CN115438835A - 航班的配餐量预测方法、装置、计算机设备和存储介质 - Google Patents
航班的配餐量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115438835A CN115438835A CN202210927732.XA CN202210927732A CN115438835A CN 115438835 A CN115438835 A CN 115438835A CN 202210927732 A CN202210927732 A CN 202210927732A CN 115438835 A CN115438835 A CN 115438835A
- Authority
- CN
- China
- Prior art keywords
- time period
- booking
- time
- seat
- persons
- 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
- 239000013598 vector Substances 0.000 claims abstract description 113
- 235000012054 meals Nutrition 0.000 claims abstract description 66
- 230000007246 mechanism Effects 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000010006 flight Effects 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 23
- 238000012549 training Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种航班的配餐量预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:根据时间序列长度生成航班的时间序列,统计时间序列中的各时间段的订座人数;分别对各时间段进行编码,并通过依次编码各时间段的订座人数的残差生成各时间段的隐藏层向量;将各时间段的编码和各时间段的隐藏层向量进行注意力机制计算,得到各时间段的订座人数权重;对各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;基于配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对航班的配餐量进行预测。采用本方法能够通过注意力机制和残差的编码,提高配餐量预测的准确性。
Description
技术领域
本申请涉及,特别是涉及一种航班的配餐量预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在民航领域,各航空公司重点关注航班旅客配餐量的估计方法。配餐量过多会造成浪费,配餐量不足时通过外站加配会增加更多餐食成本,所以准确地预测航班配餐量具有重要的意义,能够在提升航班的服务质量、提高配餐工作效率的同时,方便航空公司进行下一步决策工作。
然而,传统航空配餐主要依靠人工经验判断,航班运行情况、旅客订座人数情况、特殊日期或事件以及配餐业务等诸多因素会带来很多不确定的影响,人工经验往往无法有效预测。为了准确的预测航班配餐量,其核心实质问题是对最终离港订座数量的预测,因而对航班的离港人数进行预测是至关重要的。
现有的民航旅客人数预测方法主要是对出发地-目的地间的客运需求进行预测以及对未来一段时间航班的上座率进行预测,无法对于航班离港人数进行准确预测。
发明内容
基于此,有必要针对上述技术问题,提供一种高准确度的航班的配餐量预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种航班的配餐量预测方法。所述方法包括:
根据时间序列长度生成航班的时间序列,统计所述时间序列中的各时间段的订座人数;
分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量;
将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重;
对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;
基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
在其中一个实施例中,所述统计所述时间序列中的各时间段的订座人数,包括:
按照相对于所述航班的起飞时间的时间段分布范围,确定各时间段所属的订座人数采集频率;其中,所述订座人数采集频率与所述时间段分布范围是负相关的;
依据所述订座人数采集频率,采集所述各时间段的订座人数数据;
基于所述订座人数数据中的订座人数时间所属时间段,统计所述订座人数数据中的订座人数,得到所述各时间段的订座人数。
在其中一个实施例中,所述依据所述订座人数采集频率,采集所述各时间段的订座人数数据,包括:
依据所述订座人数采集频率确定至少两个时间段;
当目标时间段中采集到多份订座人数数据时,对所述多份订座人数数据进行均值处理,得到所述目标时间段的订座人数数据;所述目标时间段是所述至少两个时间段中的一个时间段;
当所述目标时间段未采集到所述订座人数数据时,基于所述目标时间段的相邻时间段的线性差分计算结果,生成所述目标时间段的订座人数数据。
在其中一个实施例中,所述将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重,包括:
将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息;
将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重。
在其中一个实施例中,所述将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息,包括:
所述将所述各时间段的隐藏层向量和时间段查询向量相乘,得到注意力权重矩阵参数;
缩放并归一化所述权重矩阵参数,得到所述各时间段的隐藏层向量的分布信息的归一化结果;
所述将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重,包括:
将所述各时间段的编码与所述分布信息的归一化结果进行组合,得到所述各时间段的订座人数权重。
在其中一个实施例中,所述各时间段的隐藏层向量用于表征上下文信息;所述通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量,包括:
当对第一个时间段的订座人数的残差进行编码时,依据初始隐藏层向量与所述第一个时间段的订座人数进行残差计算,生成所述第一个时间段的隐藏层向量;
当对不同于所述第一个时间段的订座人数的残差进行编码时,依次基于已编码时间段的隐藏层向量与所述已编码时间段的下一个时间段订座人数的残差进行编码,生成所述下一个时间段的隐藏层向量。
在其中一个实施例中,所述对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值,包括:
对所述各时间段的订座人数权重和所述订座人数权重的关联特征进行解码,得到解码后的上下文信息;
基于所述解码后的上下文信息,确定所述各时间段的配餐量预测值。
在其中一个实施例中,所述利用优化后的配餐量预测模型对所述航班的配餐量进行预测,包括:
依据订座人数采集频率和所述时间序列长度,生成所述航班的当前时间序列;
按照所述航班的当前时间序列的各时间段的订座人数数据,统计所述当前时间序列的各时间段的订座人数;
利用所述航班的优化后的配餐量预测模型,以及所述当前时间序列的各时间段的订座人数,计算所述当前时间序列的上下文信息;
基于所述当前时间序列对应的上下文信息,对所述航班的当前配餐量进行预测。
第二方面,本申请还提供了一种航班的配餐量预测装置。所述装置包括:
订座人数数据提取模块,用于根据时间序列长度生成航班的时间序列,统计所述时间序列中的各时间段的订座人数;
编码模块,用于分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量;
权重计算模块,用于将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重;
解码模块,用于对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;
模型优化及应用模块,用于基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意实施例中航班的配餐量预测的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意实施例中航班的配餐量预测的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意实施例中航班的配餐量预测的步骤。
上述航班的配餐量预测方法、装置、计算机设备、存储介质和计算机程序产品,根据时间序列长度生成航班的时间序列,统计时间序列中的各时间段的订座人数;分别对各时间段进行编码,并通过依次编码各时间段的订座人数的残差生成各时间段的隐藏层向量;将各时间段的编码和各时间段的隐藏层向量进行注意力机制计算,得到各时间段的订座人数权重;通过注意力机制,在捕获历史依赖关系的基础上,自适应地学习历史数据对当前数据的不同影响程度,并通过残差设计,有效提升了模型的收敛速度,并很好地解决了梯度爆炸等问题,使得预测结果更为准确。进而基于配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型的记忆性、容错性、自学习性拟合预测函数,从而进行高效、准确地预测航班的配餐量。
附图说明
图1为一个实施例中航班的配餐量预测方法的应用环境图;
图2为一个实施例中航班的配餐量预测方法的流程示意图;
图3为一个实施例中编码-解码的流程示意图;
图4为另一个实施例中注意力机制计算的流程示意图;
图5为一个实施例中配餐量预测模型训练的流程示意图;
图6为一个实施例中航班的配餐量预测方法的流程示意图;
图7为一个实施例中航班的配餐量预测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的航班的配餐量预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本方案可以使用终端102与服务器104中的至少一种计算机设备来执行航班的配餐量预测方法。
在一个实施例中,如图2所示,提供了一种航班的配餐量预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,根据时间序列长度生成航班的时间序列,统计所述航班的时间序列中的各时间段的订座人数。
时间序列长度是针对航班采集订座人数的时间长度,该时间长度既可以是神经网络模型的训练过程采集订座人数的时长,也可以是神经网络模型的预测过程采集订座人数的时长,还可以同时是神经网络模型的训练过程与预测过程采集订座人数的时长,时长是指时间序列中各时间段之和。时间序列包括多个时间段,各时间段是按照时间顺序分布的。一个时间段是一个时间单位,时间单位可以是天、小时等。
上述根据时间序列长度生成航班的时间序列,包括:根据时间序列长度,确定针对某航班采集订座人数的时间长度;按照该时间长度及对应的时间节点,在航班的起飞时间前的某个时间范围内的顺序划分相应的时间段,生成该航班的时间序列。例如:某时间序列长度是指航班计划起飞时间前的第4天到起飞当天,而对应的时间节点是起飞前两个小时;则在航班的起飞时间前的第4天到起飞前两个小时这一范围内,按照时间顺序划分相应的时间段,生成该航班的时间序列。
在一个实施例中,统计所述时间序列中的各时间段的订座人数,包括:按照相对于所述航班的起飞时间的时间段分布范围,确定各时间段所属的订座人数采集频率;其中,所述订座人数采集频率与所述时间段分布范围是负相关的;依据所述订座人数采集频率,采集所述各时间段的订座人数数据;基于所述订座人数数据中的订座人数时间所属时间段,统计所述订座人数数据中的订座人数,得到所述各时间段的订座人数。
具体的,相对于所述航班的起飞时间的时间段分布范围可以是至少两个范围,各时间段的订座人数分别按照时间段分布范围确定的订座人数采集频率进行采集。一条订座人数数据包含航班号,起飞降落时间,起飞降落机场,采集时间,订座人数等信息中的至少一种或多种。订座人数数据需要进行清洗,并删除采集频率过低的数据。例如:对航班计划起飞时间前4天到1天这一范围内,订座人数采集频率是每4小时采集一次各小时的订座人数,而在航班计划起飞时间当天内24小时这一范围中,每2小时采集一次各小时的订座人数。
其中,起飞时间可拆分为起飞年份,起飞月份,起飞日,起飞小时,起飞分钟,降落时间可拆分为降落年份,降落月份,降落日,降落小时,降落分钟。将起飞小时、起飞分钟、降落小时、降落分钟、起飞机场、降落机场相同的航班作为同一历史整体航班,而历史整体航班数量过少的每一架次航班的订座人数信息会被删除。
当各时间段的订座人数均被采集到,且各时间段的订座人数均不存在异常时,可以直接进行编码,否则,则需要进行异常处理。异常处理涉及剔除异常数据、冗余数据及填补残缺数据中的一种或多种。
进一步地,所述依据所述订座人数采集频率,采集所述各时间段的订座人数数据,包括:依据所述订座人数采集频率确定至少两个时间段;当目标时间段中采集到多份订座人数数据时,对所述多份订座人数数据进行均值处理,得到所述目标时间段的订座人数数据;所述目标时间段是所述至少两个时间段中的一个时间段;当所述目标时间段未采集到所述订座人数数据时,基于所述目标时间段的相邻时间段的线性差分计算结果,生成所述目标时间段的订座人数数据。目标时间段是存在异常的时间段,对目标时间段的订座人数按照上述方式进行确定相应时间段的订座人数,能够降低模型因为输入的数据而导致出现训练异常的可能性。
具体的,每一架次航班从起飞前96小时到起飞前2小时中每一小时的订座人数数据,如果在同一小时中拥有多个采集的订座人数数据,则将多个订座人数数据进行均值处理,如果在某一个小时中不存在订座人数数据,则使用线性差分的方法通过相邻时间段的订座人数数据来计算当前小时的航班订座人数,得到这一架次航班的了一个起飞前96小时到起飞前2小时的航班订座人数。
作为本发明的一个优选实施例,输入的时间序列是指起飞前96小时到起飞前2小时的航班订座人数input=[Hour96,Hour95,…,Hour2],输出为起飞时候的航班离港人数起飞前96小时到起飞前2小时的航班订座人数作为编码的输入数据。其中,Hour96,Hour95,…,Hour2分别代表航班在预计起飞时间(STD)前每一个小时航班订座人数的采样值的平均值。例如:HOUR_2代表在STD前2小时59分59秒到起飞前2小时的时间范围内的所有采样点的平均值;而HOUR_96则代表在预计起飞时间前96小时59分59秒到起飞前96小时的时间范围内的所有采样点的平均值。HOUR_X中的X则同理,代表哪一个以小时为时间粒度的采样点平均值。
步骤204,分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量。
分别对所述各时间段进行编码,是服务器针对某航班的时间序列进行编码,分别进而编辑出该时间序列中的各时间段的编码,以时间段的编码标识相应的时间段。在对所述各时间段进行编码的过程,服务器按照时间顺序设定某个时间段数组,再对该时间段数组中的各个时间段编码,进而得到该时间序列中,各个时间段的编码,以通过时间段数组提高各时间段的编码效率。
各时间段的订座人数的残差是指,将各时间段的订座人数输入到某些用于计算隐藏层向量的神经网络单元进行堆叠计算,进而输出相应时间段的订座人数的堆叠残差,堆叠残差是隐藏层向量。其中,用于计算残差的神经网络单元是门控循环单元(GatedRecurrent Units,GRU),或者,长短期记忆人工神经网络(Long-Short-Term-Memories,LSTM)中的至少一种残差网络(Residual Network,ResNet)。残差网络用于解决卷积神经网络隐藏层过多时的网络退化问题,其并不局限于卷积神经网络。残差网络通过给非线性的卷积层增加直连边的方式来提高信息的传播效率,防止梯度爆炸和梯度消失,加快模型收敛速度。
对所述各时间段及各时间段的订座人数进行编码的具体过程,是基于编码器-解码器神经网络进行的,编码器-解码器神经网络包括编码器(Encoder)和解码器(Decoder)两部分。在编码过程中,分析时间序列中的各时间段生成各时间段的编码,并分析各时间段的订座人数生成各时间段的订座人数的编码,以得到相应的上下文信息;对应的,在解码过程中,基于编码所得到的上下文信息进行预测,得到相应时间段的配餐量预测值。可以理解,针对时间序列相应订座人数的编码、解码过程均是基于上下文信息而执行的,因而神经网络模型的训练过程采集订座人数的时长与神经网络模型的预测过程采集订座人数的时长可以是不相等的。
其中,编码器-解码器神经网络可以是Seq2Seq模型,Seq2Seq模型是在自然语言处理领域被提出。编码器部分的主要作用是,将任意长度的序列信息编码到传递向量中。解码器的作用主要是将得到传递向量中所蕴含的上下文信息进行解码,并输出新的序列。上下文信息是上下文向量(context vector)。
具体的,所述各时间段的隐藏层向量用于表征上下文信息;所述通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量,包括:当对第一个时间段的订座人数的残差进行编码时,依据初始隐藏层向量与所述第一个时间段的订座人数进行残差计算,生成所述第一个时间段的隐藏层向量;当对不同于所述第一个时间段的订座人数的残差进行编码时,依次基于已编码时间段的隐藏层向量与所述已编码时间段的下一个时间段订座人数的残差进行编码,生成所述下一个时间段的隐藏层向量。
如图3所示,初始隐藏层向量h0与第一个时间段的订座人数x1进行残差计算,得到第一个时间段的隐藏层向量h1;第一个时间段的隐藏层向量h1与第二个时间段的订座人数x2进行残差计算,得到第二个时间段的隐藏层向量h2;第二个时间段的隐藏层向量h2与第三个时间段的订座人数x3进行残差计算,得到第三个时间段的隐藏层向量h3,依次类推,直至基于时间序列中的各时间段的隐藏层向量进行计算,得到上下文向量c,而上下文向量c在解码时,可以生成相应时间段的预测值。其中,输入时间步和输出时间步可以是不相等的。
步骤206,将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重。
注意力机制能够从大量信息中选取一些关键信息,通过选取的关键信息对神经网络进行训练、预测等处理的效率得以提高。注意力机制的计算过程是要对特征信息计算权重,并对于所有信息按权重进行合并。
在一个实施方式中,将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重,包括:将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息;将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重。
查询参数是注意力机制中的参数,其与各时间段的隐藏层向量的长度是相对应的,按照所述注意力机制计算分布信息,并对分布信息进行加权计算,能够准确地提取出深层特征,能够自适应地学习历史数据对当前时刻数据的不同影响程度,以得到各时间段的订座人数权重。
具体的,所述将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息,包括:将所述各时间段的隐藏层向量和所述注意力机制中的查询参数进行组合,得到组合参数;缩放并归一化所述组合参数,得到所述各时间段的隐藏层向量的分布信息的归一化结果。其中,组合参数是各时间段的隐藏层向量和所述注意力机制中的查询参数进行矩阵相乘的计算结果。而将组合参数除以某个常数值进行缩放,控制数量级为一个较小的值,以避免归一化处理在反向传播时求导所得的梯度趋近零。可以理解,归一化结果对应于隐藏层向量的订座人数权重。
对应的,所述将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重,包括:将所述各时间段的编码与所述分布信息的归一化结果进行组合,得到所述各时间段的订座人数权重。各时间段的订座人数权重是所述各时间段的编码与各时间段的隐藏层向量的分布信息进行矩阵相乘的计算结果。
可选地,在将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算之前,该方法还包括:对组合参数进行遮蔽处理,遮住部分值不参与加权计算。
如图4所示,注意力机制的计算过程包括:将所述各时间段的隐藏层向量K和所述注意力机制中的查询参数Q进行矩阵相乘(MatMul处理)生成组合参数,对组合参数进行缩放处理(Scale处理),对缩放的组合参数进行遮蔽(Mask(opt.)处理),对遮蔽且缩放的组合参数进行归一化处理,将归一化处理的结果与各时间段的编码V进行矩阵相乘(MatMul处理),得到各时间段的订座人数权重。
注意力机制的公式可以有多种方式,其中一种具体的公式如下所示:
其中,softmax(·)是进行归一化处理,Q是注意力机制的时间段查询向量表示,K和V是各时间段的隐藏层向量,T表示矩阵转置,dk是一个查询参数的长度和/或一个隐藏层向量的长度。可以理解,是为了降低对key的长度的敏感度,方便模型优化,提升网络训练时的稳定性。
注意力机制的公式中,时间段查询向量是被查询时间段。注意力机制,K和V其实本质是一个内容;计算的是K(key)中对Q影响的权重。从矩阵计算的角度对以上问题进行了解释。Q是一个N*F的矩阵,K是一个M*F的矩阵(N和M表示节点数量,在该问题中为时间点,F为向量表示的长度),计算Q*K^T得到的是一个N*M的矩阵,而V和K是均是各时间段的编码Oi(各时间段的隐藏层向量),V也是M*F的矩阵。其中,N*M的矩阵中的第i行第j列的值,是Q中的第i行和K中的第j行的內积。
步骤208,对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值。
在服务器对所述各时间段的订座人数权重进行解码的过程中,基于编码所得到的上下文信息进行预测,第一个时间段的配餐量预测值是基于上下文信息解码所得的;自第二个时间段起的各时间段的配餐量预测值,均是基于上下文信息和上一个时间段的配餐量预测值进行解码所得的,以此得到相应时间段的配餐量预测值。
在基于解码的结果确定配餐量预测值的过程中,服务器基于解码的结果通过全连接层进行回归,使得全连接层输出未来各个时间段的配餐量预测值。订座人数是与配餐量正相关的,且订座人数与配餐量预测值是正相关的。
在一个实施方式中,所述对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值,包括:对所述各时间段的订座人数权重和所述订座人数权重的关联特征进行解码,得到解码后的上下文信息;基于所述解码后的上下文信息,确定所述各时间段的配餐量预测值。
在一个实施例中,注意力机制的计算可以分为两步,第一步是对于所有输入信息上计算注意力分布,第二步是根据注意力分布来计算输入信息的加权平均。在进行注意力机制计算的过程中,各时间段的编码和隐藏层向量同时输入注意力机制进行计算,得到各时间段的订座人数权重,再根据订座人数权重计算各时间段向量的加权和,将加权和与订座人数权重的关联特征进行拼接后经过进行解码得到配餐量预测值解码过程也是使用了带有残差连接的GRU单元。订座人数权重的关联特征包含了序列特征(时间段及时间段的订座人数)以外的离散特征,包括航班号特征,起飞降落机场特征,起飞降落时间特征,机型特征,座位数特征,飞行时长特征,飞行的日期特征(起飞日是否为假期,春运,暑运,周末,以及一周中的天数)。
步骤210,基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
配餐量标签值是历史航班中,各时间段的真实配餐量。可以理解,配餐量标签值与上述航班的订座人数是相近的,区别在于配餐量标签值并不一定用来生成配餐量预测值,而上述航班的订座人数经过某种计算得到配餐量预测值。
具体的,在配餐量预测模型训练前,对某一历史航班,依据时间航班日期的先后顺序和预设比例(如7:2:1)划分为3个部分,分别作为模型输入数据集的训练集、验证集和测试集。
在配餐量预测模型训练中,基于训练集的数据计算出用于训练的配餐量预测值,将用于训练的配餐量预测值按照平均绝对误差损失函数等至少一种损失函数进行计算,并通过Adam等算法优化配餐量预测模型。而基于训练集优化配餐量预测模型,通过在验证集验证模型泛化能力,得到最优的模型参数,在测试集上验证模型效果。
在测试集上将模型其他基准方法计算出的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)等误差指标进行比较,以实现配餐量模型的优化。基准方法包括历史平均值模型、指数平滑预测法模型、线性回归模型、K近邻回归模型、决策树回归模型、支持向量回归模型、随机森林回归模型、XGBoost回归模型、长短期记忆模型和门控循环单元等模型中的一种或多种。
均方根误差的计算公式如下:
平均绝对百分比误差的计算公式如下:
在一个实施方式中,所述利用优化后的配餐量预测模型对所述航班的配餐量进行预测,包括:依据订座人数采集频率和所述时间序列长度,生成所述航班的当前时间序列;按照所述航班的当前时间序列的各时间段的订座人数数据,统计所述当前时间序列的各时间段的订座人数;利用所述航班的优化后的配餐量预测模型,以及所述当前时间序列的各时间段的订座人数,计算所述当前时间序列的上下文信息;基于所述当前时间序列对应的上下文信息,对所述航班的当前配餐量进行预测。
在一个实施例中,依据订座人数采集频率和所述时间序列长度,生成所述航班的当前时间序列,包括:获取航班起飞前96小时至起飞前2小时,依据航班起飞前96小时至起飞前2小时生成航班的当前时间序列;
对应的,按照所述航班的当前时间序列的各时间段的订座人数数据,统计所述当前时间序列的各时间段的订座人数,计算所述当前时间序列的上下文信息,包括:按照所述航班的当前时间序列的各时间段的订座人数数据,统计当前时间序列的各时间段的订座人数数据中的订座人数,将统计的结果和订座人数数据中的航班基本信息进行组合,将该组合参数通过已经训练好的模型计算上下文信息。由此,本方法可以准确预测出航班配餐量。
上述航班的配餐量预测方法中,根据时间序列长度生成航班的时间序列,统计时间序列中的各时间段的订座人数;分别对各时间段进行编码,并通过依次编码各时间段的订座人数的残差生成各时间段的隐藏层向量;将各时间段的编码和各时间段的隐藏层向量进行注意力机制计算,得到各时间段的订座人数权重;通过注意力机制,在捕获历史依赖关系的基础上,自适应地学习历史数据对当前数据的不同影响程度,并通过残差设计,有效提升了模型的收敛速度,并很好地解决了梯度爆炸等问题,使得预测结果更为准确。进而基于配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型的记忆性、容错性、自学习性拟合预测函数,从而进行高效、准确地预测航班的配餐量。
上述实施例是着眼于注意力机制和残差设计的编码-解码器的具体数据处理流程,在一个实施例中,从注意力机制和残差设计的编码-解码器的训练流程进行,如图5所示,其包括:
获取时间序列并统计时间序列中的各时间段的订座人数Xi,将各时间段及各时间段的订座人数输入到编码器(Encoder)进行编码,得到各时间段的编码Oi以及最后一时间段的隐藏层向量其中,各时间段的隐藏层向量作为注意力机制的主键K和值V,最后一时间段的隐藏层向量为时间段查询向量Q,根据注意力计算公式,Q与kT的矩阵相乘得到注意力权重矩阵,权重矩阵与V相乘,得到各时间段编码的加权和。
在通过编码输出相应的订座人数权重并计算加权和后,将加权和与订座人数数据中的其他特征进行拼接,得到并将作为解码器GRU单元的初始隐藏层输入按照GRU单元进行解码,将解码的结果输出到全连接层进行回归,得到相应的配餐量预测值再将配餐量预测值与真实的配餐量标签值按照某种损失函数进行运算,得到训练好的配餐量预测模型。
在另一个实施例中,从另一个角度展示本方案的整体流程,如图6所示,其包括如下步骤:
步骤S1,采集历史航班订座人数数据,包括航班号,起飞降落时间,起飞降落机场,采集时间,订座人数;
步骤S2,基于历史航班订座人数数据,针对每一个航班,统计每一航班在每个时间段内的订座人数,形成时间序列数据;
步骤S3,将时间序列数据按航班日期划分为训练集、验证集和测试集;
步骤S4,搭建航班离港人数预测模型;
步骤S5,利用训练集对模型进行训练,通过在验证集验证模型泛化能力,得到最优的模型参数,在测试集上验证模型效果;
步骤S6,使用训练好的模型在起飞前两小时预测航班的当前离港人数,从而预测航班的当前配餐量。
本实施例中,将融合注意力机制和残差设计的编码-解码器应用于时间序列预测问题,能够有效提取序列中深层特征信息及其权重,并通过神经网络的记忆性、容错性、自学习性拟合预测函数,从而进行高效、准确地预测配餐量。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的航班的配餐量预测方法的航班的配餐量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个航班的配餐量预测装置实施例中的具体限定可以参见上文中对于航班的配餐量预测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种航班的配餐量预测装置,包括:订座人数数据提取模块702、编码模块704、权重计算模块706、解码模块708、模型优化及应用模块710,其中:
订座人数数据提取模块702,用于根据时间序列长度生成航班的时间序列,统计所述时间序列中的各时间段的订座人数;
编码模块704,用于分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量;
权重计算模块706,用于将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重;
解码模块708,用于对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;
模型优化及应用模块710,用于基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
在其中一个实施例中,所订座人数数据提取模块702,包括:
采集频率获取单元,用于按照相对于所述航班的起飞时间的时间段分布范围,确定各时间段所属的订座人数采集频率;其中,所述订座人数采集频率与所述时间段分布范围是负相关的;
订座人数数据采集单元,用于依据所述订座人数采集频率,采集所述各时间段的订座人数数据;
订座人数数据提取单元,用于基于所述订座人数数据中的订座人数时间所属时间段,统计所述订座人数数据中的订座人数,得到所述各时间段的订座人数。
在其中一个实施例中,所述订座人数数据采集单元,具体用于:依据所述订座人数采集频率确定至少两个时间段;当目标时间段中采集到多份订座人数数据时,对所述多份订座人数数据进行均值处理,得到所述目标时间段的订座人数数据;所述目标时间段是所述至少两个时间段中的一个时间段;当所述目标时间段未采集到所述订座人数数据时,基于所述目标时间段的相邻时间段的线性差分计算结果,生成所述目标时间段的订座人数数据。
在其中一个实施例中,所述权重计算模块706,包括:
分布信息计算单元,用于将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息;
订座人数权重计算单元,用于将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重。
在其中一个实施例中,所述分布信息计算单元,包括:
组合参数计算子单元,用于将所述各时间段的隐藏层向量和时间段查询向量相乘,得到注意力权重矩阵参数;
缩放子单元,用于缩放并归一化所述权重矩阵参数,得到所述各时间段的隐藏层向量的分布信息的归一化结果;
归一化子单元,用于对所述各时间段的隐藏层向量的分布信息进行归一化处理;
对应的,所述订座人数权重计算单元,具体用于:将所述各时间段的编码,按照所述各时间段的隐藏层向量的归一化结果进行组合,得到所述各时间段的订座人数权重。
在其中一个实施例中,所述各时间段的隐藏层向量用于表征上下文信息;所述编码模块704,具体用于:
当对第一个时间段的订座人数的残差进行编码时,依据初始隐藏层向量与所述第一个时间段的订座人数进行残差计算,生成所述第一个时间段的隐藏层向量;
当对不同于所述第一个时间段的订座人数的残差进行编码时,依次基于已编码时间段的隐藏层向量与所述已编码时间段的下一个时间段订座人数的残差进行编码,生成所述下一个时间段的隐藏层向量。
在其中一个实施例中,所述解码模块708,包括:
解码单元,用于对所述各时间段的订座人数权重和所述订座人数权重的关联特征进行解码,得到解码后的上下文信息;
预测单元,用于基于所述解码后的上下文信息,确定所述各时间段的配餐量预测值。
在其中一个实施例中,所述模型优化及应用模块710,包括:
当前时间确定单元,用于依据订座人数采集频率和所述时间序列长度,生成所述航班的当前时间序列;
当前时间的订座人数采集单元,用于按照所述航班的当前时间序列的各时间段的订座人数数据,统计所述当前时间序列的各时间段的订座人数;
上下文信息计算单元,用于利用所述航班的优化后的配餐量预测模型,以及所述当前时间序列的各时间段的订座人数,计算所述当前时间序列的上下文信息;
当前配餐量预测单元,用于基于所述当前时间序列对应的上下文信息,对所述航班的当前配餐量进行预测。
上述航班的配餐量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史航班数据和优化后的配餐量预测模型。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种航班的配餐量预测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种航班的配餐量预测方法,其特征在于,所述方法包括:
根据时间序列长度生成航班的时间序列,统计所述时间序列中的各时间段的订座人数;
分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量;
将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重;
对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;
基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
2.根据权利要求1所述的方法,其特征在于,所述统计所述时间序列中的各时间段的订座人数,包括:
按照相对于所述航班的起飞时间的时间段分布范围,确定各时间段所属的订座人数采集频率;其中,所述订座人数采集频率与所述时间段分布范围是负相关的;
依据所述订座人数采集频率,采集所述各时间段的订座人数数据;
基于所述订座人数数据中的订座人数时间所属时间段,统计所述订座人数数据中的订座人数,得到所述各时间段的订座人数。
3.根据权利要求2所述的方法,其特征在于,所述依据所述订座人数采集频率,采集所述各时间段的订座人数数据,包括:
依据所述订座人数采集频率确定至少两个时间段;
当目标时间段中采集到多份订座人数数据时,对所述多份订座人数数据进行均值处理,得到所述目标时间段的订座人数数据;所述目标时间段是所述至少两个时间段中的一个时间段;
当所述目标时间段未采集到所述订座人数数据时,基于所述目标时间段的相邻时间段的线性差分计算结果,生成所述目标时间段的订座人数数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重,包括:
将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息;
将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重。
5.根据权利要求4所述的方法,其特征在于,所述将所述各时间段的隐藏层向量与注意力机制中的查询参数,按照所述注意力机制计算分布信息,得到所述各时间段的隐藏层向量的分布信息,包括:
将所述各时间段的隐藏层向量和时间段查询向量相乘,得到注意力权重矩阵参数;
缩放并归一化所述权重矩阵参数,得到所述各时间段的隐藏层向量的分布信息的归一化结果;
所述将所述各时间段的编码,按照所述各时间段的隐藏层向量的分布信息进行加权计算,得到所述各时间段的订座人数权重,包括:
将所述各时间段的编码与所述分布信息的归一化结果进行组合,得到所述各时间段的订座人数权重。
6.根据权利要求1所述的方法,其特征在于,所述各时间段的隐藏层向量用于表征上下文信息;所述通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量,包括:
当对第一个时间段的订座人数的残差进行编码时,依据初始隐藏层向量与所述第一个时间段的订座人数进行残差计算,生成所述第一个时间段的隐藏层向量;
当对不同于所述第一个时间段的订座人数的残差进行编码时,依次基于已编码时间段的隐藏层向量与所述已编码时间段的下一个时间段订座人数的残差进行编码,生成所述下一个时间段的隐藏层向量。
7.根据权利要求1所述的方法,其特征在于,所述对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值,包括:
对所述各时间段的订座人数权重和所述订座人数权重的关联特征进行解码,得到解码后的上下文信息;
基于所述解码后的上下文信息,确定所述各时间段的配餐量预测值。
8.根据权利要求1所述的方法,其特征在于,所述利用优化后的配餐量预测模型对所述航班的配餐量进行预测,包括:
依据订座人数采集频率和所述时间序列长度,生成所述航班的当前时间序列;
按照所述航班的当前时间序列的各时间段的订座人数数据,统计所述当前时间序列的各时间段的订座人数;
利用所述航班的优化后的配餐量预测模型,以及所述当前时间序列的各时间段的订座人数,计算所述当前时间序列的上下文信息;
基于所述当前时间序列对应的上下文信息,对所述航班的当前配餐量进行预测。
9.一种航班的配餐量预测装置,其特征在于,所述装置包括:
订座人数数据提取模块,用于根据时间序列长度生成航班的时间序列,统计所述时间序列中的各时间段的订座人数;
编码模块,用于分别对所述各时间段进行编码,并通过依次编码所述各时间段的订座人数的残差生成所述各时间段的隐藏层向量;
权重计算模块,用于将所述各时间段编码和所述各时间段的隐藏层向量按照注意力机制计算,得到所述各时间段的订座人数权重;
解码模块,用于对所述各时间段的订座人数权重进行解码,基于解码的结果确定配餐量预测值;
模型优化及应用模块,用于基于所述配餐量预测值和配餐量标签值之间的误差对配餐量预测模型进行优化,利用优化后的配餐量预测模型对所述航班的配餐量进行预测。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927732.XA CN115438835A (zh) | 2022-08-03 | 2022-08-03 | 航班的配餐量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927732.XA CN115438835A (zh) | 2022-08-03 | 2022-08-03 | 航班的配餐量预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438835A true CN115438835A (zh) | 2022-12-06 |
Family
ID=84242443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210927732.XA Pending CN115438835A (zh) | 2022-08-03 | 2022-08-03 | 航班的配餐量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438835A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822801A (zh) * | 2023-08-24 | 2023-09-29 | 厦门民航凯亚有限公司 | 一种动态监控并智能调整餐食生产计划的方法 |
-
2022
- 2022-08-03 CN CN202210927732.XA patent/CN115438835A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822801A (zh) * | 2023-08-24 | 2023-09-29 | 厦门民航凯亚有限公司 | 一种动态监控并智能调整餐食生产计划的方法 |
CN116822801B (zh) * | 2023-08-24 | 2023-11-28 | 厦门民航凯亚有限公司 | 一种动态监控并智能调整餐食生产计划的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Forecasting tourism demand based on empirical mode decomposition and neural network | |
Hu et al. | A bi-objective robust model for emergency resource allocation under uncertainty | |
WO2019209846A1 (en) | Credit risk prediction method and device based on lstm model | |
Zhang et al. | A hybrid model based on bidirectional long short-term memory neural network and Catboost for short-term electricity spot price forecasting | |
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
CN112948412B (zh) | 航班库存更新方法、系统、电子设备和存储介质 | |
Alcántara et al. | Direct estimation of prediction intervals for solar and wind regional energy forecasting with deep neural networks | |
CN111325380A (zh) | 基于多粒度时间注意力机制确定航班客座率的方法和系统 | |
CN112041880A (zh) | 用于评估信用风险的深度学习方法 | |
CN115438835A (zh) | 航班的配餐量预测方法、装置、计算机设备和存储介质 | |
Li et al. | Multi-scale analysis-driven tourism forecasting: insights from the peri-COVID-19 | |
Karozis et al. | A deep learning approach for spatial error correction of numerical seasonal weather prediction simulation data | |
CN111861801A (zh) | 酒店满房预测方法、系统、设备及存储介质 | |
CN115660728B (zh) | 一种机票销售订单预测方法、装置、电子设备和存储介质 | |
US20230168411A1 (en) | Using machine learning for modeling climate data | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN113947503A (zh) | 基于区块链和新能源消纳调度的电能生产单位推荐方法 | |
Wu et al. | Catastrophe bond and risk modeling: a review and calibration using Chinese earthquake loss data | |
CN110766227A (zh) | 一种票价预测方法及装置 | |
CN115209441A (zh) | 基站退服告警预测方法、装置、设备及存储介质 | |
CN111127109A (zh) | 不同城市热度值的预测方法、模型训练方法及系统 | |
CN111105148A (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN114386880B (zh) | 确定订单数量的模型训练方法、订单数量确定方法及装置 | |
CN117875518B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
CN107004026A (zh) | 管理预先计算的搜索结果 |
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 |