基于多任务学习的机票价格预测模型

针对现有机票销售模型忽视不同票价等级需求问题,考虑到机票需求的影响,提出一种多任务学习模型预测机票价格。在机票价格预测中引入辅助任务机票需求预测,建立多任务学习网络,通过共享相关任务在日、周、半月、月等水平上的多尺度需求特征,分析不同周期需求特征的影响。在六千万条记录的真实数据集上的实验结果表明,较之基准算法,该模型在准确率和F1分数方面提高了将近6%,验证了多任务学习模型的有效性。

基于TPA-Transformer的机票价格预测

【目的】航空业被认为是使用最复杂定价策略的行业之一,机票价格动态波动显著。乘客根据经验购票(如尽早购票)往往得不到最优价格,而基于时序模型的传统价格预测方法也不能很好地捕捉复杂内外部因素与机票价格之间的依赖关系。【方法】本文提出基于机器学习的机票价格预测模型TPA-Transformer(Ticket Price Aware Transformer,机票价格感知Transformer)和一种基于时间序列的数据处理方法,通过增加注意力模块引入其他航班价格参考信息,并在Encoder后增加多层卷积结构进行多航班不同属性信息融合与局部特征提取,从而提高模型在多步价格预测上的表现性能。【结果】随后在5个回归评价指标(MSE、RMSE、MAE、ACC以及AMS)上对模型结果进行验证。【结论】结果证明,模型能够有效提高预测准确率,明显优于其他5个对比模型(随机森林、XGBoost、LSTM、GRU、Transformer)。

考虑航线特征的机票价格预测方法研究

【目的】对日均航班数较少且历史数据不完整甚至缺失的航线进行票价预测,辅助旅客进行购票时间决策。【方法】借助多条航线的历史数据解决这类航线的票价预测问题。基于前人研究以及数据的可获得性,提取一批可能与机票价格波动相关的特征变量;对这些变量进行分类并利用控制变量的思想,逐步找出最合适的机票价格预测模型。【结果】模型中包含与年度相关的变量(航程变量、航线的社会经济特征)时,其预测误差小于不包含的情况。【局限】没有考虑中转航班等因素;没有研究居民可支配收入等特征变量;没有引入更多的预测算法和模型评价指标。【结论】年度相关特征、两地间航程以及航线的社会经济特征均与机票价格波动相关。

航班动态定价机制下的机票价格序列变点估计

本文旨在研究受航空业动态定价机制影响下的机票价格序列变点估计模型,文中分析了机票价格u8序列数据的结构特点,提出了可用于高噪声数据环境下、阶梯状、带明显多变点的多阶段序列变点估计框架,该框架依次组合了DBSCAN算法、EM-高斯混合模型聚类、凝聚层次聚类算法和基于乘积划分模型的变点估计方法等多种成熟的数据分析方法,通过对"北京-昆明"航线航班的实证分析,验证了数据分析框架的有效性和普遍适用性。