CN114330908A - 一种订座需求的预测方法、装置和收益管理系统 - Google Patents

Abstract

本申请公开了一种订座需求的预测方法、装置和收益管理系统，该方法和装置应用于收益管理系统，具体为构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

Description

一种订座需求的预测方法、装置和收益管理系统

技术领域

本申请涉及航空技术领域，更具体地说，涉及一种订座需求的预测方法、装置和收益管理系统。

背景技术

收益管理对于航空公司而言至关重要，订座需求预测是实现收益精细化管理的重要手段，直接影响航空公司对未来市场的把控，通过准确预测订座需求，可以增强航空公司市场竞争力。

发明内容

有鉴于此，本申请提供一种订座需求的预测方法、装置和收益管理系统，用于预测将来时间的订座需求，为航空公司对未来市场进行把控提供数据依据。

为了实现上述目的，现提出的方案如下：

一种订座需求的预测方法，应用于收益管理系统，所述预测方法包括步骤：

构建系统模型库，所述系统模型库包括多个基于不同预测参数的预测模型；

根据预设判据对每个所述预测模型进行判断，从所述系统模型库中选出多个最优模型；

根据预测要求从所述多个最优模型中选出目标预测模型；

基于所述目标预测模型对将来时间的订座需求进行预测。

可选的，多个所述预测模型分别为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。

可选的，所述根据预测要求从所述多个最优模型中选出目标预测模型，包括步骤：

根据浮动数据采集点和当前订座数的关系选出所述目标预测模型。

一种订座需求的预测装置，应用于收益管理系统，所述预测装置包括：

模型库构建模块，被配置为构建系统模型库，所述系统模型库包括多个基于不同预测参数的预测模型；

第一选择模块，被配置为根据预设判据对每个所述预测模型进行判断，从所述系统模型库中选出多个最优模型；

第二选择模块，被配置为根据预测要求从所述多个最优模型中选出目标预测模型；

预测执行模块，被配置为基于所述目标预测模型对将来时间的订座需求进行预测。

可选的，多个所述预测模型分别为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。

可选的，所述预测执行模块具体用于根据浮动数据采集点和当前订座数的关系选出所述目标预测模型。

一种收益管理系统，设置有如上所述的订座需求的预测装置。

一种收益管理系统，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述收益管理系统实现如上所述的订座需求的预测方法。

从上述的技术方案可以看出，本申请公开了一种订座需求的预测方法、装置和收益管理系统，该方法和装置应用于收益管理系统，具体为构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例的一种订座需求的预测方法的流程图；

图2为本申请实施例的一种订座需求的预测装置的框图；

图3为本申请实施例的一种收益管理系统的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

图1为本申请实施例的一种订座需求的预测方法的流程图。

如图1所示，本实施例提供的预测方法应用于航空公司的收益管理系统，该收益管理系统可以理解为一种具有信息管理、数据计算的电子设备，如基于网络的服务器或者计算机系统。该预测方法包括如下步骤：

S1、构建系统模型库。

该系统模型库包括多个基于不同预测参数的预测模型，本实施例中的预测模型具体包括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。

1、0订座模型(0BK)：f_0Bk(x)＝a

要求x_i＝0，a是对应的y_i的平均值，即

n为x_i＝0的个数。

2、加法模型(ADD)：f_ADD(x)＝x+a

要求x_i≠0，a是对应的从Dcp j到finalDcp的平均增值，即

n为x_i≠0的个数。

3、乘法模型(MUL)：f_MUL(x)＝bx

要求x_i≠0，b是对应的y_i平均值和x_i平均值之比，即

n为x_i≠0的个数。

4、线性模型(LNR)：f_LNR(x)＝ax+b

要求x_i≠0，a和b由最小二乘法得到：

n为x_i≠0的个数。

5、对数模型(LOG)：f_LOG(x)＝a+bln(x)

要求x_i≠0，a和b由最小二乘法得到：

n为x_i≠0的个数。

6、指数平滑模型(ESP)：f_EXP(x)＝a+x

把{y_i-x_i}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α是系统参数“平滑因子”，取值在0和1之间)：

1)传统的指数平滑：

从a₁＝y₁-x₁

a_i+1＝α(y_i+1-x_i+1)+(1+α)a_i，i＞0

得到

2)直接赋权重的指数平滑：

应用模型到历史数据，求使得误差最小的α值作为最优的平滑因子估值。

7、均值模型(MN)：f_MN(x)＝a

对x_i是否为0没有限制，a是所有的y_i的平均值，

即a＝∑y_i/n

n为y_i的个数。

8、全值加法模型(ALL)：f_ALL(x)＝a+x

是对x_i是否为0没有限制的加法模型。

a是从Dcp j到finalDcp的平均增值，

即a＝∑(y_i-x_i)/n，n为y_i的个数。

9、去年模型(LY)：f_LY(x)＝a

去年模型是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。按日期的先后，权重分别为1、2、3、2、1。一个起飞日期的去年同期指的是DOW相同，月、日最临近的去年的一天。如果某一天的数据不符合要求不能使用，其对应的权重w_i则忽略不计。

S2、根据预设判据对每个预测模型进行判断。

模型生成以后，每一个模型都需要满足一定的条件，才能被系统认为可用，即是一个最优模型。

1、0订座模型(0BK)：f_0Bk(x)＝a

要求模型的样本数不少于对应的系统参数。

2、加法模型(ADD)：f_ADD(x)＝x+a

要求模型的样本数不少于对应的系统参数。

3、乘法模型(MUL)：f_MUL(x)＝bx

要求模型的样本数不少于对应的系统参数，且b≠0。

4、线性模型(LNR)：f_LNR(x)＝ax+b

要求模型的样本数不少于对应的系统参数，且F-检验确定线性模型显著优于均值模型的概率大于对应的系统参数置信度。

5、对数模型(LOG)：f_LOG(x)＝a+bln(x)

要求模型的样本数不少于对应的系统参数，且F-检验确定对数模型显著优于均值模型的概率大于对应的系统参数置信度。

6、指数平滑模型(ESP)：f_EXP(x)＝a+x

要求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，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。

7、均值模型(MN)：f_MN(x)＝a

要求模型的样本数不少于对应的系统参数。

8、全值加法模型(ALL)：f_ALL(x)＝a+x

要求模型的样本数不少于对应的系统参数。

9、去年模型(LY)：f_LY(x)＝a

要求模型的权重总和不小于6，且a不少于当前订座数。

S3、根据预测要求从最优模型中选出目标预测模型。

模型选用的流程依floatDcp和当前订座数的值分成下面三种情况：

1、floatDcp＜Dcp 1

如果系统参数允许使用全值加法模型且该模型是好的，应用全值加法模型作为该目标预测模型；

不然，如果去年模型是好的，应用去年模型作为该目标预测模型。

2、floatDcp≥Dcp1且当前订座数＝0

如果0订座模型是最优的，应用0订座模型作为该目标预测模型。

3.floatDcp≥Dcp 1且当前订座数＞0

如果指数平滑模型是好的，应用指数平滑模型作为该目标预测模型；

不然，如果当前订座数是未来异常，且加法模型是好的，应用加法模型作为该目标预测模型；

不然，如果当前订座数不是未来异常，在加法模型、乘法模型、线性模型和对数模型中，应用误差最小的模型作为该目标预测模型。

本申请中，Dcp为数据采集点，对于每个航班，每个Dcp对应一个采集时间；finalDcp为最后一个数据采集点；floatDcp为浮动数据采集点，即任意时间的数据采集点。

S4、基于目标预测模型对将来时间的订座需求进行预测。

具体来说，将各历史航班i在Dcp j的订座数x_i和finalDcp的订座数y_i：{(x_i，y_i)}输入上述目标预测模型，则该模型输出Dcp j的各预测模型：{y＝f_k(x)}及对应的标准误差：{e_k}。记未来航班在floatDcp的订座数为x。

当floatDcp和某个Dcp点重合时，假设在这个Dcp点选用的模型是f。那么，预测的最终订座数就是y＝f(x)。

当floatDcp在两个Dcp点(j-1)和j之间时，假设在(j-1)点选用的模型是f，在j点选用的模型是g，那么，预测的最终订座数y是f(x)和g(x)的与提前天数有关的加权平均值。

设d[i]为Dcp i的提前天数，则

从上述技术方案可以看出，本实施例提供了一种订座需求的预测方法，该方法应用于收益管理系统，具体为构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

实施例二

图2为本申请实施例的一种订座需求的预测装置的框图。

如图2所示，本实施例提供的预测装置应用于航空公司的收益管理系统，该收益管理系统可以理解为一种具有信息管理、数据计算的电子设备，如基于网络的服务器或者计算机系统。该预测装置具体包括模型库构建模块10、第一选择模块20、第二选择模块30和预测执行模块40。

模型库构建模块用于构建系统模型库。

该系统模型库包括多个基于不同预测参数的预测模型，本实施例中的预测模型具体包括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。

1、0订座模型(0BK)：f_0Bk(x)＝a

要求x_i＝0，a是对应的y_i的平均值，即

n为x_i＝0的个数。

2、加法模型(ADD)：f_ADD(x)＝x+a

要求x_i≠0，a是对应的从Dcp j到finalDcp的平均增值，即

n为x_i≠0的个数。

3、乘法模型(MUL)：f_MUL(x)＝bx

要求x_i≠0，b是对应的y_i平均值和x_i平均值之比，即

n为x_i≠0的个数。

4、线性模型(LNR)：f_LNR(x)＝ax+b

要求x_i≠0，a和b由最小二乘法得到：

n为x_i≠0的个数。

5、对数模型(LOG)：f_LOG(x)＝a+bln(x)

要求x_i≠0，a和b由最小二乘法得到：

n为x_i≠0的个数。

6、指数平滑模型(ESP)：f_EXP(x)＝a+x

把{y_i-x_i}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α是系统参数“平滑因子”，取值在0和1之间)：

1)传统的指数平滑：

从a₁＝y₁-x₁

a_i+1＝α(y_i+1-x_i+1)+(1+α)a_i，i＞0

得到

2)直接赋权重的指数平滑：

应用模型到历史数据，求使得误差最小的α值作为最优的平滑因子估值。

7、均值模型(MN)：f_MN(x)＝a

对x_i是否为0没有限制，a是所有的y_i的平均值，

即a＝∑y_i/n

n为y_i的个数。

8、全值加法模型(ALL)：f_ALL(x)＝a+x

是对x_i是否为0没有限制的加法模型。

a是从Dcp j到finalDcp的平均增值，

即a＝∑(y_i-x_i)/n，n为y_i的个数。

9、去年模型(LY)：f_LY(x)＝a

去年模型是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。按日期的先后，权重分别为1、2、3、2、1。一个起飞日期的去年同期指的是DOW相同，月、日最临近的去年的一天。如果某一天的数据不符合要求不能使用，其对应的权重w_i则忽略不计。

第一选择模块用于根据预设判据对每个预测模型进行判断。

模型生成以后，每一个模型都需要满足一定的条件，才能被系统认为可用，即是一个最优模型。

1、0订座模型(0BK)：f_0Bk(x)＝a

要求模型的样本数不少于对应的系统参数。

2、加法模型(ADD)：f_ADD(x)＝x+a

要求模型的样本数不少于对应的系统参数。

3、乘法模型(MUL)：f_MUL(x)＝bx

要求模型的样本数不少于对应的系统参数，且b≠0。

4、线性模型(LNR)：f_LNR(x)＝ax+b

要求模型的样本数不少于对应的系统参数，且F-检验确定线性模型显著优于均值模型的概率大于对应的系统参数置信度。

5、对数模型(LOG)：f_LOG(x)＝a+bln(x)

要求模型的样本数不少于对应的系统参数，且F-检验确定对数模型显著优于均值模型的概率大于对应的系统参数置信度。

6、指数平滑模型(ESP)：f_EXP(x)＝a+x

要求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，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。

7、均值模型(MN)：f_MN(x)＝a

要求模型的样本数不少于对应的系统参数。

8、全值加法模型(ALL)：f_ALL(x)＝a+x

要求模型的样本数不少于对应的系统参数。

9、去年模型(LY)：f_LY(x)＝a

要求模型的权重总和不小于6，且a不少于当前订座数。

第二选择模块用于根据预测要求从最优模型中选出目标预测模型。

模型选用的流程依floatDcp和当前订座数的值分成下面三种情况：

1、floatDcp＜Dcp l

如果系统参数允许使用全值加法模型且该模型是好的，应用全值加法模型作为该目标预测模型；

不然，如果去年模型是好的，应用去年模型作为该目标预测模型。

2、floatDcp≥Dcp 1且当前订座数＝0

如果0订座模型是最优的，应用0订座模型作为该目标预测模型。

3.floatDcp≥Dcp 1且当前订座数＞0

如果指数平滑模型是好的，应用指数平滑模型作为该目标预测模型；

不然，如果当前订座数是未来异常，且加法模型是好的，应用加法模型作为该目标预测模型；

不然，如果当前订座数不是未来异常，在加法模型、乘法模型、线性模型和对数模型中，应用误差最小的模型作为该目标预测模型。

本申请中，Dcp为数据采集点，对于每个航班，每个Dcp对应一个采集时间；finalDcp为最后一个数据采集点；floatDcp为浮动数据采集点，即任意时间的数据采集点。

预测执行模块用于基于目标预测模型对将来时间的订座需求进行预测。

具体来说，将各历史航班i在Dcp j的订座数x_i和finalDcp的订座数y_i：{(x_i，y_i)}输入上述目标预测模型，则该模型输出Dcp j的各预测模型：{y＝f_k(x)}及对应的标准误差：{e_k}。记未来航班在floatDcp的订座数为x。

当floatDcp和某个Dcp点重合时，假设在这个Dcp点选用的模型是f。那么，预测的最终订座数就是y＝f(x)。

当floatDcp在两个Dcp点(j-1)和j之间时，假设在(j-1)点选用的模型是f，在j点选用的模型是g，那么，预测的最终订座数y是f(x)和g(x)的与提前天数有关的加权平均值。

设d[i]为Dcp i的提前天数，则

从上述技术方案可以看出，本实施例提供了一种订座需求的预测装置，该装置应用于收益管理系统，具体为构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

实施例三

本实施例提供了一种收益管理系统，该该收益管理系统可以理解为一种具有信息管理、数据计算的电子设备，如基于网络的服务器或者计算机系统。该收益管理系统设置有上一实施例所提供的订座需求的预测装置。

该预测装置具体用于构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

实施例四

图3为本申请实施例的一种收益管理系统的框图。

如图3所示，本实施例提供的收益管理系统可以理解为一种具有信息管理、数据计算的电子设备，如基于网络的服务器或者计算机系统。该收益管理系统包括至少一个处理器101和存储器102，两者通过数据总线103连接，存储器用于存储计算机程序或指令，该处理器用于执行相应计算机程序或指令，以使该收益管理系统实施实施例一种所提供的订座需求的预测方法。

该预测方法具体为构建系统模型库，系统模型库包括多个基于不同预测参数的预测模型；根据预设判据对每个预测模型进行判断，从系统模型库中选出多个最优模型；根据预测要求从多个最优模型中选出目标预测模型；基于目标预测模型对将来时间的订座需求进行预测。通过上述技术方案即可获得将来时间的订座需求，从而为航空公司对未来市场进行把控提供数据依据。

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。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，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 (8)

1.一种订座需求的预测方法，应用于收益管理系统，其特征在于，所述预测方法包括步骤：

构建系统模型库，所述系统模型库包括多个基于不同预测参数的预测模型；

根据预设判据对每个所述预测模型进行判断，从所述系统模型库中选出多个最优模型；

根据预测要求从所述多个最优模型中选出目标预测模型；

基于所述目标预测模型对将来时间的订座需求进行预测。

2.如权利要求1所述的预测方法，其特征在于，多个所述预测模型分别为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。

3.如权利要求1所述的预测方法，其特征在于，所述根据预测要求从所述多个最优模型中选出目标预测模型，包括步骤：

根据浮动数据采集点和当前订座数的关系选出所述目标预测模型。

4.一种订座需求的预测装置，应用于收益管理系统，其特征在于，所述预测装置包括：

模型库构建模块，被配置为构建系统模型库，所述系统模型库包括多个基于不同预测参数的预测模型；

第一选择模块，被配置为根据预设判据对每个所述预测模型进行判断，从所述系统模型库中选出多个最优模型；

第二选择模块，被配置为根据预测要求从所述多个最优模型中选出目标预测模型；

预测执行模块，被配置为基于所述目标预测模型对将来时间的订座需求进行预测。

5.如权利要求4所述的预测装置，其特征在于，多个所述预测模型分别为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。

6.如权利要求4所述的预测装置，其特征在于，所述预测执行模块具体用于根据浮动数据采集点和当前订座数的关系选出所述目标预测模型。

7.一种收益管理系统，其特征在于，设置有如权利要求4～6任一项所述的订座需求的预测装置。

8.一种收益管理系统，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述收益管理系统实现如权利要求1～3任一项所述的订座需求的预测方法。

Images