首页--经济论文--交通运输经济论文--航空运输经济论文--中国航空运输论文--航运企业组织与经营管理论文

基于机器学习的航空收益管理需求预测算法的研究与实现

摘要第10-12页
ABSTRACT第12-13页
符号说明第14-15页
第1章 绪论第15-22页
    1.1 论文选题背景第15-16页
    1.2 国内外研究现状第16-18页
    1.3 研究内容及创新点第18-20页
        1.3.1 研究内容第18-19页
        1.3.2 创新点第19-20页
    1.4 论文结构安排第20-21页
    1.5 本章小结第21-22页
第2章 收益管理需求预测概述及相关算法介绍第22-31页
    2.1 需求预测概述第22-23页
        2.1.1 需求预测的定义第22页
        2.1.2 需求预测的意义第22-23页
    2.2 经典的需求预测算法第23-29页
        2.2.1 移动平均模型第23-24页
        2.2.2 线性回归模型第24页
        2.2.3 增量模型第24-26页
        2.2.4 先进增量模型第26-27页
        2.2.5 自回归移动平均模型第27页
        2.2.6 人工神经网络模型第27-29页
    2.3 需求预测的评价标准及面临的问题第29-30页
        2.3.1 评价标准第29页
        2.3.2 需求预测面临的问题第29-30页
    2.4 本章小结第30-31页
第3章 基于长短时记忆网络的航班日订座数预测算法第31-50页
    3.1 算法相关理论基础第31-35页
        3.1.1 循环神经网络第31-32页
        3.1.2 长短时记忆网络第32-34页
        3.1.3 Word2vec算法第34-35页
    3.2 数据来源及介绍第35-37页
        3.2.1 数据来源第35页
        3.2.2 数据介绍第35-37页
    3.3 算法实现第37-44页
        3.3.1 数据预处理第38-39页
        3.3.2 特征提取第39-41页
        3.3.3 横向时序样本构造第41页
        3.3.4 纵向时序样本构造第41-43页
        3.3.5 神经网络模型搭建第43页
        3.3.6 模型训练细节第43-44页
    3.4 实验结果及分析第44-49页
        3.4.1 时序长度分析第44-45页
        3.4.2 横向模型结果及分析第45-47页
        3.4.3 纵向模型结果及分析第47-49页
    3.5 本章小结第49-50页
第4章 基于改进的增量模型的航班成行人数预测算法第50-60页
    4.1 相关术语介绍及符号规定第50-51页
    4.2 算法实现第51-54页
        4.2.1 算法基本原理第51-53页
        4.2.2 算法实施第53-54页
    4.3 对比模型介绍及实现第54-57页
        4.3.1 先进加法增量模型(AP)第54页
        4.3.2 线性回归模型(LR)第54-55页
        4.3.3 自回归移动平均(ARIMA)第55-56页
        4.3.4 人工神经网络模型(ANN)第56-57页
    4.4 实验结果与分析第57-59页
    4.5 本章小结第59-60页
第5章 航空订座数实时预测系统搭建第60-67页
    5.1 系统需求分析第60-61页
    5.2 系统设计第61-64页
        5.2.1 系统架构设计第61-62页
        5.2.2 系统工作流程第62-64页
    5.3 系统功能测试第64-66页
        5.3.1 查询及结果显示第64-66页
        5.3.2 结果保存及预测性能评估第66页
    5.4 本章小结第66-67页
第6章 总结与展望第67-69页
    6.1 总结第67-68页
    6.2 展望第68-69页
参考文献第69-74页
致谢第74-75页
攻读硕士期间取得的成果和参与的项目第75-76页
学位论文评阅及答辩情况表第76页

论文共76页,点击 下载论文
上一篇:浅析赵砚臣二胡教学理念
下一篇:叶小纲《马九匹》作曲技术分析