【技术实现步骤摘要】
本专利技术属于成本控制软件，特别是涉及一种基于成本影响因子智能调优的航空成本预测方法。
技术介绍
1、航空运输行业一直以来都是一个高度复杂而竞争激烈的领域，航线成本的构成非常复杂，受到众多因素的影响，如燃油价格、人工成本、飞机维护费用以及地面服务费用等，为了有效管理航线的成本，航空公司需要实时监管并提供成本异常分析的依据。传统的企业生产成本预提一般采用历史发生成本作为参考值的方式，或者使用供应商签订的长期服务协议协助预测，传统的方式除了需要耗费大量的人力之外，还存在数据不准确、无法对未执行航班进行预估的问题。
2、现有的航空成本预测技术中有基于飞行时间和座位数的直接运行成本预测方式，此方式的步骤为：收集航空公司的航班时刻表数据；将飞机直接运行成本最大值和最小值分别作为飞机直接运行成本区间值的上限和下限，对应的飞行时间分别作为飞行时间区间值的上限和下限；以飞机直接运行成本为因变量，飞行时间及相应机型的座位数为自变量，建立民机直接运行成本区间回归预测模型；对民机直接运行成本区间回归预测模型中的模型参数进行求解。然而，这种方法具有如下缺点：精度受限，该方法构建了一个回归预测模型，但是使用了飞机直接运行成本的区间值和飞行时间的区间值作为上下限，这可能导致模型的预测结果过于粗糙，成本预测数值准确度有影响；忽略了其他的影响因素，该方法只考虑了飞机直接运行成本与飞行时间和座位数之间的关系，忽略了其他可能影响成本的因素。
技术实现思路
1、为解决上述问题，本专利技术提供了一种基于成本影
2、本专利技术提供的一种基于成本影响因子智能调优的航空成本预测方法包括：
3、构建包括航班数据、业务数据和历史成本数据在内的航空成本数据集；
4、对所述航空成本数据集的数据进行清理处理，得到规范化航空成本数据集；
5、挖掘所述规范化航空成本数据集中的关联规则，得到影响各成本预测的业务规则，构建业务关联规则库，根据业务分析确认所述业务规则的有效性；
6、根据关联规则，建立包括航油费、起降费、配餐费用、不正常成本在内的成本预测模型，利用机器学习算法训练所述成本预测模型，输入所述规范化航空成本数据集，进行特征工程、模型选择和参数调优；
7、利用模型融合技术，对多个所述成本预测模型的结果进行加权融合，得到成本预测结果；
8、将所述成本预测结果与历史数据对比，分析每个成本项的预测误差，根据误差情况确定预测偏差过大的成本项，进行业务分析，找出造成预测结果偏差的原因，建立异常数据清理规则库；
9、如果误差超标，依据业务分析结果，通过分时段、分地段、分维度进行细化挖掘得到影响因子，对相关成本项的成本预测模型进行定向优化；
10、重复以上步骤，循环更新所有的所述成本预测模型，直至达到预测结果质量要求。
11、优选的，在上述基于成本影响因子智能调优的航空成本预测方法中，所述对航空成本数据集的数据进行清理处理包括：
12、删去异常数据，包括缺失值分析、负数处理和0值处理；
13、确认影响因子异常分布数，特征归一化合并处理；
14、基于各项成本预测eda分析，去掉特征权重大的与业务无关的影响因子。
15、优选的，在上述基于成本影响因子智能调优的航空成本预测方法中，所述根据业务分析确认业务规则的有效性包括：
16、针对预测成本是否含排除航空性收费因素进行处理；
17、针对成本原始数据处理是否缺少正班飞机故障信息，进行关联数据补充进行处理；
18、针对成本甩飞段是虚拟出来的，只有收入没有真实成本，但运输备降，收费时按照甩飞段开账单，原始预测数据取值范围不一致进行处理；
19、针对成本的空中时间小于等于70分钟的，空中时间大于70分钟的不同影响因子进行处理，结合关联规则和业务分析纠正70分钟以下成本是0的情况；
20、针对额外增加起飞旅客人数的权重处理，增加时间航段的权重进行处理。
21、优选的，在上述航空成本预测方法中，输入所述规范化航空成本数据集，进行特征工程、模型选择和参数调优包括：
22、输入所述规范化航空成本数据集，利用多种算法误差率进行对比，分别采用五折交叉验证和smote采样方式进行优化；
23、根据训练过程中的迭代特点，调整模型网络结构，去掉部分dropout层，加入正则化，通过分层降低学习率、调整学习率进行调优；
24、对于具有时间规律的成本项，增加时间序列算法分析。
25、优选的，在上述基于成本影响因子智能调优的航空成本预测方法中，所述通过分时段、分地段、分维度进行细化挖掘得到影响因子，对相关成本项的成本预测模型进行定向优化包括：
26、逐年分析、逐月分析、按天比对分析，找出符合规律的影响因子；
27、对国际、国内、甩飞航段进行分析，找出符合规律的影响因子；
28、将成本收费粒度拆成多个二级收费项目进行分析，找出符合规律的影响因子。
29、优选的，在上述基于成本影响因子智能调优的航空成本预测方法中，所述对所述航空成本数据集的数据进行清理处理包括删去异常数据、修改预测错误以及规范化预测结果格式。
30、优选的，在上述基于成本影响因子智能调优的航空成本预测方法中，使用apriori相关算法挖掘所述规范化航空成本数据集中的关联规则。
31、通过上述描述可知，本专利技术提供的上述基于成本影响因子智能调优的航空成本预测方法，由于包括构建包括航班数据、业务数据和历史成本数据在内的航空成本数据集；对所述航空成本数据集的数据进行清理处理，得到规范化航空成本数据集；挖掘所述规范化航空成本数据集中的关联规则，得到影响各成本预测的业务规则，构建业务关联规则库，根据业务分析确认所述业务规则的有效性；根据关联规则，建立包括航油费、起降费、配餐费用、不正常成本在内的成本预测模型，利用机器学习算法训练所述成本预测模型，输入所述规范化航空成本数据集，进行特征工程、模型选择和参数调优；利用模型融合技术，对多个所述成本预测模型的结果进行加权融合，得到成本预测结果；将所述成本预测结果与历史数据对比，分析每个成本项的预测误差，根据误差情况确定预测偏差过大的成本项，进行业务分析，找出造成预测偏差的原因，建立异常数据清理规则库；如果误差超标，依据业务分析结果，通过分时段、分地段、分维度进行细化挖掘得到影响因子，对相关成本项的成本预测模型进行定向优化；重复以上步骤，循环更新所有的所述成本预测模型，直至达到预测结果的要求，因此可以综合考虑多种影响因素，能够实现对实时执行落地航班、未执行的排班计划中的航班的运行成本进行准确预测，预测精度更本文档来自技高网...
【技术保护点】
1.一种基于成本影响因子智能调优的航空成本预测方法，其特征包括：
2.根据权利要求1所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述对航空成本数据集的数据进行清理处理包括：
3.根据权利要求2所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述根据业务分析确认业务规则的有效性包括：
4.根据权利要求3所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述输入所述规范化航空成本数据集，进行特征工程、模型选择和参数调优包括：
5.根据权利要求4所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述通过分时段、分地段、分维度进行细化挖掘得到影响因子，对相关成本项的成本预测模型进行定向优化包括：
6.根据权利要求5所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述对所述航空成本数据集的数据进行清理处理包括删去异常数据、修改预测错误以及规范化预测格式。
7.根据权利要求6所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，使用Aprior
...【技术特征摘要】
1.一种基于成本影响因子智能调优的航空成本预测方法，其特征包括：
2.根据权利要求1所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述对航空成本数据集的数据进行清理处理包括：
3.根据权利要求2所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述根据业务分析确认业务规则的有效性包括：
4.根据权利要求3所述的基于成本影响因子智能调优的航空成本预测方法，其特征在于，所述输入所述规范化航空成本数据集，进行特征工程、模型选择和参数调优包括：
5.根...
【专利技术属性】
技术研发人员：彭韶晖，刘元峥，陈家海，许妙，
申请(专利权)人：海南新境界软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。