基于潜在出行意图的民航旅客移动模型

人类出行具有规律性,对人类移动规律构建移动模型具有理论意义和现实需求。现有移动模型通常基于人类出行距离具有标度性这一假设,且未考虑出行次数和基础设施网络的影响。针对上述问题,利用民航旅客出行数据集进行统计分析发现旅客出行有以下特性:出行距离分布不具有标度性,出行次数具有各向异性,旅客扩散随出行次数不同具有不同的变化趋势。为了刻画民航旅客出行特性,提出了基于潜在出行意图的民航旅客移动模型(passenger mobility model based on potential trip purpose,PMMPTP)。首先,考虑旅客出行与目标城市经济因素有关,提出了旅客出行城市的选择概率计算方法。然后,考虑旅客出行具有探索和返回特性,给出了计算旅客探索新机场和返回历史机场的概率的方法。实验中,先利用PMMPTP模型模拟民航旅客的出行特性,再通过对机场吞吐量和航线吞吐量的预测检验其有效性。实验结果表明,该模型能较好地拟合真实数据,有效解决了大量低频出行旅客的出行建模。

基于旅客出行意图的航线潜在价值计算模型

传统的航线价值计算通常以统计客流量为主,忽略了旅客偏好对航线潜在价值的影响,因此,本文提出了一种基于旅客出行意图的航线潜在价值计算模型.该模型利用最大似然估计法对旅客舱位偏好进行量化,然后引入出行意图的概念将旅客出行行为进行细分,并利用Gibbs Sampling方法实现出行意图的求解,最终达到航线潜在价值计算的目的.在中国民航旅客订票数据集上的实验表明,本文方法获得的2010年航线价值序列与2011年航线价值序列的相似度要明显高于统计客流量的方法,且对排名前5的高价值航线的挖掘准确率可达100%.

一种基于潜在出行意图的旅客价值发现模型

如何识别不同价值的旅客是航空公司进行针对性营销面临的重要问题。大规模的旅客出行数据隐藏着旅客的出行动机,现有旅客价值评价方法将旅客看作独立个体,仅利用旅客自身出行数据计算旅客价值,忽略了旅客潜在出行动机对旅客价值的影响。针对此现状,提出一种基于潜在出行意图的旅客价值发现模型。该模型利用Gibbs采样求解旅客共同出行关系影响下的旅客潜在出行意图,再根据旅客潜在出行意图分布来计算旅客未来航线需求,最后结合旅客历史乘机频率以及航空公司航线市场占有率得到旅客价值。实验结果表明基于潜在出行意图的旅客价值发现模型能有效识别旅客价值。

基于层次出行意图的旅客航线偏好预测

旅客航线偏好预测对个性化航班推荐、旅客细分、航线价值计算等领域的研究具有重要意义,大规模旅客历史出行数据中隐藏着旅客的出行意图,然而现有旅客航线偏好预测忽略了旅客群体趋同性、旅客潜在出行意图等对旅客航线选择的影响。针对此现状,提出一种基于层次出行意图的旅客航线偏好预测方法。该方法基于旅客PNR数据,提取旅客历史航线选择行为并对其进行合理分组,使得组内旅客呈现类似的出行意图分布,且组间旅客以不同概率共享某些出行意图,形成一种层次结构出行意图;在此基础上,采用HDP模型计算旅客层次出行意图矩阵和意图—航线矩阵,从而得到旅客未来航线选择矩阵,实现旅客航线偏好预测。在真实民航旅客订票数据集中的实验结果表明,该方法能有效发现旅客潜在出行意图,对旅客未来航线选择做出较精准预测。

基于旅客出行意图的潜在高价值航线挖掘

借助Map-reduce平台对旅客订票日志进行挖掘,并采用LDA算法挖掘旅客出行意图,进而计算航线的潜在价值。在2011年中航信民航旅客订票日志上的实验结果表明:采用LDA算法挖掘的航线与实际热门航线的Jacarrd相似系数达92%,比基于航班次数统计的传统方法高出2%,能够更准确、更有效地预测航线的未来价值。

基于出行意图的潜在高价值旅客发现概率模型

由于潜在高价值旅客当前乘机历史记录少,较难被航空公司准确发现并关注.对此,提出基于出行意图的潜在高价值旅客发现概率模型.首先建立一个基于统计的潜在高价值旅客发现概率模型,再将旅客出行意图引入概率模型,发现旅客潜在航线需求,优化旅客潜在价值计算,从而通过出行意图发现潜在高价值旅客.实验结果表明,相比于次数法、里程法以及RFM模型等传统的旅客价值度量方法,基于出行意图的潜在高价值旅客发现概率模型能够有效识别潜在高价值旅客.

基于OpenLayers和TileCache的出行示意图设计

针对出行示意图的开发,提出了一种基于OpenLayers和TileCache开源技术的WebGIS设计方案。借助OpenLayers的功能实现示意图的展示,采用TileCache实现示意图的缓存机制,降低了开发难度和成本,提高了显示性能和界面功能,获得较好的客户体验。

基于LDA的航线潜在价值挖掘模型

在分析了传统的主题模型后提出了一种基于LDA的航线潜在价值挖掘模型。该模型将旅客出行行为的分析划分成两个阶段,出行意图的确定及出行意图下航线的选择,并与旅客价值进行融合来挖掘航线的潜在价值。出行意图采用Gibbs sampling方法从旅客出行记录中获取,航线则在旅客确定出行意图后由出行意图的航线向量获得,旅客价值则结合出行中的舱位信息进行提取。在中国民航旅客订票数据集上的实验表明,本文模型在2010年和2011年两个数据集上获得的两组航线潜在价值序列比pLSI模型和senLDA模型获得的两组航线潜在价值序列都拥有更好的有序相关性,且在挖掘排名前5的航线潜在价值时,本文模型在该两个数据集上获得了两组完全一致的航线潜在价值序列,表明其在挖掘高潜在价值航线方面的优势。

聊天机器人中用户出行消费意图识别方法

聊天机器人中的出行消费意图是指用户为了满足出行的需要,通过文本表达出对出行类产品或者服务的购买意愿.识别出用户的消费意图可以进行相应的产品推荐,增强用户体验.传统的消费意图识别主要使用基于模板匹配或者基于人工特征集合的机器学习方法,这类方法费时费力,扩展性不强.本文将出行消费意图识别任务看成一个分类问题,结合深度学习方法识别用户的出行消费意图,该方法不需要人工构造特征集合或匹配模板.具体而言,本文构建了基于卷积的长短期记忆神经网络(Convolutional-LSTM)模型进行出行消费意图识别,首先通过卷积神经网络(CNN)对用户的聊天文本进行特征抽取,随后进行特征组合并送入长短记忆神经网络(LSTM)进行特征表示学习,最后输出分类结果.实验结果表明,在出行消费意图识别任务上,基于Convolutional-LSTM的模型在F值上优于最好的基线方法 2个百分点.