[發明專利]基于多粒度時間注意力機制確定航班客座率的方法和系統

在審

• 申請號: 201911386046.0
• 申請日: 2019-12-29
• 公開（公告）號: CN111325380A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 鄧玉婧;梁麗;吳偉剛;孫藝;張學軍;宋穎;陳曉敏
• 申請（專利權）人: 航天信息股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 姜麗樓

1.一種基于多粒度時間注意力機制確定航班客座率的方法,其特征在于，所述方法包括：

采集一個航線在某一個時間周期內所有起飛時刻的歷史航班客座率數據，生成初始樣本集；

對所述歷史航班客座率數據中具有離散屬性和連續屬性的數據進行預處理，生成有效樣本集；

基于預先確定的預測所述航線航班客座率的最優模型，以所述有效樣本集中目標航班的數據為輸入向量，對所述航線上的目標航班未來τ天的客座率進行預測；

根據預測所述航線上航班客座率的最優模型的輸出結果對所述目標航班在所述航線上未來τ天的航行進行調整。

2.根據權利要求1所述的方法，其特征在于，所述方法在采集一個航線在某一個時間周期內所有起飛時刻的歷史航班客座率數據之前還包括建立預測所述航線航班客座率的最優模型，其中：

采集一個航線在某一個時間周期內所有起飛時刻的歷史航班客座率數據，生成初始樣本集；

對所述初始樣本集中具有離散屬性和連續屬性的數據進行預處理，生成有效樣本集；

按照預先設置的比例，將有效樣本集劃分為非重疊的有效訓練集和有效驗證集；

設置與訓練預測航班客座率的第一模型的相關的信息和預測航班客座率的第一模型中的超參的初始值，其中，所述第一模型包括2個編碼器模塊，1個解碼器模塊和1個外部因素融合模塊，所述2個編碼器模塊分別是臨近時段編碼器模塊和遙遠時段編碼器模塊，其用于對輸入向量進行編碼，所述臨近時段編碼器模塊的輸入向量是臨近時段所述航線上目標航班所有起飛時刻的航班客座率時間序列，所述遙遠時段編碼器模塊的輸入向量是遙遠時段所述航線上目標航班所有起飛時刻的航班客座率時間序列，所述臨近時段是指與需要預測的目標航班在預測時段內的每一天相鄰的時間段，所述遙遠時段是指與需要預測的目標航班在預測時段內的每一天相隔一定天數的時間段，外部因素融合模塊用于確定除所述航線起飛時間以外的外部因素對所述航線上的航班的影響，其輸入向量為有效訓練集中目標航班在預測時間內的除所述航線起飛時間以外的外部因素的數據，解碼器模塊用于輸出所述航線上目標航班客座率預測結果；臨近時段編碼器模塊包括第一臨近時段長短期記憶網絡LSTM單元和第二臨近時段LSTM單元，所述遙遠時段編碼器模塊包括第一遙遠時段LSTM單元和第二遙遠時段LSTM單元，所述解碼器模塊包括解碼LSTM單元，所述與訓練預測航班客座率的第一模型的相關的信息包括批大小、學習、訓練輪數和防止過擬合策略；所述超參指第一臨近時段長短期記憶網絡LSTM單元和第一遙遠時段LSTM單元隱藏層狀態數，第二臨近時段LSTM單元和第二遙遠時段LSTM單元隱藏層狀態數，解碼LSTM單元隱藏層狀態數，以及臨近時段和遙遠時段的時間窗口長度；

根據所述有效訓練集，基于預測航班客座率的第一模型進行客座率預測，并將所述第一模型的輸出結果與所述有效訓練集中的航班客座率數據進行比較，確定所述第一模型中的最優參數值，生成預測航班客座率的第二模型，其中，所述第一模型中的最優參數是指第一臨近時段長短期記憶網絡LSTM單元、第一遙遠時段LSTM單元、第二臨近時段LSTM單元和第二遙遠時段LSTM單元中需要學習的參數的最優值；

根據所述有效驗證集，為所述預測航班客座率的第二模型中的超參賦值后進行客座率預測，并將所述第二模型的輸出結果與所述有效驗證集中的目標航班在預測時間段的航班客座率數據進行比較，將比較結果最接近時的超參值作為所述第二模型中的超參的最優值，生成預測航班客座率的最優模型。