CN106779240A - 民航市场宏观指数的预测方法及*** - Google Patents
民航市场宏观指数的预测方法及*** Download PDFInfo
- Publication number
- CN106779240A CN106779240A CN201611260697.1A CN201611260697A CN106779240A CN 106779240 A CN106779240 A CN 106779240A CN 201611260697 A CN201611260697 A CN 201611260697A CN 106779240 A CN106779240 A CN 106779240A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- data set
- macroscopical
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000001747 exhibiting effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000010006 flight Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VUFNLQXQSDUXKB-DOFZRALJSA-N 2-[4-[4-[bis(2-chloroethyl)amino]phenyl]butanoyloxy]ethyl (5z,8z,11z,14z)-icosa-5,8,11,14-tetraenoate Chemical compound CCCCC\C=C/C\C=C/C\C=C/C\C=C/CCCC(=O)OCCOC(=O)CCCC1=CC=C(N(CCCl)CCCl)C=C1 VUFNLQXQSDUXKB-DOFZRALJSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJFMBFZCATUALV-UHFFFAOYSA-N phenolphthalein Chemical compound C1=CC(O)=CC=C1C1(C=2C=CC(O)=CC=2)C2=CC=CC=C2C(=O)O1 KJFMBFZCATUALV-UHFFFAOYSA-N 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种民航市场宏观指数的预测方法及***,其中,该方法包括:分别根据模型训练数据集和模型应用数据集对航班数据进行分类;将分类后的模型训练数据集转成矩阵,并生成预测模型;将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。通过本发明,填补了利用民航数据资产分析并预测民航市场总体情况的空白,解决了现有技术不能根据民航数据资产分析并预测民航市场的问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种民航市场宏观指数的预测方法、装置及***。
背景技术
近年来随着经济的快速发展,越来越多的人选择飞机作为出行的交通工具,旅客人数逐年增多,中国民航市场的发展情况整体向好。与此同时,民航业内部一些***,如代理人分销***、航空公司订票***等,也在不断地累积大量数据,数据规模逐年递增。宏观指数,正是基于民航市场的总体情况,通过指数化的形式,反映民航市场的兴旺和变化情况,其包含景气指数、量价指数和客座率指数等核心指标。
随着大数据时代的来临,所积累的数据成为了一种具有核心价值的资产。数据能够广泛地作用于产品、技术、运营、市场等企业经营的各个环节,以数据化运作的理念提升企业的盈利能力。把数据作为产品或***的衍生物的时代将一去不复返,数据与产品的关联性和同生性将逐渐加强,数据将与业务场景深度融合,数据将贯穿产品的设计、开发、运营和分析的完整过程,数据本身与业务的互生互促、相互影响,形成正反馈有机闭环。
现有技术中,在民航领域内,利用数据资产分析并预测民航市场总体情况,尚属空白。
针对现有技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种民航市场宏观指数的预测方法、装置及***,以至少解决现有技术不能根据民航数据资产分析并预测民航市场的问题。
根据本发明的一个实施例,提供了一种民航市场宏观指数的预测方法,包括:分别根据模型训练数据集和模型应用数据集对航班数据进行分类;将分类后的模型训练数据集转成矩阵,并生成预测模型;将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
可选地,在将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果之后,所述方法还包括:在数据产品中展现所述宏观指数预测结果。
可选地,分别根据模型训练数据集和模型应用数据集对航班数据进行分类包括:获取航班数据,并将所述航班数据划分为模型训练数据集和模型应用数据集;将所述模型训练数据集和所述模型应用数据集分别按照航班起飞时间和航班航线类型进行分类。
可选地,将分类后的模型训练数据集转成矩阵,并生成预测模型,包括:按照预定义的预测模型的输入格式将所述模型训练数据集转成矩阵;使用模型训练数据矩阵生成所述预测模型。
可选地,使用模型训练数据矩阵生成所述预测模型包括:对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;对所述样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成所述预测模型。
可选地,将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果包括:将所述预测模型应用于模型应用数据集后进行迭代计算得到宏观指数预测结果。
可选地,在数据产品中展现所述宏观指数预测结果包括:将所述宏观指数预测结果导入数据库中;对所述宏观指数预测结果进行指数化处理;从数据库中读取数据指数化处理后的所述宏观指数预测结果,并在数据产品中展现。
根据本发明的另一个实施例,提供了一种民航市场宏观指数的预测装置,包括:分类模块,用于分别根据模型训练数据集和模型应用数据集对航班数据进行分类;生成模块,用于将分类后的模型训练数据集转成矩阵,并生成预测模型;处理模块,用于将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
可选地,所述装置还包括:展现模块,用于在所述处理模块将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果之后,在数据产品中展现所述宏观指数预测结果。
可选地,生成模块包括:转换单元,用于按照预定义的预测模型的输入格式将所述模型训练数据集转成矩阵;生成单元,用于使用模型训练数据矩阵生成所述预测模型。
可选地,生产单元还用于:对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;对所述样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成所述预测模型。
根据本发明的另一个实施例,提供了一种民航市场宏观指数的预测***,包括:数据计算平台、数据展现平台,所述数据计算平台,用于完成民航市场宏观指数的预测;所述数据展现平台,用于对所述数据计算平台完成的民航市场宏观预测指数在数据产品中进行展现。
可选地,所述数据计算平台包括:数据预处理模块,用于分别根据模型训练数据集和模型应用数据集对航班数据进行分类;预测模型计算模块,用于将分类后的模型训练数据集转成矩阵,并生成预测模型;指数预测计算模块,用于将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
可选地,所述数据预处理模块用于:提取航班数据,并将所述航班数据划分模型训练数据集和模型应用数据集;将所述模型训练数据集和所述模型应用数据集按照航班起飞时间和航班航线类型进行分类;将分类后的数据集,分别发送给所述预测模型计算模块和所述指数预测计算模块。
可选地,所述预测模型计算模块用于:按预测模型输入格式,将模型训练数据集转成矩阵;使用模型训练数据矩阵,生成预测模型。
可选地,所述指数预测计算模块用于:从所述预测模型计算模块获取预测模型,并应用于所述模型应用数据集,迭代计算得到宏观指数预测结果;将所述预测结果发送至所述数据展现模块。
可选地,所述数据展现平台包括:数据展现模块,所述数据展现模块用于:将所述宏观指数预测结果导入数据库中;对所述宏观指数预测结果进行指数化处理;从所述数据库中读取指数化处理后的所述宏观指数预测结果在数据产品中展现。
根据本发明的又一个实施例,还提供了一种存储介质。该存储介质设置为存储用于执行以下步骤的程序代码:
分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
将分类后的模型训练数据集转成矩阵,并生成预测模型;
将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
通过本发明,分别根据模型训练数据集和模型应用数据集对航班数据进行分类,将分类后的模型训练数据集转成矩阵,并生成预测模型,将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。填补了利用民航数据资产分析并预测民航市场总体情况的空白,可以解决现有技术不能根据民航数据资产分析并预测民航市场的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的民航市场宏观指数的预测方法的流程图;
图2是根据本发明实施例的民航市场宏观指数的预测装置的结构框图;
图3是根据本发明实施例的民航市场宏观指数的预测***的结构框图;
图4是本发明实施例的数据预处理模块的实现流程图;
图5是本发明实施例的预测模型计算模块的实现流程图;
图6是本发明实施例的指数预测计算模块的实现流程图;
图7是本发明实施例的数据展现模块的实现流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
在本实施例中提供了一种民航市场宏观指数的预测方法,图1是根据本发明实施例的民航市场宏观指数的预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
步骤S104,将分类后的模型训练数据集转成矩阵,并生成预测模型;
步骤S106,将预测模型应用于模型应用数据集得到宏观指数预测结果。
通过上述步骤,分别根据模型训练数据集和模型应用数据集对航班数据进行分类,将分类后的模型训练数据集转成矩阵,并生成预测模型,将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。填补了利用民航数据资产分析并预测民航市场总体情况的空白,可以解决现有技术不能根据民航数据资产分析并预测民航市场的问题。
可选地,上述步骤的执行主体可以为数据计算平台等,但不限于此。
可选地,在将预测模型应用于模型应用数据集得到宏观指数预测结果之后,方法还包括:在数据产品中展现宏观指数预测结果。
可选地,分别根据模型训练数据集和模型应用数据集对航班数据进行分类具体包括:
S11,获取航班数据,并将航班数据划分为模型训练数据集和模型应用数据集;
S12,将模型训练数据集和模型应用数据集分别按照航班起飞时间和航班航线类型进行分类。
可选地,将分类后的模型训练数据集转成矩阵,并生成预测模型,具体包括:
S21,按照预定义的预测模型的输入格式将模型训练数据集转成矩阵;
S22,使用模型训练数据矩阵生成预测模型。
可选地,使用模型训练数据矩阵生成预测模型具体包括:
S31,对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;
S32,对样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成预测模型。
可选地,将预测模型应用于模型应用数据集得到宏观指数预测结果包括:将预测模型应用于模型应用数据集后进行迭代计算得到宏观指数预测结果。
可选地,在数据产品中展现宏观指数预测结果具体包括:
S41,将宏观指数预测结果导入数据库中;
S42,对宏观指数预测结果进行指数化处理;
S43,从数据库中读取数据指数化处理后的宏观指数预测结果,并在数据产品中展现。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种民航市场宏观指数的预测装置、***,用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的民航市场宏观指数的预测装置的结构框图,如图2所示,该装置包括:
分类模块20,用于分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
生成模块22,用于将分类后的模型训练数据集转成矩阵,并生成预测模型;
处理模块24,用于将预测模型应用于模型应用数据集得到宏观指数预测结果。
可选的,本实施例的装置还包括:展现模块,用于在处理模块将预测模型应用于模型应用数据集得到宏观指数预测结果之后,在数据产品中展现宏观指数预测结果。
可选的,生成模块包括:转换单元,用于按照预定义的预测模型的输入格式将模型训练数据集转成矩阵;生成单元,用于使用模型训练数据矩阵生成预测模型。
可选的,生产单元的具体功能:对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;对样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成预测模型。
图3是根据本发明实施例的民航市场宏观指数的预测***的结构框图,如图3所示,包括:数据计算平台30、数据展现平台32,数据计算平台30,用于完成民航市场宏观指数的预测;数据展现平台32,用于对数据计算平台完成的民航市场宏观预测指数在数据产品中进行展现。
其中,数据预处理模块、预测模型计算模块和指数预测计算模块部署于大数据计算平台***,该平台***完成民航市场宏观指数的预测功能;数据展现模块部署于数据应用平台***,该平台***将民航市场宏观预测指数在数据产品中进行展现。
各模块总体功能说明如下:
数据预处理模块,本模块有以下功能:
数据提取。提取民航航班数据,并划分模型训练数据集和模型应用数据集。
数据分类。将上述两个数据集,按照航班起飞时间和航班航线类型进行分类。
数据发送。将分类后的数据集,分别发送给预测模型计算模块和指数预测计算模块。
预测模型计算模块,本模块有以下功能:
格式转换,按预测模型输入格式,将模型训练数据集转成矩阵。
模型计算,使用模型训练数据矩阵,生成预测模型。
指数预测计算模块,本模块有以下功能:
预测计算,从预测模型计算模块获取预测模型,并应用于模型应用数据集,迭代计算得到宏观指数预测结果。
数据发送,将预测结果发送至数据展现模块。
数据展现模块,本模块有以下功能:
数据导入,将宏观指数预测结果导入数据库中。
数据指数化,将预测结果进行指数化处理。
数据展现,从数据库中读取数据,将宏观指数预测结果在数据产品中展现。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本实施例提供了一种民航市场宏观指数的预测方法和***,以民航航班飞行数据为基础,选取动态时间段的航班数据建立预测模型,并以此模型预测未来固定时间段内的宏观指数。
对于上文所述的各个***模块,具体实施过程如下:
数据预处理模块
图4是本发明实施例的数据预处理模块的实现流程图,模块流程图如图4所示。实现步骤如下:
分别从数据平台中提取,连续五个完整自然年的民航航班成行数据作为模型训练数据集,以及近一年的民航航班成行数据作为模型应用数据集,其中数据内容包括:航班成行年份、航班成行周数、国内宏观市场数据、国际宏观市场数据和港澳台宏观市场数据。
分别将模型训练数据集和模型应用数据集,按照不同的数据内容,拆分为国内宏观市场子集、国际宏观市场子集和港澳台宏观市场子集。
将模型训练数据集的三个子集发送至预测模型计算模块,将模型应用数据集的三个子集发送至指数预测计算模块。
预测模型计算模块
图5是本发明实施例的预测模型计算模块的实现流程图,模块流程图如图5所示。实现步骤如下:
读入模型训练数据集数据为一数组,根据模型训练数据集量级和民航数据周期性性质定义一个156*56矩阵,将训练数组循环截断并转置填入矩阵中,使其第i行的第k列为第i-k+1周数据。
对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成新样本矩阵。
对新样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成预测模型,并保存模型逻辑。
指数预测计算模块
图6是本发明实施例的指数预测计算模块的实现流程图,模块流程图如图6所示。实现步骤如下:
读取模型应用数据集,根据需预测周数及模型所需历史数据量定义一个31*55矩阵。
使用前一步生成的预测模型,循环迭代预测未来1-30周数据,并逐次将数据组填入已定义的31*55矩阵,得到预测矩阵。
提取预测矩阵中未来1-30周预测值相应列,输出数据文件。
数据展现模块
图7是本发明实施例的数据展现模块的实现流程图,模块流程图如图7所示。实现步骤如下:
启动每周离线作业,将宏观市场预测数据文件加载至关系型数据库中。
将宏观市场预测数据,分别按照不同的航线分类除以宏观市场数据基准值得到宏观预测指数。
将宏观指数预测结果通过航指数数据产品进行展现。
根据本实施例的一种民航市场宏观指数的预测方法和***,能够使用民航航班的历史飞行数据,按照不同航线类型对数据进行细分,从而对各类数据进行建模,并将数据模型应用于航指数数据产品中,进行宏观指数的预测,本项技术有效的填补了利用民航数据资产分析并预测民航市场总体情况的空白。在数据建模的过程中,充分利用线性回归等算法技术,剔除异常数据点,不断修正数据模型,经测算预测宏观指数和实际宏观指数的平均误差度仅为5%,预测模型可靠有效。
实施例4
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
S2,将分类后的模型训练数据集转成矩阵,并生成预测模型;
S3,将预测模型应用于模型应用数据集得到宏观指数预测结果。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,在本实施例中,处理器根据存储介质中已存储的程序代码执行分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
可选地,在本实施例中,处理器根据存储介质中已存储的程序代码执行将分类后的模型训练数据集转成矩阵,并生成预测模型;
可选地,在本实施例中,处理器根据存储介质中已存储的程序代码执行将预测模型应用于模型应用数据集得到宏观指数预测结果。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (17)
1.一种民航市场宏观指数的预测方法,其特征在于,包括:
分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
将分类后的模型训练数据集转成矩阵,并生成预测模型;
将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
2.根据权利要求1所述的方法,其特征在于,在将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果之后,所述方法还包括:
在数据产品中展现所述宏观指数预测结果。
3.根据权利要求1所述的方法,其特征在于,分别根据模型训练数据集和模型应用数据集对航班数据进行分类包括:
获取航班数据,并将所述航班数据划分为模型训练数据集和模型应用数据集;
将所述模型训练数据集和所述模型应用数据集分别按照航班起飞时间和航班航线类型进行分类。
4.根据权利要求1所述的方法,其特征在于,将分类后的模型训练数据集转成矩阵,并生成预测模型,包括:
按照预定义的预测模型的输入格式将所述模型训练数据集转成矩阵;
使用模型训练数据矩阵生成所述预测模型。
5.根据权利要求4所述的方法,其特征在于,使用模型训练数据矩阵生成所述预测模型包括:
对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;
对所述样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成所述预测模型。
6.根据权利要求1所述的方法,其特征在于,将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果包括:
将所述预测模型应用于模型应用数据集后进行迭代计算得到宏观指数预测结果。
7.根据权利要求2所述的方法,其特征在于,在数据产品中展现所述宏观指数预测结果包括:
将所述宏观指数预测结果导入数据库中;
对所述宏观指数预测结果进行指数化处理;
从数据库中读取数据指数化处理后的所述宏观指数预测结果,并在数据产品中展现。
8.一种民航市场宏观指数的预测装置,其特征在于,包括:
分类模块,用于分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
生成模块,用于将分类后的模型训练数据集转成矩阵,并生成预测模型;
处理模块,用于将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
展现模块,用于在所述处理模块将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果之后,在数据产品中展现所述宏观指数预测结果。
10.根据权利要求8所述的装置,其特征在于,生成模块包括:
转换单元,用于按照预定义的预测模型的输入格式将所述模型训练数据集转成矩阵;
生成单元,用于使用模型训练数据矩阵生成所述预测模型。
11.根据权利要求10所述的装置,其特征在于,生产单元还用于:
对矩阵中全样本全变量数据建立线性模型,输出模型参数,剔除异常样本,生成样本矩阵;
对所述样本矩阵全变量数据建立线性模型,对模型进行逐步回归以剔除多重共线性干扰,生成所述预测模型。
12.一种民航市场宏观指数的预测***,包括:数据计算平台、数据展现平台,其特征在于,
所述数据计算平台,用于完成民航市场宏观指数的预测;
所述数据展现平台,用于对所述数据计算平台完成的民航市场宏观预测指数在数据产品中进行展现。
13.根据权利要求12所述的***,其特征在于,所述数据计算平台包括:
数据预处理模块,用于分别根据模型训练数据集和模型应用数据集对航班数据进行分类;
预测模型计算模块,用于将分类后的模型训练数据集转成矩阵,并生成预测模型;
指数预测计算模块,用于将所述预测模型应用于所述模型应用数据集得到宏观指数预测结果。
14.根据权利要求13所述的***,其特征在于,所述数据预处理模块用于:
提取航班数据,并将所述航班数据划分模型训练数据集和模型应用数据集;
将所述模型训练数据集和所述模型应用数据集按照航班起飞时间和航班航线类型进行分类;
将分类后的数据集,分别发送给所述预测模型计算模块和所述指数预测计算模块。
15.根据权利要求13所述的***,其特征在于,所述预测模型计算模块用于:
按预测模型输入格式,将模型训练数据集转成矩阵;
使用模型训练数据矩阵,生成预测模型。
16.根据权利要求13所述的***,其特征在于,所述指数预测计算模块用于:
从所述预测模型计算模块获取预测模型,并应用于所述模型应用数据集,迭代计算得到宏观指数预测结果;
将所述预测结果发送至所述数据展现模块。
17.根据权利要求12所述的***,其特征在于,所述数据展现平台包括:数据展现模块,所述数据展现模块用于:
将所述宏观指数预测结果导入数据库中;
对所述宏观指数预测结果进行指数化处理;
从所述数据库中读取指数化处理后的所述宏观指数预测结果在数据产品中展现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260697.1A CN106779240A (zh) | 2016-12-30 | 2016-12-30 | 民航市场宏观指数的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260697.1A CN106779240A (zh) | 2016-12-30 | 2016-12-30 | 民航市场宏观指数的预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779240A true CN106779240A (zh) | 2017-05-31 |
Family
ID=58953917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260697.1A Pending CN106779240A (zh) | 2016-12-30 | 2016-12-30 | 民航市场宏观指数的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779240A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767094A (zh) * | 2017-09-22 | 2018-03-06 | 北京京东尚科信息技术有限公司 | 一种物流阶梯运费优化方法和装置 |
WO2019082046A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | REAL-TIME IDENTIFICATION AND PROVISION OF FAVORITE FLIGHT PARAMETERS |
CN110210692A (zh) * | 2018-05-24 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种商户模式识别方法、装置、存储介质及终端设备 |
CN111582919A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和*** |
CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
-
2016
- 2016-12-30 CN CN201611260697.1A patent/CN106779240A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767094A (zh) * | 2017-09-22 | 2018-03-06 | 北京京东尚科信息技术有限公司 | 一种物流阶梯运费优化方法和装置 |
WO2019082046A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | REAL-TIME IDENTIFICATION AND PROVISION OF FAVORITE FLIGHT PARAMETERS |
US11164465B2 (en) | 2017-10-27 | 2021-11-02 | International Business Machines Corporation | Real-time identification and provision of preferred flight parameters |
CN110210692A (zh) * | 2018-05-24 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种商户模式识别方法、装置、存储介质及终端设备 |
CN111582919A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和*** |
CN111582919B (zh) * | 2020-04-24 | 2023-09-19 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和*** |
CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
CN115759386B (zh) * | 2022-11-11 | 2023-07-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagalingam | CIM justification and optimisation | |
Soolaki et al. | A new linear programming approach and genetic algorithm for solving airline boarding problem | |
CN106779240A (zh) | 民航市场宏观指数的预测方法及*** | |
Bidhandi et al. | Integrated supply chain planning under uncertainty using an improved stochastic approach | |
CN106897109A (zh) | 基于随机森林回归的虚拟机性能预测方法 | |
CN107515898A (zh) | 基于数据多样性和任务多样性的轮胎企业销售预测方法 | |
CN106991183A (zh) | 一种商业智能etl的封装方法及*** | |
Fu et al. | A hybrid forecasting framework with neural network and time-series method for intermittent demand in semiconductor supply chain | |
US10402728B2 (en) | Systems and methods for multi-objective heuristics with conditional genes | |
CN110084438A (zh) | 订单的预测方法及装置、物流***以及计算机可读介质 | |
Manupati et al. | Adaptive production control system for a flexible manufacturing cell using support vector machine-based approach | |
Sadeghi et al. | Grey wolf optimizer and whale optimization algorithm for stochastic inventory management of reusable products in a two-level supply chain | |
Jeong et al. | Shipyard block logistics simulation using process-centric discrete event simulation method | |
Nodoust et al. | An evidential reasoning approach for production modeling with deteriorating and ameliorating items | |
CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
Yildirim et al. | Machine number, priority rule, and due date determination in flexible manufacturing systems using artificial neural networks | |
CN111738812B (zh) | 一种基于用户群微细分的信息推送方法及*** | |
Rogers et al. | Optimal bivariate clustering and a genetic algorithm with an application in cellular manufacturing | |
Huang | A hybrid neural network prediction model of air ticket sales | |
Hosseinabadi et al. | A novel meta-heuristic combinatory method for solving capacitated vehicle location-routing problem with hard time windows | |
Shah et al. | Predictive Analytic Modeling: A Walkthrough | |
Chen et al. | A decision-making mechanism considering carbon footprint and cost to fulfil orders for multi-site global companies | |
Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
Eraslan et al. | A comparative holistic fuzzy approach for evaluation of the chain performance of suppliers | |
Güner et al. | Output targeting and capacity utilization for a new-built airport: Analysis for the new airport in Istanbul |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |