【摘要】：隨著航空工業(yè)的發(fā)展,航空公司的定價和倉位管理策略逐漸變得復(fù)雜,通過復(fù)雜的模型來使得公司收益最大化。在缺少相關(guān)公司定價策略和剩余倉位等關(guān)鍵信息的情況下,準(zhǔn)確判斷價格變動并在合適的時間點(diǎn)購買機(jī)票變得十分困難。在過去的研究中已有許多相關(guān)研究針對這一問題提出了一些方法,但這些方法大多簡化了問題,將其構(gòu)建成預(yù)測將來價格是否會下跌以及用戶是否應(yīng)該立刻購買的二分類問題,對于作為基礎(chǔ)的具體價格預(yù)測少有文章提及其預(yù)測效果,而工業(yè)界出現(xiàn)的一些提供價格預(yù)測服務(wù),不僅其預(yù)測算法難以獲知,其預(yù)測效果也缺少對比實驗數(shù)據(jù),難以評判。而在少數(shù)直接針對具體價格預(yù)測的研究中,其效果仍有一定可以改良的空間。通過準(zhǔn)確的預(yù)測價格變動可以有效的幫助用戶判斷購買機(jī)票的價格時間點(diǎn),也可以幫助機(jī)票代理商正確決定機(jī)票及其相關(guān)產(chǎn)品的定價策略。因此如何準(zhǔn)確預(yù)測機(jī)票價格變動具有重要的研究和實踐意義。本文在上述背景下,針對機(jī)票價格預(yù)測及其相關(guān)預(yù)測服務(wù)系統(tǒng)的構(gòu)建問題,提出相應(yīng)的算法和完整的系統(tǒng)設(shè)計方案。本文的主要工作內(nèi)容體現(xiàn)在一下方面:首先提出一種適用于機(jī)票價格預(yù)測的集成學(xué)習(xí)算法,機(jī)票價格變動通常是上下文相關(guān)的,且相關(guān)上下文特征在不同數(shù)據(jù)中變化,而一般回歸預(yù)測算法或時間序列模型難以有效的將上下文信息包含到模型之中的問題,通過在集成模型中融入上下文信息,并通過自適應(yīng)調(diào)整的方式,自動的發(fā)掘上下文特征,避免人工選擇的主觀性、低效性以及難以應(yīng)對具有時變性的場景。通過不同的實驗驗證本算法針對機(jī)票預(yù)測這一應(yīng)用場景的有效性以及算法中的各種改進(jìn)與調(diào)整的必要性。針對數(shù)據(jù)量逐漸增大的場景,本文通過對上述預(yù)測算法的適當(dāng)調(diào)整,提出了一種增量式的模型訓(xùn)練算法,通過讓上下文特征增量式調(diào)整,并使用可增量式訓(xùn)練的基礎(chǔ)模型,使得整個算法具備增量式學(xué)習(xí)的能力,從而降低隨著數(shù)據(jù)的積累模型訓(xùn)練耗費(fèi)時間不斷增加的問題,并通過實驗驗證,其效果相較于批量式的訓(xùn)練模型并沒有明顯的下降。再在此基礎(chǔ)上擴(kuò)大應(yīng)用場景,針對需要提供更加細(xì)粒度的預(yù)測場景,需要的預(yù)測任務(wù)量會變得十分巨大的問題,分析預(yù)測對象在短期內(nèi)的變化特性,提出一種基于強(qiáng)化學(xué)習(xí)的通用的安排預(yù)測時間點(diǎn)的算法,通過只在合適的時間點(diǎn)預(yù)測來減少需要的預(yù)測量,同時將預(yù)測的準(zhǔn)確度下降程度限制在合理的范圍。通過實驗驗證算法能夠確實減少預(yù)測任務(wù)量,同時保證預(yù)測的準(zhǔn)確度。最后提出一種分布式預(yù)測系統(tǒng),來提供完整的預(yù)測服務(wù),本文將對此系統(tǒng)的各個模塊的設(shè)計和實現(xiàn)進(jìn)行詳細(xì)介紹,同時針對系統(tǒng)中的預(yù)測任務(wù)分配問題,通過將問題進(jìn)行適當(dāng)簡化抽象,轉(zhuǎn)化為裝箱問題,并給出一種近似算法來解決這一問題。
【圖文】：

力[36]，其預(yù)測過程如圖2 1。圖 2 1 集成學(xué)習(xí)器Fig 2 1 Ensemble Learning集成學(xué)習(xí)框架主要分成兩個部分，一是構(gòu)建差異化的學(xué)習(xí)器，二是如何將這些分類器的結(jié)果進(jìn)行整合。差異化的學(xué)習(xí)器構(gòu)建有三類方法：通過處理數(shù)據(jù)集生成差異化學(xué)習(xí)器、通過處理數(shù)據(jù)特征結(jié)構(gòu)構(gòu)建差異化分類器，通過分類器的處理構(gòu)建差異化分類器。1. 通過處理數(shù)據(jù)集構(gòu)建差異化學(xué)習(xí)器：這種方法一般是在原數(shù)據(jù)集上采用抽樣技術(shù)獲得多個不同的訓(xùn)練數(shù)據(jù)集，分別用于構(gòu)建不同的學(xué)習(xí)器，常用的方法有bagging[37]和 boosting[38]。前者通過對原數(shù)據(jù)集進(jìn)行有放回的采樣構(gòu)建出不同的數(shù)據(jù)集。后者是一個迭代過程，通過改變樣本分布，對分類錯誤的樣本增加權(quán)重，使得分類錯誤的樣本在下一輪迭代的訓(xùn)練學(xué)習(xí)中發(fā)揮更大的作用。2. 通過處理數(shù)據(jù)特征構(gòu)建差異化學(xué)習(xí)器：通過對原數(shù)據(jù)集的特征進(jìn)行采樣，形成不同的特征集，使用不同的特征集分別構(gòu)建不同的學(xué)習(xí)器，這類算法中常用的即隨機(jī)森林算法[39, 40]。3. 通過改變算法的參數(shù)等來產(chǎn)生不同的同質(zhì)學(xué)習(xí)器

通過從環(huán)境中獲取知識，改進(jìn)行動方案，當(dāng)某種行為獲得了環(huán)境的正獎勵后，便會加強(qiáng)這種行為的趨勢，，最終目標(biāo)是發(fā)現(xiàn)每個狀態(tài)下使得期望的獎勵和最大化的策略。一個強(qiáng)化學(xué)習(xí)系統(tǒng)，agent 與環(huán)境的交互過程可以表示成圖2 2所示，強(qiáng)化學(xué)習(xí)采用一邊獲得樣例一邊學(xué)習(xí)的方式，在獲取了最新的樣例后會不斷的更新模型，每次的動作都基于最新的模型采取可以獲得最佳 reward 的動作。一個強(qiáng)化學(xué)習(xí)中涉及到探索— 10 —
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP301.6

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前3條

1 黃承真;云計算環(huán)境下機(jī)票價格預(yù)測及任務(wù)分配研究[D];中國科學(xué)技術(shù)大學(xué);2014年

2 曹志杰;面向互聯(lián)網(wǎng)機(jī)票數(shù)據(jù)抓取與票價預(yù)警系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2014年

3 陳巖松;機(jī)票票價預(yù)測系統(tǒng)設(shè)計與實現(xiàn)[D];大連理工大學(xué);2013年

本文編號：2659847