旅客出行目的预测方法及装置的制造方法
【技术领域】
[0001 ]本发明涉及数据处理技术，尤其涉及一种旅客出行目的预测方法及装置。
【背景技术】
[0002] 近20年来，得益于科技进步以及互联网技术的迅猛发展，中国民航的技术水平经 历了几次大的飞跃，这反映在旅客乘机的所有环节，包括旅客预定座位、购买客票、值机从 机场离港等过程，出现了电子客票、手机值机、网上值机等新技术，同时旅客的行为也越来 越多样化，这些都会以数据的形式留存在数据仓库中，是一个巨大的宝藏等着去挖掘。
[0003] 旅客出行目的是旅客出行的一个终点状态，乘坐飞机则只是为了达到目的的一个 过程和手段，所有的出行行为细节都会反映出行目的。
[0004] 民航业中对旅客的出行目的分析至今还是一个空白。现有的旅客数据中并没有真 实的出行目的标识，如何从纷繁的旅客行为数据中找到旅客出行目的踪迹和指向，并通过 构建模型来预测出行目的，是急需解决的问题。
【发明内容】
[0005] 为解决现有存在的技术问题，本发明实施例提供一种旅客出行目的预测方法及装 置。
[0006] 为达到上述目的，本发明实施例的技术方案是这样实现的：
[0007] -种旅客出行目的预测方法，所述方法包括：
[0008] 从旅客全景视图中读取旅客出行行为记录；
[0009] 提取并计算所述旅客出行记录的特征值；
[0010] 调用预测模型对所述特征值进行计算，得到旅客出行目的的预测结果。
[0011] 其中，在读取旅客出行记录之前，所述方法还包括:基于支持向量机SVM决策树算 法建立所述预测模型。
[0012] 其中，在读取旅客出行行为记录之前，所述方法还包括建立所述预测模型的步骤， 该步骤包括：
[0013] 采集多条训练数据，每条所述训练数据包括一个旅客一次出行的出行记录和出行 目的；
[0014] 分别提取和计算所述多条训练数据的特征值；
[0015]基于所述多条训练数据的特征值训练预须彳模型；
[0016] 验证所述预测模型的准确率；
[0017] 保存通过验证的预测模型。
[0018] 其中，所述特征值可以包括如下的任意一种或任意组合:常客卡级别、起飞日期类 型、乘客年龄区间、性别、证件类型、起飞时间类型、0D目的地类型、提前订票天数区间、值机 方式、提前值机时间、航段国际国内、同行人关系、订票渠道、是否使用大客户编码、是否购 买往返票、舱位类型、折扣率区间、团队标识。
[0019] 其中，建立所述预测模型之前，所述方法还包括:构造特征值计算规则，并选择特 征值。
[0020] 其中，所述训练预测模型包括:读取所述特征值的文件，将所述文件的每一行变量 作为输入，调用SVM决策树算法进行预测模型的训练;如果读取到的特征值不是数值型，则 先进行数值化处理。
[0021] 其中，所述保存预测模型为：以文本文件的形式保存通过验证的预测模型。
[0022] -种旅客出行目的预测装置，所述装置包括：
[0023] 读取模块，用于从旅客全景视图中读取旅客出行记录；
[0024] 特征值模块，用于提取并计算所述旅客出行记录的特征值；
[0025] 预测模块，用于调用预测模型对所述特征值进行计算，得到旅客出行目的的预测 结果。
[0026] 其中，所述预测模块，包括:计算子模块和建立子模块，其中，
[0027] 建立子模块，用于基于支持向量机SVM决策树算法建立所述预测模型；
[0028] 所述计算子模块，用于调用所述预测模型对所述特征值进行计算，得到旅客出行 目的的预测结果。
[0029] 其中，所述读取模块，还用于采集多条训练数据，每条所述训练数据包括一个旅客 一次出行的出行记录和出行目的；
[0030] 所述特征值模块，还用于分别提取和计算所述多条训练数据的特征值；
[0031] 所述预测模块的建立子模块，具体用于基于所述多条训练数据的特征值训练预测 模型，验证所述预测模型的准确率，并保存通过验证的预测模型。
[0032] 其中，所述特征值可以包括如下的任意一种或任意组合:常客卡级别、起飞日期类 型、乘客年龄区间、性别、证件类型、起飞时间类型、0D目的地类型、提前订票天数区间、值机 方式、提前值机时间、航段国际国内、同行人关系、订票渠道、是否使用大客户编码、是否购 买往返票、舱位类型、折扣率区间、团队标识。
[0033] 其中，所述所述特征值模块，还用于构造特征值计算规则，并选择特征值；以及，用 于基于所述特征值计算规则，提取和计算特征值。
[0034] 其中，所述建立子模块用于训练预测模型，包括:读取所述特征值的文件，将所述 文件的每一行变量作为输入，调用SVM决策树算法进行预测模型的训练;如果读取到的特征 值不是数值型，则先进行数值化处理。
[0035]其中，所述建立子模块用于以文本文件的形式保存通过验证的预测模型。
[0036] 本发明实施例的旅客出行目的预测方法及装置，能够基于旅客的乘机出行行为记 录，自动预测出旅客每次出行的目的，解决了当前航空业务领域无法针对旅客出行目的进 行预测的技术问题，为航空业务的分析提供一种更加深入用户的维度，使得航空业务能够 更好地支持旅客的个性化服务，便于航空业务系统在旅客的每个接触点为其提供更具针对 性的服务。
【附图说明】
[0037] 在附图（其不一定是按比例绘制的）中，相似的附图标记可在不同的视图中描述相 似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而 非限制的方式大体示出了本文中所讨论的各个实施例。
[0038] 图1为本发明实施例旅客出行目的预测方法的流程示意图；
[0039] 图2为本发明实施例预测模型建立流程示意图；
[0040] 图3为本发明实施例旅客出行目的预测装置的组成结构示意图。
【具体实施方式】
[0041] 本发明实施例提供一种旅客出行目的预测方法及装置，能够基于民航旅客的乘机 出行行为记录，预测旅客每次的出行目的。换而言之，本发明实施例可以从旅客的乘机记录 出发，抽取以及清洗基础数据、分析旅客出行中所有环节的行为特点，利用旅客身份特征、 同行人关系、行程特点、个人乘机偏好等信息来预测旅客的出行目的。
[0042] 本发明实施例旅客出行目的预测方法，如图1所示，主要可以包括如下步骤：
[0043] 步骤101:读取旅客全景视图中的旅客出行记录；
[0044] 本步骤中，读取旅客全景视图中的旅客出行记录，获得旅客行为详细数据的某些 字段，为特征值的计算做准备。
[0045] 这里，预测旅客出行目的需要采集旅客的全流程行为数据，从开始订票到出票、离 港一系列的接触点都会通过各种信息系统回传并存储在中心系统中，这些数据经过清洗整 理存储在旅客全景视图中。本发明实施例的数据就来源于该旅客全景视图。其中，旅客全景 视图是从旅客的角度进行的数据整合，数据粒度为航段级，包括了旅客从订座到出票，再到 离港的全流程记录，故称"全景视图"。
[0046] 特别地，读取每日的旅客全景视图表，该旅客全景视图表存在于数据仓库中，每行 表示一个旅客的一个航段级信息，包含旅客所有行为的最详细数据，是未经加工过的原始 数据，并不适合直接作为特征值。
[0047]步骤102:特征值提取和计算；
[0048]本发明实施例预先规定了特征值的计算规则，将步骤101读取的数据作为输入并 根据特征值的计算规则结合预先配置的参照表进行计算，即可得到N个特征值。
[0049]特别地，本发明实施例的数据来源是部署在Hadoop平台的旅客全景视图，包含了 100多个旅客行为字段，根据航行业务的特点选择比较典型的、反映关键业务点的N个字段 作为特征值。这N个特征值涵盖了订座、出票、离港、旅客特征等多个方面，能够真实地反映 旅客的行为特征和出行目的。
[0050] 步骤103:调用预测模型进行计算，得到旅客出行目的。
[0051] 本发明实施例中，在步骤102计算特征值之后，再调用预先保存的预测模型进行计 算，得到的结果即为旅客出行目的。具体地，调用预测模型，输入为步骤102得到的特征值文 件，返回结果，该结果为一个文件，该文件的每行包含：当前旅客每次出行记录的若干字段 和预测结果。
[0052]本发明实施例使用支持向量机（SVM，Support Vector Machine)最优决策树算法 建立所述预测模型，该算法对多维数据的支持比较好，适用于具有多个特征值的数据，比较 符合旅客数据的特征，旅客全景视