一种机票销售订单预测方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及一种机票销售订单预测方法、装置、电子设备和存储介质。其中，该方法包括：获取机票订单历史数据；根据历史目标数据和至少一个特征，得到目标预测数据；其中，历史目标数据包括机票订单历史数据中第一时间段内的机票销售订单的第一订单量信息；至少一个特征根据机票订单历史数据中机票销售订单的行程信息构建；目标预测数据包括至少一个航司返佣协议中指定时间段内的机票销售订单的第二订单量信息；根据目标预测数据，确定是否向用户推荐协议航班；其中，协议航班包括至少一个航司返佣协议对应的航班。通过本申请可以提升预测结果的准确度，有助于合理地完成航司返佣协议，提高航司返佣协议的完成率，提升航司返佣协议带来的收益。协议带来的收益。协议带来的收益。

【技术实现步骤摘要】
一种机票销售订单预测方法、装置、电子设备和存储介质


[0001]本申请涉及计算机
，尤其涉及一种机票销售订单预测方法、装置、电子设备和存储介质。

技术介绍

[0002]差旅管理公司(Travel Management Companies，TMC)可以帮助企业在专业差旅管理服务团队的协助下对差旅活动进行整体规划全面执行监控，优化差旅管理流程与政策，整体采购资源，从而在不影响业务开展和出行体验的前提下，降低企业差旅成本并提高员工出行效率。TMC提供差旅预订平台，供企业员工进行差旅行程中交通及住宿的预订。交通包含机票、火车票、用车，其中机票资源主要来源于航司/供应商，TMC公司根据服务企业历年的机票差旅量与航司/供应商签订一系列航班刷新、协议价、返佣等合约。
[0003]航司返佣协议中会约定：在指定时间范围、指定往返城市、指定航班等条件下，当总票面价或者航段量满足指定量时，会给予指定条件的返佣；相反的，若不满足指定量，返佣为0。因此，如何确保获取更多的航司返佣收益成为急需解决的业务问题。

技术实现思路

[0004]有鉴于此，提出了一种机票销售订单预测方法、装置、电子设备和存储介质。
[0005]第一方面，本申请的实施例提供了一种机票销售订单预测方法，所述方法包括：获取机票订单历史数据；根据历史目标数据和至少一个特征，得到目标预测数据；其中，所述历史目标数据包括所述机票订单历史数据中第一时间段内的机票销售订单的第一订单量信息；所述至少一个特征根据所述机票订单历史数据中机票销售订单的行程信息构建；所述目标预测数据包括至少一个航司返佣协议中指定时间段内的机票销售订单的第二订单量信息；根据所述目标预测数据，确定是否向用户推荐协议航班；其中，所述协议航班包括所述至少一个航司返佣协议对应的航班。
[0006]基于上述技术方案，根据机票销售订单的历史目标数据和至少一个特征，得到机票销售订单的目标预测数据，该至少一个特征根据所述机票订单历史数据中机票销售订单的行程信息构建，从而有助于提升预测结果的准确度；根据机票销售订单的目标预测数据确定是否向用户推荐航司返佣协议中规定的航班，有助于合理地完成航司返佣协议，提高航司返佣协议的完成率，提升航司返佣协议带来的收益。
[0007]根据第一方面，在所述第一方面的第一种可能的实现方式中，所述方法还包括：在确定向用户推荐协议航班的情况下，根据用户画像和协议航班画像得到至少一个协议航班的推荐指数；其中，所述用户画像根据用户的历史订单信息进行构建；所述协议航班画像根据所述协议航班的信息进行构建；根据所述推荐指数，向用户推荐协议航班。
[0008]基于上述技术方案，在确定向用户推荐协议航班的情况下，根据用户画像和协议航班画像计算协议航班的推荐指数，根据推荐指数向用户推荐协议航班，有助于提高用户对于协议航班机票的下单率，从而可以对还未完成目标的航司返佣协议进行冲量，提高航
司返佣协议的完成率，提升航司返佣协议带来的收益。
[0009]根据第一方面或第一方面的第一种可能的实现方式，在所述第一方面的第二种可能的实现方式中，所述根据历史目标数据和至少一个特征，得到目标预测数据，包括：根据所述历史目标数据，得到历史时间序列；将所述历史时间序列和所述至少一个特征输入预设模型，得到所述目标预测数据；其中，所述预设模型基于STL时间序列分解算法进行训练得到。
[0010]基于上述技术方案，将历史时间序列和特征一起输入到基于STL算法进行训练得到的预设模型中，得到目标预测数据，可以优化STL算法中周期项序列和趋势项序列的提取方法，从而改进传统STL算法，解决了对局部数据依赖问题，可以得到更精准的时间序列分解结果，从而可以提高预测结果的准确度，得到更准确的目标预测数据。
[0011]根据第一方面的第二种可能的实现方式，在所述第一方面的第三种可能的实现方式中，所述预设模型包括第一子模型、第二子模型、第三子模型；所述第一子模型、第二子模型、第三子模型基于回归算法进行训练得到；所述将所述历史时间序列和所述至少一个特征输入预设模型，得到所述目标预测数据，包括：根据所述历史时间序列和所述至少一个特征，得到输入序列；获取第k
‑
1次迭代中的趋势项序列，根据所述输入序列和所述第k
‑
1次迭代中的趋势项序列，得到第一中间序列；其中，k的初始值为1，所述趋势项序列的初始值为0；将所述第一中间序列输入所述第一子模型，得到第二中间序列；根据第二中间序列，得到第三中间序列；将所述第三中间序列输入所述第二子模型，得到第四中间序列；根据所述输入序列、所述第二中间序列和所述第四中间序列，得到第k次迭代中的周期项序列和第五中间序列；将所述第五中间序列输入所述第三子模型，得到第k次迭代中的趋势项序列；判断所述第k次迭代中的周期项序列和所述第k次迭代中的趋势项序列是否收敛，在所述第k次迭代中的周期项序列和所述第k次迭代中的趋势项序列收敛的情况下，停止迭代，并将最近一次迭代中的周期项序列确定为所述输入序列对应的周期项序列，将最近一次迭代中的趋势项序列确定为所述输入序列对应的趋势项序列；否则，将k的取值加1，并返回执行获取第k
‑
1次迭代中的趋势项序列的步骤；根据所述输入序列对应的周期项序列和所述输入序列对应的趋势项序列，得到所述目标预测数据。
[0012]基于上述技术方案，将历史时间序列和特征一起输入到基于STL算法进行训练得到的预设模型中，得到目标预测数据，优化了周期项序列和趋势项序列的提取方法，从而改进传统STL算法，解决了对局部数据依赖问题，利用基于回归算法计算得到的第一子模型、第二子模型、第三子模型，对序列信息进行精准分解、分而治之，实现了更准确的时间序列分解，从而可以提高预测结果的准确度，得到更准确的目标预测数据。
[0013]根据第一方面的第三种可能的实现方式，在所述第一方面的第四种可能的实现方式中，所述根据所述输入序列、所述第二中间序列和所述第四中间序列，得到第k次迭代中的周期项序列和第五中间序列，包括：将所述第二中间序列减去所述第四中间序列，得到所述第k次迭代中的周期项序列；将所述输入序列减去所述第k次迭代中的周期项序列，得到所述第五中间序列。
[0014]基于上述技术方案，通过将历史时间序列和特征一起构成时间序列中趋势项序列和周期项序列的输入，优化了周期项序列和趋势项序列的提取方法，可以得到更准确的周期项序列和趋势项序列，从而可以提高预测结果的准确度，得到更准确的目标预测数据。
[0015]根据第一方面或第一方面上述各种可能的实现方式，在所述第一方面的第五种可能的实现方式中，所述目标预测数据还包括与所述至少一个航司返佣协议对应的第二时间段内的机票销售订单的第三订单量信息；所述与所述至少一个航司返佣协议对应的第二时间段内的机票销售订单的第三订单量信息，用于对制定所述第二时间段内的航司返佣协议进行评估。
[0016]基于上述技术方案，通过预测航司返佣协议未来一段时间的订单量信息，可以为制定下一阶段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机票销售订单预测方法，其特征在于，所述方法包括：获取机票订单历史数据；根据历史目标数据和至少一个特征，得到目标预测数据；其中，所述历史目标数据包括所述机票订单历史数据中第一时间段内的机票销售订单的第一订单量信息；所述至少一个特征根据所述机票订单历史数据中机票销售订单的行程信息构建；所述目标预测数据包括至少一个航司返佣协议中指定时间段内的机票销售订单的第二订单量信息；根据所述目标预测数据，确定是否向用户推荐协议航班；其中，所述协议航班包括所述至少一个航司返佣协议对应的航班。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在确定向用户推荐协议航班的情况下，根据用户画像和协议航班画像得到至少一个协议航班的推荐指数；其中，所述用户画像根据用户的历史订单信息进行构建；所述协议航班画像根据所述协议航班的信息进行构建；根据所述推荐指数，向用户推荐协议航班。3.根据权利要求1或2所述的方法，其特征在于，所述根据历史目标数据和至少一个特征，得到目标预测数据，包括：根据所述历史目标数据，得到历史时间序列；将所述历史时间序列和所述至少一个特征输入预设模型，得到所述目标预测数据；其中，所述预设模型基于STL时间序列分解算法进行训练得到。4.根据权利要求3所述的方法，其特征在于，所述预设模型包括第一子模型、第二子模型、第三子模型；所述第一子模型、第二子模型、第三子模型基于回归算法进行训练得到；所述将所述历史时间序列和所述至少一个特征输入预设模型，得到所述目标预测数据，包括：根据所述历史时间序列和所述至少一个特征，得到输入序列；获取第k
‑
1次迭代中的趋势项序列，根据所述输入序列和所述第k
‑
1次迭代中的趋势项序列，得到第一中间序列；其中，k的初始值为1，所述趋势项序列的初始值为0；将所述第一中间序列输入所述第一子模型，得到第二中间序列；根据第二中间序列，得到第三中间序列；将所述第三中间序列输入所述第二子模型，得到第四中间序列；根据所述输入序列、所述第二中间序列和所述第四中间序列，得到第k次迭代中的周期项序列和第五中间序列；将所述第五中间序列输入所述第三子模型，得到第k次迭代中的趋势项序列；判断所述第k次迭代中的周期项序列和所述第k次迭代中的趋势项序列是否收敛，在所述第k次迭代中的周期项序列和所述第k次迭代中的趋势项序列收敛的情况下，停止迭代，并将最近一次迭代中的周期项序列确定为所述输入序列对应的周期项序列，将最近一次迭代中的趋势项序列确定为所述输入序列对应的趋势项序列；否则，将k的取值加1，并返回执行获取第k
‑
1次迭代中的趋势项序列的步骤；根据所述输入序列对应的周期项序列和所述输入序列对应的趋势项序列，得到所述目标预测数据。5.根据权利要求4所述的方法，其特征在于，所述根据所述输入序列、所述第二中间序
列和所述第四中间序列，得到第k次迭代中的周期项序列和第五中间序列，包括：将所述第二中间序列减去所述第四中间序列，得到所述第k次迭代中的周期项序列；将所述输入序列减去所述第k次迭代中的周期项序列，得到所述第五中间序列。6.根据权利要求1
‑
5中任一项所述的方法，其特征在于，所述目标预测数据还包括与所述至少一个航司返佣协议对应的第二时间段内的机票销售订单的第三订单量信息；所述与所述至少一个航司返佣协议对应的第二时间段内的机票销售订单的第三订单量信息，用于对制定所述第二时间段内的航司返佣协议进行评估。7.根据权利要求1
‑
6中任一项所述的方法，其特征在于，所述第一订单量信息和所述第二订单量信息包括总票面价、航段量、返佣金额中的一项或多项。8.根据权利要求1
‑
7中任一项所述的方法，其特征在于，所述行程信息包括日期信息、节假日信息、城市信息、出差申请信息中的一项或多项。9.一种机票销售订单预测装置，其特征在于，所述装置包括：获取模块，用于获取机票订单历史数据；预测模块，用于根据历史目标数据和至少...

【专利技术属性】
技术研发人员：石路路，赵英廷，孟平，史超，
申请(专利权)人：南京意博软件科技有限公司，
类型：发明
国别省市：