CN115169757A - 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 - Google Patents
旅客升舱预测方法、旅客升舱预测模型获得方法及装置 Download PDFInfo
- Publication number
- CN115169757A CN115169757A CN202211087769.2A CN202211087769A CN115169757A CN 115169757 A CN115169757 A CN 115169757A CN 202211087769 A CN202211087769 A CN 202211087769A CN 115169757 A CN115169757 A CN 115169757A
- Authority
- CN
- China
- Prior art keywords
- ascending
- cabin
- characteristic data
- passenger
- data
- 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 68
- 230000001174 ascending effect Effects 0.000 claims abstract description 118
- 230000006399 behavior Effects 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 230000010006 flight Effects 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 229910000906 Bronze Inorganic materials 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 239000010974 bronze Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供的旅客升舱预测方法、旅客升舱预测模型获得方法及装置，可以获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。本公开通过使用旅客升舱预测模型，结合旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，可以对待出行旅客的升舱意愿进行预测，从而能够准确找到具有一定升舱意愿的旅客进行升舱业务推送，减少无效推送并降低成本，提升客户体验。
Description
技术领域
本公开涉及民航客运技术领域，尤其涉及旅客升舱预测方法、旅客升舱预测模型获得方法及装置。
背景技术
升舱指的是在航班起飞前，经济舱旅客可以选择购买升舱资格，支付相应费用后即可升至更高舱位（例如：商务舱和头等舱），享受高舱位的优质服务。当前，航空公司会主动向旅客推荐升舱业务。例如：通过短信发送升舱邀请或APP推送通知信息的方式，向旅客推荐升舱业务。
由于航空公司缺乏有效的手段得知旅客的支付意愿，因此很多航空公司在进行推送时主要采用全体旅客推送的方式。但是，推送升舱业务是有一定成本的，特别是在航班量大和旅客人数多的情况下，会导致大量无效推送，即增加了升舱业务成本，又容易降低无升舱意愿的旅客的客户体验。
因此，如何准确地识别出有一定升舱意愿的旅客，精准推荐升舱业务，从而降低升舱业务成本，提高升舱业务推送效率，成为本领域技术人员急需解决的技术问题。
发明内容
鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的旅客升舱预测方法、旅客升舱预测模型获得方法及装置，技术方案包括：
一种旅客升舱预测方法，包括：
获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；
将所述用户画像特征数据、购票行为特征数据和所述航班特征数据输入至旅客升舱预测模型中，获得所述旅客升舱预测模型输出的旅客升舱概率结果，其中，所述旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
一种旅客升舱预测模型获得方法，包括：
获得训练数据，其中，所述训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；
对所述训练数据进行机器学习，获得旅客升舱预测模型，其中，所述旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，所述旅客升舱预测模型的输出为旅客升舱概率结果。
一种旅客升舱预测装置，包括：第一数据获得单元和升舱概率结果获得单元，
所述第一数据获得单元，用于获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；
所述升舱概率结果获得单元，用于将所述用户画像特征数据、购票行为特征数据和所述航班特征数据输入至旅客升舱预测模型中，获得所述旅客升舱预测模型输出的旅客升舱概率结果，其中，所述旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
一种旅客升舱预测模型获得装置，包括：第二数据获得单元和模型获得单元，
所述第二数据获得单元，用于获得训练数据，其中，所述训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；
所述模型获得单元，用于对所述训练数据进行机器学习，获得旅客升舱预测模型，其中，所述旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，所述旅客升舱预测模型的输出为旅客升舱概率结果。
借由上述技术方案，本公开提供的旅客升舱预测方法、旅客升舱预测模型获得方法及装置，可以获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。本公开通过使用旅客升舱预测模型，结合旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，可以对待出行旅客的升舱意愿进行预测，从而能够准确找到具有一定升舱意愿的旅客进行升舱业务推送，减少无效推送并降低成本，提升客户体验。
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本公开实施例提供的旅客升舱预测方法的一种实施方式的流程示意图；
图2示出了本公开实施例提供的旅客升舱预测方法的另一种实施方式的流程示意图；
图3示出了本公开实施例提供的旅客升舱预测方法的另一种实施方式的流程示意图；
图4示出了本公开实施例提供的旅客升舱预测模型获得方法的一种实施方式的流程示意图；
图5示出了本公开实施例提供的旅客升舱预测装置的一种结构示意图；
图6示出了本公开实施例提供的旅客升舱预测模型获得装置的一种结构示意图；
图7示出了本公开实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本公开实施例提供的旅客升舱预测方法的一种实施方式的流程示意图，该旅客升舱预测方法可以包括：
A100、获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据。
其中，待出行旅客可以是已预订航班机票且所预订的航班尚未起飞的旅客。
其中，用户画像特征数据可以是能够与旅客的属性和行为产生数据联结关系的信息标签化数据。
可选的，用户画像特征数据可以包括待出行旅客的用户属性数据、历史航空出行数据、历史购票数据、历史升舱数据以及历史两舱数据中的至少一种数据。
可选的，用户属性数据可以包括常客标识、常旅客级别、性别、年龄、国籍以及是否留电话中的至少一种数据。
可选的，历史航空出行数据可以包括最近3个月累计里程、最近6个月累计里程、最近1年累计里程、最近2年累计里程、最近3年累计里程、最近3个月出行平均里程、最近6个月出行平均里程、最近1年出行平均里程、最近2年出行平均里程、最近3年出行平均里程、最近3个月总机票金额、最近6个月总机票金额、最近1年总机票金额、最近2年总机票金额、最近3年总机票金额、最近3个月平均机票金额、最近6个月平均机票金额、最近1年平均机票金额、最近2年平均机票金额、最近3年平均机票金额、最近3个月总飞行次数、最近6个月总飞行次数、最近1年总飞行次数、最近2年总飞行次数、最近3年总飞行次数以及起飞月份中的至少一种数据。
可选的，历史购票数据可以包括最近3个月平均提前购票天数、最近6个月平均提前购票天数、最近1年平均提前购票天数、最近2年平均提前购票天数以及最近3年平均提前购票天数中的至少一种数据。
可选的，历史升舱数据可以包括3个月内升舱次数、6个月内升舱次数、1年内升舱次数、2年内升舱次数以及3年内升舱次数中的至少一种数据。
可选的，历史两舱数据可以包括3个月内两舱次数、6个月内两舱次数、1年内两舱次数、2年内两舱次数以及3年内两舱次数中的至少一种数据。其中，两舱指的是商务舱和头等舱。
其中，购票行为特征数据可以是能够反映旅客购票行为特点的信息标签化数据。可选的，购票行为特征数据包括待出行旅客预订航班时的支付货币、出票渠道、舱位、提前购票日期、机型、折扣、交易时间段、航空保险费、票价、税费、购票PNR人数以及航程类别中的至少一种数据。
其中，航班特征数据可以是能够反映旅客所预订航班的航班特点的信息标签化数据。可选的，航班特征数据包括航班的起飞时间段、到达时间段、航段始发机场所属地区、平均上座率、航段到达机场所属地区、航程性质、航线类别、竞争状态、飞行时长以及起飞星期中的至少一种数据。
可选的，基于图1所示方法，如图2所示，本公开实施例提供的旅客升舱预测方法的另一种实施方式的流程示意图，步骤A100可以包括：
A110、获得待出行旅客对应的第一用户标识以及待出行旅客预订航班的航班信息。
其中，第一用户标识为旅客的的唯一身份标识，也可称为旅客ID（Identitydocument，身份标识号）。可以理解的是，在旅客订票之后，本公开实施例可以记录该旅客的旅客ID以及该旅客所预订航班的航班信息。
其中，航班信息可以包括航班号、航班日期、起飞机场以及到达机场等信息。
A120、利用第一用户标识，获得待出行旅客对应的用户画像特征数据和购票行为特征数据。
本公开实施例可以利用第一用户标识，在旅客订座记录（Passenger NameRecord，PNR）中查询与该第一用户标识对应的历史订座记录，并基于该历史订座记录进行数据统计，获得旅客对应的用户画像特征数据和购票行为特征数据。
A130、利用航班信息，获得待出行旅客对应的航班特征数据。
本公开实施例可以利用旅客预订航班的航班信息，在存储有该航班的航班历史数据的数据库中查询该航班的基础信息数据和相关统计数据，将在查询到的数据中提取出能够反映该航班的航班特点的数据作为航班特征数据。
本公开实施例通过旅客的用户标识和预订航班的航班信息，可以自动化查询和获取到待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据。基于当前民航业内现有数据源，能够快速得到用于旅客升舱预测的特征数据，提高了旅客升舱预测的整体效率，方便进行批量式旅客升舱预测。
A200、将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
可选的，旅客升舱预测模型可以是基于随机森林算法（Random ForestAlgorithm）或梯度提升算法（Gradient Boosting，XGBoost）的机器学习模型。
其中，旅客升舱概率结果包括旅客在用户画像特征数据、购票行为特征数据和航班特征数据的情况下的升舱概率预测值。该升舱概率预测值的取值范围可以为从0至1之间的自然数。升舱概率预测值趋于0，则旅客的升舱意愿越小，升舱概率预测值趋于1，则旅客的升舱意愿越大。
本公开实施例通过基于机器学习算法构建的旅客升舱预测模型，能够准确预测旅客的升舱意愿，为后续航空公司的升舱业务推送提供重要的参考依据，方便航空公司精准对升舱意愿较大的旅客推送升舱业务，减少无效推送并降低成本，提升客户体验。
可选的，基于图1所示方法，如图3所示，本公开实施例提供的旅客升舱预测方法的另一种实施方式的流程示意图，在步骤A200之后，该旅客升舱预测方法还可以包括：
A300、利用旅客升舱概率结果，确定是否向待出行旅客推送升舱邀请信息。
可选的，升舱邀请信息可以是针对旅客已预订且未起飞航班的升舱引导信息，以引导旅客根据该升舱邀请信息进行升舱申请，完成升舱操作。
可选的，本公开实施例可以将旅客升舱概率结果中的升舱概率预测值与预设升舱推送阈值进行比较，在该升舱概率预测值大于该预设升舱推送阈值的情况下，确定向该待出行旅客推送升舱邀请信息。预设升舱推送阈值可以根据实际需求进行设置。例如：预设升舱推送阈值可以设置为0.7。
可选的，本公开实施例可以获得多个待出行旅客的旅客升舱概率结果，对多个待出行旅客的升舱概率预测值从大至小排序，向预设推送旅客数量的待出行旅客推送升舱邀请信息。可选的，该多个待出行旅客可以是同日、同时段且同航班的旅客。
可选的，本公开实施例可以利用旅客的升舱概率预测值和预设旅客价值数据进行综合评价，获得旅客的综合价值分值，利用该综合价值分值，确定是否向该旅客推送升舱邀请信息。
本公开实施例通过利用旅客升舱概率结果，可以准确向升舱意愿高的旅客推送升舱邀请信息，帮助航空公司减少无效推送并降低成本，提升客户体验。
本公开提供的旅客升舱预测方法，可以获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。本公开通过使用旅客升舱预测模型，结合旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，可以对待出行旅客的升舱意愿进行预测，从而能够准确找到具有一定升舱意愿的旅客进行升舱业务推送，减少无效推送并降低成本，提升客户体验。
如图4所示，本公开实施例提供的旅客升舱预测模型获得方法的一种实施方式的流程示意图，该旅客升舱预测模型获得方法可以包括：
B100、获得训练数据，其中，训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据。
B200、对训练数据进行机器学习，获得旅客升舱预测模型，其中，旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客升舱预测模型的输出为旅客升舱概率结果。
可选的，训练数据还可以包括：添加有已升舱标识的旅客对应的升舱条件数据，旅客升舱概率结果包括基于旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客在各个升舱条件下选择升舱的概率。其中，升舱条件数据包括旅客在升舱过程中是否邀请升舱以及升舱价格的升舱过程数据。
本公开实施例可以从旅客订座记录中调取多个旅客的历史订座数据，从历史订座数据中提取预测所需的数据用于模型训练和测试。可选的，如表1所示，本公开实施例可以从旅客订座记录中提取出多个旅客的历史订座数据中的航班信息、旅客ID和/或升舱过程数据。
本公开实施例在获得航班信息和旅客ID之后，可以参考上述旅客升舱预测方法中的步骤A120和步骤A130，获得每条历史订座数据中旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据。
本公开实施例可以对获得的特征数据进行打标，根据旅客实际是否付费升舱，为特征数据添加有已升舱标识或未升舱标识。例如：将付费升舱支付数额大于0的旅客对应的特征数据添加已升舱标识，将付费升舱支付数额等于0的旅客对应的特征数据添加未升舱标识。可选的，已升舱标识可以为“1”，未升舱标识可以为“0”。
可选的，为了提高模型训练效率，本公开实施例可以预先滤除没有升舱资格的旅客的历史订座数据。
可选的，本公开实施例可以对通过表1中的数据获得的原始数据进行特征工程，筛选出能够用于预测旅客升舱概率的用户画像特征数据、购票行为特征数据以及航班特征数据。可以理解的是，根据数据可用性，本公开实施例还可以添加更多的特征。例如：在表1中添加字段名为“月”、“星期”以及“出发时间段”。
可选的，本公开实施例在处理旅客升舱预测模型中的特征分类时，可以使用“one-hot”编码来创建一个01变量的集合来表示特征。例如，如果我们希望将常旅客等级划分为无、青铜、银以及金，这可以使用4个变量来完成，其中只有当该类别为真时才设置为“1”。在实践中，只需要使用3个变量，这样就有了Bronze、Silver以及Gold的列，并且“None”表示它们都为0。
可选的，对于一些具有多个不同值的变量字段，由于难以在机器学习模型中有效应用。例如：假设一家航空公司服务于50个城市，那么相关字段将有2450个值。本公开实施例可以将这些变量字段的数据汇总至更高级别的类别中。例如：汇总至“中国-国内”、“中国-大洋洲”以及“中国-北美”等。
可以理解的是，在对特征数据进行打标后，可以将数据划分为训练数据和测试数据。可选的，本公开实施例可以选用不同算法的模型构造多个原始旅客升舱预测模型。利用训练数据对各个原始旅客升舱预测模型进行机器学习，再利用测试数据对各个训练好的旅客升舱预测模型进行模型验证，得到各个模型在预设模型评价指标下的测试结果数据。各个航空公司可以根据自身需要选取最终使用的旅客升舱预测模型。
可选的，预设模型评价指标可以包括：AUC（Area under the Curve of ReceiverOperating Characteristic Curve，接收者操作特征曲线下方的面积）值、正确率、召回率（recall）、准确率（precision）和F分数分析值。其中，正确率、召回率、准确率和F分数分析值由混淆矩阵计算得出，混淆矩阵如表2所示。
表2
正确率、召回率、准确率和F分数分析值的具体计算方式如下：
正确率等于分类正确的样本数目/总样本量：
正确率=
召回率度量的是正类样本中有多少被预测为正类：
召回率=
准确率度量的是被预测为正例的样本中有多少是真正的正例：
准确率=
F分数分析值是准确率与召回率的调和平均：
本公开实施例提供的旅客升舱预测模型获得方法，可以获得训练数据，其中，训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；对训练数据进行机器学习，获得旅客升舱预测模型，其中，旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客升舱预测模型的输出为旅客升舱概率结果。本公开通过旅客升舱预测模型，可以针对航空公司升舱业务中存在的旅客意愿预测问题，准确找到升舱意愿较大的旅客，一方面可以精准确定升舱邀请名单，减少无效推送并降低成本，同时也提升客户体验。另一方面可以提高旅客升舱业务订单成交的概率，减少商务舱座位的虚耗，同时升舱后空余的经济舱座位可以二次销售，可以增加航空公司额外收益。
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，本公开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。本公开的范围在此方面不受限制。
与上述旅客升舱预测方法相对应，本公开实施例还提供一种旅客升舱预测装置，其结构如图5所示，可以包括：第一数据获得单元100和升舱概率结果获得单元200。
第一数据获得单元100，用于获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；
升舱概率结果获得单元200，用于将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
可选的，第一数据获得单元100，可以包括第一获得子单元、第二获得子单元以及第三获得子单元。
第一获得子单元，用于获得待出行旅客对应的第一用户标识以及待出行旅客预订航班的航班信息。
第二获得子单元，用于利用第一用户标识，获得待出行旅客对应的用户画像特征数据和购票行为特征数据。
第三获得子单元，用于利用航班信息，获得待出行旅客对应的航班特征数据。
可选的，用户画像特征数据包括待出行旅客的用户属性数据、历史航空出行数据、历史购票数据、历史升舱数据以及历史两舱数据中的至少一种数据。
可选的，购票行为特征数据包括待出行旅客预订航班时的支付货币、出票渠道、舱位、提前购票日期、机型、折扣、交易时间段、航空保险费、票价、税费、购票PNR人数以及航程类别中的至少一种数据。
可选的，航班特征数据包括航班的起飞时间段、到达时间段、航段始发机场所属地区、平均上座率、航段到达机场所属地区、航程性质、航线类别、竞争状态、飞行时长以及起飞星期中的至少一种数据。
可选的，该旅客升舱预测装置还可以包括：信息推送确定单元。
信息推送确定单元，用于利用旅客升舱概率结果，确定是否向待出行旅客推送升舱邀请信息。
本公开提供的旅客升舱预测装置，可以获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；将用户画像特征数据、购票行为特征数据和航班特征数据输入至旅客升舱预测模型中，获得旅客升舱预测模型输出的旅客升舱概率结果，其中，旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。本公开通过使用旅客升舱预测模型，结合旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，可以对待出行旅客的升舱意愿进行预测，从而能够准确找到具有一定升舱意愿的旅客进行升舱业务推送，减少无效推送并降低成本，提升客户体验。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
所述旅客升舱预测装置包括处理器和存储器，上述第一数据获得单元100和升舱概率结果获得单元200等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来使用旅客升舱预测模型，结合旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，可以对待出行旅客的升舱意愿进行预测，从而能够准确找到具有一定升舱意愿的旅客进行升舱业务推送，减少无效推送并降低成本，提升客户体验。
本公开实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述旅客升舱预测方法。
本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述旅客升舱预测方法。
本公开还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有旅客升舱预测方法步骤的程序。
与上述旅客升舱预测模型获得方法相对应，本公开实施例还提供一种旅客升舱预测模型获得装置，其结构如图6所示，可以包括：第二数据获得单元300和模型获得单元400。
第二数据获得单元300，用于获得训练数据，其中，训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据。
模型获得单元400，用于对训练数据进行机器学习，获得旅客升舱预测模型，其中，旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客升舱预测模型的输出为旅客升舱概率结果。
可选的，训练数据还包括：添加有已升舱标识的旅客对应的升舱条件数据，旅客升舱概率结果包括基于旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客在各个升舱条件下选择升舱的概率。
本公开实施例提供的旅客升舱预测模型获得装置，可以获得训练数据，其中，训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；对训练数据进行机器学习，获得旅客升舱预测模型，其中，旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客升舱预测模型的输出为旅客升舱概率结果。本公开通过旅客升舱预测模型，可以针对航空公司升舱业务中存在的旅客意愿预测问题，准确找到升舱意愿较大的旅客，一方面可以精准确定升舱邀请名单，减少无效推送并降低成本，同时也提升客户体验。另一方面可以提高旅客升舱业务订单成交的概率，减少商务舱座位的虚耗，同时升舱后空余的经济舱座位可以二次销售，可以增加航空公司额外收益。
所述旅客升舱预测模型获得装置包括处理器和存储器，上述第二数据获得单元300和模型获得单元400等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来构建旅客升舱预测模型。
本公开实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述旅客升舱预测模型获得方法。
本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述旅客升舱预测模型获得方法。
本公开还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有旅客升舱预测模型获得方法步骤的程序。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储装置508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
本公开是参照根据本公开实施例的方法、装置、电子设备（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。
在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
在本公开的描述中，需要理解的是，如若涉及术语“上”、“下”、“前”、“后”、“左”和“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的位置或元件必须具有特定方位、以特定的方位构成和操作，因此不能理解为本公开的限制。
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。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。
本领域技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开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，本公开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。
以上仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的权利要求范围之内。
Claims (10)
1.一种旅客升舱预测方法，其特征在于，包括：
获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；
将所述用户画像特征数据、购票行为特征数据和所述航班特征数据输入至旅客升舱预测模型中，获得所述旅客升舱预测模型输出的旅客升舱概率结果，其中，所述旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
2.根据权利要求1所述的方法，其特征在于，所述获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，包括：
获得待出行旅客对应的第一用户标识以及所述待出行旅客预订航班的航班信息；
利用所述第一用户标识，获得待出行旅客对应的用户画像特征数据和购票行为特征数据；
利用所述航班信息，获得所述待出行旅客对应的航班特征数据。
3.根据权利要求1所述的方法，其特征在于，所述用户画像特征数据包括所述待出行旅客的用户属性数据、历史航空出行数据、历史购票数据、历史升舱数据以及历史两舱数据中的至少一种数据。
4.根据权利要求1所述的方法，其特征在于，所述购票行为特征数据包括所述待出行旅客预订所述航班时的支付货币、出票渠道、舱位、提前购票日期、机型、折扣、交易时间段、航空保险费、票价、税费、购票PNR人数以及航程类别中的至少一种数据。
5.根据权利要求1所述的方法，其特征在于，所述航班特征数据包括所述航班的起飞时间段、到达时间段、航段始发机场所属地区、平均上座率、航段到达机场所属地区、航程性质、航线类别、竞争状态、飞行时长以及起飞星期中的至少一种数据。
6.根据权利要求1所述的方法，其特征在于，在所述获得所述待出行旅客升舱预测模型输出的旅客升舱概率结果之后，所述方法还包括：
利用所述旅客升舱概率结果，确定是否向所述待出行旅客推送升舱邀请信息。
7.一种旅客升舱预测模型获得方法，其特征在于，包括：
获得训练数据，其中，所述训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；
对所述训练数据进行机器学习，获得旅客升舱预测模型，其中，所述旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，所述旅客升舱预测模型的输出为旅客升舱概率结果。
8.根据权利要求7所述的方法，其特征在于，所述训练数据还包括：添加有已升舱标识的旅客对应的升舱条件数据，所述旅客升舱概率结果包括基于旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，旅客在各个升舱条件下选择升舱的概率。
9.一种旅客升舱预测装置，其特征在于，包括：第一数据获得单元和升舱概率结果获得单元，
所述第一数据获得单元，用于获得待出行旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据；
所述升舱概率结果获得单元，用于将所述用户画像特征数据、购票行为特征数据和所述航班特征数据输入至旅客升舱预测模型中，获得所述旅客升舱预测模型输出的旅客升舱概率结果，其中，所述旅客升舱预测模型为对旅客的训练数据进行机器学习后得到用于输出旅客升舱概率结果的模型。
10.一种旅客升舱预测模型获得装置，其特征在于，包括：第二数据获得单元和模型获得单元，
所述第二数据获得单元，用于获得训练数据，其中，所述训练数据包括添加有已升舱标识或未升舱标识的多个旅客对应的用户画像特征数据、购票行为特征数据以及历史乘坐航班的航班特征数据；
所述模型获得单元，用于对所述训练数据进行机器学习，获得旅客升舱预测模型，其中，所述旅客升舱预测模型的输入为旅客对应的用户画像特征数据、购票行为特征数据以及航班特征数据，所述旅客升舱预测模型的输出为旅客升舱概率结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211087769.2A CN115169757A (zh) | 2022-09-07 | 2022-09-07 | 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211087769.2A CN115169757A (zh) | 2022-09-07 | 2022-09-07 | 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169757A true CN115169757A (zh) | 2022-10-11 |
Family
ID=83480495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211087769.2A Pending CN115169757A (zh) | 2022-09-07 | 2022-09-07 | 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169757A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402587A (zh) * | 2023-05-26 | 2023-07-07 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2564927A1 (en) * | 2006-07-27 | 2008-01-27 | Air Canada | Methods and systems for vending air travel services |
| CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| FR3071087A1 (fr) * | 2017-09-14 | 2019-03-15 | Amadeus S.A.S. | Une methode et un systeme pour la segmentation de voyageurs en ligne en temps reel a l'aide de l'apprentissage automatique |
| CN111612676A (zh) * | 2020-05-27 | 2020-09-01 | 中航信移动科技有限公司 | 一种航班付费升舱系统和方法 |
| CN111899059A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷（厦门）信息技术有限公司 | 一种基于区块链的航司收益管理动态定价方法 |
| CN112967028A (zh) * | 2021-03-09 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种升舱服务的管理方法及相关设备 |
-
2022
- 2022-09-07 CN CN202211087769.2A patent/CN115169757A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2564927A1 (en) * | 2006-07-27 | 2008-01-27 | Air Canada | Methods and systems for vending air travel services |
| FR3071087A1 (fr) * | 2017-09-14 | 2019-03-15 | Amadeus S.A.S. | Une methode et un systeme pour la segmentation de voyageurs en ligne en temps reel a l'aide de l'apprentissage automatique |
| CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技（深圳）有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN111612676A (zh) * | 2020-05-27 | 2020-09-01 | 中航信移动科技有限公司 | 一种航班付费升舱系统和方法 |
| CN111899059A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷（厦门）信息技术有限公司 | 一种基于区块链的航司收益管理动态定价方法 |
| CN112967028A (zh) * | 2021-03-09 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种升舱服务的管理方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张依一等: "基于BP神经网络游轮预售票定价及升舱方案的研究", 《通化师范学院学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402587A (zh) * | 2023-05-26 | 2023-07-07 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
| CN116402587B (zh) * | 2023-05-26 | 2023-09-26 | 浙江飞猪网络技术有限公司 | 一种房型升级方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210232984A1 (en) | Order allocation system and method | |
| Chu et al. | Enriching archived smart card transaction data for transit demand modeling | |
| WO2016124118A1 (zh) | 一种订单处理方法与系统 | |
| CN106651213B (zh) | 服务订单的处理方法及装置 | |
| US20180032928A1 (en) | Methods and systems for transport capacity scheduling | |
| US20170061555A1 (en) | Method and system for predicting lowest airline ticket fares | |
| CN110249357B (zh) | 用于数据更新的系统和方法 | |
| Viallard et al. | Assessing the evolution of transit user behavior from smart card data | |
| US9916563B1 (en) | Version recall for computerized catalog management | |
| US20170336223A1 (en) | Method and System for Facilitating Travel | |
| US20210182830A1 (en) | Utilizing a machine learning model to determine whether a transaction account user is traveling | |
| Ma et al. | Estimation of denied boarding in urban rail systems: alternative formulations and comparative analysis | |
| CN111861619A (zh) | 一种共享车辆的推荐方法和系统 | |
| US20140163860A1 (en) | Managing and directing mass transit system passengers | |
| WO2019052257A1 (en) | INTELLIGENT ARTIFICIAL SYSTEMS AND METHODS OF RECOMMENDING AT LEAST ONE INSURANCE COMPANY | |
| CN115169757A (zh) | 旅客升舱预测方法、旅客升舱预测模型获得方法及装置 | |
| US11861529B2 (en) | Subscription services awards | |
| US20160005060A1 (en) | Method and system for predicting spending on travel | |
| Li et al. | Taxi utilization rate maximization by dynamic demand prediction: A case study in the city of chicago | |
| CN110751403A (zh) | 信用评分方法及装置 | |
| Ye et al. | Clustering-Based Travel Pattern for Individual Travel Prediction of Frequent Passengers by Using Transit Smart Card | |
| CN113874890A (zh) | 基于订购的旅行服务 | |
| Hoover et al. | Understanding crash risk using a multi-level random parameter binary logit model: application to naturalistic driving study data | |
| CN113297336B (zh) | 航班的季节性归类方法、装置及机器可读介质 | |
| US20170132716A1 (en) | Computer system for updating travel and expense records and outputting travel and expense recommendations |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |
|
| RJ01 | Rejection of invention patent application after publication |