航空旅客需求预测方法、系统和存储介质与流程
本技术涉及航空运输数据处理,尤其涉及一种航空旅客需求预测方法、系统和存储介质。
背景技术:
1、航空旅客需求预测,特别是起讫点(origin-destination,od)对层面的旅客需求预测,是航空公司进行网络规划和收益管理的基础。准确的od需求预测能够帮助航空公司优化票价策略、合理配置运力,从而在激烈的市场竞争中最大化航线网络的整体收益。
2、在现有的航空od需求预测技术中,基于图神经网络的时空预测方法将不同的od对建模为图网络中的节点,并利用预定义的、固定不变的静态图结构(例如基于地理距离或固定航班计划构建的邻接矩阵)来表征od对之间的空间依赖关系。然而,航空市场本质上是动态网络化系统,od对之间的空间关系随市场策略和外部事件动态演变,例如票价调整可能导致旅客向竞争od对转移,大型活动可能同时带动相关od对的需求激增。由于现有方法采用的静态图结构无法反映上述od对之间实时变化的竞争或互补关系,导致模型在信息传递和特征聚合环节存在固有的信息滞后和表达偏差,难以准确捕捉网络化需求的实际传播规律,进而制约了预测精度的进一步提升。
技术实现思路
1、本技术提供一种航空旅客需求预测方法、系统和存储介质,用于提高对旅客服务分类的准确性。
2、为达到上述目的,本技术采用如下技术方案:
3、第一方面,本技术提供一种航空旅客需求预测方法,方法包括:获取航线网络中各起讫点od对的历史需求时序数据以及对应的外部事件数据;其中,历史需求时序数据用于表征各od对在历史各时间步的客流需求与运力配置特征,外部事件数据用于表征影响航空出行需求的时间与环境事件特征;针对各历史时间步,基于各od对之间的拓扑先验关系、各od对的时序特征相关性以及外部事件数据,构建表征各od对之间动态空间依赖关系的时变邻接矩阵;其中,时变邻接矩阵用于表征航线网络拓扑随市场状态及外部事件演变的时变空间关联特征;基于各历史时间步的全网聚合需求时序数据提取全局宏观趋势特征,并基于时变邻接矩阵对各od对的历史需求时序数据进行时空特征提取,得到各od对的局部微观时空特征;其中,全网聚合需求时序数据由各od对的历史需求时序数据沿网络维度聚合得到;基于外部事件数据、全局宏观趋势特征以及局部微观时空特征,确定各od对对应的融合权重,并基于融合权重对全局宏观趋势特征与局部微观时空特征进行融合处理,得到各od对的多粒度时空融合特征;基于各od对的多粒度时空融合特征进行多步时空解码,输出待预测时间步内各od对的旅客需求预测结果。
4、在一种可能的实现方式中,历史需求时序数据包括直达航班量、直达订票量以及历史客流需求中的至少一种;外部事件数据包括节假日类型编码、气象等级编码以及重大活动属性中的至少一种;各od对的静态属性包括起讫点机场代码、所属城市标识以及航线网络层级中的至少一种。
5、在一种可能的实现方式中,针对各历史时间步,基于各od对之间的拓扑先验关系、各od对的时序特征相关性以及外部事件数据,构建表征各od对之间动态空间依赖关系的时变邻接矩阵,包括:针对各历史时间步,基于各od对共享机场的拓扑连接关系构建结构层邻接矩阵,并利用图注意力机制计算各od对在当前历史时间步的时序特征关联度以构建动态特征层邻接矩阵;基于外部事件数据与各od对的静态属性数据生成事件关联表征,并基于事件关联表征构建表征事件驱动空间关联的外部事件层邻接矩阵;对结构层邻接矩阵、动态特征层邻接矩阵以及外部事件层邻接矩阵进行时变加权融合,生成对应历史时间步的时变邻接矩阵。
6、在一种可能的实现方式中,基于各od对共享机场的拓扑连接关系与预训练实体语义向量,构建表征相对稳定航线拓扑先验的结构层邻接矩阵,包括:获取航线网络中各od对之间的机场拓扑连通关系,生成指示任意两个od对是否共享至少一个机场的拓扑指示矩阵;基于各机场对应的预训练实体语义向量,计算共享至少一个机场的任意两个od对之间的机场语义空间距离;在确定两个od对满足共享至少一个机场的拓扑连接条件的情况下,基于机场语义空间距离结合负指数衰减对拓扑指示矩阵中的连通权重进行距离衰减加权;在确定两个od对不满足拓扑连接条件的情况下,将对应的连通权重置为零,以生成结构层邻接矩阵。
7、在一种可能的实现方式中,利用图注意力机制计算各od对在当前历史时间步的时序特征关联度,构建表征实时市场动态交互的动态特征层邻接矩阵,包括:对各od对在当前历史时间步的时序特征进行特征空间变换,得到各od对在预设嵌入空间的节点表征向量;计算两两od对的节点表征向量之间的特征相关度系数,并对各od对的邻域节点对应的特征相关度系数执行归一化处理,得到各od对之间的注意力权重;基于各od对之间的注意力权重,构建动态特征层邻接矩阵。
8、在一种可能的实现方式中,基于外部事件数据与各od对的静态属性生成事件关联表征,并基于事件关联表征构建表征事件驱动空间关联的外部事件层邻接矩阵,包括:将外部事件数据中的时间编码特征与各od对的静态属性向量进行拼接映射,生成各od对的事件感知表征向量;计算任意两个od对的事件感知表征向量之间的点积相似度,并通过激活函数将点积相似度映射为介于预设区间的关联权重;在确定两个od对均满足预设的事件关联指示条件的情况下,将对应的关联权重写入外部事件层邻接矩阵;在确定存在任一od对不满足事件关联指示条件的情况下,将对应的关联权重置为零。
9、在一种可能的实现方式中,基于各历史时间步的全网聚合需求时序数据提取全局宏观趋势特征,包括:将由各od对的历史需求时序数据聚合得到的全网聚合需求序列输入时间卷积网络;利用时间卷积网络提取设定历史时间窗口内的多尺度时序关联特征,得到表征航线网络整体需求变化趋势的全局宏观趋势特征。
10、在一种可能的实现方式中,基于时变邻接矩阵对各od对的历史需求时序数据进行时空特征提取,得到各od对的局部微观时空特征,包括:针对各历史时间步,基于时变邻接矩阵对各od对的时序特征执行图空间卷积,聚合相邻od对的局部空间特征以生成各历史时间步对应的节点空间特征;将各历史时间步对应的节点空间特征输入门控循环网络,并利用时序注意力机制计算历史各时间步的注意力权重以提取时序演化特征,输出表征各od对自身需求变化的局部微观时空特征。
11、在一种可能的实现方式中,将各历史时间步对应的节点空间特征输入门控循环网络,并利用时序注意力机制计算历史各时间步的注意力权重以提取时序演化特征,输出表征各od对自身需求变化的局部微观时空特征,包括:将各历史时间步对应的节点空间特征依次输入门控循环单元,得到各历史时间步对应的隐藏状态;计算当前历史时间步的隐藏状态与各历史时间步隐藏状态之间的时序关联度,并根据时序关联度对各历史时间步的隐藏状态进行加权求和,得到加权时序特征;基于加权时序特征与当前历史时间步对应的节点空间特征更新门控循环单元的隐状态,输出局部微观时空特征。
12、在一种可能的实现方式中,基于融合权重对全局宏观趋势特征与局部微观时空特征进行融合处理,得到各od对的多粒度时空融合特征,包括:利用融合权重中的第一权重对局部微观时空特征进行加权,得到加权微观特征;利用融合权重中与第一权重互补的第二权重,对经维度对齐后的全局宏观趋势特征进行加权,得到加权宏观特征;将加权微观特征与加权宏观特征相加,得到各od对的多粒度时空融合特征。
13、在一种可能的实现方式中,基于外部事件数据、全局宏观趋势特征以及局部微观时空特征,确定各od对对应的融合权重,包括:将外部事件数据中的事件编码特征、全局宏观趋势特征以及各od对对应的局部微观时空特征进行特征拼接,得到多模态拼接特征;将多模态拼接特征输入门控单元,计算输出各od对对应的门控权重;基于门控权重确定第一权重,并将单位权重与第一权重的差值确定为第二权重。
14、在一种可能的实现方式中,基于各od对的多粒度时空融合特征进行多步时空解码,输出待预测时间步内各od对的旅客需求预测结果,包括:将各od对在预设历史时序区间对应的多粒度时空融合特征输入多步预测解码器;利用多步预测解码器输出表征目标统计分布特性的分布参数;基于分布参数,确定待预测时间步内各od对的旅客需求期望预测值以及在预设置信度下的预测置信区间,作为旅客需求预测结果。
15、在一种可能的实现方式中,目标统计分布为零膨胀负二项分布,分布参数包括零膨胀概率参数、需求均值参数以及离散度参数中的至少一种。
16、在一种可能的实现方式中,输出待预测时间步内各od对的旅客需求预测结果之后,方法还包括:获取目标od对对应的运力供给数据,运力供给数据包括可承运目标od对的直达航班座位运力、中转航班座位运力以及代码共享座位运力中的至少一种;基于运力供给数据,确定目标od对对应的可服务运力阈值;在确定目标od对在待预测时间步内的旅客需求期望预测值超出可服务运力阈值的情况下,基于目标od对在对应时间步的预测置信区间确定超额需求波动区间;根据超额需求波动区间生成运力调度控制指令、动态票价调整指令或中转分流控制指令;输出运力调度控制指令、动态票价调整指令或中转分流控制指令,以调整可承运目标od对的航班或航段的运力配置、客票价格或中转路径配置。
17、需要说明的是,本发明输出的旅客需求预测结果属于od对层面的需求预测值,而航班座位数属于航班或航段层面的运力供给数据,二者维度不同。对于存在中转服务的od对,其旅客需求可由直达航班、中转航班组合以及代码共享航班共同承运。因此,在将od需求预测值与运力阈值进行比较之前,需建立od对与航班或航段之间的运力映射关系。
18、具体地,可预先构建od-航班关联关系,对于直达od对,将其关联至可承运的直达航班;对于中转od对,将其关联至满足中转条件的中转航班组合。然后,根据历史承运比例、中转联程比例、代码共享可售配额等,将航班座位数折算为od对维度的可服务运力,并沿od维度聚合得到可服务运力阈值。由此,od需求预测值与可服务运力阈值处于同一od维度,可直接进行比较。
19、此外,在生成票价调整指令时,还需考虑中转路径和竞争航线的替代效应。若目标od对存在可用中转路径或竞争航线,则不宜直接对直达航班执行票价上调,而应结合替代路径的剩余运力、票价水平和旅客中转接受度,生成网络级运力再分配、中转分流或联程票价调整指令。
20、第二方面,提供一种需求预测系统,系统包括:处理单元和获取单元;获取单元,被配置为:获取航线网络中各起讫点od对的历史需求时序数据以及对应的外部事件数据;其中,历史需求时序数据用于表征各od对在历史各时间步的客流需求与运力配置特征,外部事件数据用于表征影响航空出行需求的时间与环境事件特征;处理单元,被配置为:针对各历史时间步,基于各od对之间的拓扑先验关系、各od对的时序特征相关性以及外部事件数据,构建表征各od对之间动态空间依赖关系的时变邻接矩阵;其中,时变邻接矩阵用于表征航线网络拓扑随市场状态及外部事件演变的时变空间关联特征;处理单元,还被配置为:基于各历史时间步的全网聚合需求时序数据提取全局宏观趋势特征,并基于时变邻接矩阵对各od对的历史需求时序数据进行时空特征提取,得到各od对的局部微观时空特征;其中,全网聚合需求时序数据由各od对的历史需求时序数据沿网络维度聚合得到;处理单元,还被配置为:基于外部事件数据、全局宏观趋势特征以及局部微观时空特征,确定各od对对应的融合权重,并基于融合权重对全局宏观趋势特征与局部微观时空特征进行融合处理,得到各od对的多粒度时空融合特征;处理单元,还被配置为:基于各od对的多粒度时空融合特征进行多步时空解码,输出待预测时间步内各od对的旅客需求预测结果。
21、第二方面中任意一种实现方式所对应的技术效果,可参见上述第一方面中任意一种实现方式所对应的技术效果,此处不再赘述。
22、第三方面,提供一种计算机设备,计算机设备包括:处理器和存储器,存储器中存储有至少一条计算机程序,至少一条计算机程序由处理器加载并执行以实现上方面的方法。
23、第四方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一条计算机程序,至少一条计算机程序由处理器加载并执行以实现上方面的方法。
24、第五方面,提供一种计算机程序产品,计算机程序产品包括计算机程序或指令,当计算机程序或指令被处理器执行时,实现上方面的方法。
25、上述第二方面至第五方面提供的方案,用于实现上述第一方面提供的方法,其具体实现不再一一赘述。上述第二方面至第五方面提供的方案中任意一种实现方式所对应的技术效果,可参见上述第一方面中任意一种实现方式所对应的技术效果,此处不再赘述。
26、需要说明的是,上述各个方面中的任意一个方面的各种可能的实现方式,在方案不矛盾的前提下,均可以进行组合。
27、本技术提供的技术方案至少带来以下有益效果:通过构建随历史时间步动态演变的时变邻接矩阵,克服了现有技术采用静态图结构导致的信息滞后与表达偏差,使模型能够准确捕捉od对间随市场状态及外部事件变化的动态空间依赖关系;在此基础上,通过分离提取宏观全网趋势特征与微观局部时空特征,既保留了网络整体需求变化规律,又兼顾了各od对自身的精细波动模式,克服了单一粒度建模的信息损失问题;进而利用外部事件数据、宏观特征和微观特征共同驱动的融合权重对两种粒度特征进行自适应融合,使融合权重的确定依据实际场景动态调整,克服浅层拼接导致的多源信息无法有效整合的缺陷,实现了宏观趋势与微观波动在不同情境下的最优耦合;最终基于融合特征进行多步解码输出,显著提升了预测模型在应对市场波动和突发事件时的准确性及鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com