基于多粒度时间注意力RNN的航班客座率预测

准确预测航班客座率有利于处理航班机票超售、座位虚耗等问题,然而传统时间序列预测方法只关注航班近期每日客座率的变化特点,无法同时考虑其他因素的影响,预测效果不够理想。针对该问题,提出一种基于多粒度时间注意力机制的循环神经网络模型MTA-RNN。通过构建多级注意力机制获取航班客座率在不同时间粒度下的时序相关性,同时考虑航班自身属性及节假日等其他因素,得到未来一段时间内的目标航班客座率。在真实历史航班客座率数据集上的实验结果表明,MTA-RNN模型的预测准确率高于ARIMA模型、LSTM模型和Seq2seq模型。

铁路旅客列车客座率分类及预测模型研究

铁路旅客列车分类,对于分配旅客运输能力、提高列车收益具有重要意义。建立以客座率最优为目标的列车分类和预测模型,通过数据预处理、分类结果中最优客座率选取和基于随机森林算法的分类预测3个模块展开分析,利用谱聚类-CACC模型和CACC算法对目标和因素变量进行离散化处理,设计基于误差区间交集和样本密度的最优客座率选取算法,并利用随机森林算法对客座率进行分类。最后,通过Kappa指数和百分误差对分类和预测精度进行验证,证明了模型的有效性和准确性。