一种基于聚类加强时间序列的代理人销售预测方法及系统与流程

摘要: 本发明属于信息预测,特别涉及一种基于聚类加强时间序列的代理人销售预测方法及系统。背景技术:1、在民航运输业中,销售代理人是连接航空公司与旅客的关键桥梁,其销售动...
一种基于聚类加强时间序列的代理人销售预测方法及系统与流程

本发明属于信息预测,特别涉及一种基于聚类加强时间序列的代理人销售预测方法及系统。

背景技术:

1、在民航运输业中,销售代理人是连接航空公司与旅客的关键桥梁,其销售动态直接关系到航空公司的收益管理、航线网络规划以及市场策略制定的科学性与前瞻性。因此,对代理人销售行为进行精准预测,已成为航空公司运营决策的核心需求之一。代理人销售数据具有典型的时间序列特性,包括趋势性(如季节性波动)、周期性(如节假日效应)以及随机性(如突事件影响)。此外,销售数据还受到多种外部因素的影响,经济环境、燃油价格波动、竞争对手定价策略、政策调整(如航线开放或补贴政策)以及突发公共事件(如疫情、自然灾害)。传统的销售预测方法主要采用统计时间序列模型(如arima)或者机器学习模型(如支持向量回归-svr、随机森林、lstm神经网络)。然而,这些方法在民航代理人销售预测场景的应用中,预测效果往往受到样本数据的波动性、时间局限性等因素,未能达到有效结合时间序列的动态演化趋势,使预测结果与实际销售模式匹配度不足。

技术实现思路

1、为解决上述问题,本发明提供了一种基于聚类加强时间序列的代理人销售预测方法及系统,以解决现有方法在民航代理人销售预测场景的应用中,预测效果往往受到样本数据的波动性、时间局限性等因素,未能达到有效结合时间序列的动态演化趋势,使预测结果与实际销售模式匹配度不足的问题。

2、一种基于聚类加强时间序列的代理人销售预测方法,包括:

3、从业务数据库中提取代理人的原始业务数据;

4、对原始业务数据进行数据预处理与特征提取,得到特征数据集;

5、基于混合属性聚类算法对特征数据集进行聚类分簇,得到多个聚类簇;

6、基于贝叶斯结构化时间序列算法构建代理人销售预测模型;

7、基于多个聚类簇分别对模型进行优化与训练,得到各聚类簇对应的代理人销售预测模型;

8、基于训练后的代理人销售预测模型,对目标代理人的销售额进行预测。

9、根据本发明一具体实施例,原始业务数据包括代理信息数据、旅客信息数据、客票信息数据、旅客行程信息数据和航班信息数据。

10、根据本发明一具体实施例,对原始业务数据进行数据预处理与特征提取,得到特征数据集进一步包括:

11、对原始业务数据进行数据清洗和特征数值化处理,得到原始特征数据;

12、基于业务规则对原始特征数据进行特征衍生,得到衍生特征数据;

13、基于原始特征数据和衍生特征数据构建特征数据集。

14、根据本发明一具体实施例,对原始业务数据进行数据清洗和特征数值化处理,得到原始特征数据进一步包括:

15、根据原始业务数据的类别特征,对原始业务数据进行缺失值和异常值处理,以及

16、对字符串形式的特征数据进行数值化编码,得到原始特征数据。

17、根据本发明一具体实施例,根据原始业务数据的类别特征,对原始业务数据进行缺失值和异常值处理包括:

18、对类别型特征数据填充默认值-1,对数值型特征数据填充特征属性列的平均值。

19、根据本发明一具体实施例,衍生特征数据包括代理人月度的出票量、代理人月度的换开票数量、废票数量、退票数量、国内客票数量、国际客票数量、代理人销售的不同航段数量、开放式机票数量、总销售额、平均提前出票时间、经停航班客票量占比、代理人所在地、代理人服务的成人类型占比、代理人服务的儿童类型占比、常旅客客票量占比、团队票客票量占比、代理人出票的散客与团队比例、订座时间距离出票时间的平均时间间隔、废票总金额、退票总金额、出票总金额、销售同比增长量、销售环比增长量以及代理人的重复购买人数。

20、根据本发明一具体实施例,混合属性聚类算法为k-prototype算法。

21、根据本发明一具体实施例,代理人销售预测模型的计算公式表示为:

22、观测方程:

23、,

24、

25、其中,为t时刻的样本数据,为观测矩阵,为隐含状态,为外部协变量,为回归系数,为观测误差,为正态分布的标准差平方;

26、状态方程:

27、

28、

29、其中,为状态转移矩阵,为状态扰动矩阵,为噪声项,为方差-协方差矩阵。

30、根据本发明一具体实施例,基于多个聚类簇分别对模型进行优化与训练,得到各聚类簇对应的代理人销售预测模型具体包括:

31、基于不同聚类簇之间的差异,对各聚类簇对应的代理人销售预测模型进行优化;

32、采用并行计算框架对多个聚类簇的代理人销售预测模型进行虚拟并行训练,并建立层次化超先验对各模型的参数进行统计强度共享,其中并行计算框架为基于pytorch框架与ray库的并行计算框架;

33、采用mae模型评估指标对训练后的代理人销售预测模型进行评估。

34、根据本发明一具体实施例,基于不同聚类簇之间的差异,对各聚类簇对应的代理人销售预测模型进行优化进一步包括:

35、基于不同聚类簇之间的差异,对各聚类簇对应的代理人销售预测模型的状态空间组件、先验分布和mcmc采样参数进行差异化配置,其中先验分布包括观测噪声先验、状态噪声先验和回归系数先验, mcmc采样参数包括迭代次数,状态空间组件包括局部线性趋势参数、季节性分量阶数和自回归项阶数。

36、一种基于聚类加强时间序列的代理人销售预测系统,包括:

37、数据提取模块,用于从业务数据库中提取代理人的原始业务数据;

38、数据处理与特征提取模块,用于对原始业务数据进行数据预处理与特征提取,得到特征数据集;

39、聚类模块,用于基于混合属性聚类算法对特征数据集进行聚类分簇,得到多个聚类簇;

40、预测模型构建模块,用于基于贝叶斯结构化时间序列算法构建代理人销售预测模型;

41、模型优化与训练模块,用于基于多个聚类簇分别对模型进行优化与训练,得到各聚类簇对应的代理人销售预测模型;

42、销售额预测模块,用于基于训练后的代理人销售预测模型,对目标代理人的销售额进行预测。

43、根据本发明一具体实施例,数据处理与特征提取模块还包括:

44、数据清洗与数值化模块,用于对原始业务数据进行数据清洗和特征数值化处理,得到原始特征数据;

45、特征衍生模块,用于基于业务规则对原始特征数据进行特征衍生,得到衍生特征数据;

46、特征数据集构建模块,用于基于原始特征数据和衍生特征数据构建特征数据集。

47、根据本发明一具体实施例,数据清洗与数值化模块还包括:

48、数据异常处理模块,用于根据原始业务数据的类别特征,对原始业务数据进行缺失值和异常值处理,以及

49、数值化编码模块,用于对字符串形式的特征数据进行数值化编码,得到原始特征数据。

50、根据本发明一具体实施例,模型优化与训练模块还包括:

51、模型优化模块,用于基于不同聚类簇之间的差异,对各聚类簇对应的代理人销售预测模型进行优化;

52、并行训练模块,用于采用并行计算框架对多个聚类簇的代理人销售预测模型进行虚拟并行训练,并建立层次化超先验对各模型的参数进行统计强度共享,其中并行计算框架为基于pytorch框架与ray库的并行计算框架;

53、评估模块,用于采用mae模型评估指标对训练后的代理人销售预测模型进行评估。

54、一种电子设备,包括:处理器和存储器,存储器中存储有计算机程序,计算机程序由处理器加载并执行以实现上述的基于聚类加强时间序列的代理人销售预测方法。

55、一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序由处理器加载并执行以实现上述的基于聚类加强时间序列的代理人销售预测方法。

56、与现有技术相比,本发明提供的一种基于聚类加强时间序列的代理人销售预测方法及系统,具有如下优点:

57、1.差异化建模优势:本发明通过引入聚类分簇操作预先识别代理人群体特征(如商务强度类型等),为每个聚类簇施加贝叶斯结构化时间序列(bayesian structural timeseries, bsts)模型,使得同类代理人数据聚合增强统计的显著性。

58、2.计算效率优化:传统机器学习或时间序列算法需要大量的计算资源,以便在数据集上进行模型训练。而本发明采用的聚类增强的bsts模型则充分利用聚类结果,在分簇上施加模型训练,若需调整参数仅需对受影响的簇重训练即可,提高了模型训练优化的效率。

59、3.提高模型准确度:聚类增强的时间序列模型通过各簇的特征差异使模型训练达到一种比较有效地均衡,从而在一定程度上提高模型的准确度,同时也更加适应代理人数据的季节性波动。

60、4.增强灵活性共享性:本发明通过在框架内引入ray库使的各簇模型的信息共享提高虚拟并行训练的效果,建立层次化超先验使各簇模型参数共享统计强度。