需求预测方法及相关装置

技术领域

本发明涉及大数据领域，特别涉及一种需求预测方法及相关装置。

背景技术

在航空公司座位销售业务中，航线管理员需根据历史业务经验和航班历史销售数据来估测该航班座位的未来市场需求数量，从而确定下一步的销售策略，但人工对数据的获取和分析能力和工作精力存在局限性，需要耗费大量人工，效率较低。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种需求预测方法及相关装置。

第一方面，一种需求预测方法，包括：

获得第一航班的订票数据；

根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求；

获得所述第一航班对应的实际购票需求；

根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；

根据所述评估指标，对所述神经网络模型的预测性能进行评估。

结合第一方面，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：

获得所述第一航班的历史购票数据；

基于所述历史购票数据，对待训练的所述神经网络模型进行训练和测试。

结合第一方面，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：

获得所述第一航班的历史购票数据和对应的历史离港数据；

根据所述历史购票数据和所述历史离港数据，计算得到所述第一航班的历史购票需求数据；

基于所述历史购票需求数据，对待训练的所述神经网络模型进行训练和测试。

结合第一方面，在某些可选的实施方式中，所述获得第一航班的订票数据，包括：

获得所述第一航班的第一舱位等级在当前预测周期的订票数据。

结合上一个实施方式，在某些可选的实施方式中，所述根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求，包括：

将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在所述当前预测周期的总购票需求；

将所述总购票需求减去所述第一舱位等级在当前预测周期的订票数据，得到所述第一舱位等级在所述当前预测周期的剩余购票需求。

可选的，在某些可选的实施方式中，所述根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求，包括：

将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在下一个预测周期的总购票需求。

结合第一方面，在某些可选的实施方式中，在所述根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求之后，所述方法还包括：

获得所述第一航班对应的实际购票需求；

根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；

根据所述评估指标，对所述神经网络模型的预测性能进行评估。

第二方面，一种需求预测装置，包括：数据获得单元、需求预测单元、实际需求获得单元、评估指标计算单元和性能评估单元；

所述数据获得单元，用于数据获得单元获得第一航班的订票数据；

所述需求预测单元，用于根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求；

所述实际需求获得单元，用于在所述根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求之后，获得所述第一航班对应的实际购票需求；

所述评估指标计算单元，用于根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；

所述性能评估单元，用于根据所述评估指标，对所述神经网络模型的预测性能进行评估。

结合第二方面，在某些可选的实施方式中，所述装置还包括第一训练单元；

所述第一训练单元包括：第一数据获得子单元和第一训练测试子单元；

所述第一训练单元，用于执行所述神经网络模型的训练过程；

所述第一数据获得子单元，用于获得所述第一航班的历史购票数据；

所述第一训练测试子单元，用于基于所述历史购票数据，对待训练的所述神经网络模型进行训练和测试。

第三方面，一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的需求预测方法。

第四方面，一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的需求预测方法。

借由上述技术方案，本发明提供的一种需求预测方法及相关装置，可以通过获得第一航班的订票数据；根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求；获得所述第一航班对应的实际购票需求；根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；根据所述评估指标，对所述神经网络模型的预测性能进行评估。由此可以看出，本发明可以基于数据自动预测得到舱位剩余需求，无需人工参与，效率较高。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明提供的一种需求预测方法的流程图；

图2示出了本发明提供的一种需求预测装置的结构示意图；

图3示出了本发明提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

如图1所示，本发明提供了一种需求预测方法，包括：S100、S200、S300、S400和S500；

S100、获得第一航班的订票数据；

可选的，本发明所说的订票数据指的是针对第一航班的不同舱位等级的订票数据。本发明可以同时获得不同舱位等级的订票数据，也可以根据需要仅获得某一个舱位等级的订票数据。

可选的，每一条订票数据对应一个舱位等级一天的订票情况，即一条订票数据可以涉及到多项数据项，其中，可以包括舱位等级、物理座位数和当天订票数等数据项。当然，本发明不限制所获得的具体数据，例如，本发明可以获取航段或者舱位的实际上座数据和离港订座数。其中，上座数据：航班每日的旅客订座数据，数据内容主要包括时间、订座数和具体舱位等；离港订座数：航班起飞成功后的航班最终订座数据，数据内容同上。对于新航班而言，本发明可以从类似的航班中复制数据，从而初始化数据。

S200、根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求。

结合实际的场景，本发明可以每天从收益管理系统(或订座系统)获取包括起飞当天(读取日为0)的订票数据，用于预测购票需求。而离港数据则用于重新校准神经网络模型(例如，时间序列模型)。主要特征定义如下：

t＝reading day(daypriorto flight departure)，读取日(距离航班起飞日期的天数)；

b

p

D

取日t的商务舱剩余购票需求均值；

ε

本发明可以在每一个读取日，读取如下表1的航班级数据：

表1

可选的，对于上述表1中涉及的内容，属于本领域常用的概念，具体可以结合本领域人员的解释进行理解。

可选的，本发明所说的时间序列模型是移动平均、指数平滑和自回归ARIMA等算法模型，本发明对此不做限制。其中，移动平均(Moving Average，MA)的表达式为：

可选的，本发明对于训练上述算法模型得到神经网络模型的过程不做具体限制。例如，结合图1所示的实施方式，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：步骤1.1和步骤1.2；

步骤1.1、获得所述第一航班的历史购票数据；

步骤1.2、基于所述历史购票数据，对待训练的所述神经网络模型进行训练和测试。

可选的，本发明除了可以基于历史购票数据对神经网络模型进行训练，还可以基于其他数据进行训练，例如，结合图1所示的实施方式，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：步骤2.1、步骤2.2和步骤2.3；

步骤2.1、获得所述第一航班的历史购票数据和对应的历史离港数据；

步骤2.2、根据所述历史购票数据和所述历史离港数据，计算得到所述第一航班的历史购票需求数据；

可选的，历史购票需求数据可以理解为以历史上第一航班各天实际发生的历史离港数据和对应的历史购票数据为准，计算得到的第一航班历史上各天实际的历史购票需求。后续可以基于历史购票需求数据对神经网络模型进行训练，即输入的是历史购票需求数据，与前述实施例输入的历史购票数据有所区别，从而训练得到不同输入的神经网络模型，以便于后续根据不同的需求，采集不同的数据输入至神经网络模型进行预测。

步骤2.3、基于所述历史购票需求数据，对待训练的所述神经网络模型进行训练和测试。

可选的，结合图1所示的实施方式，在某些可选的实施方式中，所述S100，包括：

获得所述第一航班的第一舱位等级在当前预测周期的订票数据。

可选的，一般而言，航班的舱位等级可以分为经济舱、公务舱和头等舱等。即，本发明所说的第一舱位等级可以是经济舱、公务舱和头等舱中的任意一个，本发明对此不做限制。

可选的，本发明对于预测周期不做具体限制，可以根据实际需要进行设定。例如，本发明可以设定一个月作为一个预测周期，也可以设定一个星期(星期一至星期天)作为一个预测周期。以一个星期作为一个预测周期为例，若当前为星期三，则本发明可以获得本星期的星期一和星期二的的订票数据，本发明对此不做限制。

可选的，本发明可以获得第一舱位等级历史各天的所有的实际订票数据。例如获得第一航班的第一舱位等级在去年一年的各天的实际订票数据，本发明对此不做限制。

可选的，本发明对于上述神经网络模型预测得到购票需求的过程不做具体限制，任何可行的方式均属于本发明的保护范围。本发明可以根据需要切换成不同的模式，由不同的神经网络模型进行预测，不同的神经网络模型预测得到的对象和结果可以不同。

例如，结合上一个实施方式，在某些可选的实施方式中，所述S200，包括：步骤3.1和步骤3.2；

步骤3.1、将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在所述当前预测周期的总购票需求；

步骤3.2、将所述总购票需求减去所述第一舱位等级在当前预测周期的订票数据，得到所述第一舱位等级在所述当前预测周期的剩余购票需求。

可选的，历史的订票数据一定程度上可以反映出未来订票数据趋势，因此，本发明可以基于历史各天的订票数据预测得到在当前预测周期的总购票需求。

可选的，在上述第一种模式下，可以预测当前预测周期的剩余购票需求，即可以预测当前周期接来下还可以卖多少张机票，本发明对此不做限制。

又例如，结合图1所示的实施方式，在某些可选的实施方式中，所述S200，包括：

将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在下一个预测周期的总购票需求。

可选的，在上述第二种模式下，本发明可以预测下一个预测周期的总购票需求，即下一个预测周期总共可以卖出多少张机票，本发明对此不做限制。

S300、获得所述第一航班对应的实际购票需求；

S400、根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；

可选的，本发明所说的评估指标可以包括：R-squared指标、MSE指标、MAE指标和MAPE指标中的至少一项；

S500、根据所述评估指标，对所述神经网络模型的预测性能进行评估。

可选的，本发明对于计算上述各个指标的方式不做限制，例如定义：R-squared(R

Mean Squared Error(MSE)用于衡量样本外的预测精度，表达式如下：

MeanAbsolute Error(MAE)的表达式如下：

MeanAbsolute Percentage Error(MAPE)，当实际剩余需求较小时，不建议使用此指标，表达式如下：

当然，本发明也可以计算其他指标，例如综合考虑票价或收益的预测误差。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本发明可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

如图2所示，本发明提供了一种需求预测装置，包括：数据获得单元100、需求预测单元200、实际需求获得单元300、评估指标计算单元400和性能评估单元500；

所述数据获得单元100，用于数据获得单元获得第一航班的订票数据；

所述需求预测单元200，用于根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求；

所述实际需求获得单元300，用于在所述根据所述订票数据，基于预先训练得到的神经网络模型预测得到所述第一航班未来的购票需求之后，获得所述第一航班对应的实际购票需求；

所述评估指标计算单元400，用于根据所述实际购票需求和预测得到的所述购票需求，计算得到评估指标；

所述性能评估单元500，用于根据所述评估指标，对所述神经网络模型的预测性能进行评估。

结合图2所示的实施方式，在某些可选的实施方式中，所述装置还包括第一训练单元；

所述第一训练单元包括：第一数据获得子单元和第一训练测试子单元；

所述第一训练单元，用于执行所述神经网络模型的训练过程；

所述第一数据获得子单元，用于获得所述第一航班的历史购票数据；

所述第一训练测试子单元，用于基于所述历史购票数据，对待训练的所述神经网络模型进行训练和测试。

结合图2所示的实施方式，在某些可选的实施方式中，所述装置还包括第二训练单元；

所述第二训练单元包括：第二数据获得子单元、需求数据计算子单元和第二训练测试子单元；

所述第二训练单元，用于执行所述神经网络模型的训练过程；

所述第二数据获得子单元，用于获得所述第一航班的历史购票数据和对应的历史离港数据；

所述需求数据计算子单元，用于根据所述历史购票数据和所述历史离港数据，计算得到所述第一航班的历史购票需求数据；

所述第二训练测试子单元，用于基于所述历史购票需求数据，对待训练的所述神经网络模型进行训练和测试。

结合图2所示的实施方式，在某些可选的实施方式中，所述数据获得单元100，包括：第三数据获得子单元；

所述第三数据获得子单元，用于获得所述第一航班的第一舱位等级在当前预测周期的订票数据。

结合上一个实施方式，在某些可选的实施方式中，所述需求预测单元200，包括：第一预测子单元和需求相减子单元；

所述第一预测子单元，用于将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在所述当前预测周期的总购票需求；

所述需求相减子单元，用于将所述总购票需求减去所述第一舱位等级在当前预测周期的订票数据，得到所述第一舱位等级在所述当前预测周期的剩余购票需求。

可选的，在某些可选的实施方式中，所述需求预测单元200，包括：第二预测子单元；

所述第二预测子单元，用于将所述订票数据输入至所述神经网络模型，并获得所述神经网络模型输出的、所述第一舱位等级在下一个预测周期的总购票需求。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本发明提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的需求预测方法。

在本公开的上下文中，计算机可读存储介质(也称为：机器可读介质)可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

如图3所示，本发明提供了一种电子设备70，所述电子设备70包括至少一个处理器701、以及与所述处理器701连接的至少一个存储器702、总线703；其中，所述处理器701、所述存储器702通过所述总线703完成相互间的通信；所述处理器701用于调用所述存储器702中的程序指令，以执行上述任一项所述的需求预测方法。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。