CN116911909A - 航班座位销量预测方法及装置 - Google Patents
航班座位销量预测方法及装置 Download PDFInfo
- Publication number
- CN116911909A CN116911909A CN202310926740.7A CN202310926740A CN116911909A CN 116911909 A CN116911909 A CN 116911909A CN 202310926740 A CN202310926740 A CN 202310926740A CN 116911909 A CN116911909 A CN 116911909A
- Authority
- CN
- China
- Prior art keywords
- flight
- historical
- target
- sales
- seat sales
- 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 77
- 230000010006 flight Effects 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims description 55
- 238000013077 scoring method Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 241000273930 Brevoortia tyrannus Species 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种航班座位销量预测方法及装置,通过确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离目标航班起飞前的目标天数,当目标天数并非为预设的低销量天数时,将获取的第一航班特征信息输入至预设的第一座位销量预测模型,得到距离目标航班起飞前目标天数的第一预测座位销量,将获取的第二航班特征信息输入至预设的第二座位销量预测模型,得到距离目标航班起飞前目标天数的第二预测座位销量,基于第一预测座位销量及第二预测座位销量确定最终预测座位销量,使得最终预测座位销量贴合距离目标航班起飞前目标天数的人们的购票需求,使得可以通过参考最终预测座位销量合理确定距离目标航班起飞前目标天数开放的座位数。
Description
技术领域
本申请涉及互联网技术领域,更具体地说,涉及一种航班座位销量预测方法及装置。
背景技术
航空公司在销售航班的机票时,通常会在航班起飞前的销售周期内的每一天都进行放票,即开放相应的座位数,以供人们购买,当距离航班起飞前某一天实际开放的座位数较少时,可能导致无法满足当天人们的购票需求,当距离航班起飞前较远的天数实际开放的座位数较多时,则对临近航班起飞前有出行计划的旅客不友好,所以合理开放距离航班起飞前的每一天的座位数,使得开放的座位数更加贴合当天人们的购票需求尤为重要。现有的开放航班的座位数的方案通常是采用每天开放固定的座位数的方式,而距离航班起飞前不同天数时人们的购票需求有所不同,这种方式无法使得每天开放的座位数贴合当天人们的购票需求,使得每天开放的座位数不够合理。
发明内容
有鉴于此,本申请提供了一种航班座位销量预测方法及装置,用于解决现有航班座位销量预测方式,无法使得每天开放的航班的座位数贴合当天人们的购票需求,使得每天开放的座位数不够合理的问题。
为了实现上述目的,现提出的方案如下:
一种航班座位销量预测方法,包括:
确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
一种航班座位销量预测装置,包括:
目标航班及目标天数确定单元,用于确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
第一及第二航班特征信息获取单元,用于当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
第一预测座位销量获取单元,用于将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
第二预测座位销量获取单元,用于将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
第一最终预测座位销量获取单元,用于基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
从上述的技术方案可以看出,本申请实施例提供的航班座位销量预测方法,确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离目标航班起飞前的目标天数,当目标天数并非为预设的目标航班对应的低销量天数时,获取目标航班的第一航班特征信息及第二航班特征信息,将第一航班特征信息输入至预设的第一座位销量预测模型,得到距离目标航班起飞前目标天数的第一预测座位销量,第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前目标天数的历史座位销量,将第二航班特征信息输入至预设的第二座位销量预测模型,得到距离目标航班起飞前目标天数的第二预测座位销量,第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前目标天数的历史座位销量作为训练样本训练得到,基于第一预测座位销量及第二预测座位销量确定距离目标航班起飞前目标天数的最终预测座位销量。由于历史航班的历史座位销量反应了距离历史航班起飞前目标天数的人们的购票需求,使得通过训练历史数据得到的第一座位销量预测模型及第二座位销量预测模型预测出的第一预测座位销量及第二预测座位销量均贴合距离目标航班起飞前目标天数的人们的购票需求,基于第一预测座位销量及第二预测座位销量得到的最终预测座位销量同样贴合距离目标航班起飞前目标天数的人们的购票需求,使得可以通过参考最终预测座位销量合理确定距离目标航班起飞前目标天数开放的座位数。
进一步地,由于第一座位销量预测模型为采用时间序列算法的模型,所以第一座位销量预测模型学习的是时间序列的规律,第二座位销量预测模型为采用集成算法的模型,学习的是训练样本中的各特征之间的整体规律,两个座位销量预测模型从不同的角度基于输入的航班特征信息预测座位销量,使得通过结合两个座位销量预测模型的预测结果,可以更加准确地预测出距离目标航班起飞前的座位销量,可以减少预测误差,使得最终预测座位销量更加合理,更加贴合距离目标航班起飞前目标天数的人们的购票需求。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本申请实施公开的一种航班座位销量预测方法流程图;
图2为本申请实施例示例的一种航班实际座位销量随天数变化的示意图;
图3为本申请实施例示例的一种可选的获取距离历史航班起飞前预设天数区间内每一天每一舱位的预测座位销量的过程示意图;
图4为本申请实施例公开的一种航班座位销量预测装置结构示意图;
图5为本申请实施例公开的一种航班座位销量预测设备的硬件结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请方案可以基于具备数据处理能力的终端实现,该终端可以是电脑、服务器、云端等。
本申请实施例提供了一种航班座位销量预测方案,接下来通过附图1对本申请的航班座位销量预测方法进行说明,如图1所示,该方法可以包括:
步骤S100、确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数。
具体的,目标航班为待预测座位销量的航班,目标天数为所要预测的座位所属的日期距离目标航班起飞前的天数。
步骤S110、当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息。
具体的,本申请实施例预设了目标航班对应的低销量天数、第一座位销量预测模型及第二座位销量预测模型,第一座位销量预测模型以第一航班特征信息训练得到,第二座位销量预测模型以第二航班特征信息训练得到,低销量天数可以为预先设定的座位销量低于预设的阈值时的天数,当目标天数并非为低销量天数时,为了使得最终预测的座位销量更加准确,可以分别使用第一座位销量预测模型及第二座位销量预测模型预测距离目标航班起飞前目标天数的座位销量,所以获取目标航班的第一航班特征信息及第二航班特征信息。
步骤S120、将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量。
其中,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量。
具体的,时间序列算法是利用数理统计方法对时间序列数据进行处理,来预测事物的发展趋势的预测算法,也称为历史资料延伸预测算法或历史引伸预测算法,采用时间序列算法的模型学习的是时间序列的规律,本申请实施例预设了采用时间序列算法的第一座位销量预测模型,并预设了时间序列数据,时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前目标天数的历史座位销量,基于时间序列数据训练采用时间序列算法的第一座位销量预测模型,所以获取到目标航班的第一航班特征信息后,将第一航班特征信息输入至第一座位销量预测模型,得到距离目标航班起飞前目标天数的第一预测座位销量。
步骤S130、将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量。
其中,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到。
具体的,集成算法是构建多个学习器,通过一定策略结合来完成学习任务的算法,采用集成算法的模型能够学习训练样本中的各个特征之间的整体规律,本申请实施例预设了采用集成算法的第二座位销量预测模型,并预先以各历史航班的第二航班特征信息及距离各历史航班起飞前目标天数的历史座位销量作为训练样本训练第二座位销量预测模型,所以获取目标航班的第二航班特征信息后,将第二航班特征信息输入至第二座位销量预测模型,得到距离目标航班起飞前目标天数的第二预测座位销量。
步骤S140、基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
具体的,使用学习时间序列的规律的第一座位销量预测模型预测得到第一预测座位销量,使用学习各特征的整体规律的第二座位销量预测模型预测得到第二预测座位销量后,基于第一预测座位销量及第二预测座位销量确定最终预测座位销量,由于两个座位销量预测模型从不同的角度基于输入的航班特征信息预测座位销量,使得通过结合两个座位销量预测模型的预测结果,可以更加准确地预测出距离目标航班起飞前的座位销量,可以减少预测误差,使得最终预测座位销量更加合理,更加贴合距离目标航班起飞前目标天数的人们的购票需求。
本申请实施例提供的航班座位销量预测方法,确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离目标航班起飞前的目标天数,当目标天数并非为预设的目标航班对应的低销量天数时,获取目标航班的第一航班特征信息及第二航班特征信息,将第一航班特征信息输入至预设的第一座位销量预测模型,得到距离目标航班起飞前目标天数的第一预测座位销量,第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前目标天数的历史座位销量,将第二航班特征信息输入至预设的第二座位销量预测模型,得到距离目标航班起飞前目标天数的第二预测座位销量,第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前目标天数的历史座位销量作为训练样本训练得到,基于第一预测座位销量及第二预测座位销量确定距离目标航班起飞前目标天数的最终预测座位销量。由于历史航班的历史座位销量反应了距离历史航班起飞前目标天数的人们的购票需求,使得通过训练历史数据得到的第一座位销量预测模型及第二座位销量预测模型预测出的第一预测座位销量及第二预测座位销量均贴合距离目标航班起飞前目标天数的人们的购票需求,基于第一预测座位销量及第二预测座位销量得到的最终预测座位销量同样贴合距离目标航班起飞前目标天数的人们的购票需求,使得可以通过参考最终预测座位销量合理确定距离目标航班起飞前目标天数开放的座位数。
进一步地,由于第一座位销量预测模型为采用时间序列算法的模型,所以第一座位销量预测模型学习的是时间序列的规律,第二座位销量预测模型为采用集成算法的模型,学习的是训练样本中的各特征之间的整体规律,两个座位销量预测模型从不同的角度基于输入的航班特征信息预测座位销量,使得通过结合两个座位销量预测模型的预测结果,可以更加准确地预测出距离目标航班起飞前的座位销量,可以减少预测误差,使得最终预测座位销量更加合理,更加贴合距离目标航班起飞前目标天数的人们的购票需求。
上述图1中的流程图,图示了按照本公开实施例的方法可能实现的功能和操作。在这点上,流程图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于图1中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,流程图中的每个方框、以及流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
可选的,低销量天数可以为预先设定的座位销量低于预设的阈值时的天数,对于低销量天数对应的历史数据,若使用这类数据训练采用时间序列算法或集成算法的模型,则会导致训练模型耗时长,性价比低,而朴素模型采用的算法是估计回归变量与被解释变量的分位数之间线性关系的建模方法,采用朴素模型训练历史数据耗时短,并且对于低销量天数的座位销量预测,采用朴素模型的预测效果与采用时间序列算法或集成算法的模型的预测效果类似,所以当目标天数为低销量天数时,距离目标航班起飞前目标天数的预测销量的确定过程,可以包括:
当所述目标天数为所述低销量天数时,获取所述目标航班的第三航班特征信息。
将所述第三航班特征信息输入至预设的第三座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量,所述第三座位销量预测模型采用的是朴素模型,以各历史航班的第三航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到。
具体的,本申请实施例预先以各历史航班的第三航班特征信息及距离各历史航班起飞前目标天数的历史座位销量作为训练样本,训练第三座位预测模型,第三座位预测模型采用的是朴素模型,当目标天数为低销量天数时,获取目标航班的第三航班特征信息,将第三航班特征信息输入至第三座位预测模型,将第三座位预测模型的预测结果作为距离目标航班起飞前目标天数的最终预测座位销量。
本申请实施例中,考虑到了对于低销量天数对应的历史数据,若使用这类数据训练采用时间序列算法或集成算法的模型,则会导致训练模型耗时长,性价比低的问题,所以预设了第三座位预测模型,第三座位预测模型采用的是朴素模型,节省了训练模型的时间,当目标天数为低销量天数时,将获取的第三航班特征信息输入至第三座位预测模型,得到距离目标航班起飞前目标天数的最终预测座位销量,由于历史航班的历史座位销量反应了距离历史航班起飞前目标天数的人们的购票需求,使得通过训练历史数据得到的第三座位预测模型预测出的最终预测座位销量贴合距离目标航班起飞前目标天数的人们的购票需求。
本申请实施例中,分别对上述第一航班特征信息、第二航班特征信息及第三航班特征信息进行介绍,分别为:
第一航班特征信息可以包括航班日期信息,航班日期信息可以包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项。
具体的,由于第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前目标天数的历史座位销量,所以可以将航班日期信息作为第一航班特征信息,航班日期信息又可以包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项。
可选的,为了提高第一座位预测模型的预测效果,所述航班日期信息还可以包括起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息中的任一项或多项,所述起飞时间分值为预先使用预设的打分方法对所述起飞时间进行打分得到的分值,所述降落时间分值为预先使用所述打分方法对所述降落时间进行打分得到的分值。
具体的,为了提高第一座位预测模型的预测效果,航班日期信息除了可以包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项外,可以增加其他的特征,示例如,起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息等,本申请实施例预设了打分方法,可以使用打分方法对起飞时间及降落时间进行打分,考虑到一天24小时中越靠近中午的时间对乘客来讲为更优时间,所以可以将24小时每四小时划分为一个区间,越靠近12:00的起飞时间的分值越高。
可选的,为了进一步提高第一座位预测模型的预测效果,第一航班特征信息还可以包括航班号、承运商、飞机信息、价格信息中的任一项或多项。
其中,所述飞机信息包括机型和/或运力,所述价格信息包括平均机票价格。
可选的,第一座位销量预测模型可以为ARIMAX模型。
可选的,考虑到当距离航班起飞前0天时,即航班起飞当天,航班实际起飞的时间、实际降落的时间、实际起飞时的机型会与航班对应的航班计划中有所不同,这是由于航班延误、提前起飞、机型变更等造成的,但这不影响当天人们的购票行为,基于此,若所述目标天数为0,对于每一历史航班:
若第一航班特征信息包括起飞时间,则当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与所述航班计划中的起飞时间不一致时,将所述航班计划中的起飞时间作为历史航班的起飞时间。
具体的,若第一航班特征信息包括起飞时间,当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,表示历史航班并未提前起飞,所以可将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与航班计划中的起飞时间不一致时,表示历史航班提前起飞,为了保证第一座位销量预测模型的准确性,将航班计划中的起飞时间作为历史航班的起飞时间。
若第一航班特征信息包括降落时间,则当历史航班实际降落的时间与所述航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与所述航班计划中的降落时间不一致时,将所述航班计划中的降落时间作为历史航班的降落时间。
具体的,若第一航班特征信息包括降落时间,当历史航班实际降落的时间与历史航班对应的航班计划中的降落时间一致时,表示历史航班并未延误,所以可将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的实际与航班计划中的起飞时间不一致时,表示历史航班延误,为了保证第一座位销量预测模型的准确性,将航班计划中的降落时间作为历史航班的降落时间。
若第一航班特征信息包括机型,则当历史航班实际起飞时的机型与所述航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与所述航班计划中的机型不一致时,将所述航班计划中的机型作为历史航班的机型。
具体的,若第一航班特征信息包括机型,当历史航班实际起飞时的机型与历史航班对应的航班计划中的机型一致时,表示历史航班并未发生机型变更,所以可将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与航班计划中的机型不一致时,表示发生了机型变更,为了保证第一座位销量预测模型的准确性,将航班计划中的机型作为历史航班的机型。
本申请实施例中,考虑到了当距离历史航班起飞前0天时,即历史航班起飞当天,由于历史航班延误、提前起飞、机型变更等造成历史航班实际起飞的时间、实际降落的时间、实际起飞时的机型会与历史航班对应的航班计划中有所不同的情况,但这不影响当天人们的购票行为,所以当历史航班实际起飞的时间与航班计划中的起飞时间不一致时,将航班计划中的起飞时间作为历史航班的起飞时间,当历史航班实际降落的时间与航班计划中的降落时间不一致时,将航班计划中的降落时间作为历史航班的降落时间,当历史航班实际起飞时的机型与航班计划中的机型不一致时,将航班计划中的机型作为历史航班的机型,使得历史航班的历史数据更为准确,提高了第一座位销量预测模型的准确性。
第二航班特征信息、第三航班特征信息均可以包括航班号、承运商、航班日期信息、飞机信息、价格信息中的任一项或多项。
其中,航班日期信息可以包括起飞日期、起飞时间、降落日期、降落时间、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息中的任一项或多项,起飞时间分值为预先使用预设的打分方法对起飞时间进行打分得到的分值,降落时间分值为预先使用打分方法对降落时间进行打分得到的分值,飞机信息可以包括机型和/或运力,价格信息可以包括平均机票价格。
可选的,当目标天数为0时,若第二航班特征信息、第三航班特征信息包括起飞时间,则当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与航班计划中的起飞时间不一致时,将航班计划中的起飞时间作为历史航班的起飞时间;若第二航班特征信息、第三航班特征信息包括降落时间,则当历史航班实际降落的时间与航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与航班计划中的降落时间不一致时,将航班计划中的降落时间作为历史航班的降落时间;若第二航班特征信息、第三航班特征信息包括机型,则当历史航班实际起飞时的机型与航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与航班计划中的机型不一致时,将所述航班计划中的机型作为历史航班的机型。
本申请实施例中,考虑到了当距离历史航班起飞前0天时,即历史航班起飞当天,由于历史航班延误、提前起飞、机型变更等造成历史航班实际起飞的时间、实际降落的时间、实际起飞时的机型会与历史航班对应的航班计划中有所不同的情况,但这不影响当天人们的购票行为,所以若第二航班特征信息、第三航班特征信息包括起飞时间,当历史航班实际起飞的时间与航班计划中的起飞时间不一致时,将航班计划中的起飞时间作为历史航班的起飞时间,若第二航班特征信息、第三航班特征信息包括降落时间,当历史航班实际降落的时间与航班计划中的降落时间不一致时,将航班计划中的降落时间作为历史航班的降落时间,若第二航班特征信息、第三航班特征信息包括机型,当历史航班实际起飞时的机型与航班计划中的机型不一致时,将航班计划中的机型作为历史航班的机型,使得历史航班的历史数据更为准确,提高了第二座位销量预测模型以及第三座位预测模型的准确性。
可选的,考虑到每一列航班都包括不同的舱位,示例如,经济舱、商务舱、头等舱等,经济舱又会包括不同的折扣舱位,人们对不同舱位的座位需求不同,为了满足人们对不同舱位的座位需求,可以预测航班的舱位的座位销量,基于此,上述第一航班特征信息、第二航班特征信息及第三航班特征信息均可以包括舱位信息。
基于此,得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述目标航班对应的舱位信息所匹配的舱位的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的与所述舱位信息所对应的历史舱位的历史座位销量。
其中,得到的各预测座位销量即为第一预测座位销量、第二预测座位销量、基于第一预测座位销量及第二预测座位销量确定的最终预测座位销量、将第三航班特征信息输入至第三座位预测模型,得到的最终预测座位销量。
本申请实施例中,上述第一航班特征信息、第二航班特征信息及第三航班特征信息均可以包括舱位信息,得到的各预测座位销量均为距离目标航班起飞前目标天数的与目标航班对应的舱位信息所匹配的舱位的预测座位销量,可以使得航空公司可以根据不同舱位的预测座位销量合理确定不同舱位的开放的座位数。
可选的,考虑到航班可能包括不同的航节,示例如,航班A的航线是城市B-城市C-城市D,那么航班A包括三个航节,分别为城市B-城市C、城市C-城市D、城市B-城市D,人们对不同航节的座位需求不同,为了满足人们对不同航节的座位需求,可以预测航班的航节的座位销量,基于此,上述第一航班特征信息、第二航班特征信息及第三航班特征信息均可以包括航节信息。
基于此,得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述航节信息所匹配的航节的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的各航节的历史座位销量。
其中,得到的各预测座位销量即为第一预测座位销量、第二预测座位销量、基于第一预测座位销量及第二预测座位销量确定的最终预测座位销量、将第三航班特征信息输入至第三座位预测模型,得到的最终预测座位销量,航节信息可以为航节编号。
本申请实施例中,上述第一航班特征信息、第二航班特征信息及第三航班特征信息均可以包括航节信息,得到的各预测座位销量均为距离目标航班起飞前目标天数的与目标航班对应的航节信息所匹配的航节的预测座位销量,可以使得航空公司可以根据不同航节的预测座位销量合理确定不同航节的开放的座位数。
可选的,考虑到同一航班号的航班的航线一致,航线一致的航班的座位销量类似,所以为了提高预测结果的准确性,各历史航班可以为与目标航班对应同一航班号的各历史航班,且各历史航班的个数总和不小于预设的个数阈值,并且,对于每一历史航班,均满足:
距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空。
具体的,为了保证数据的完整性,提高模型的准确性,所以距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空。
可选的,天数区间可以为[0,60]。
和/或,
历史航班的实际总座位销量不小于预设的总座位销量阈值。
具体的,本申请实施例预设了总座位销量阈值,小于总座位销量阈值的航班可能为受非正常突发事件所影响的航班,此类航班的数据对训练模型没有帮助,为了提高模型的准确性,所以历史航班应满足实际总座位销量小于预设的总座位销量阈值。
本申请实施例中,由于各历史航班为与目标航班对应同一航班号的各历史航班,且各历史航班的个数总和不小于预设的个数阈值,距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空,历史航班的实际总座位销量不小于预设的总座位销量阈值,提高了第一座位销量预测模型、第二座位销量预测模型及第三座位预测模型的准确性。
可选的,考虑到对于每一航班,距离其起飞前的天数中,存在座位销量转折点,一般距离航班起飞较远的天数销量比较低,距离起飞较近的天数销量比较高,由销量低转变到销量高的天数即为销量转折点,如图2所示,横轴为距离航班起飞前的天数,纵轴为对应天数的实际座位销量,由图2可以看出,距离航班起飞前第30天至第60天内的实际座位销量一直较低,从距离航班起飞前第30天之后至第0天,航班的实际座位销量逐渐变高,第30天即为航班的座位销量转折点,为了航空公司能够根据航班的座位销量转折点合理规划开放的座位数,可以确定目标航班的座位销量转折点,并在实际天数为目标航班的座位销量转折点时,通知工作人员,基于此,本申请实施例提供了一种可选的确定目标航班的座位销量转折点的方法,该方法可以包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量。
具体的,为了确定目标航班的座位销量转折点,可以参考历史航班的座位销量转折点,所以获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量,可选的,天数区间可以为[0,60]。
基于距离每一历史航班起飞前所述天数区间内的每一天的实际座位销量,确定每一历史航班对应的实际座位销量随天数变化的曲线。
具体的,为了确定每一历史航班的座位销量转折点,首先基于距离每一历史航班起飞前天数区间内的每一天的实际座位销量,确定每一历史航班对应的实际座位销量随天数变化的曲线,以便可以根据历史航班的曲线确定历史航班的座位销量转折点。
使用局部线性回归算法对每条曲线进行平滑,得到平滑后的各曲线。
具体的,局部线性回归算法为对曲线进行平滑的算法,为了计算曲线的斜率,首先需对曲线进行平滑,得到平滑后的曲线。
计算每条曲线在每天的斜率。
具体的,计算每条曲线在每天的斜率,以便可以根据斜率确定历史航班的座位销量转折点。
将每条曲线中斜率为0时所对应的天数确定为每条曲线的座位销量转折点。
具体的,每条曲线中斜率为0时所对应的天数即为每条曲线的座位销量转折点。
基于每条曲线的座位销量转折点生成经验密度函数。
具体的,每条曲线的座位销量转折点即为每个历史航班的座位销量转折点,基于每条曲线的座位销量转折点生成经验密度函数,可实现对历史上的历史航班的座位销量转折点的分布进行规律统计,以便根据统计结果确定最有可能的目标航班的座位销量转折点。
将所述经验密度函数的最大值所对应的天数确定为所述目标航班的座位销量转折点。
具体的,经验密度函数的最大值所对应的天数为最有可能的座位销量转折点的位置,所以将经验密度函数的最大值所对应的天数确定为目标航班的座位销量转折点。
基于此,当实际天数为所述目标航班的座位销量转折点时,通知工作人员。
本申请实施例中,通过参考历史航班的座位销量转折点,确定目标航班的座位销量转折点,在实际天数为目标航班的座位销量转折点时,通知工作人员,使得航空公司能够根据目标航班的座位销量转折点合理规划目标航班的开放的座位数。
可选的,低销量天数为座位销量较低的天数,可以参考历史航班的实际座位销量来确定目标航班对应的低销量天数,基于此,上述低销量天数的确定过程可以包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量。
具体的,为了参考历史航班的实际座位销量,首先需获取每一历史航班起飞前预设的天数区间内的每一天的实际座位销量。
计算距离各历史航班起飞前属于所述天数区间内的同一天数的实际座位销量的和。
具体的,可以预设销量阈值,并计算距离各历史航班起飞前属于天数区间内的同一天的实际座位销量的和,以便将实际座位销量的和与预设的销量阈值作比较。
将所述实际座位销量的和小于预设的销量阈值时所对应的天数作为所述低销量天数。
具体的,当实际座位销量的和小于预设的销量阈值时,表征对应的天数的座位销量较低,所以将实际座位销量的和小于预设的销量阈值时所对应的天数作为低销量天数。
可选的,为了确定距离历史航班起飞前目标天数的历史座位销量,可以预设集合,集合中可以包括历史航班对应的预设天数区间内的每一天数及对应的实际座位销量的组合,以便将集合中目标天数所在的组合中的实际座位销量确定为距离历史航班起飞前目标天数的历史座位销量。
可选的,考虑到距离航班起飞前某一天实际开放的座位数已被购完,所以该天航班的实际座位销量可能并未反映该天人们的真实座位需求,人们的座位需求受到了限制,所以对于这种情况的历史航班对应的天数,要对该距离该历史航班起飞前该天数的实际座位销量进行修正,以使修正后的实际座位销量更符合人们的座位需求,基于此,对上述集合的确定过程进行介绍,该过程可以包括:
确定距离历史航班起飞前所述天数区间内每一天的实际座位销量及实际开放座位数量。
具体的,为了确定某一天数对应的历史航班的实际座位销量是否反映了该天人们的真实座位需求,所以确定距离历史航班起飞前天数区间内每一天的实际座位销量及实际开放座位数量。
将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合。
具体的,当实际座位销量与实际开放座位数量不相等时,表示实际座位销量反映了人们真实的座位需求,人们的座位需求未受到限制,所以将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合。
将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合。
具体的,当实际座位销量与实际开放座位数量相等时,表示实际座位销量并未反映了人们真实的座位需求,人们的座位需求受到了限制,所以将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合。
当所述第一集合中的组合的个数不大于预设的阈值时,对于所述第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的所述第一集合中的任一组合中的实际座位销量,得到更改后第二集合。
具体的,为了使得第二集合中的组合中的实际座位销量符合对应天数的人们的真实座位需求,可以使用估计缺失值算法基于第一集合对第二集合中的组合中的实际座位销量进行修正,所以可以预设估计缺失值算法,以便使用预设的估计缺失值算法基于第一集合对第二集合中的每个组合中的实际座位销量进行更改,而估计缺失值算法为根据完整的数据估计缺失的数据的算法,估计缺失值算法通常对完整的数据的数量有一定的要求,所以预设了阈值,当第一集合中的组合的个数不大于预设的阈值时,将第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的第一集合中的任一组合中的实际座位销量,得到更改后第二集合。
当所述第一集合中的组合的个数大于所述阈值时,使用预设的估计缺失值算法基于所述第一集合对所述第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合。
具体的,当第一集合中的组合的个数大于阈值时,即可使用预设的估计缺失值算法基于第一集合对第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合。
可选的,估计缺失值算法可以为EM(Expectation-Maximum)算法。
将所述第一集合及所述更改后第二集合合并为所述集合。
具体的,第一集合中的组合中的实际座位销量可以反映对应天数的人们的真实座位需求,更改后第二集合中的实际座位销量比更改前的实际座位销量更能够反映对应天数的人们的真实座位需求,所以将第一集合及更改后第二集合合并为集合。
本申请实施例中,将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合,使得第一集合中的组合中的实际座位销量均反映了对应天数的人们的座位需求,将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合,当第一集合中的组合的个数不大于预设的阈值时,对于第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的第一集合中的任一组合中的实际座位销量,得到更改后第二集合,当第一集合中的组合的个数大于阈值时,使用预设的估计缺失值算法基于第一集合对第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合,使得更改后第二集合中的实际座位销量也能够反映对应天数的人们的座位需求,使得在第一集合与更改后第二集合合并的集合中确定的历史座位销量更加准确,提高了第一座位销量预测模型、第二座位销量预测模型及第三座位预测模型的准确性。
可选的,上述步骤S140基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量的过程,可以包括:
对所述第一预测座位销量及所述第二预测座位销量求加权平均值,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量。
可选的,可以基于如下公式计算最终预测座位销量
其中,为第一预测座位销量,/>为第二预测座位销量,α可基于如下公式计算得到:
其中,MSE1为预先计算的第一座位销量预测模型的均方误差,MSE2为预先计算的第二座位销量预测模型的均方误差,ρ为预先计算的第一座位销量预测模型及第二座位销量预测模型的预测误差之间的相关系数。
可选的,在对上述第一座位销量预测模型、第二座位销量预测模型及第三座位预测模型进行训练时,可将训练样本分为训练集和验证集,使用训练集训练上述模型,使用验证集对训练完成的上述模型进行测试,并将测试结果与验证集中的真值对比,计算出模型的预测准确率。
可选的,可由基于如下公式计算上述模型的预测准确率R2:
其中,n为验证集中的真值的个数,ai为验证集中的第i个真值,bi为第i个测试结果,ci为验证集中第1至i个真值的平均值。
参见图3,图3为一种可选的获取距离历史航班起飞前预设天数区间内每一天每一舱位的预测座位销量的过程示意图。首先确定与目标航班对应同一航班号的各历史航班,获取各历史航班的原始数据,每个历史航班的原始数据均包括距离历史航班起飞前上述天数区间内每一天的各舱位的实际座位销量,以及,历史航班的起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞机场、降落机场。
对这些原始数据进行清洗校验,清洗校验的过程可以包括:将不满足下面条件的历史航班剔除:距离历史航班起飞前上述天数区间内的每一天的每个舱位的实际座位销量均不为空,历史航班的实际总座位销量不小于预设的总座位销量阈值,历史航班的起飞机场与降落机场不同,历史航班的起飞机场不为空,以及,对于每一历史航班,若距离其起飞前的天数为0,当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与航班计划中的起飞时间不一致时,将航班计划中的起飞时间作为历史航班的起飞时间,当历史航班实际降落的时间与航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与航班计划中的降落时间不一致时,将航班计划中的降落时间作为历史航班的降落时间,当历史航班实际起飞时的机型与航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与航班计划中的机型不一致时,将航班计划中的机型作为历史航班的机型。
对上述清洗校验后的数据进行分类,分类的过程可以包括:对于每一历史航班对应的经过上述清洗校验的各数据,按照距离历史航班起飞前的天数、历史航班的舱位进行分类,得到距离历史航班起飞前每一天的每一舱位对应的实际座位销量及特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格,并为距离历史航班起飞前每一天的每一舱位添加特征:起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息。
非限制性处理,非限制性处理的过程可以包括:对于经过上述分类后的每一历史航班的每一舱位,将其实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合,将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合,当第一集合中的组合的个数不大于预设的阈值时,对于第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的第一集合中的任一组合中的实际座位销量,得到更改后第二集合,当第一集合中的组合的个数大于阈值时,使用预设的估计缺失值算法基于第一集合对第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合,将第一集合及更改后第二集合合并为集合,按照集合修改上述其对应的实际座位销量,得到每一历史航班对应的处理后的数据,每一历史航班对应的处理后的数据包括:距离每一历史航班起飞前上述天数区间内每一天的每一舱位对应的实际座位销量及特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息。
根据销量进行数据拆分,根据销量进行数据拆分的过程可以包括:确定目标航班及历史航班对应的低销量天数,上述天数区间内除了低销量天数之外的天数即为高销量天数,根据低销量天数及高销量天数对上述非限制性处理得到的距离每一历史航班起飞前上述天数区间内每一天的每一舱位对应的实际座位销量及特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息进行分类,得到距离每一历史航班起飞前每一低销量天数的每一舱位对应的实际座位销量及特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息,距离每一历史航班起飞前每一高销量天数的每一舱位对应的实际座位销量及特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息。其中,低销量天数的确定过程为:获取距离每一历史航班起飞前上述天数区间内的每一天的实际座位销量,计算距离各历史航班起飞前属于上述天数区间内的同一天数的实际座位销量的和,将实际座位销量的和小于预设的销量阈值时所对应的天数作为低销量天数。
对于上述根据销量进行数据拆分得到的距离每一历史航班起飞前每一低销量天数的历史航班的每一舱位,将其对应的特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息输入至其对应的第三座位预测模型,得到第三座位预测模型预测得到的预测座位销量,利用其对应的实际座位销量及预测座位销量对第三座位预测模型进行训练。其中,第三座位预测模型采用的是朴素模型。
对于上述根据销量进行数据拆分得到的距离每一历史航班起飞前每一高销量天数的历史航班的每一舱位,将其对应的特征:起飞日期、起飞时间、降落日期、降落时间、航班号、承运商、机型、运力、平均机票价格、起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息分别输入至其对应的第一座位销量预测模型及第二座位销量预测模型,分别得到第一座位销量预测模型及第二座位销量预测模型预测得到的预测座位销量,分别利用其对应的实际座位销量及第一座位销量预测模型及第二座位销量预测模型预测得到的预测座位销量对第一座位销量预测模型及第二座位销量预测模型进行训练。其中,第一座位销量预测模型为采用时间序列算法的模型,第二座位销量预测模型为采用集成算法的模型。
模型融合,模型融合的过程可以包括:对于距离每一历史航班起飞前每一高销量天数的历史航班的每一舱位,将其对应的第一座位销量预测模型预测得到预测座位销量及第二座位销量预测模型预测得到的预测座位销量进行融合,得到其对应的最终的预测座位销量。
结果整合,结果整合的过程可以包括:汇总距离每一历史航班起飞前每一低销量天数的历史航班的每一舱位的预测座位销量及距离每一历史航班起飞前高销量天数的历史航班的每一舱位的最终的预测座位销量,经过结果整合,得到预测结果,预测结果即为上述汇总的距离每一历史航班起飞前每一低销量天数的历史航班的每一舱位的预测座位销量及距离每一历史航班起飞前高销量天数的历史航班的每一舱位的最终的预测座位销量。
本公开的方法实施例中的相关信息的名称仅用于说明性的目的,而并不是用于对这些信息的范围进行限制。
本公开的方法实施例中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,本公开的方法实施例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。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面对本申请实施例提供的航班座位销量预测装置进行描述,下文描述的航班座位销量预测装置与上文描述的航班座位销量预测方法可相互对应参照。
首先,结合图4,对航班座位销量预测装置进行介绍,如图4所示,该航班座位销量预测装置可以包括:
目标航班及目标天数确定单元10,用于确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
第一及第二航班特征信息获取单元20,用于当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
第一预测座位销量获取单元30,用于将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
第二预测座位销量获取单元40,用于将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
第一最终预测座位销量获取单元50,用于基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
可选的,所述航班座位销量预测装置,还可以包括:
第三航班特征信息获取单元,用于当所述目标天数为所述低销量天数时,获取所述目标航班的第三航班特征信息;
第二最终预测座位销量获取单元,用于将所述第三航班特征信息输入至预设的第三座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量,所述第三座位销量预测模型采用的是朴素模型,以各历史航班的第三航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到。
可选的,第一航班特征信息包括航班日期信息。
可选的,所述航班日期信息包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项。
可选的,所述航班日期信息还包括起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息中的任一项或多项,所述起飞时间分值为预先使用预设的打分方法对所述起飞时间进行打分得到的分值,所述降落时间分值为预先使用所述打分方法对所述降落时间进行打分得到的分值。
可选的,第一航班特征信息还包括航班号、承运商、飞机信息、价格信息中的任一项或多项。
可选的,所述飞机信息包括机型和/或运力,所述价格信息包括平均机票价格。
可选的,若所述目标天数为0,对于每一历史航班:
若第一航班特征信息包括起飞时间,则当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与所述航班计划中的起飞时间不一致时,将所述航班计划中的起飞时间作为历史航班的起飞时间;
若第一航班特征信息包括降落时间,则当历史航班实际降落的时间与所述航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与所述航班计划中的降落时间不一致时,将所述航班计划中的降落时间作为历史航班的降落时间;
若第一航班特征信息包括机型,则当历史航班实际起飞时的机型与所述航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与所述航班计划中的机型不一致时,将所述航班计划中的机型作为历史航班的机型。
可选的,第二航班特征信息、第三航班特征信息均包括航班号、承运商、航班日期信息、飞机信息、价格信息中的任一项或多项。
可选的,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括舱位信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述目标航班对应的舱位信息所匹配的舱位的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的与所述舱位信息所对应的历史舱位的历史座位销量。
可选的,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括航节信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述航节信息所匹配的航节的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的各航节的历史座位销量。
可选的,各历史航班为与所述目标航班对应同一航班号的各历史航班,各历史航班的个数总和不小于预设的个数阈值;
对于每一历史航班,均满足:
距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空;
和/或,
历史航班的实际总座位销量不小于预设的总座位销量阈值。
可选的,所述航班座位销量预测装置,还可以包括:
实际座位销量获取单元,用于获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
曲线获取单元,用于基于距离每一历史航班起飞前所述天数区间内的每一天的实际座位销量,确定每一历史航班对应的实际座位销量随天数变化的曲线;
曲线平滑单元,用于使用局部线性回归算法对每条曲线进行平滑,得到平滑后的各曲线;
斜率计算单元,计算每条曲线在每天的斜率;
第一座位销量转折点确定单元,用于将每条曲线中斜率为0时所对应的天数确定为每条曲线的座位销量转折点;
经验密度函数生成单元,用于基于每条曲线的座位销量转折点生成经验密度函数;
第二座位销量转折点确定单元,用于将所述经验密度函数的最大值所对应的天数确定为所述目标航班的座位销量转折点;
座位销量转折点通知单元,用于当实际天数为所述目标航班的座位销量转折点时,通知工作人员。
可选的,所述航班座位销量预测装置,还可以包括:
低销量天数确定单元,用于:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
计算距离各历史航班起飞前属于所述天数区间内的同一天数的实际座位销量的和;
将所述实际座位销量的和小于预设的销量阈值时所对应的天数作为所述低销量天数。
可选的,所述航班座位销量预测装置,还可以包括:
历史座位销量确定单元,用于对于每一历史航班,将预设的集合中所述目标天数所在的组合中的实际座位销量确定为距离历史航班起飞前所述目标天数的历史座位销量,所述集合中包括历史航班对应的预设天数区间内的每一天数及对应的实际座位销量的组合。
可选的,所述航班座位销量预测装置,还可以包括:
集合确定单元,用于:
确定距离历史航班起飞前所述天数区间内每一天的实际座位销量及实际开放座位数量;
将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合;
将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合;
当所述第一集合中的组合的个数不大于预设的阈值时,对于所述第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的所述第一集合中的任一组合中的实际座位销量,得到更改后第二集合;
当所述第一集合中的组合的个数大于所述阈值时,使用预设的估计缺失值算法基于所述第一集合对所述第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合;
将所述第一集合及所述更改后第二集合合并为所述集合。
可选的,所述第一最终预测座位销量获取单元基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量的过程,可以包括:
对所述第一预测座位销量及所述第二预测座位销量求加权平均值,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一映射关系分配单元还可以被描述为“内部端口与外部端口之间的映射关系分配单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本申请实施例提供的航班座位销量预测装置可应用于航班座位销量预测设备。图5示出了航班座位销量预测设备600的硬件结构框图,本公开实施例中的航班座位销量预测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5示出的航班座位销量预测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5所示,航班座位销量预测设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有航班座位销量预测设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许航班座位销量预测设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的航班座位销量预测设备600,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。
本申请实施例还提供一种计算机可读介质,该计算机可读介质承载有一个或者多个程序,当该一个或者多个程序被上述航班座位销量预测设备执行时,使得该航班座位销量预测设备:确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数,当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息,将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量,将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到,基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述航班座位销量预测设备中所包含的;也可以是单独存在,而未装配入该航班座位销量预测设备中。
特别地,根据本公开的实施例,上文航班座位销量预测方法实施例中描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行上文航班座位销量预测方法的程序代码。在这样的实施例中,该计算机程序可以通过图5中的通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
根据本公开的一个或多个实施例,示例1提供了一种根据本公开的一个或多个实施例,示例1提供了一种航班舱位调整方法,包括:
确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,还包括:
当所述目标天数为所述低销量天数时,获取所述目标航班的第三航班特征信息;
将所述第三航班特征信息输入至预设的第三座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量,所述第三座位销量预测模型采用的是朴素模型,以各历史航班的第三航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,第一航班特征信息包括航班日期信息。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述航班日期信息包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述航班日期信息还包括起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息中的任一项或多项,所述起飞时间分值为预先使用预设的打分方法对所述起飞时间进行打分得到的分值,所述降落时间分值为预先使用所述打分方法对所述降落时间进行打分得到的分值。
根据本公开的一个或多个实施例,示例6提供了示例4的方法,第一航班特征信息还包括航班号、承运商、飞机信息、价格信息中的任一项或多项。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,所述飞机信息包括机型和/或运力,所述价格信息包括平均机票价格。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,若所述目标天数为0,对于每一历史航班:
若第一航班特征信息包括起飞时间,则当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与所述航班计划中的起飞时间不一致时,将所述航班计划中的起飞时间作为历史航班的起飞时间;
若第一航班特征信息包括降落时间,则当历史航班实际降落的时间与所述航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与所述航班计划中的降落时间不一致时,将所述航班计划中的降落时间作为历史航班的降落时间;
若第一航班特征信息包括机型,则当历史航班实际起飞时的机型与所述航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与所述航班计划中的机型不一致时,将所述航班计划中的机型作为历史航班的机型。
根据本公开的一个或多个实施例,示例9提供了示例2的方法,第二航班特征信息、第三航班特征信息均包括航班号、承运商、航班日期信息、飞机信息、价格信息中的任一项或多项。
根据本公开的一个或多个实施例,示例10提供了示例9的方法,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括舱位信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述目标航班对应的舱位信息所匹配的舱位的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的与所述舱位信息所对应的历史舱位的历史座位销量。
根据本公开的一个或多个实施例,示例11提供了示例9的方法,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括航节信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述航节信息所匹配的航节的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的各航节的历史座位销量。
根据本公开的一个或多个实施例,示例12提供了示例1的方法,各历史航班为与所述目标航班对应同一航班号的各历史航班,各历史航班的个数总和不小于预设的个数阈值;
对于每一历史航班,均满足:
距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空;
和/或,
历史航班的实际总座位销量不小于预设的总座位销量阈值。
根据本公开的一个或多个实施例,示例13提供了示例1的方法,还包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
基于距离每一历史航班起飞前所述天数区间内的每一天的实际座位销量,确定每一历史航班对应的实际座位销量随天数变化的曲线;
使用局部线性回归算法对每条曲线进行平滑,得到平滑后的各曲线;
计算每条曲线在每天的斜率;
将每条曲线中斜率为0时所对应的天数确定为每条曲线的座位销量转折点;
基于每条曲线的座位销量转折点生成经验密度函数;
将所述经验密度函数的最大值所对应的天数确定为所述目标航班的座位销量转折点;
当实际天数为所述目标航班的座位销量转折点时,通知工作人员。
根据本公开的一个或多个实施例,示例14提供了示例1的方法,所述低销量天数的确定过程,包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
计算距离各历史航班起飞前属于所述天数区间内的同一天数的实际座位销量的和;
将所述实际座位销量的和小于预设的销量阈值时所对应的天数作为所述低销量天数。
根据本公开的一个或多个实施例,示例15提供了示例1的方法,对于每一历史航班,距离历史航班起飞前所述目标天数的历史座位销量的确定过程,包括:
将预设的集合中所述目标天数所在的组合中的实际座位销量确定为距离历史航班起飞前所述目标天数的历史座位销量,所述集合中包括历史航班对应的预设天数区间内的每一天数及对应的实际座位销量的组合。
根据本公开的一个或多个实施例,示例16提供了示例15的方法,所述集合的确定过程,包括:
确定距离历史航班起飞前所述天数区间内每一天的实际座位销量及实际开放座位数量;
将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合;
将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合;
当所述第一集合中的组合的个数不大于预设的阈值时,对于所述第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的所述第一集合中的任一组合中的实际座位销量,得到更改后第二集合;
当所述第一集合中的组合的个数大于所述阈值时,使用预设的估计缺失值算法基于所述第一集合对所述第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合;
将所述第一集合及所述更改后第二集合合并为所述集合。
根据本公开的一个或多个实施例,示例17提供了示例1-16任一示例的方法,基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量,包括:
对所述第一预测座位销量及所述第二预测座位销量求加权平均值,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量。
根据本公开的一个或多个实施例,示例18提供了一种航班座位销量预测装置,包括:
目标航班及目标天数确定单元,用于确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
第一及第二航班特征信息获取单元,用于当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
第一预测座位销量获取单元,用于将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
第二预测座位销量获取单元,用于将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
第一最终预测座位销量获取单元,用于基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种航班座位销量预测方法,其特征在于,包括:
确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
2.根据权利要求1所述的方法,其特征在于,还包括:
当所述目标天数为所述低销量天数时,获取所述目标航班的第三航班特征信息;
将所述第三航班特征信息输入至预设的第三座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量,所述第三座位销量预测模型采用的是朴素模型,以各历史航班的第三航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到。
3.根据权利要求1所述的方法,其特征在于,第一航班特征信息包括航班日期信息。
4.根据权利要求3所述的方法,其特征在于,所述航班日期信息包括起飞日期、起飞时间、降落日期、降落时间中的任一项或多项。
5.根据权利要求4所述的方法,其特征在于,所述航班日期信息还包括起飞星期、降落星期、起飞时间分值、降落时间分值、节假日信息中的任一项或多项,所述起飞时间分值为预先使用预设的打分方法对所述起飞时间进行打分得到的分值,所述降落时间分值为预先使用所述打分方法对所述降落时间进行打分得到的分值。
6.根据权利要求4所述的方法,其特征在于,第一航班特征信息还包括航班号、承运商、飞机信息、价格信息中的任一项或多项。
7.根据权利要求6所述的方法,其特征在于,所述飞机信息包括机型和/或运力,所述价格信息包括平均机票价格。
8.根据权利要求7所述的方法,其特征在于,若所述目标天数为0,对于每一历史航班:
若第一航班特征信息包括起飞时间,则当历史航班实际起飞的时间与历史航班对应的航班计划中的起飞时间一致时,将历史航班实际起飞的时间作为历史航班的起飞时间,当历史航班实际起飞的时间与所述航班计划中的起飞时间不一致时,将所述航班计划中的起飞时间作为历史航班的起飞时间;
若第一航班特征信息包括降落时间,则当历史航班实际降落的时间与所述航班计划中的降落时间一致时,将历史航班实际降落的时间作为历史航班的降落时间,当历史航班实际降落的时间与所述航班计划中的降落时间不一致时,将所述航班计划中的降落时间作为历史航班的降落时间;
若第一航班特征信息包括机型,则当历史航班实际起飞时的机型与所述航班计划中的机型一致时,将历史航班实际起飞时的机型作为历史航班的机型,当历史航班实际起飞时的机型与所述航班计划中的机型不一致时,将所述航班计划中的机型作为历史航班的机型。
9.根据权利要求2所述的方法,其特征在于,第二航班特征信息、第三航班特征信息均包括航班号、承运商、航班日期信息、飞机信息、价格信息中的任一项或多项。
10.根据权利要求9所述的方法,其特征在于,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括舱位信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述目标航班对应的舱位信息所匹配的舱位的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的与所述舱位信息所对应的历史舱位的历史座位销量。
11.根据权利要求9所述的方法,其特征在于,第一航班特征信息、第二航班特征信息及第三航班特征信息均包括航节信息;
得到的各预测座位销量均为距离所述目标航班起飞前所述目标天数的与所述航节信息所匹配的航节的预测座位销量,距离每个历史航班起飞前所述目标天数的历史座位销量为距离每个历史航班起飞前所述目标天数的各航节的历史座位销量。
12.根据权利要求1所述的方法,其特征在于,各历史航班为与所述目标航班对应同一航班号的各历史航班,各历史航班的个数总和不小于预设的个数阈值;
对于每一历史航班,均满足:
距离历史航班起飞前预设的天数区间内的每一天的实际座位销量均不为空;
和/或,
历史航班的实际总座位销量不小于预设的总座位销量阈值。
13.根据权利要求1所述的方法,其特征在于,还包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
基于距离每一历史航班起飞前所述天数区间内的每一天的实际座位销量,确定每一历史航班对应的实际座位销量随天数变化的曲线;
使用局部线性回归算法对每条曲线进行平滑,得到平滑后的各曲线;
计算每条曲线在每天的斜率;
将每条曲线中斜率为0时所对应的天数确定为每条曲线的座位销量转折点;
基于每条曲线的座位销量转折点生成经验密度函数;
将所述经验密度函数的最大值所对应的天数确定为所述目标航班的座位销量转折点;
当实际天数为所述目标航班的座位销量转折点时,通知工作人员。
14.根据权利1所述的方法,其特征在于,所述低销量天数的确定过程,包括:
获取距离每一历史航班起飞前预设的天数区间内的每一天的实际座位销量;
计算距离各历史航班起飞前属于所述天数区间内的同一天数的实际座位销量的和;
将所述实际座位销量的和小于预设的销量阈值时所对应的天数作为所述低销量天数。
15.根据权利要求1所述的方法,其特征在于,对于每一历史航班,距离历史航班起飞前所述目标天数的历史座位销量的确定过程,包括:
将预设的集合中所述目标天数所在的组合中的实际座位销量确定为距离历史航班起飞前所述目标天数的历史座位销量,所述集合中包括历史航班对应的预设天数区间内的每一天数及对应的实际座位销量的组合。
16.根据权利要求15所述的方法,其特征在于,所述集合的确定过程,包括:
确定距离历史航班起飞前所述天数区间内每一天的实际座位销量及实际开放座位数量;
将实际座位销量与实际开放座位数量不相等时所对应的天数及对应的实际座位销量的组合划分为第一集合;
将实际座位销量与实际开放座位数量相等时所对应的天数及对应的实际座位销量的组合划分为第二集合;
当所述第一集合中的组合的个数不大于预设的阈值时,对于所述第二集合中的每个组合,将组合中的实际座位销量更改为比组合中的实际座位销量大的所述第一集合中的任一组合中的实际座位销量,得到更改后第二集合;
当所述第一集合中的组合的个数大于所述阈值时,使用预设的估计缺失值算法基于所述第一集合对所述第二集合中的每个组合中的实际座位销量进行更改,得到更改后第二集合;
将所述第一集合及所述更改后第二集合合并为所述集合。
17.根据权利要求1-16任一项所述的方法,其特征在于,基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量,包括:
对所述第一预测座位销量及所述第二预测座位销量求加权平均值,得到距离所述目标航班起飞前所述目标天数的最终预测座位销量。
18.一种航班座位销量预测装置,其特征在于,包括:
目标航班及目标天数确定单元,用于确定待预测座位销量的目标航班及所要预测的座位销量所属的日期距离所述目标航班起飞前的目标天数;
第一及第二航班特征信息获取单元,用于当所述目标天数并非为预设的所述目标航班对应的低销量天数时,获取所述目标航班的第一航班特征信息及第二航班特征信息;
第一预测座位销量获取单元,用于将所述第一航班特征信息输入至预设的第一座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第一预测座位销量,所述第一座位销量预测模型为采用时间序列算法的模型,以时间序列数据训练得到,所述时间序列数据包括预设的各历史航班的第一航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量;
第二预测座位销量获取单元,用于将所述第二航班特征信息输入至预设的第二座位销量预测模型,得到距离所述目标航班起飞前所述目标天数的第二预测座位销量,所述第二座位销量预测模型为采用集成算法的模型,以各历史航班的第二航班特征信息及距离各历史航班起飞前所述目标天数的历史座位销量作为训练样本训练得到;
第一最终预测座位销量获取单元,用于基于所述第一预测座位销量及所述第二预测座位销量确定距离所述目标航班起飞前所述目标天数的最终预测座位销量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926740.7A CN116911909A (zh) | 2023-07-26 | 2023-07-26 | 航班座位销量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926740.7A CN116911909A (zh) | 2023-07-26 | 2023-07-26 | 航班座位销量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911909A true CN116911909A (zh) | 2023-10-20 |
Family
ID=88359983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926740.7A Pending CN116911909A (zh) | 2023-07-26 | 2023-07-26 | 航班座位销量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911909A (zh) |
-
2023
- 2023-07-26 CN CN202310926740.7A patent/CN116911909A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210232984A1 (en) | Order allocation system and method | |
US9159032B1 (en) | Predicting arrival times of vehicles based upon observed schedule adherence | |
US10755588B2 (en) | Aircraft stand management | |
US8577587B2 (en) | Methods and systems for determining required interval management performance (RIMP) | |
CN112307217B (zh) | 知识图谱模型的构建方法以及构建装置、存储介质 | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
CN110009939B (zh) | 基于asm的航班延误预测及波及分析方法 | |
CN116757731B (zh) | 航班季节因子的预测方法、装置、电子设备和存储介质 | |
JP2012194766A (ja) | 混雑度推定装置及び混雑度推定プログラム | |
CN112801455A (zh) | 航班密度调整方法、系统、电子设备和存储介质 | |
CN112232652A (zh) | 一种旅客风险等级分类方法、装置、电子设备及存储介质 | |
CN116911909A (zh) | 航班座位销量预测方法及装置 | |
CN111724053B (zh) | 一种航空网络风险传播识别方法 | |
Tirtha et al. | Flight-level analysis of departure delay and arrival delay using Copula-Based Joint Framework | |
CN116882671A (zh) | 航班舱位调整方法及装置 | |
CN116883066A (zh) | 航空公司指标获取方法及装置 | |
CN111091221A (zh) | 一种出行等候容忍时间预测方法、系统、装置及存储介质 | |
CN113313391B (zh) | 一种航班舱位资源分配方法、装置及服务器 | |
CN111477033B (zh) | 基于通航量的流量管理方法、装置、电子设备及存储介质 | |
CN116757449A (zh) | 飞行任务分配方案确定方法、装置、电子设备和存储介质 | |
CN117670409A (zh) | 一种航班订座曲线拟合方法及相关装置 | |
CN117668384A (zh) | 一种历史样本航班数据确定方法及相关装置 | |
CN113313523A (zh) | 一种确定可比较航班的方法及系统 | |
Liu et al. | Departure efficiency evaluation of a comprehensive transport hub based on Wi-Fi probe data and a multilayer hybrid model | |
CN118134573A (zh) | 一种团票价格生成方法和装置 |
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 |