民航繁忙干线机票最低价格预测方法研究
发布时间：2020-12-19 20:18
在民航领域,能否准确把握机票价格的变化趋势直接关系到普通旅客和机票代理商等民航业多方参与者的经济利益,是民航业者最为关心的问题之一。准确的机票低价预测有助于民航业需求与供给的灵活对接以及民航资源的充分利用。随着机票自主定价逐步放开,各个航空公司对其航班产品的定价越来越自由且多元化。而机票价格存在着波动性大、易受到诸多因素影响、随机性强等特点,并且各个航空公司都有着自己复杂的定价策略,种种因素使得机票价格预测成为了一个极具挑战的问题。本文利用从国内某订票网站上采集的真实价格数据,对机票价格数据的特点进行了统计分析,发现机票价格数据存在着单条航班序列无明显周期性、不同起飞日期对应序列差异性大、连续多个同号航班序列以“星期”为周期规律性强等特点。现有的机票价格预测方法都不能充分体现机票价格变动特点,无法很好地解决机票价格预测问题。而卷积神经网络以其优秀的信息提取及特征表达能力在诸多领域都得到了成功地应用,给本文提供了解决机票价格预测问题的新思路。针对机票价格预测问题,本文提出了一种新颖的机票价格数据组织方式以及两个不同的以卷积神经网络为核心的机票价格预测模型。本文针对机票价格序列存在查询日期...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－２卷积神经网络结构图??
ＬＳＴＭ是一种基于循环神经网络（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）的改进模??型。循环神经网络是一种重复利用单元结构、循环传递信息的特殊链式祌经网络，??其结构如图２－３所示。图中左部分是ＲＮＮ单元信息循环传递的示意图，右部分则??是将循环步骤拆解开的示意图。ＲＮＮ以其特殊的结构，可以处理序列类型的数据，??它可以将上一步信息传递到当前步，从而达到了利用序列前后关系的目的。标准??＿的单元模块内部结构非常简单，如图２－４（ａ）所示，可以只是一个简单的ｔａｎｈ??层，导致其具有长期记忆不足、易产生梯度消失和梯度爆炸等缺点。??？?？?？?？??八?＿?＝?Ａ?—？?Ａ??？?Ａ??Ｘ?ＸＸＸ??？?？?？?？？？?？??图２－３循环神经网络结构图??Ｆｉｇ．２－３?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??针对上述ＲＮＮ的缺陷，ＬＳＴＭ做出来相应的改进。ＬＳＴＭ拥有与标准循环神??经网络相同的整体循环结构，但其中每一个单元结构却比ＲＮＮ复杂很多，包含了??４个进行交互的结构，如图２－４（ｂ）所示。这些结构构建出了输入门、遗忘门、输出??门等结构
ＬＳＴＭ是一种基于循环神经网络（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）的改进模??型。循环神经网络是一种重复利用单元结构、循环传递信息的特殊链式祌经网络，??其结构如图２－３所示。图中左部分是ＲＮＮ单元信息循环传递的示意图，右部分则??是将循环步骤拆解开的示意图。ＲＮＮ以其特殊的结构，可以处理序列类型的数据，??它可以将上一步信息传递到当前步，从而达到了利用序列前后关系的目的。标准??＿的单元模块内部结构非常简单，如图２－４（ａ）所示，可以只是一个简单的ｔａｎｈ??层，导致其具有长期记忆不足、易产生梯度消失和梯度爆炸等缺点。??？?？?？?？??八?＿?＝?Ａ?—？?Ａ??？?Ａ??Ｘ?ＸＸＸ??？?？?？?？？？?？??图２－３循环神经网络结构图??Ｆｉｇ．２－３?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??针对上述ＲＮＮ的缺陷，ＬＳＴＭ做出来相应的改进。ＬＳＴＭ拥有与标准循环神??经网络相同的整体循环结构，但其中每一个单元结构却比ＲＮＮ复杂很多，包含了??４个进行交互的结构，如图２－４（ｂ）所示。这些结构构建出了输入门、遗忘门、输出??门等结构
【参考文献】：
期刊论文
[1]基于用户在线查询行为的民航异常需求发现[J]. 许强永,林友芳,万怀宇,吴丽娜,贾旭光. 中国科学:信息科学. 2017(08)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]机票价格预测的模糊时间序列方法[J]. 华逸群,曹健. 小型微型计算机系统. 2016(11)
[4]基于ARMA平稳时间序列的机票价格预测模型——以山海关机场为例[J]. 林鑫,解沐萱,陈巍立,孟楠,王雪莹,梁晨旭. 中国高新技术企业. 2016(05)
[5]面向临床心电图分析的深层学习算法[J]. 金林鹏,董军. 中国科学:信息科学. 2015(03)
[6]时间序列的表示与分类算法综述[J]. 原继东,王志海. 计算机科学. 2015(03)
[7]基于时间序列的机票价格预测模型[J]. 顾兆军,王双,赵亿. 中国民航大学学报. 2013(02)
[8]网络爬虫技术研究[J]. 于成龙,于洪波. 东莞理工学院学报. 2011(03)
[9]基于乘客选择行为的航空机票控制模型研究[J]. 陈剑,肖勇波,刘晓玲,陈友华. 系统工程理论与实践. 2006(01)
硕士论文
[1]面向民航需求建模的用户查询日志大数据分析方法研究与实现[D]. 周岳骞.北京交通大学 2016
[2]基于小波神经网络模型的民航旅客流量预测研究[D]. 朱倩.北京交通大学 2014
[3]时间序列加法模型的分解预测研究[D]. 卢理.西南交通大学 2007
本文编号：2926513
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－２卷积神经网络结构图??
ＬＳＴＭ是一种基于循环神经网络（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）的改进模??型。循环神经网络是一种重复利用单元结构、循环传递信息的特殊链式祌经网络，??其结构如图２－３所示。图中左部分是ＲＮＮ单元信息循环传递的示意图，右部分则??是将循环步骤拆解开的示意图。ＲＮＮ以其特殊的结构，可以处理序列类型的数据，??它可以将上一步信息传递到当前步，从而达到了利用序列前后关系的目的。标准??＿的单元模块内部结构非常简单，如图２－４（ａ）所示，可以只是一个简单的ｔａｎｈ??层，导致其具有长期记忆不足、易产生梯度消失和梯度爆炸等缺点。??？?？?？?？??八?＿?＝?Ａ?—？?Ａ??？?Ａ??Ｘ?ＸＸＸ??？?？?？?？？？?？??图２－３循环神经网络结构图??Ｆｉｇ．２－３?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??针对上述ＲＮＮ的缺陷，ＬＳＴＭ做出来相应的改进。ＬＳＴＭ拥有与标准循环神??经网络相同的整体循环结构，但其中每一个单元结构却比ＲＮＮ复杂很多，包含了??４个进行交互的结构，如图２－４（ｂ）所示。这些结构构建出了输入门、遗忘门、输出??门等结构
ＬＳＴＭ是一种基于循环神经网络（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）的改进模??型。循环神经网络是一种重复利用单元结构、循环传递信息的特殊链式祌经网络，??其结构如图２－３所示。图中左部分是ＲＮＮ单元信息循环传递的示意图，右部分则??是将循环步骤拆解开的示意图。ＲＮＮ以其特殊的结构，可以处理序列类型的数据，??它可以将上一步信息传递到当前步，从而达到了利用序列前后关系的目的。标准??＿的单元模块内部结构非常简单，如图２－４（ａ）所示，可以只是一个简单的ｔａｎｈ??层，导致其具有长期记忆不足、易产生梯度消失和梯度爆炸等缺点。??？?？?？?？??八?＿?＝?Ａ?—？?Ａ??？?Ａ??Ｘ?ＸＸＸ??？?？?？?？？？?？??图２－３循环神经网络结构图??Ｆｉｇ．２－３?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??针对上述ＲＮＮ的缺陷，ＬＳＴＭ做出来相应的改进。ＬＳＴＭ拥有与标准循环神??经网络相同的整体循环结构，但其中每一个单元结构却比ＲＮＮ复杂很多，包含了??４个进行交互的结构，如图２－４（ｂ）所示。这些结构构建出了输入门、遗忘门、输出??门等结构
【参考文献】：
期刊论文
[1]基于用户在线查询行为的民航异常需求发现[J]. 许强永,林友芳,万怀宇,吴丽娜,贾旭光. 中国科学:信息科学. 2017(08)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]机票价格预测的模糊时间序列方法[J]. 华逸群,曹健. 小型微型计算机系统. 2016(11)
[4]基于ARMA平稳时间序列的机票价格预测模型——以山海关机场为例[J]. 林鑫,解沐萱,陈巍立,孟楠,王雪莹,梁晨旭. 中国高新技术企业. 2016(05)
[5]面向临床心电图分析的深层学习算法[J]. 金林鹏,董军. 中国科学:信息科学. 2015(03)
[6]时间序列的表示与分类算法综述[J]. 原继东,王志海. 计算机科学. 2015(03)
[7]基于时间序列的机票价格预测模型[J]. 顾兆军,王双,赵亿. 中国民航大学学报. 2013(02)
[8]网络爬虫技术研究[J]. 于成龙,于洪波. 东莞理工学院学报. 2011(03)
[9]基于乘客选择行为的航空机票控制模型研究[J]. 陈剑,肖勇波,刘晓玲,陈友华. 系统工程理论与实践. 2006(01)
硕士论文
[1]面向民航需求建模的用户查询日志大数据分析方法研究与实现[D]. 周岳骞.北京交通大学 2016
[2]基于小波神经网络模型的民航旅客流量预测研究[D]. 朱倩.北京交通大学 2014
[3]时间序列加法模型的分解预测研究[D]. 卢理.西南交通大学 2007
本文编号：2926513
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2926513.html
