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 |
