、电子设备及存储介质 | |
CN110618867A (zh) | 一种预测资源使用量的方法和装置 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
Tang et al. | A gate reassignment framework for real time flight delays | |
Biruk et al. | A simulation model of construction projects executed in random conditions with the overlapping construction works | |
CN114298356A (zh) | 一种航班订座数预测方法及装置 | |
CN112561351B (zh) | 用于评估中继卫星系统中的任务申请的方法及装置 | |
CN112598244B (zh) | 风险收益的管理方法、装置、系统及计算机可读存储介质 | |
CN116757650B (zh) | 一种基于机器学习的项目管理及资源调度的方法 | |
CN116932171A (zh) | 一种任务调度方法、装置、存储介质及电子设备 | |
CN114298359A (zh) | 航班订座数量的预测方法及装置、存储介质及电子设备 | |
Park et al. | Queue congestion prediction for large-scale high performance computing systems using a hidden Markov model | |
CN114330908A (zh) | 一种订座需求的预测方法、装置和收益管理系统 | |
CN111325433A (zh) | 物流领域的排班方法、装置、设备及存储介质 | |
Talia et al. | The grid backfilling: a multi-site scheduling architecture with data mining prediction techniques | |
Lingrand et al. | Modeling the latency on production grids with respect to the execution context |
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 |