CN113554447A - 运输业载预测方法、预测装置、电子设备及存储介质 - Google Patents
运输业载预测方法、预测装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113554447A CN113554447A CN202010324519.0A CN202010324519A CN113554447A CN 113554447 A CN113554447 A CN 113554447A CN 202010324519 A CN202010324519 A CN 202010324519A CN 113554447 A CN113554447 A CN 113554447A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- type
- time
- historical
- 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 48
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000010006 flight Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种运输业载预测方法、预测装置、电子设备及存储介质。所述运输业载预测方法,包括步骤:利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型;以及选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
Description
技术领域
本申请涉及运输业载的预测,具体涉及一种运输业载预测方法、预测装置、电子设备及存储介质。
背景技术
各航班的预计业载通常根据人工经验,利用历史数据的均值进行估计。这样的方法通常具有主观性,并且通过均值预测的方法只能利用数据的短期趋势,无法考虑长期规律,导致预测精度较低。与业载预测类似的场景,如件量预测问题中,考虑到实际数据的增长模式存在漂移,并经常发生突变,因此常采用时间序列预测模型(fbProphet)而非复杂预测模型建模。然而,由于航班种类众多,且经常出现新航班或航班检修的情况,导致预测模型泛化能力不足,直接利用单Prophet预测模型必然导致预测精度较低。
为了克服现有方法存在的问题,需要一种运输业载预测方法、运输业载预测装置、运输业载预测电子设备及存储介质。
发明内容
本申请实施例提供一种运输业载预测方法、运输业载预测装置、运输业载预测电子设备及存储介质。通过神经网络对历史业载时间序列数据进行分类,根据分类结果,选择合适的预测模型来进行预测。改善现有预测方法的不足,并且提高实际业务中运输业载预测的准确性,为空仓售卖业务或航空集装设备流转平衡业务提供依据。
第一方面,本申请实施例提供了一种运输业载预测方法,包括步骤:
利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型;以及
选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
在一些实施方式中,所述分类模型为卷积神经网络,而所述利用所述分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型的步骤,包括步骤:
在所述卷积神经网络的输入层中,输入所述历史业载时间序列数据;
在所述卷积神经网络的卷积层中,通过卷积核将所述历史业载时间序列数据周期性地划分成多个时间序列子组;
在所述卷积神经网络的池化层中,提取每个时间序列子组中特定序列位置的数据;
在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型;以及
在所述卷积神经网络的输出层中,输出所述时间序列类型。
在一些实施方式中,所述在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型的步骤,包括步骤:
使用柔性最大传递函数分析所述连接序列中每个序列位置中的数据,其中
a.当所述连接序列中每个序列位置中的数据呈现长期稳定的状态时,则所述历史业载时间序列数据被确定为第一类型;
b.当所述连接序列中每个序列位置中的数据呈现周期性较强但出现频率较少的状态时,则所述历史业载时间序列数据被确定为第二类型;
c.当所述连接序列中每个序列位置中的数据呈现不稳定的状态时,则所述历史业载时间序列数据被确定为第三类型。
在一些实施方式中,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第一类型时,将所述历史业载时间序列数据输入长短期记忆网络预测模型来进行预测并且生成预测结果。
在一些实施方式中,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第二类型时,将所述历史业载时间序列数据输入时间序列预测模型来进行预测并且生成预测结果。
在一些实施方式中,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第三类型时,将所述历史业载时间序列数据输入极端梯度提升预测模型来进行预测并且生成预测结果。
在一些实施方式中,所述极端梯度提升预测模型搭配外部特征进行预测,其中所述外部特征包括航班的始发航站类型、重点航站类型、航班月均业载、舱位及预飞时间。
第二方面,本申请实施例还提供了一种运输业载预测装置,所述运输业载预测装置包括:
分类单元,用于利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型;以及
预测单元,用于选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
第三方面,本申请实施例还提供了一种运输业载预测电子设备,包括处理器及存储器,所述储存器中储存有计算机程序,所述处理器调用所述存储器中的计所述算机程序时执行本申请实施例提供的任一种所述的运输业载预测方法。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例提供的任一种所述的运输业载预测方法。
本申请实施例通过卷积神经网络对业载时间序列(业载数据)进行分类,并且根据分类结果,选择合适的预测模型来进行预测。使用不同的预测模型对不同类型的业载时间序列(业载数据)进行预测,解决了传统预测方法依赖人工经验,所产生的预测精度不足的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种运输业载预测方法的步骤流程图;
图2是图1实施例的细部步骤流程图;
图3是图1实施例的细部步骤流程图;
图4是本申请实施例提供的一种运输业载预测装置的示意图;
图5是本申请实施例提供的一种运输业载预测电子设备的结构示意图;
图6是本申请实施例运作示例。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有的运输业载预测通常是根据人工经验,来选定一种预测模型来针对历史数据的均值进行估计。这样的方式通常具有主观性,并且通过均值预测的方法只能利用数据的短期趋势,无法考虑长期规律,导致预测精度较低。例如实务上航空计划中的航班种类(业载种类)较多(单日约有140多条航班记录),且时常存在新增或停飞航班等种类航班,使得航班/业载数据存在较大变化,采用单一预测模型并且使用共享的参数对所有类型的航班进行业载预测会造成极大的预测误差。
因此,本申请实施例提供一种运输业载预测方法、运输业载预测装置、运输业载预测电子设备及存储介质。通过分类模型对历史业载时间序列数据进行分类,根据分类结果,选择合适的预测模型来进行预测。改善有预测方法的不足,并且提高实际业务中运输业载预测的准确性,为空仓售卖业务或航空集装设备流转平衡业务提供依据。
请参阅图1至图6,图1是本申请实施例提供的一种运输业载预测方法的步骤流程图,图2是图1实施例的细部步骤流程图,图3是图1实施例的细部步骤流程图,图4是本申请实施例提供的一种运输业载预测装置的示意图,图5是本申请实施例提供的一种运输业载预测电子设备的结构示意图,图6是本申请实施例运作示例。
请参阅图1,本申请实施例提供了一种运输业载预测方法,适用于航空业载的预测,例如可以对分类各航班(业载)类型并且选用合适的预测模型来进行业载预测。本申请实施例中的所述运输业载预测方法可以包括步骤:
步骤S100,利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型。其中所述分类模型可以是卷积神经网络。对航空业载的预测而言,所述历史业载时间序列数据可以是航班/航线的历史业载数据时间序列数据。
步骤S200,选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
请参阅图2,在步骤S100中,所述分类模型为卷积神经网络时,步骤S100可以包括步骤S110至步骤S150,其中:
步骤S110,在所述卷积神经网络的输入层中,输入所述历史业载时间序列数据。例如将需要预测的航班/航线的历史业载数据,以每天为周期排列形成一历史业载时间序列数据,并且输入到所述输入层中。应当理解的是,由于历史业载数据的数量可能相当庞大,本文中所提到的输入也可以是通过计算机或处理器从一个或多个资料库中获取所需的历史业载数据。
步骤S120,在所述卷积神经网络的卷积层中,通过卷积核将所述历史业载时间序列数据周期性地划分成多个时间序列子组。例如以1*7作为卷积核,来周期性地将所述历史业载时间序列数据划分成多个连续的时间序列子组。具体地,可以是以七天为周期将所述历史业载时间序列数据划分成多个时间序列子组。应当理解的是,卷积核可以依使用需求来调整或变化。
步骤S130,在所述卷积神经网络的池化层中,提取每个时间序列子组中特定序列位置的数据。例如以1*7的过滤器以步长7来提取每个时间序列子组中第7个序列位置的数据。具体地,可以是提取以七天为周期的所述时间序列子组中的第七天的数据。应当理解的是,在步骤S130中可以提取每一个时间序列子组中的同一个特定位置的数据。此外,每个时间序列子组中特定序列位置的数据可以依照求调整或变化。
步骤S140,在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型。例如将每个时间序列子组中第7个序列位置的数据依序连接形成所述连接序列,并且分析所述连接序列。而在步骤S140还可以包括:
使用柔性最大传递函数(softmax)分析所述连接序列中每个序列位置中的数据,其中
a.当所述连接序列中每个序列位置中的数据呈现长期稳定的状态时,则所述历史业载时间序列数据被确定为第一类型;
b.当所述连接序列中每个序列位置中的数据呈现周期性较强但出现频率较少的状态时,则所述历史业载时间序列数据被确定为第二类型;
c.当所述连接序列中每个序列位置中的数据呈现不稳定的状态时,则所述历史业载时间序列数据被确定为第三类型。
步骤S150,在所述卷积神经网络的输出层中,输出所述时间序列类型。也就是输出步骤S140中所确定第一类型、第二类型、第三类型等所述时间序列类型。
而步骤S200就可以依照步骤S150所输出的所述时间序列类型(即所述第一类型、所述第二类型、所述第三类型)来选择合适的预测模型进行预测。请参阅图3,所述步骤S200可以包括:
步骤S210a,当输出的所述时间序列类型为所述第一类型时,将所述历史业载时间序列数据输入长短期记忆网络(Long Short-Term Memory,LSTM)预测模型来进行预测并且生成预测结果。
步骤S210b,当输出的所述时间序列类型为所述第二类型时,将所述历史业载时间序列数据输入时间序列预测模型(例如脸书提出可供开源使用的fbProphet预测模型)来进行预测并且生成预测结果。应当理解的是,所述时间序列预测模型也可以是依照fbProphet预测模型开发而成的其它合适模型。
步骤S210c,当输出的所述时间序列类型为所述第三类型时,将所述历史业载时间序列数据输入极端梯度提升(Extreme Gradient Boosting,XGBoost)预测模型来进行预测并且生成预测结果。应当理解的是,所述第三类型的所述历史业载时间序列数据,例如可能是新增或变更航班等情况导致数据的数量还不够大,业载数据还不稳定,XGBoost预测模型可以搭配外部特征进行预测,其中所述外部特征可以包括航班的始发航站类型、重点航站类型、航班月均业载、舱位及预飞时间。
因此本申请实施例所提供的运输业载预测方法,利用卷积神经网络对所述历史业载时间序列数据进行分类,随后根据分类结果,选择合适的预测模型(例如,LSTM预测模型、fbProphet预测模型、XGBoost预测模型)来进行预测。也就是可以针对不同类型的时间序列(数据)提供合适的预测模型,改善依照人工经验判别类型的现有预测方法的不足,并且提高实际业务中航空业载预测的准确性。
为了更好地实施本申请实施例提供的运输业载预测方法,本申请实施例还提供一种运输业载预测装置200,可以应用在航空业载的预测上,具体实现细节可以参考方法实施例中的说明。请参阅图4,所述运输业载预测装置200包括:分类单元210及预测单元220。
所述分类单元210用于利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型。所述分类单元210可以采用卷积神经网络执行以下步骤:
在所述卷积神经网络的输入层中,输入所述历史业载时间序列数据;
在所述卷积神经网络的卷积层中,通过卷积核将所述历史业载时间序列数据周期性地划分成多个时间序列子组;
在所述卷积神经网络的池化层中,提取每个时间序列子组中特定序列位置的数据;
在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型;以及
在所述卷积神经网络的输出层中,输出所述时间序列类型。
此外,所述卷积神经网络的全连接层还可以使用softmax分析所述连接序列中每个序列位置中的数据,其中,
a.当所述连接序列中每个序列位置中的数据呈现长期稳定的状态时,则所述历史业载时间序列数据被确定为第一类型;
b.当所述连接序列中每个序列位置中的数据呈现周期性较强但出现频率较少的状态时,则所述历史业载时间序列数据被确定为第二类型;
c.当所述连接序列中每个序列位置中的数据呈现不稳定的状态时,则所述历史业载时间序列数据被确定为第三类型。
所述预测单元220用于选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。具体地,当输出的所述时间序列类型为所述第一类型时,所述预测单元220将所述历史业载时间序列数据输入LSTM预测模型来进行预测并且生成预测结果。当输出的所述时间序列类型为所述第二类型时,所述预测单元220将所述历史业载时间序列数据输入fbProphet预测模型来进行预测并且生成预测结果。当输出的所述时间序列类型为所述第三类型时,所述预测单元220将所述历史业载时间序列数据输入XGBoost预测模型来进行预测并且生成预测结果。应当理解的是,所述XGBoost预测模型可以搭配外部特征,例如航班的始发航站类型、重点航站类型、航班月均业载、舱位及预飞时间等,来进行预测。
因此,本申请实施例中的运输业载预测装置,利用卷积神经网络对所述历史业载时间序列数据进行分类,随后根据分类结果(即第一类型、第二类型、第三类型),选择合适的预测模型(例如,LSTM预测模型、fbProphet预测模型、XGBoost预测模型)来进行预测。本申请实施例中的运输业载预测装置可以改善依照人工经验判别类型的现有预测方法的不足,并且提高实际业务中运输业载预测的准确性。
本申请实施例还提供了一种运输业载预测电子设备300,所述运输业载预测电子设备300可以实现前述实施例所提供的运输业载预测方法,具体实现细节可以参考方法实施例中的说明。应当理解的是,所述运输业载预测电子设备300可以应用各类型的运输业载的预测,例如航空业载的预测。请参阅图5,所述运输业载预测电子设备300包括一个或一个以上的处理器310、一个或一个以上计算机可读存储介质的存储器320、输入单元330、显示单元340、电源350。本领域技术人员可以理解,图5中示出的结构示意图并不构成对所述运输业载预测电子设备300的限定,可以包括比附图中更多或更少的部件,或者组合某些部件,或者不同的部件布置。
所述处理器310是所述运输业载预测电子设备300的控制中心,利用各种接口和线路连接整个所述运输业载预测电子设备300的各个部分,通过运行或执行存储在所述存储器320内的计算机程序和/或软件程序和/或模块,以及调用存储在所述存储器320内的数据,执行所述运输业载预测电子设备300的各种功能和处理数据,从而对所述运输业载预测电子设备300进行整体监控。可选的,所述处理器310可包括一个或多个处理核心;优选的,所述处理器310可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到所述处理器310中。
所述储存器320中储存有计算机程序和/或软件程序和/或模块,所述处理器310通过运行存储在所述存储器320的计算机程序和/或软件程序和/或模块,从而执行各种功能应用以及数据处理。所述存储器320可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,所述存储器320可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,所述存储器320还可以包括存储器控制器,以提供所述处理器310对所述存储器320的访问。
所述输入单元330可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
所述显示单元340可用于显示输入的信息或经所述处理器310处理的各类信息。显示单元340可包括显示面板,可选的,可以采用液晶显示器(LCD,Liquid CrystalDisplay)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。
所述电源350用以对所述运输业载预测电子设备300的各个部件供电,优选的,所述电源350可以通过电源管理***与所述处理器310逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。所述电源350还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
此外,所述计算机程序可以包括分类指令321及预测指令322。所述预测指令322可以包括多种预测模型,例如LSTM预测模型322a、fbProphet预测模型322b、XGBoost预测模型322c。
具体地,在本实施例中,所述运输业载预测电子设备300中的所述处理器310会调用所述存储器320中的指令,从而实现各种功能,如下:
所述分类指令321用以利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型。本实施例中分类指令321采用卷积神经网络来对所述历史业载时间序列数据进行分类,其中所述分类指令321还可以运行前述实施例中的步骤S110至步骤S150。将所述历史业载时间序列数据分类成第一类型、第二类型及第三类型。应当理解的是,本申请实施例也可以采用其它合适形式的神经网路来运行。
所述预测指令322用以选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。具体地,所述预测指令322可以运行前述实施例中的步骤S210a至步骤S210c,来选用对应的LSTM预测模型、fbProphet预测模型、XGBoost预测模型来进行预测。
本申请实施例还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例提供的任一种所述的运输业载预测方法(例如航空业载预测方法)。例如所述存储介质中的多条指令被所述处理器加载,可以执行入下步骤:
步骤S100,利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型。例如通过加载前述实施例中的分类指令321,同样地分类指令321也可以运行前述实施例中的步骤S110至步骤S150来分类所述历史业载时间序列数据。
步骤S200,选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。例如通过加载前述实施例中的预测指令322,同样地预测指令322也可以包括多种预测模型,例如LSTM预测模型322a、fbProphet预测模型322b、XGBoost预测模型322c,以供预测并产出预测结果。
以上各个步骤操作的具体实施可参见前述的实施例,在此不再赘述。
本领域普通技术人员应当理解,所述存储介质可以包括存储器,例如,只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。
以下以图6为示例来说明本申请实施例实际的运作,请参照图6,在分类单元/分类指令中,将需要预测的航班/航线的历史业载数据,以每天为周期排列形成一历史业载时间序列数据,并且输入到卷积神经网络的输入层中。在卷积神经网络的卷积层中,以七天为周期将所述历史业载时间序列数据划分成多个时间序列子组,例如图6中的1、3、4、7、8、2、4的时间序列子组。在卷积神经网络的池化层中,提取每个时间序列子组中的第七天的数据,例如4这个值。在卷积神经网络的全连接层中,将每个时间序列子组中的第七天的数据依序连接形成一个连接序列,并且使用softmax来分析连接序列中每个序列位置中的数据,当每个序列位置中的数据呈现长期稳定的状态时,例如数据稳定落在同一个数据区间,则确定需要预测的航班/航线的历史业载数据是属于第一类型。具体地,连接序列若呈现4、4、5、4、4…的排列4这个值稳定的出现或是序列中的值稳定的落在一设定的数据区间,也就是每个周期的第七天都会稳定地出现4或落在设定的数据区间,就可以即确定输入到卷积神经网络的输入层中的历史业载时间序列数据为第一类型。而卷积神经网络的输出层,将需要预测的航班/航线的历史业载数据为第一类型的结果输出至预测单元/预测指令。随后,预测单元/预测指令选择LSTM预测模型来进行预测并且生成预测结果。
当卷积神经网络的输出层的输出为第二类型时,则预测单元/预测指令选择fbProphet预测模型进行预测并且生成预测结果。例如每个时间序列子组中的第七天的数据会以周期2来重现或落在同一个数据区间,也就是这样的业载在每14天才会重现一次。这种类型的数据使用针对长期稳定的数据来进行预测的LSTM预测模型就会有预测偏差的问题产生。因此,利用fbProphet来分析出周期性,然后在进行预测,可以让预测结果更为贴近实际情况。
同样地,当积神经网络的输出层的输出为第三类型时,则预测单元/预测指令选择XGBoost预测模型。这样的情况通常发生在新开的航线/航班,历史业载数据的量不够多,导致数据呈现不稳定的状态,若依旧使用针对长期稳定的数据来进行预测的LSTM预测模型也会有预测偏差的问题产生。因此,XGBoost预测模型可以搭配一个或多个外部特征,例如航班的始发航站类型、重点航站类型、航班月均业载、舱位及预飞时间等,来进行预测并生成预测结果。藉此,让预测结果更为贴近实际情况。
因此,本申请实施例利用神经网路分类对所述历史业载时间序列数据进行分类可以避免依人工经验分类可能伴随的主观性问题。根据分类结果使用不同的预测模型对不同类型的业载时间序列(业载数据)进行预测,可以避免使用不适合的预测模型所产生的误差。本申请实施例有效地解决了传统预测方法依赖人工经验,所产生的预测精度不足的问题。进而改善现有预测方法的不足,并且提高实际业务中运输业载预测的准确性
以上对本申请实施例所提供的一种运输业载预测方法、运输业载预测装置、运输业载预测电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种运输业载预测方法,其特征在于,包括步骤:
利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型;以及
选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
2.根据权利要求1所述的运输业载预测方法,其特征在于,所述分类模型为卷积神经网络,而所述利用所述分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型的步骤,包括步骤:
在所述卷积神经网络的输入层中,输入所述历史业载时间序列数据;
在所述卷积神经网络的卷积层中,通过卷积核将所述历史业载时间序列数据周期性地划分成多个时间序列子组;
在所述卷积神经网络的池化层中,提取每个时间序列子组中特定序列位置的数据;
在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型;以及
在所述卷积神经网络的输出层中,输出所述时间序列类型。
3.根据权利要求2所述的运输业载预测方法,其特征在于,所述在所述卷积神经网络的全连接层中,将所述特定序列位置的数据依序连接形成连接序列,并且分析所述连接序列来确定所述历史业载时间序列数据的所述时间序列类型的步骤,包括步骤:
使用柔性最大传递函数分析所述连接序列中每个序列位置中的数据,其中
a.当所述连接序列中每个序列位置中的数据呈现长期稳定的状态时,则所述历史业载时间序列数据被确定为第一类型;
b.当所述连接序列中每个序列位置中的数据呈现周期性较强但出现频率较少的状态时,则所述历史业载时间序列数据被确定为第二类型;
c.当所述连接序列中每个序列位置中的数据呈现不稳定的状态时,则所述历史业载时间序列数据被确定为第三类型。
4.根据权利要求3所述的运输业载预测方法,其特征在于,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第一类型时,将所述历史业载时间序列数据输入长短期记忆网络预测模型来进行预测并且生成预测结果。
5.根据权利要求3所述的运输业载预测方法,其特征在于,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第二类型时,将所述历史业载时间序列数据输入时间序列预测模型来进行预测并且生成预测结果。
6.根据权利要求3所述的运输业载预测方法,其特征在于,所述选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测的步骤包括:
当输出的所述时间序列类型为所述第三类型时,将所述历史业载时间序列数据输入极端梯度提升预测模型来进行预测并且生成预测结果。
7.根据权利要求6所述的运输业载预测方法,其特征在于,所述极端梯度提升预测模型搭配外部特征进行预测,其中所述外部特征包括航班的始发航站类型、重点航站类型、航班月均业载、舱位及预飞时间。
8.一种运输业载预测装置,其特征在于,所述运输业载预测装置包括:
分类单元,用于利用分类模型对历史业载时间序列数据进行分类,以确定对应所述历史业载时间序列数据的时间序列类型;以及
预测单元,用于选择对应所述时间序列类型的预测模型,并且基于所述历史业载时间序列数据使用所述预测模型来进行预测。
9.一种运输业载预测电子设备,其特征在于,包括处理器及存储器,所述储存器中储存有计算机程序,所述处理器调用所述存储器中的计所述算机程序时执行如权利要求1至7任一项所述的运输业载预测方法。
10.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的运输业载预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324519.0A CN113554447A (zh) | 2020-04-23 | 2020-04-23 | 运输业载预测方法、预测装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324519.0A CN113554447A (zh) | 2020-04-23 | 2020-04-23 | 运输业载预测方法、预测装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554447A true CN113554447A (zh) | 2021-10-26 |
Family
ID=78101056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010324519.0A Pending CN113554447A (zh) | 2020-04-23 | 2020-04-23 | 运输业载预测方法、预测装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554447A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010100178A (ko) * | 2001-10-24 | 2001-11-14 | 정경훈 | 차기 또는 미래 수출 운송 물량 총량 예측을 통한 집단운송 중개 방법 및 시스템 |
RU53039U1 (ru) * | 2005-11-18 | 2006-04-27 | Ооо "Анитех" | Система прогнозирования экономических показателей авиаперевозок |
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN110084438A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流***以及计算机可读介质 |
-
2020
- 2020-04-23 CN CN202010324519.0A patent/CN113554447A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010100178A (ko) * | 2001-10-24 | 2001-11-14 | 정경훈 | 차기 또는 미래 수출 운송 물량 총량 예측을 통한 집단운송 중개 방법 및 시스템 |
RU53039U1 (ru) * | 2005-11-18 | 2006-04-27 | Ооо "Анитех" | Система прогнозирования экономических показателей авиаперевозок |
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN110084438A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流***以及计算机可读介质 |
Non-Patent Citations (4)
Title |
---|
丁雪丽: "基于TEI@I方法论的集装箱港口聚类研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》, no. 06, pages 6 - 7 * |
朱志愚;刘燕;: "基于时间序列模型的国内航空货运量组合预测", 西安航空学院学报, no. 05 * |
王俊忠: "基于支持向量机的航段运量预测模型优选方法研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》, no. 11 * |
马丹疆: ""十一五"新疆航空客运市场预测", 中国民用航空, no. 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Preventive maintenance scheduling optimization based on opportunistic production-maintenance synchronization | |
CN110389820B (zh) | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 | |
KR20210076132A (ko) | 생산 스케줄링을 위한 심층 강화 학습 | |
CN109683806A (zh) | 存储装置及其操作方法以及包括存储装置的计算*** | |
US11593735B2 (en) | Automated and efficient personal transportation vehicle sharing | |
US20210110248A1 (en) | Identifying and optimizing skill scarcity machine learning algorithms | |
CN111950706A (zh) | 基于人工智能的数据处理方法、装置、计算机设备及介质 | |
Joseph et al. | Effects of flexibility and scheduling decisions on the performance of an FMS: simulation modelling and analysis | |
Koo et al. | Comparative study of short-term electric load forecasting | |
Dieye et al. | On achieving high data availability in heterogeneous cloud storage systems | |
Dogani et al. | K-agrued: A container autoscaling technique for cloud-based web applications in kubernetes using attention-based gru encoder-decoder | |
CN114444782A (zh) | 企业资产的管理方法、装置、存储介质及计算机设备 | |
ElMekkawy et al. | Real-time scheduling with deadlock avoidance in flexible manufacturing systems | |
Shukla et al. | Remodel: rethinking deep cnn models to detect and count on a neurosynaptic system | |
Sousa et al. | Applying big data analytics to logistics processes of oil and gas exploration and production through a hybrid modeling and simulation approach | |
CN113554447A (zh) | 运输业载预测方法、预测装置、电子设备及存储介质 | |
CN116794532A (zh) | 基于多模态传感器融合算法的无人机电池电量预测方法 | |
CN115129466B (zh) | 云计算资源分层调度方法、***、设备及介质 | |
CN115841343A (zh) | 一种销售额度的确定方法及装置 | |
US11615497B2 (en) | Managing optimization of a network flow | |
CN115238931A (zh) | 耗损件的规划方法、装置、计算机设备和存储介质 | |
US20210097637A1 (en) | Reducing waiting times using queuing networks | |
Abbas et al. | A constrained fuzzy knowledge-based system for the management of container yard operations | |
US11106699B2 (en) | Computer system and method to update data aggregation configurations and control data aggregation | |
CN114546425A (zh) | 模型部署方法、装置、电子设备及存储介质 |
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 |