票价预测模型训练方法、票价预测方法及设备技术

本申请提供一种票价预测模型训练方法、票价预测方法及设备，涉及计算机技术领域，包括：获取训练数据集，包括样本航班的第一票价序列、第二票价序列、特征序列、样本航班在目标提前期下对应目标出发日期的实际票价数据；使用上述训练数据集对待训练模型进行训练，得到票价预测模型，基于该票价预测模型可以预测出任意航班在目标提前期下对应目标出发日期的票价，解决了现有技术无法预测出发日期固定的任意航班在指定提前期的票价的技术问题。意航班在指定提前期的票价的技术问题。意航班在指定提前期的票价的技术问题。

【技术实现步骤摘要】
票价预测模型训练方法、票价预测方法及设备


[0001]本申请涉及计算机
，尤其涉及一种票价预测模型训练方法、票价预测方法及设备。

技术介绍

[0002]随着互联网技术的普及，网络购票已逐渐成为现如今一种比较热门的购票方式。
[0003]在日常生活中，对于价格存在浮动性的机票而言，用户可以先通过机票售卖平台查询前往目的地的机票在未来一段时间内的价格，然后选择价格合适的机票进行购买。
[0004]然而，目前用户通过机票售卖平台查询机票价格时，机票售卖平台仅能提供当天所能购买的、未来若干天内的机票的价格。由于航空公司通常会根据航班的客座率、经营策略等频繁调整机票价格，由此可能使用户在不同时间购买同一航班的机票价格存在差异，进而导致用户体验较差。基于此，如何准确预测出发日期固定的任意航班在指定提前期的票价，是目前亟需解决的技术问题。

技术实现思路

[0005]本申请的多个方面提供一种票价预测模型训练方法、票价预测方法及设备，可以解决现有技术中无法预测出发日期固定的任意航班在指定提前期的票价的技术问题。
[0006]第一方面，本申请实施例提供一种票价预测模型训练方法，包括：
[0007]获取训练数据集，所述训练数据集包括至少一组训练数据，所述训练数据包括：一个样本航班的第一票价序列、第二票价序列、特征序列、所述样本航班在目标提前期下对应目标出发日期的实际票价数据；
[0008]使用所述训练数据集对待训练模型进行训练，得到票价预测模型；其中，所述待训练模型包括第一编码模块、第二编码模块以及解码模块，所述第一编码模块用于根据所述第一票价序列与所述第二票价序列输出第一输出向量，所述第二编码模块用于根据所述特征序列输出第二输出向量，所述解码模块用于根据所述第一输出向量与所述第二输出向量，输出所述样本航班在目标提前期下对应目标出发日期的预测票价数据。
[0009]在一种可能的实施方式中，所述第一编码模块包括第一子编码模块与第二子编码模块，所述第一子编码模块用于根据所述第一票价序列输出第一隐变量，所述第二子编码模块用于根据所述第二票价序列输出第二隐变量；所述第一输出向量包括所述第一隐变量与所述第二隐变量。
[0010]在一种可能的实施方式中，所述第一子编码模块为自适应步长的长短期记忆网络(Long Short Term Memory，LSTM)编码模块，或者所述第一子编码模块为多项式回归函数编码模块；
[0011]所述第二子编码模块为自适应步长的LSTM编码模块，或者所述第二子编码模块为傅里叶级数编码模块。
[0012]在一种可能的实施方式中，所述第二编码模块为金字塔型注意力编码模块；所述
金字塔型注意力编码模块用于：
[0013]将所述特征序列中的特征数据按照出发日期进行升序排列，并以固定卷积核对排列后的所述特征序列逐层向上进行卷积处理，得到所述特征序列对应的金字塔型特征序列；
[0014]利用所述样本航班在目标提前期下对应目标出发日期的特征数据，基于目标注意力机制对所述金字塔型特征序列进行处理，生成所述第二输出向量。
[0015]在一种可能的实施方式中，所述训练数据还包括：所述第一票价序列中的第一目标票价数据、所述第二票价序列中的第二目标票价数据；所述待训练模型还包括嵌入层；
[0016]所述嵌入层，用于根据所述样本航班在目标提前期下对应目标出发日期的特征数据、所述第一目标票价数据以及所述第二目标票价数据，输出第三输出向量；
[0017]所述解码模块，具体用于根据所述第一输出向量、所述第二输出向量以及所述第三输出向量，输出所述样本航班在目标提前期下对应目标出发日期的预测票价数据。
[0018]在一种可能的实施方式中，所述解码模块为多层感知机(Multilayer Perceptron，MLP)解码模块。
[0019]在一种可能的实施方式中，所述第一票价序列包括所述样本航班在固定出发日期下不同提前期的票价数据，所述第二票价序列包括所述样本航班在固定提前期下不同出发日期的票价数据，所述特征序列包括所述样本航班在所述固定提前期下不同出发日期的特征数据，所述特征数据与所述票价数据相关。
[0020]在一种可能的实施方式中，所述特征数据包括所述样本航班以下特征中的至少一项：出发地、目的地、航班号、天气状况、节假日、工作日、出发月份、已售票量、年同比已售票量、最新票价。
[0021]第二方面，本申请实施例提供一种票价预测方法，包括：
[0022]确定待预测航班的提前期、出发日期以及所述待预测航班在所述出发日期的特征数据，所述特征数据与所述待预测航班在所述出发日期的票价数据相关；
[0023]将所述提前期、所述出发日期以及所述特征数据输入票价预测模型，得到所述待预测航班在所述提前期下所述出发日期的预测票价数据；其中，所述票价预测模型由第一方面提供的票价预测模型训练方法训练得到。
[0024]第三方面，本申请实施例提供一种票价预测模型训练装置，包括：
[0025]获取模块，用于获取训练数据集，所述训练数据集包括至少一组训练数据，所述训练数据包括：一个样本航班的第一票价序列、第二票价序列、特征序列、所述样本航班在目标提前期下对应目标出发日期的实际票价数据；
[0026]训练模块，用于使用所述训练数据集对待训练模型进行训练，得到票价预测模型；其中，所述待训练模型包括第一编码模块、第二编码模块以及解码模块，所述第一编码模块用于根据所述第一票价序列与所述第二票价序列输出第一输出向量，所述第二编码模块用于根据所述特征序列输出第二输出向量，所述解码模块用于根据所述第一输出向量与所述第二输出向量，输出所述样本航班在目标提前期下对应目标出发日期的预测票价数据。
[0027]第四方面，本申请实施例提供一种票价预测装置，包括：
[0028]确定模块，用于确定待预测航班的提前期、出发日期以及所述待预测航班在所述出发日期的特征数据，所述特征数据与所述待预测航班在所述出发日期的票价数据相关；
[0029]预测模块，用于将所述提前期、所述出发日期以及所述特征数据输入票价预测模型，得到所述待预测航班在所述提前期下所述出发日期的预测票价数据；其中，所述票价预测模型由第三方面提供的票价预测模型训练装置训练得到。
[0030]第五方面，本申请实施例提供一种电子设备，包括：存储器和处理器；
[0031]所述存储器存储计算机执行指令；
[0032]所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第一方面提供的票价预测模型训练方法，或者使得所述处理器执行如第二方面提供的票价预测方法。
[0033]第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现如第一方面提供的票价预测模型训练方法，或者实现如第二方面提供的票价预测方法。
[0034]第七方面，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种票价预测模型训练方法，其特征在于，包括：获取训练数据集，所述训练数据集包括至少一组训练数据，所述训练数据包括：一个样本航班的第一票价序列、第二票价序列、特征序列、所述样本航班在目标提前期下对应目标出发日期的实际票价数据；使用所述训练数据集对待训练模型进行训练，得到票价预测模型；其中，所述待训练模型包括第一编码模块、第二编码模块以及解码模块，所述第一编码模块用于根据所述第一票价序列与所述第二票价序列输出第一输出向量，所述第二编码模块用于根据所述特征序列输出第二输出向量，所述解码模块用于根据所述第一输出向量与所述第二输出向量，输出所述样本航班在目标提前期下对应目标出发日期的预测票价数据。2.根据权利要求1所述的方法，其特征在于，所述第一编码模块包括第一子编码模块与第二子编码模块，所述第一子编码模块用于根据所述第一票价序列输出第一隐变量，所述第二子编码模块用于根据所述第二票价序列输出第二隐变量；所述第一输出向量包括所述第一隐变量与所述第二隐变量。3.根据权利要求2所述的方法，其特征在于，所述第一子编码模块为自适应步长的长短期记忆网络LSTM编码模块，或者所述第一子编码模块为多项式回归函数编码模块；所述第二子编码模块为自适应步长的LSTM编码模块，或者所述第二子编码模块为傅里叶级数编码模块。4.根据权利要求1所述的方法，其特征在于，所述第二编码模块为金字塔型注意力编码模块；所述金字塔型注意力编码模块用于：将所述特征序列中的特征数据按照出发日期进行升序排列，并以固定卷积核对排列后的所述特征序列逐层向上进行卷积处理，得到所述特征序列对应的金字塔型特征序列；利用所述样本航班在目标提前期下对应目标出发日期的特征数据，基于目标注意力机制对所述金字塔型特征序列进行处理，生成所述第二输出向量。5.根据权利要求1至4任一项所述的方法，其特征在于，所述训练数据还包括：所述第一票价序列中的第一目标票价数据、所述第二票价序列中的第二目标票价数据；所述待训练模型还包括嵌入层；所述嵌入层，用...

【专利技术属性】
技术研发人员：孙珊，陶万杰，温鸿，胡超，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：