發(fā)布時間：2018-03-23 01:07

  本文選題：民航需求　切入點：在線機票查詢　出處：《北京交通大學》2017年碩士論文　論文類型：學位論文

【摘要】：在當今民航業(yè)內,準確把握客運需求是航空公司收益管理的核心問題。隨著民航市場的持續(xù)增長,對航空公司、機場、機票代理等民航相關企業(yè)的管理和運營水平尤其是市場反應能力提出了更高的要求。這就要求這些民航企業(yè)能夠及時準確地掌握民航市場需求的變化,及時采取相應的市場對策,從而提高企業(yè)的運營能力和服務質量,提高收益,改善用戶出行體驗。在線機票預訂網站上的用戶查詢量變化反應了民航市場需求的變化。在本文中,通過對用戶在線查詢行為大數(shù)據的分析,提出了一種新穎的民航異常需求發(fā)現(xiàn)方法,基于不同航線的用戶查詢量時間序列,并利用全國航線網絡,從網絡整體而非單條航線的視角來檢測民航異常需求。首先,針對單條航線查詢量時間序列上滑動窗口的異常值計算問題,提出一種多維度異常值計算的方法。分別考慮了:該窗口與本航線歷史查詢量曲線同期窗口子序列之間的差異、該窗口與其他航線當前查詢量曲線同期窗口子序列之間的差異以及該航線查詢量時間序列曲線的自身復雜性。最后通過對這三個維度計算所得的異常值相結合,得到滑動窗口子序列的初始異常值。然后,我們構建了一個由全國擁有機場城市和航線關系組成的航線網絡�；诤骄�網絡提出了一種需求異常值網絡迭代優(yōu)化算法,從網絡整體的角度不斷地迭代調整需求異常值,對上一步的異常值進行迭代修正優(yōu)化,直到最后在整個航線網絡上達到一種平衡,可以更為準確的得到每條航線的異常值。我們利用GDS服務商提供的真實歷史查詢數(shù)據集進行了實驗,并與異常傳統(tǒng)時間序列異常發(fā)現(xiàn)算法進行了對比實驗,結果表明本文提出的方法能更有效地從用戶查詢行為記錄中及時發(fā)現(xiàn)民航異常需求。最后,我們將異常需求發(fā)現(xiàn)方法應用在民航需求指數(shù)系統(tǒng)中,并利用異常發(fā)現(xiàn)結果對相關研究工作進行了展望。
[Abstract]:In today's civil aviation industry, accurately grasping passenger demand is the core issue of airline revenue management. With the continuous growth of the civil aviation market, airlines, airports, The management and operation level of civil aviation related enterprises, such as air ticket agents, especially the market response ability, has put forward higher requirements. This requires these civil aviation enterprises to grasp the changes in civil aviation market demand in a timely and accurate manner. Timely adoption of corresponding market countermeasures to improve the operation capacity and service quality of the enterprise, and improve the revenue, Improve the user travel experience. The change of user query volume on the online ticket booking website reflects the change of the civil aviation market demand. In this paper, through the analysis of the user online query behavior big data, In this paper, a novel method of detecting civil aviation abnormal demand is proposed, which is based on the time series of user query of different routes, and uses the national airline network to detect the abnormal demand of civil aviation from the perspective of the network as a whole rather than a single route. In order to solve the problem of calculating the outliers of sliding window on the time series of query quantity on a single route, a method of calculating outliers in multiple dimensions is proposed. The differences between this window and the sub-sequences of the synchronization window of the historical query curve of this route are considered, respectively. The difference between this window and the current query volume curve of other routes and the complexity of the time series curve of the query volume of this route are also discussed. Finally, the outliers calculated from these three dimensions are combined. The initial outliers of the sliding window sub-sequences are obtained. Then, we construct a route network composed of cities and routes owned by the whole country. Based on the airline network, an iterative optimization algorithm for outliers network is proposed. From the point of view of the whole network, the demand outliers are adjusted iteratively, and the outliers in the previous step are modified and optimized iteratively until a balance is reached in the whole airline network. We make use of the real history query data set provided by GDS service provider to carry on the experiment, and compare it with the anomaly discovery algorithm of the traditional time series of anomaly, we can get the outlier value of each route more accurately. The results show that the method proposed in this paper can more effectively detect the abnormal requirements of civil aviation from the user's query behavior record. Finally, we apply the anomaly requirement discovery method to the civil aviation demand index system. The results of anomaly detection are used to forecast the related research work.
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：F562;TP311.13

【相似文獻】

相關期刊論文 前10條

1 ;2009年度(第七屆)國際水利先進技術(產品)推介會推介技術[J];中國水利;2009年09期

2 胡志斌;時間序列的非線性測試及其應用[J];武漢水利電力大學(宜昌)學報;1997年03期

3 胡志斌;時間序列的非線性測試及其應用[J];武漢水利電力大學(宜昌)學報;1998年04期

4 石巖,胡昌振,馬寶華,譚惠民;模糊時間序列的最優(yōu)預測方法[J];探測與控制學報;1999年03期

5 孫青華,張世英;長記憶向量時間序列的非線性協(xié)整關系研究[J];天津大學學報;2002年03期

6 于景華,田立新;混沌時間序列及其在能源系統(tǒng)中的應用[J];江蘇大學學報(自然科學版);2002年04期

7 曹廣喜;;向量分整時間序列的協(xié)整關系探討[J];河海大學學報(自然科學版);2006年04期

8 許娜;商朋見;胡廣生;;氣溫變化時間序列的復雜性分析[J];北京交通大學學報;2008年03期

9 熊有倫,楊叔子,王躍科;復時間序列與主軸回轉精度[J];華中工學院學報;1987年02期

10 陳章潮;用時間序列預測電力系統(tǒng)負荷[J];電力系統(tǒng)自動化;1982年04期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經網絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網固定資產投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

相關重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數(shù)據坦白真相[N];21世紀經濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關博士學位論文 前10條

1 張墨謙;遙感時間序列數(shù)據的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結合衛(wèi)星觀測估算北太平洋經向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關性及信息熵分析[D];北京交通大學;2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學;2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學;2015年

9 胡建明;基于正則化核學習模型的時間序列多步預測的研究與應用[D];蘭州大學;2016年

10 王曉曄;時間序列數(shù)據挖掘中相似性和趨勢預測的研究[D];天津大學;2003年

相關碩士學位論文 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產發(fā)展目標研究[D];中國地質大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

，

本文編號：1651197