[發(fā)明專利]一種結(jié)合CNN和LSTM的航班平均票價(jià)預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011102260.1
• 申請日: 2020-10-15
• 公開（公告）號: CN112232483A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 游進(jìn)國;甘國育;趙志超;鄒本源;賈連印;丁家滿;李曉武
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F17/18;G06Q30/02;G06Q50/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種結(jié)合CNN和LSTM的航班平均票價(jià)預(yù)測方法，屬于深度學(xué)習(xí)領(lǐng)域，首先，對影響航班票價(jià)的多種特征進(jìn)行融合處理形成票價(jià)序列數(shù)據(jù)；然后輸入CNN和LSTM相結(jié)合的航班平均票價(jià)預(yù)測模型(AFFF_CNN_LSTM模型)訓(xùn)練，模型會(huì)利用長短期記憶網(wǎng)絡(luò)構(gòu)建的編碼器?解碼器網(wǎng)絡(luò)來捕獲票價(jià)序列的時(shí)間周期性依賴，同時(shí)利用三層卷積神經(jīng)網(wǎng)絡(luò)來獲取票價(jià)序列關(guān)鍵的空間局部特征；最后使用模型對航班平均票價(jià)進(jìn)行預(yù)測，在真實(shí)的航班票價(jià)數(shù)據(jù)集上實(shí)驗(yàn)表明，本發(fā)明的AFFF_CNN_LSTM模型方法相比傳統(tǒng)的ARIMA模型方法、LSTM模型方法，預(yù)測航班平均票價(jià)更加準(zhǔn)確，模型的泛化能力也更好。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)領(lǐng)域，具體為一種結(jié)合CNN和LSTM的航班平均票價(jià)預(yù)測方法。

背景技術(shù)

在民航客運(yùn)領(lǐng)域，航班票價(jià)由于受到不同時(shí)間粒度以及航班自身屬性等眾多因素的影響，導(dǎo)致難以準(zhǔn)確的預(yù)測。國內(nèi)外在機(jī)票價(jià)格方面所做的研究可以分為兩個(gè)方面：分類和回歸。

在分類方面，Etzioni等(To Buy or Not to Buy:Mining Airfare Data toMinimize Ticket Purchase Price，2003，119-128)采用集成學(xué)習(xí)的方法將規(guī)則學(xué)習(xí)、強(qiáng)化學(xué)習(xí)以及時(shí)間序列分析這幾個(gè)弱分類器集成起來，構(gòu)建出Hamlet算法，利用該算法預(yù)測特定航線的航班在未來幾天的票價(jià)走勢，從而給出“購買”或“等待”的建議。Wohlfarth等(A Data-Mining Approach to Travel Price Forecasting，2011，84-89)采用標(biāo)記點(diǎn)過程(Marked Point Processes，MPP)的預(yù)處理技術(shù)，選取票價(jià)序列中顯著變化的點(diǎn)以減少數(shù)據(jù)集，然后根據(jù)該數(shù)據(jù)集求出未來一段時(shí)間價(jià)格下降的概率，從而給出“購買”或“等待”的建議。李彥君等(基于深度學(xué)習(xí)方法的機(jī)票價(jià)格預(yù)測，2019)采用LSTM和XGBoost融合的模型預(yù)測機(jī)票價(jià)格，給出機(jī)票價(jià)格上升、下降和不變的概率。

在回歸方面，Tziridis K等(Airfare Prices Prediction Using MachineLearning Techniques，2017，1036-1039)利用出發(fā)時(shí)間、星期屬性等8個(gè)特征變量，給出8種不同的機(jī)器學(xué)習(xí)方法預(yù)測機(jī)票價(jià)格，并對這些方法進(jìn)行了魯棒性和準(zhǔn)確率的分析；Chen等(An Ensemble Learning Based Approach for Building Airfare Forecast Service，2015，964-969)利用實(shí)時(shí)機(jī)票價(jià)格數(shù)據(jù)構(gòu)成時(shí)間序列，采用Learn++.TS算法預(yù)測機(jī)票價(jià)格。

航班平均票價(jià)的預(yù)測本質(zhì)上是基于時(shí)間序列進(jìn)行的。早期對時(shí)間序列預(yù)測方面的研究基本上都是采用自回歸滑動(dòng)平均模型(ARMA)及其變體，如自回歸差分滑動(dòng)平均模型ARIMA、向量自回歸模型(VAR)等。以上的這些時(shí)間序列方法能夠較好的獲取時(shí)間序列數(shù)據(jù)中的時(shí)間相關(guān)性，但其并不能捕獲非線性關(guān)系，而現(xiàn)實(shí)應(yīng)用中的數(shù)據(jù)基本上都存在非線性關(guān)系。

近年來，由于深度學(xué)習(xí)的快速發(fā)展，各種具有強(qiáng)大表示能力的神經(jīng)網(wǎng)絡(luò)相繼被提出，這些神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍廣泛，對數(shù)據(jù)非線性關(guān)系的捕獲也很具靈活性。卷積神經(jīng)網(wǎng)絡(luò)是由卷積層、池化層和全連接層構(gòu)成的前饋神經(jīng)網(wǎng)絡(luò)。卷積層作為卷積神經(jīng)網(wǎng)絡(luò)最重要的層，主要的作用就是提取輸入數(shù)據(jù)的特征，其最主要的兩個(gè)特征是局部感知和權(quán)值共享。池化層即下采用層，主要作用是通過下采樣過濾掉不重要的信息，同時(shí)減少模型參數(shù)。全連接層的主要作用是接收卷積層和池化層傳遞過來的信息。Krizhevsky A等在2012年的ImageNet挑戰(zhàn)賽中提出了AlexNet網(wǎng)絡(luò)，使卷積神經(jīng)網(wǎng)絡(luò)發(fā)展更進(jìn)一步，應(yīng)用范圍也更廣泛，在自然語言處理、音頻生成和時(shí)間序列處理方面取得了很大的發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)可以識(shí)別時(shí)間序列數(shù)據(jù)中的局部模式且具有平移不變性，使其在處理序列數(shù)據(jù)顯得獨(dú)有特色。