用户支付意愿的预测方法及系统、电子设备、存储介质技术方案

本申请公开了一种用户支付意愿的预测方法及系统、电子设备、存储介质，其中，所述方法包括：获取用户当前对目标机票的预购票信息；根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图；对所述预购票信息的网络图进行图卷积，得到所述预购票信息对应的图特征；将所述预购票信息对应的图特征输入预先训练好的预测模型中，通过所述预测模型对所述预购票信息对应的图特征进行分析计算，得到当前所述用户对应的所述目标机票的折扣信息；其中，所述预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到；所述对抗网络包括信息生成器以及信息判别器。从而实现了对用户支付意愿的准确预测。

【技术实现步骤摘要】
用户支付意愿的预测方法及系统、电子设备、存储介质
本申请涉及信息预测
，特别涉及一种用户支付意愿的预测方法及系统、电子设备、存储介质。
技术介绍
飞机由于运量和使用成本等特征，属于交通工具中的奢侈品，所以机票与陆路交通的费用有明显区别，机票的购买量会随着时段、季节、天气甚至竞争对手公司机票定价而浮动。而机票定价在很大程度上会影响到用户的支付意愿，所以如何设定机票的价格，使得在收益最大化下，又能满足用户对机票的支付意愿，是各个航空公司极为关注的一个问题。现有主要是基于存量模型进行机票定价，其本质为应用统计的数据以及设定的定价策略进行定价，从而以合适的价格和方式将机票销售给需要的客户。或者是采用推荐算法，基于大量用户的信息，分析用户的购买喜好，从而为机票定价提供决策依据。但是基于存量模型进行定价的方式，需要建立在统计规律上，所以数据存在累计分担，并且具有滞后性。而基于推荐方法进行定价的方式，无法直接进行定价。并且由于机票相对昂贵，个人通过飞机出现的次数有限，且会购买的可能是不同的航空公司的机票。所以无法基于某个用户的少量的数据本文档来自技高网...

【技术保护点】
1.一种用户支付意愿的预测方法，其特征在于，包括：/n获取用户当前对目标机票的预购票信息；/n根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图；/n对所述预购票信息的网络图进行图卷积，得到所述预购票信息对应的图特征；/n将所述预购票信息对应的图特征输入预先训练好的预测模型中，通过所述预测模型对所述预购票信息对应的图特征进行分析计算，得到当前所述用户对应的所述目标机票的折扣信息；其中，所述预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到；所述对抗网络包括信息生成器以及信息判别器。/n

【技术特征摘要】
1.一种用户支付意愿的预测方法，其特征在于，包括：
获取用户当前对目标机票的预购票信息；
根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图；
对所述预购票信息的网络图进行图卷积，得到所述预购票信息对应的图特征；
将所述预购票信息对应的图特征输入预先训练好的预测模型中，通过所述预测模型对所述预购票信息对应的图特征进行分析计算，得到当前所述用户对应的所述目标机票的折扣信息；其中，所述预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到；所述对抗网络包括信息生成器以及信息判别器。


2.根据权利要求1所述的方法，其特征在于，所述对抗网络的训练方法，包括：
获取所述真实购票信息，并对所述真实购票信息进行预处理；
基于预处理后的所述真实购票信息，构建所述信息生成器以及所述信息判别器；
调用所述信息生成器随机生成一组初始的购票信息；
将所述初始的购票信息与所述正式购票信息进行混洗，得到第一数据集；
将所述第一数据集划分为第一训练集和第一测试集；
利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；
利用所述第一测试集对当前的所述信息判别器进行测试，得到当前的所述信息判别器的判别概率值；
判断当前的所述信息判别器的判别概率值是否大于第一判别阈值，或对所述信息判别器的迭代训练次数是否达到第一指定迭代次数；
若判断出当前的所述信息判别器的判别概率值不大于第一判别阈值，且对所述信息判别器的迭代训练次数未达到第一指定迭代次数，则返回执行所述利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；
若判断出当前的所述信息判别器的判别概率值大于第一判别阈值，或判断出对所述信息判别器的迭代训练次数达到第一指定迭代次数，则存储当前的所述信息判别器；
基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；其中，在迭代训练过程中所述信息判别器用于对所述信息生成器基于输入的预定义特征信息生成的完整购票信息进行判别；
利用当前的所述信息生成器随机生成一组待判别的购票信息，并将所述待判别的购票信息与所述真实购票进行混洗，得到当前待判别数据集；
利用当前的所述信息判别器对所述当前待判别数据集进行判别，得到所述当前待判别数据集对应的判别值；
判断所述当前待判别数据集对应的判别值是否大于第二判别阈值；
若判断所述当前待判别数据集对应的判别值大于第二判别阈值，则存储当前的所述信息生成器以及当前的所述信息判别器；
若判断出所述当前待判别数据集对应的判别值不大于第二判别阈值，则判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数；
若判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数未达到第二指定迭代次数，则返回执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；
若判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数已达到第二指定迭代次数，则对所述当前预定义学习率进行更新，得到最新的当前预定义学习率，并针对最新的所述当前预定义学习率，返回执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器。


3.根据权利要求2所述的方法，其特征在于，所述判断出所述当前待判别数据集对应的判别值不大于第二判别阈值之后，还包括：
判断对所述对抗网络的总迭代训练次数是否大于预测总次数；
若判断出对所述对抗网络的总迭代训练次数大于预测总次数，则执行所述存储当前的所述信息生成器以及当前的所述信息判别器；
若判断出对所述对抗网络的总迭代训练次数不大于预测总次数，则执行所述判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数。


4.根据权利要求2所述的方法，其特征在于，所述预测模型的训练方法，包括：
基于预处理后的所述真实购票信息，构建所述预测模型；其中，所述预测模型的神经网络结构为通过多个栈结构叠加，得到的具有时序因果性的深层神经网；所述栈结构通过基于双残差叠加的方法，将激活函数的多层全连接块堆叠得到；
利用存储的所述信息生成器随机生成一组购票信息，并与所述真实购票信息进行混淆，得到训练数据集；
根据所述训练数据集中的各个信息间的关系，生成所述训练数据集对应的网络图；
对所述训练数据集的网络图进行图卷积，得到所述训练数据集对应的图特征；
将所述训练数据集对应的图特征组成时序图输入所述预测模型中，对所述预测模型进行迭代训练，直至所述预测模型的输出结果的准确性大于预设阈值，或迭代训练达到第三指定迭代次数，得到并存储训练好后的所述预测模型。


5.根据权利要求1所述的方法，其特征在于，所述获取用户当前对目标机票的预购票信息之后，还包括：
对所述预购票信息进行预处理，得到预设格式的所述预购票信息；
其中，所述根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图，包括：
根据预设格式的所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图。


6.一种用户支付意愿的预测系统，其特征在于，包括：
第一获取单元，用于获取用户当前对目标机票的预购票信...

【专利技术属性】
技术研发人员：杨永凯，田松，
申请(专利权)人：中国民航信息网络股份有限公司，
类型：发明
国别省市：北京;11