技术摘要：
本发明涉及一种航班收益预测方法和系统，根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数  全部
背景技术：
对于航空公司来说，航班的机票全价过高，会使飞机的客座率降低，机票打折出售 可以提高航班的客座率，目前航空公司往往根据航班以往的收益数据和客座率数据主观给 出打折方案，虽然使客座率有所上升，但会存在机票折扣率过低以使航班收益降低的风险， 为了降低该风险，航空公司往往在为旅客提供打折机票的同时，也为旅客设置很多限制条 件，例如4折以下的机票不能退、改签，对此航空公司认为：如果低价票可以随意退、改签的 话，则会使愿意出高价的旅客的权益得不到保证，从而危及航空公司对于低价票的投放出 售，从而使航空公司的收益进一步受损； 但是《，中国民用航空旅客、行李国际运输规定》第六十九条规定“自愿退票，按下 列规定办理：(一)客票全部未使用，从已付票款中扣除适当的费用，退还余额；(二)客票已 部分使用，从已付票款中扣除相当于已使用航段的适用票价的票款和适用的费用，退还余 款”，这显现与航空公司附加的限制条件产生背离，从而使得旅客的投诉率增高，甚至引起 很多法律纠纷，严重危及到航空公司后期经营的收益。因此，对于航空公司来说，在推出任 一航班的机票的打折方案之前，能获知该打折方案对应的收益是必要的。
技术实现要素：
本发明提供了一种航班收益预测方法和系统，旨在解决的技术问题是如何针对航 班收益进行预测，以便为旅客提供相应的机票折扣方案，从而降低旅客因不满机票折扣方 案而发生的投诉率，以及提高航班收益。 本发明的一种航班收益预测方法的技术方案如下： S1、将针对目标航班预设的多条打折数据分别输入所述目标航班的客座率预测模 型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预设的多条打折数 据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班的客座率占比数 据； S2、根据所述目标航班的客座率预测值、客座率占比数据、最大承载旅客数量和机 票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测值。 本发明的一种航班收益预测方法的有益效果如下： 首先，通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座 率预测值，然后，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应 的的客座率占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得 到目标航班的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比 数据能确定出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折 数据所分别对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折 5 CN 111582918 A 说　明　书 2/13 页 方案，这样可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣 方案所带来的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅 客的权益得到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的 投诉率。 在上述方案的基础上，本发明的一种航班收益预测方法还可以做如下改进。 进一步，所述步骤S1具体包括： 将针对所述目标航班预设的M1条打折数据分别输入所述目标航班的客座率预测 模型，预测得到M1个客座率预测值； 将满足预设客座率阈值的N1个客座率预测值作为所述目标航班的客座率预测值， 其中，M1≥2，M1和N1均为自然数，且M1≥N1； 以及，将针对所述目标航班预设的M2条打折数据分别输入所述目标航班的客座率 占比预测模型，预测得到M2个客座率占比数据； 将满足预设客座率占比阈值的N2个客座率占比数据作为所述目标航班的客座率 占比数据，其中，M2≥2，M2和N2均为自然数，且M2≥N2。 采用上述进一步方案的有益效果是：客座率作为航空公司经营航班的重要考核指 标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使 航班收益最大化，从而可避免因一味追求高收益，而忽略了航班客座率，从而导致影响航空 公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不满足 要求的客座率占比数据删除，有利于调整航班的打折数据，实现航班收益最大化。 进一步，在步骤S1之前，还包括： 将所述目标航班在N3次连续历史运行的每次历史运行的打折数据和客座率划分 为第一训练集和第一验证集，N3为正整数； 通过卷积神经网络对所述第一训练集和所述第一验证集进行训练后所得到的第 一函数满足第一预设条件时，则将所述第一函数确定为所述目标航班的客座率预测模型； 以及 将所述目标航班在N3次连续历史运行的每次历史运行的打折数据和客座率占比 数据划分为第二训练集和第二验证集； 通过卷积神经网络对所述第二训练集和所述第二验证集进行训练后所得到的第 二函数满足第二预设条件时，则将所述第二函数确定为所述目标航班的客座率占比预测模 型。 采用上述进一步方案的有益效果是：对获取目标航班的客座率预测模型和目标航 班的客座率占比预测模型的过程进行说明。 进一步，所述将所述第一函数确定为所述目标航班的客座率预测模型之前，还包 括： 从所述目标航班在N3次连续历史运行的所有次历史运行的打折数据中选取至少 一个第一锚点打折数据； 从所述目标航班在N3次连续历史运行的每次历史运行的客座率中选取每个所述 第一锚点打折数据对应的锚点客座率； 判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输 6 CN 111582918 A 说　明　书 3/13 页 入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果； 所述将所述第一函数确定为所述目标航班的客座率预测模型，包括： 当所述第一判断结果为是时，将所述第一函数确定为所述目标航班的客座率预测 模型。 采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第一锚 点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一 函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通 过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客 座率预测模型更准确。 进一步，所述将所述第二函数确定为所述目标航班的客座率占比预测模型之前， 还包括： 从所述目标航班在N3次连续历史运行的所有次历史运行的打折数据中选取至少 一个第二锚点打折数据； 从所述目标航班在N3次连续历史运行的每次历史运行的客座率占比数据中选取 每个所述第二锚点打折数据对应的锚点客座率占比数据； 判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输 入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果； 所述将所述第二函数确定为所述目标航班的客座率占比预测模型，包括： 当所述第二判断结果为是时，将所述第二函数确定为所述目标航班的客座率占比 预测模型。 采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第二锚 点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二 函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等， 避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标 航班的客座率预测模型更准确。 本发明的一种航班收益预测系统的技术方案如下： 包括预测模块和收益预测模块； 所述预测模块用于将针对目标航班预设的多条打折数据分别输入所述目标航班 的客座率预测模型，预测得到所述目标航班的客座率预测值，以及将针对所述目标航班预 设的多条打折数据分别输入所述目标航班的客座率占比预测模型，预测得到所述目标航班 的客座率占比数据； 所述收益预测模块用于根据所述目标航班的客座率预测值、客座率占比数据、最 大承载旅客数量和机票全价，得到针对所述目标航班预设的多条打折数据对应的收益预测 值。 本发明的一种航班收益预测系统的有益效果如下： 通过目标航班的客座率预测模型预测得到预设的每条打折数据对应的客座率预 测值，通过目标航班的客座率占比预测模型预测得到预设的每条打折数据对应的的客座率 占比预测模型，则根据目标航班的最大承载旅客数量和客座率预测值能预测得到目标航班 的真实的载客数量，再根据目标航班所预测到的真实的载客数量和客座率占比数据能确定 7 CN 111582918 A 说　明　书 4/13 页 出买不同折扣的机票的旅客的数量，再结合目标航班的机票全价得到多条打折数据所分别 对应的收益预测值，从而可选取最大收益预测值对应的打折数据作为最佳打折方案，这样 可使航空公司的航班收益得到保证的前提下，既可避免航空公司盲目推出折扣方案所带来 的弊端，也可无需附加任何与相关法律法规相背离的低价票限制条件，使得旅客的权益得 到保证，有利于提升旅客的体验度以及降低旅客因不满机票折扣方案而发生的投诉率。 在上述方案的基础上，本发明的一种航班收益预测系统还可以做如下改进。 进一步，所述预测模块具体用于： 将针对所述目标航班预设的M1条打折数据分别输入所述目标航班的客座率预测 模型，预测得到M1个客座率预测值； 将满足预设客座率阈值的N1个客座率预测值作为所述目标航班的客座率预测值， 其中，M1≥2，M1和N1均为自然数，且M1≥N1； 以及，将针对所述目标航班预设的M2条打折数据分别输入所述目标航班的客座率 占比预测模型，预测得到M2个客座率占比数据； 将满足预设客座率占比阈值的N2个客座率占比数据作为所述目标航班的客座率 占比数据，其中，M2≥2，M2和N2均为自然数，且M2≥N2。 采用上述进一步方案的有益效果是：客座率作为航空公司经营航班的重要考核指 标，将不满足预设客座率阈值的客座率预测值删除，在满足航空公司客座率的需求下，再使 目标航班收益最大化，从而可避免因一味追求高收益，而忽略了航班客座率，从而导致影响 航空公司下一航季针对该目标航班的时刻分配。以及，航空公司可根据自身实际需求将不 满足要求的客座率占比数据删除，有利于调整航班的打折数据，实现航班收益最大化。 进一步，还包括第一构建模块和第二构建模块； 所述第一构建模块用于：将所述目标航班在N3次连续历史运行的每次历史运行的 打折数据和客座率划分为第一训练集和第一验证集，N3为正整数，通过卷积神经网络对所 述第一训练集和所述第一验证集进行训练后所得到的第一函数满足第一预设条件时，则将 所述第一函数确定为所述目标航班的客座率预测模型； 所述第二构建模块用于：将所述目标航班在N3次连续历史运行的每次历史运行的 打折数据和客座率占比数据划分为第二训练集和第二验证集，通过卷积神经网络对所述第 二训练集和所述第二验证集进行训练后所得到的第二函数满足第二预设条件时，则将所述 第二函数确定为所述目标航班的客座率占比预测模型。 采用上述进一步方案的有益效果是：对获取目标航班的客座率预测模型和目标航 班的客座率占比预测模型的过程进行说明。 进一步，还包括第一锚点模块，所述第一锚点模块用于： 从所述目标航班在N3次连续历史运行的所有次历史运行的打折数据中选取至少 一个第一锚点打折数据； 从所述目标航班在N3次连续历史运行的每次历史运行的客座率中选取每个所述 第一锚点打折数据对应的锚点客座率； 判断将每个第一锚点打折数据输入所述第一函数所得到的数值是否均与每个输 入的第一锚点打折数据所对应的锚点客座率相等，得到第一判断结果； 所述第一构建模块具体用于：当所述第一判断结果为是时，将所述第一函数确定 8 CN 111582918 A 说　明　书 5/13 页 为所述目标航班的客座率预测模型。 采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第一锚 点打折数据，当第一函数满足第一预设条件后，还须满足每个第一锚点打折数据输入第一 函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率相等，避免在通 过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标航班的客 座率预测模型更准确。 进一步，还包括第二锚点模块，所述第二锚点模块用于： 从所述目标航班在N3次连续历史运行的所有次历史运行的打折数据中选取至少 一个第二锚点打折数据； 从所述目标航班在N3次连续历史运行的每次历史运行的客座率占比数据中选取 每个所述第二锚点打折数据对应的锚点客座率占比数据； 判断将每个第二锚点打折数据输入所述第二函数所得到的数据是否均与每个输 入的第二锚点打折数据所对应的锚点客座率占比数据相等，得到第二判断结果； 所述第二构建模块具体用于：当所述第二判断结果为是时，将所述第二函数确定 为所述目标航班的客座率占比预测模型。 采用上述进一步方案的有益效果是：可通过设置一些畸变的打折数据作为第二锚 点打折数据，当第二函数满足第二预设条件后，还须满足每个第二锚点打折数据输入第二 函数所得到的数值均与每个输入的第一锚点打折数据所对应的锚点客座率占比数据相等， 避免在通过卷积神经网络进行迭代时将畸变的打折数据进行平滑处理，从而使得到的目标 航班的客座率预测模型更准确。 本发明还提供一种电子设备的技术方案如下： 包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特 征在于，所述处理器执行所述程序时实现如上述任一项所述的一种航班收益预测方法的步 骤。 附图说明 图1为本发明实施例的一种航班预测收益方法的流程示意图； 图2为本发明实施例的一种航班预测收益系统的结构示意图； 图3为本发明实施例的一种电子设备的结构示意图；