模型训练方法、客座率进度预测方法、系统、设备及介质与流程

本发明属于信息处理技术领域，具体涉及一种模型训练方法、客座率进度预测方法、系统、设备及介质。

背景技术：

由于机票产品具有时效性的特点，航司和供应商在售卖机票时会收舱、放舱操作。即从航司的收益最大化的目的出发，决定当前机票可售的折扣。准确地预测航线客座率进度对航线员的收舱、放舱操作具有指导作用。目前的客源预测方法仅输出了最终客座率的结果，该信息不足以完整的反映市场的需求。

现有技术中主要凭借航线员的人工经验，不同的航线员的经验不同，判断力不同，从而预测结果相对粗糙，最终影响航线员的决策。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中航线员的人工经验预测结果相对粗糙的缺陷，提供一种模型训练方法、客座率进度预测方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

第一方面，本发明提供一种航线客座率进度预测模型的训练方法，所述方法包括：

获取多条历史航线数据，所述历史航线数据包括一条航线的若干历史时间段的历史订单数据；

将获取到的所述多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型；其中，所述模型为基于深度学习的时间序列算法构造的时间序列模型，所述航线客座率进度预测模型用于计算若干未来连续时间段中每一时间段的未来订单中航线客座率的预测值。

较佳地，所述模型包括编码层、聚合层以及解码层，所述聚合层位于所述编码层和所述解码层之间；

所述编码层的输入包括第一序列，所述第一序列的长度为所述若干历史时间段的总时段数，所述第一序列内的数据为所述历史订单数据中与历史订单所在时间段相关的特征数据；

所述聚合层的输入包括所述编码层的输出以及所述历史订单数据中与历史订单所在时间段不相关的特征数据；

所述解码层的输入包括所述聚合层的输出以及第二序列，所述第二序列的长度为所述若干未来连续时间段的总时段数，所述第二序列内的数据为与所述未来订单所在时间段相关的特征数据。

较佳地，所述解码层的输入还包括当前要计算的时间段的前一时段的航线客座率的预测值。

较佳地，所述历史订单数据包括航司数据和航线级别的ota数据；其中，所述航司数据包括各舱位订座数、各舱位客座率、航班运力以及起飞时间，所述航线级别的ota数据包括搜索量、订单量、订单商旅用户占比量、售出票量价格、起飞日期以及航线类别；

其中，所述各舱位订座数、各舱位客座率、航班运力以及所述搜索量、订单量、订单商旅用户占比量、售出票量价格属于所述历史订单数据中与历史订单所在时间段相关的特征数据；

所述起飞时间以及所述航线类别属于所述历史订单数据中与历史订单所在时间段不相关的特征数据。

较佳地，所述将获取到的所述多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型，包括：

利用embedding技术对所述多条历史航线数据进行降维处理；

将经过处理后的所述多条历史航线数据输入所述模型进行训练，生成航线客座率进度预测模型。

第二方面，本发明还提供一种航线客座率进度预测模型的训练系统，包括：

获取模块，用于获取多条历史航线数据，所述历史航线数据包括一条航线的若干历史时间段的历史订单数据；

训练模块，用于将获取到的所述多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型；其中，所述模型为基于深度学习的时间序列算法构造的时间序列模型，所述航线客座率进度预测模型用于计算若干未来连续时间段中每一时间段的未来订单中航线客座率的预测值。

较佳地，所述模型包括编码层、聚合层以及解码层，所述聚合层位于所述编码层和所述解码层之间；

所述编码层的输入包括第一序列，所述第一序列的长度为所述若干历史时间段的总时段数，所述第一序列内的数据为所述历史订单数据中与历史订单所在时间段相关的特征数据；

所述聚合层的输入包括所述编码层的输出以及所述历史订单数据中与历史订单所在时间段不相关的特征数据；

所述解码层的输入包括所述聚合层的输出以及第二序列，所述第二序列的长度为所述若干未来连续时间段的总时段数，所述第二序列内的数据为与所述未来订单所在时间段相关的特征数据。

较佳地，所述解码层的输入还包括当前要计算的时间段的前一时段的航线客座率的预测值。

较佳地，所述历史订单数据包括航司数据和航线级别的ota数据；其中，所述航司数据包括各舱位订座数、各舱位客座率、航班运力以及起飞时间，所述航线级别的ota数据包括搜索量、订单量、订单商旅用户占比量、售出票量价格、起飞日期以及航线类别；

其中，所述各舱位订座数、各舱位客座率、航班运力以及所述搜索量、订单量、订单商旅用户占比量、售出票量价格属于所述历史订单数据中与历史订单所在时间段相关的特征数据；

所述起飞时间以及所述航线类别属于所述历史订单数据中与历史订单所在时间段不相关的特征数据。

较佳地，所述训练模块，包括：

处理单元，用于利用embedding技术对所述多条历史航线数据进行降维处理；

输入单元，用于将经过处理后的所述多条历史航线数据输入所述模型进行训练，生成航线客座率进度预测模型。

第三方面，本发明还提供一种航线客座率进度预测方法，所述方法包括：

利用如上述中任一项所述的方法训练出航线客座率进度预测模型；

获取目标历史航线数据，所述目标历史航线数据包括目标航线的若干历史时间段的历史订单数据；

将所述目标航线的历史数据输入所述航线客座率进度预测模型中得到相应的计算结果。

第四方面，本发明还提供一种航线客座率进度预测系统，所述系统包括：

如上述中任一项所述的航线客座率进度预测模型的训练系统，用于训练航线客座率进度预测模型；

获取模块，用于获取目标历史航线数据，所述目标历史航线数据包括目标航线的若干历史时间段的历史订单数据；

预测模块，用于将所述目标航线的历史数据输入所述航线客座率进度预测模型中得到相应的计算结果。

第五方面，本发明还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的一种航线客座率进度预测模型的训练方法，或者执行上述的航线客座率进度预测方法。

第六方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的一种航线客座率进度预测模型的训练方法，或者上述的航线客座率进度预测方法。

本发明的积极进步效果在于：提供了一种模型训练方法、客座率进度预测方法、系统、设备及介质。本发明提供的客座率模型训练方法和进度预测方法通过训练航线客座率进度预测模型来提高预测的准确度，再利用该客座率预测的方法能够更好的帮助航司把握市场趋势，从而执行更加精细化的收益。例如，预测趋势增长快，且最终客座率高时可以预留更多的高折扣票，给航司和航线员提供了更为准确的客源进度预测结果，从而更好地指导航线员进行收放舱操作。

附图说明

图1为本发明实施例1的航线客座率进度预测模型的训练方法的流程图。

图2为本发明实施例1的航线客座率进度预测模型的训练方法的模型结构示意图。

图3为本发明实施例1的航线客座率进度预测模型的训练方法步骤s12的流程图。

图4为本发明实施例2的航线客座率进度预测模型的训练系统的模块示意图。

图5为本发明实施例3的航线客座率进度预测方法的流程图。

图6为本发明实施例4的航线客座率进度预测系统的模块示意图。

图7为本发明实施例5的电子设备的硬件结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种航线客座率进度预测模型的训练方法，参照图1，该方法包括以下步骤：

步骤s11、获取多条历史航线数据，该历史航线数据包括一条航线的若干历史时间段的历史订单数据。

机票产品具有时效性，航司和供应商在售卖机票时会进行收舱和放舱操作。即从航司收益最大化的目的出发，决定当前机票可售的折扣，根据机票的可售的折扣价格，有助于机票的售卖，提高航线客座率的数值，最终使得航司的利润提高。

本实施例中，以一天作为一个时间段。可以获取线上300条历史航线数据，每条历史航线数据包括每条航线在过去1年、2年或者3年内每天的历史订单数据。

其中，该历史订单数据包括航司数据和航线级别的ota(onlinetravelagency，在线旅游)数据；其中，航司数据包括各舱位订座数、各舱位客座率、航班运力以及起飞时间，航线级别的ota数据包括搜索量、订单量、订单商旅用户占比量、售出票量价格、起飞日期以及航线类别。为了可以更好的判断航线趋势，本实施例中在历史订单数据中引入ota数据，该ota数据中的搜索热度数据与未来客座进度有较强的相关性，该特征的引入能够有效的提高客座率进度预测的准确性。

进一步地，该各舱位订座数、各舱位客座率、航班运力以及搜索量、订单量、订单商旅用户占比量、售出票量价格属于该历史订单数据中与历史订单所在时间段相关的特征数据。

该起飞时间以及航线类别属于历史订单数据中与历史订单所在时间段不相关的特征数据。

具体的，航司的it部门会通过特定的方式传输航司数据，经过etl数据预处理落入数据仓库。该航司数据包括与预定日期相关的各舱位客座率、航班运力数据、航班数据以及与预定日期无关的起飞日期。

在ota平台的自身数据仓库中存在的数据有两类，一类是与预定日期相关的数据，另一类是预定日期无关的数据。其中与预定日期有关的数据还有平台订单商旅用户(可报销)占比以及平台售出票量价格。与预定日期无关的数据有起飞日期特征等数据，例如，起飞日期特征为是否是周末、是否是节假日、距离上一个或者下一个节假日的天数、周航班数、月航班数、航线距离以及预测提前期的时间长度。其中，搜索人数(搜索热度数据)与未来的客座率进度有着较强的相关性。因为搜索热度数据统计了各业务平台在官网、app、h5页面的各个渠道航线真实的仿真搜索量。对于一个起飞日期其搜索趋势与客座率增长趋势有着较强的相关性，即起飞前每天累计的搜索量与起飞前每天的累计航班上客人数有着较强的相关性。

在一种可能实现方式中，可以经过etl(extracttransformload，抽取-转换-加载)的数据仓库技术将每日获取到前一天的航司数据和每日获取到前一天的航线级别的ota数据经过抽取、清洗转换之后加载到数据仓库中。该过程可以对每日航司新增数据进行清洗整合预处理，该预处理过程包括数据格式转换、特征值计算等，例如，各个时刻航班运力占比数的计算。经过etl处理后得到航线级别的ota搜索量、订单量以及其他的衍生变量。该衍生变量包括但不限于节假日、天气状况、特殊活动日等其余衍生变量。将上述两部分数据融合后，训练基于深度学习的时间序列模型，使用机器学习的方法训练得到航线级别的客座率进度，并将模型序列化文件存储至模型服务器内。

步骤s12、将获取到的多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型；其中，该模型为基于深度学习的时间序列算法构造的时间序列模型，该航线客座率进度预测模型用于计算若干未来连续时间段中每一时间段的未来订单中航线客座率的预测值。

具体的，将获取到的多条历史航线数据中的航司数据和ota数据，比如舱位订座数、各舱位客座率、航班运力、搜索量、订单量、售出票量价格等数据，输入基于sequence-to-sequence序列到序列模型进行训练，输出航线客座率进度预测模型，并将模型序列化为文件存储至模型服务器中。该模型由基于深度学习的时间序列算法构造而成，计算若干未来连续时间段中，每一时间段的未来订单中航线客座率的预测值。

在一种可能实现方式中，若在训练前期直接使用模型自身的预测值作为输入值，会遇到训练难以收敛的情况。若全部使用真实值作为输入值又会遇到与预测值不符的情况，模型预测效果较差。本实施例可以采用一个百分比逐渐进行输入，即真实值作为下一个时刻输入的占比，该比率在模型训练的前期可以高达100％，在模型训练的后期可以为10％，该比例可以随着模型训练迭代、训练步长增加呈指数衰减，通过该方法可以将航线客座率进度预测模型训练至一个较为准确的水平。

其中，该模型包括编码层、聚合层以及解码层，该聚合层位于该编码层和该解码层之间，具体模型结构参见图2。

该编码层的输入包括第一序列，第一序列的长度lin为所述若干历史时间段的总时段数，第一序列内的数据xt为历史订单数据中与历史订单所在时间段相关的特征数据。该编码层的输出为该第一序列经编码后的结果。该聚合层的输入包括编码层的输出以及历史订单数据中与订单所在时间段不相关的特征数据。该聚合层的输出为该聚合层的输入经聚合后的结果。该解码层的输入包括聚合层的输出以及第二序列，第二序列的长度lout为若干未来连续时间段的总时段数，第二序列内的数据x^′t为与所述未来订单所在时间段相关的特征数据。该解码层的输出lft为该解码层的输入经解码后的结果，代表提前t天客座率。

即，编码层而言，对于一个确定好起飞日期的航线样本，使用最近一周(即输入序列长度为7)的搜索热度以及客座率为v1＝[-0.3，-0.2，0.0，0.15，0.3，0.45，0.7]，v2＝[0.05，0.07，0.1，0.13，0.18，0.25，0.4]。得到x1＝[-0.3，0.05]，x2＝[-0.2，0.07]，…x7＝[0.7，0.4]，设单次训练的样本数量为b，本实施例中编码层的输入为b＝1，那么编码层生成维度为[b*2]的矩阵。输入模型进行训练时，b设置为256，上述矩阵中的2代表编码层输入的特征维度数据，但是实际数字远大于2，因为可能包含其他特征数据。例如，运力数据、搜索页面数、平均价格、商旅占比数等特征数据，其中，运力数据代表航班在不同起飞时刻的占比数。如果编码层为3层，编码层会输出3个编码层状态，每个编码层输出一个状态，也是矩阵其维度是[b*编码层长度]，编码层长度是可以调节的。

本实施例中选择64维度，在聚合层将这3个[b*64]转换成[b*192]的矩阵。再结合与订单日期不相关的特征，例如，该起飞日期是否为节假日(1，代表是)，上一个节假日的天数(比如60)，下一个节假日的天数(比如20)。航线特征的输出维度可以为[0.1，0.3，0.5]，该输出维度为3维。这些与订单日期不相关的特征结合变成了一个矩阵[1，60，20，0.1，0.3，0.5]，维度为[b*6]，这个矩阵与之前[b*192]结合，变为[b*198]维度，再经过降维处理作为聚合层的输出，比如[b*64]。

进一步的，该解码层的输入还包括当前要计算的时间段的前一时段的航线客座率的预测值。对于解码层而言，假设模型预测时距离起飞日3天，即有3天的客座率进度需要预测，预测序列长度为3。假设有2个与未来订单日期相关的特征，比如，星期数，假设起飞日期为周日，那么v3＝[5，6，7](代表周五、周六、周日三个订单日期)，第二个v4可以是订单日期是否为周末，v4＝[0，1，1]，(0代表不是周末，1代表是周末)。那么设置x’8＝[5，0]，x’9＝[6，1]，x’10＝[7，1]，x’t即为维度为[b*2]的矩阵，2代表与未来订单日期的相关的特征数据的个数值，实际模型训练中还有其他特征数据，比如星期数，月份，季节等。在解码层模型先使用x’8预测得到起飞前2天的客座率lf2，其维度为[b*1]，再输入x’9与lf2，(两者合并为矩阵[b*3])得到提前1天的lf1，再输入x’10与lf1，得到起飞日当天的客座率lf0，[lf2，lf1，lf0]即为模型所需预测的三个值。

具体的，在sequence-to-sequence模型即基于深度学习的时间序列算法构造的时间序列模型进行训练的过程中，解码层在每一时刻都需要使用前一个时刻的预测值作为新的输入值。采取此方式，可以较为准确的预测每个航线在若干未来连续时间段中每一时间段的未来订单中的航线客座率分布。

本实施例中，一种航线客座率进度预测模型的训练方法，参照图3，步骤12包括以下：

步骤121、利用embedding类别技术对多条历史航线数据进行降维处理。

步骤122、将经过处理后的多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型。

本实施例中，将大量航线数据进行统一建模。而现有技术中利用独热编码(one-hotencoding)技术构造的模型难以把握航线之间相似的客座率增长趋势。对于不同的航线类别特征，如上海-西安，北京-上海，深圳-北京，先进行降维处理。可以选择使用任意维度进行降维处理的embedding技术进行处理，再作为模型的输入。例如，[0.1，0.56，0.3，…，0.5，0.8]的10维矩阵，相似航线其对应的10维矩阵的数值较为相近。

本发明实施例中，提供了一种航线客座率进度预测模型的训练方法，本发明模型在网络结构中在编码层于解码层之间加入聚合层，便于将不同维度的数据进行聚合，在类别特征建模时，使用embedding技术，能够更好的把握类别间的相似性，最终提高了航线客座率进度预测模型预测的准确性。

实施例2

本实施例提供一种航线客座率进度预测模型的训练系统，参照图4，包括：获取模块110、训练模块120。

其中，获取模块110，用于获取多条历史航线数据，该历史航线数据包括一条航线的若干历史时间段的历史订单数据。

训练模块120，用于将获取到的多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型；其中，该模型为基于深度学习的时间序列算法构造的时间序列模型，该航线客座率进度预测模型用于计算若干未来连续时间段中每一时间段的未来订单中航线客座率的预测值。

本实施例中，可以获取线上300条历史航线数据，每条历史航线数据包括每条航线在过去1年、2年或者3年时间段的历史订单数据。需要说明的是，尽管以上示例中介绍了对历史航线数据在过去不同时间段的历史订单数据，但是本领域技术人员能够理解，本公开不限于此。本领域技术人员可以根据实际航线数据的应用场景灵活的选取历史订单数据，利用不同阶段范围的历史订单数据进行模型训练。

其中，该模型包括编码层、聚合层以及解码层，该聚合层位于该编码层和该解码层之间。

该编码层的输入包括第一序列，该第一序列的长度为该若干历史时间段的总时段数，该第一序列内的数据为该历史订单数据中与历史订单所在时间段相关的特征数据；该聚合层的输入包括该编码层的输出以及该历史订单数据中与历史订单所在时间段不相关的特征数据；该解码层的输入包括聚合层的输出以及第二序列，第二序列的长度为若干未来连续时间段的总时段数，第二序列内的数据为与未来订单所在时间段相关的特征数据。

进一步的，该解码层的输入还包括当前要计算的时间段的前一时段的航线客座率的预测值。

本实施例中，一种航线客座率进度预测模型的训练系统，参照图4，训练模块120还包括：

处理单元121，用于利用embedding技术对多条历史航线数据进行降维处理。

输入单元122，用于将经过处理后的该多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型。

本实施例中，提供一种航线客座率进度预测模型的训练系统，该系统包括获取模块、训练模块，获取模型用于获取多条历史航线数据，该历史航线数据包括一条航线的若干历史时间段的历史订单数据；训练模块用于将获取到的多条历史航线数据输入模型进行训练，生成航线客座率进度预测模型；其中，该模型为基于深度学习的时间序列算法构造的时间序列模型，该航线客座率进度预测模型用于计算若干未来连续时间段中每一时间段的未来订单中航线客座率的预测值。本实施例实现了利用航司自有数据并结合ota的市场数据，进行航线客座率进度预测模型的训练，最终提高了航线客座率进度预测模型预测的准确性。

实施例3

本实施例提供一种航线客座率进度预测方法，参照图5，该方法包括：

步骤s21、利用如上述实施例1的方法训练出航线客座率进度预测模型。

步骤s22、获取目标历史航线数据，该目标历史航线数据包括目标航线的若干历史时间段的历史订单数据。

步骤s23、将该目标航线的历史数据输入航线客座率进度预测模型中得到相应的计算结果。

具体的，航司it部门调用soa(service-oriented-architecture，面向服务的体系结构)接口传送的目标历史航线数据，该目标历史航线数据包括一条或者多条目标航线在过去若干历史时间段的历史订单数据，将该数据整合输入到训练好的航线客座率进度预测模型中，生成相应的计算结果，并将该计算结果落入特定的数据库表中进行存储。根据模型每日的监测效果，确定航线客座率进度预测模型的训练以及部署。

本发明实施例中，提供一种航线客座率进度预测方法，利用航线客座率进度模型为航线客座率进度预测提供了更加准确的信息，即从预测当天直至起飞日，目标航线每天的客座率情况。例如，同样最终客座率为90％的航线，有些航线的销售机会是在最后两天，有些航线则是较为平均的分布在起飞前5天，比起只预测最终客座率，预测出客座率的进度则能够更好的把握收放舱的时机。该航线客座率进度预测结果不但可以提供给航线员使用，而且可以为智能航线收益管理系统提供关于市场需求趋势的提示信息。

实施例4

本实施例提供一种航线客座率进度预测系统，参照图6，该系统包括：上述实施例2的航线客座率进度预测模型的训练系统、获取模块210，预测模块220。

上述实施例2的航线客座率进度预测模型的训练系统，用于训练航线客座率进度预测模型。

其中，获取模块210，用于获取目标历史航线数据，该目标历史航线数据包括目标航线的若干历史时间段的历史订单数据。

预测模块220，用于将目标航线的历史数据输入该航线客座率进度预测模型中得到相应的计算结果。

可以理解的，航司it部门调用soa接口传送的目标历史航线数据，该目标历史航线数据包括一条或者多条目标航线在过去若干历史时间段的历史订单数据，将该数据整合输入到训练好的航线客座率进度预测模型中，生成相应的计算结果，并将该计算结果落入特定的数据库表中进行存储。根据模型每日的监测效果，确定航线客座率进度预测模型的训练以及部署。

本实施例中通过提供一种航线客座率进度预测系统，该系统包括获取模块、预测模块；利用如实施例1的方法训练出航线客座率进度预测模型之后，获取模块用于获取目标历史航线数据，该目标历史航线数据包括目标航线的若干历史时间段的历史订单数据；预测模块用于将目标航线的历史数据输入上述航线客座率进度预测模型中得到相应的计算结果。本实施例实现了对航线客座率进度提供更加准确的预测，该航线客座率进度预测结果不但可以提供给航线员使用，而且可以为智能航线收益管理系统提供关于市场需求趋势的提示信息。

实施例5

图7为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的航线客座率进度预测模型的训练方法或实施例3的航线客座率进度预测方法，图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(ram)321和/或高速缓存存储器322，还可以进一步包括只读存储器(rom)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例5的航线客座率进度预测方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1的航线客座率进度预测模型的训练方法或实施例3的航线客座率进度预测方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例5的航线客座率进度预测方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。