【摘要】：航空客運(yùn)需求預(yù)測(cè)始終受到航空公司、機(jī)票代理商、飛機(jī)制造商等民航相關(guān)企業(yè)的關(guān)注。航班客座率是航空客運(yùn)市場(chǎng)中用以衡量航班客運(yùn)量需求的重要指標(biāo)之一。準(zhǔn)確地預(yù)測(cè)航班客座率將有利于航空公司處理航班機(jī)票超售、座位虛耗等問(wèn)題,幫助民航從業(yè)者提前感知市場(chǎng)需求進(jìn)而提高企業(yè)收益管理水平、為各級(jí)運(yùn)營(yíng)部門提供決策支持。傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法作為航班客座率預(yù)測(cè)問(wèn)題的主流研究方法,以定義的某個(gè)航班作為研究對(duì)象,僅關(guān)注目標(biāo)航班近期每日客座率的變化特點(diǎn),無(wú)法同時(shí)考慮到該問(wèn)題受到的其他眾多因素的影響,因此無(wú)法獲得理想的預(yù)測(cè)效果。除航班自身每日客座率變化外,目標(biāo)航班客座率還受其所在航線中其他鄰近起飛時(shí)刻的航班客座率影響,存在起飛時(shí)刻相關(guān)性,即同一航線上起飛時(shí)刻越相近的航班對(duì)應(yīng)的客座率相差更小;在時(shí)間粒度上,航班客座率不僅存在起飛時(shí)刻相關(guān)性,還存在起飛日相關(guān)性,即航班自身的客座率數(shù)據(jù)在起飛日的時(shí)間維度上呈現(xiàn)出時(shí)間依賴關(guān)系,如航班待預(yù)測(cè)時(shí)間區(qū)間的客座率與該航班前一周同一星期的客座率具有的周周期性、與該航班去年同一時(shí)間區(qū)間的客座率具有的年周期性;同樣,航班自身屬性及節(jié)假日、航班所在航線是否開設(shè)高鐵等其他因素也會(huì)影響航班客座率。為綜合考慮以上因素進(jìn)行準(zhǔn)確的航班客座率預(yù)測(cè),本文提出了一種新穎的基于多粒度時(shí)間注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)模型(Multi-Granularity Time Attention Recurrent Neural Network,MTA-RNN),該模型構(gòu)建多級(jí)注意力機(jī)制獲取航班客座率在不同時(shí)間粒度下的時(shí)序相關(guān)性。本模型根據(jù)不同性質(zhì)的時(shí)間依賴分別選取預(yù)測(cè)航班所在航線所有航班數(shù)據(jù)的臨近時(shí)間區(qū)間及遙遠(yuǎn)時(shí)間區(qū)間數(shù)據(jù),對(duì)兩部分?jǐn)?shù)據(jù)分別采用編碼器進(jìn)行編碼。在編碼器中,模型首先采用LSTM單元捕獲預(yù)測(cè)航班所在航線中不同起飛時(shí)刻的航班客座率時(shí)間序列的時(shí)序依賴性,之后引入起飛時(shí)刻注意力機(jī)制,通過(guò)參考編碼器上方LSTM單元之前起飛日的隱藏層狀態(tài),在每個(gè)起飛日自適應(yīng)地提取編碼器下方LSTM單元相關(guān)起飛時(shí)刻的隱藏層狀態(tài)值。在解碼器中,各部分編碼器均引入起飛日注意力機(jī)制在所有的起飛日中選擇相關(guān)編碼器上方LSTM單元的隱藏層狀態(tài),并結(jié)合航班自身屬性及節(jié)假日等其他因素,最終得到未來(lái)一段時(shí)間的目標(biāo)航班經(jīng)濟(jì)艙客座率。本文在真實(shí)的歷史航班客座率數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明MTA-RNN模型相比傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法及最新的基于深度學(xué)習(xí)的預(yù)測(cè)方法具有明顯的性能優(yōu)勢(shì)。
【圖文】：

深層神經(jīng)網(wǎng)絡(luò)（Ｄｅｅｐ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＤＮＮｓ）是指包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。逡逑無(wú)論每層每個(gè)神經(jīng)元是線性的或非線性的，較低層運(yùn)算單元的輸出始終作為下一逡逑層運(yùn)算單元的輸入。圖２－１展示了一個(gè)典型的深層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其由輸入層、逡逑輸出層及中間的若干隱藏層組成。除了輸出層，每一層都包含多個(gè)典型的神經(jīng)元單逡逑元和一個(gè)固定偏執(zhí)項(xiàng)。在實(shí)際使用過(guò)程中，輸入層的維度和訓(xùn)練樣本的維度保持一逡逑致并接受樣本的矢量輸入表示，隱藏層用于逐層提取輸入樣本的有效特征表示，輸逡逑出層輸出預(yù)測(cè)目標(biāo)值。逡逑輸邐輸逡逑＾邋＿邋１逡逑圖２－〗一個(gè)典型的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋２－１邋Ａ邋ｔｙｐｉｃａｌ邋ｄｅｅｐ邋ｎｅｕｒａｌ邋ａｒｃｈｉｔｅｃｔｕｒｅ逡逑１１逡逑

邋ＢＰＴＴ）＃％行訓(xùn)練，由于ＢＰＴＴ算法遵循共享參數(shù)等假設(shè)，使得模型在訓(xùn)練逡逑時(shí)容易出現(xiàn)梯度消失等問(wèn)題，導(dǎo)致無(wú)法處理時(shí)間序列中的長(zhǎng)期依賴關(guān)系。為解決這逡逑個(gè)問(wèn)題，相關(guān)學(xué)者提出了長(zhǎng)短期記憶網(wǎng)絡(luò)，ＬＳＴＭ單元如圖２－３所示，其中增加的逡逑３個(gè)門控單元讓信息有選擇性地影響循環(huán)神經(jīng)網(wǎng)絡(luò)中每個(gè)時(shí)刻的狀態(tài)，記憶單元逡逑（Ｍｅｍｏｒｙ邋Ｃｅｌｌ）用來(lái)保存當(dāng)前的網(wǎng)絡(luò)狀態(tài)。在形式上，ＬＳＴＭ可以表述如下：逡逑ｉ＜ｔ＞邋＝邐＋邋ｂｄ邐（２－１２）逡逑／＜ｆ＞邋＝邐；》：0］邐＋邋ｂ，）邐（２－１３）逡逑ｃ＜ｃ＞邋＝邋ｔａｎｈ（Ｗｃ［ａ＜ｉ－１＞；邋ｘ＜ｆ＞］邋＋邋ｂｃ）邐（２－１４）逡逑ｃ＜ｆ＞邋＝邋ｆＫｔ＞邋＊邋ｃ＜ｉ＿１＞邋＋邋ｉ＜ｌ＞邐＊邋ｃ＜ｌ＞邐（２－１５）逡逑00邋＝邐［ａＣ－１〉；無(wú)＜２：＞］邐＋邋ｂ０）邐（２－１６）逡逑ａ＜ｆ＞邋＝邋0＜ｚ＞邋＊邋ｔａｎｈ（ｃ＜￡＞）邐（２－１７）逡逑其中，Ｗ，表不權(quán)重矩陣，ｂ，為偏置向量，＊是哈達(dá)馬乘積（ＨａｄａｍａｒｄＰｒｏｄｕｃｔ），，邋ＬＳＴＭ逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：V354;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 原繼東;王志海;;時(shí)間序列的表示與分類算法綜述[J];計(jì)算機(jī)科學(xué);2015年03期

2 張偉;;客座率淺析[J];民用飛機(jī)設(shè)計(jì)與研究;2012年S1期

本文編號(hào)：2705907