基于卷积神经网络的机票低价预测
林友芳1,2，蒋 鹏1，郭晟楠1，武志昊1,2
(1.北京交通大学 计算机与信息技术学院，北京 100044；2.民航旅客服务智能化应用技术重点实验室，北京 101318)
摘 要： 准确的机票低价预测有助于民航需求与供给的灵活对接及民航资源的充分利用.机票价格波动性大、随机性强、易受到诸多因素的影响，使得机票价格预测成为了一个极具挑战的问题.充分考虑机票价格自身特点，设计了二维“机票价格时间片”结构，并基于时间片充分挖掘、利用机票价格数据的规律与关系，设计了以卷积神经网络为核心的两阶段机票价格预测模型，对未来机票最低价格进行预测.在某在线订票网站的真实价格数据集上进行了验证，并与4种流行的基准模型进行了对比.结果表明：本文的方法明显优于其他模型，MAE效果提升了13.67%,MAPE数值降低了1.52%.
关键词： 深度学习；机票低价预测；卷积神经网络；价格序列
近年来，随着我国民航业自主定价政策的逐步放开，航空公司对其航班产品的定价越来越自由，从而使得机票价格制定策略越来越灵活且多元化，航空公司都会制定出复杂的定价策略以保证其收益最大化.在此背景下，准确的机票每日最低价格预测(简称价格预测)能够给予普通乘客购买时机的建议从而帮助其买到相对较低价格的机票，也能够帮助机票代理商适时调整票价以提高民航资源利用率.准确的机票价格预测能够使民航业各方参与者获得更多的反映市场动态的信息，有助于民航业供应与需求的灵活对接,从而使民航资源得以更高效、更充分的利用.
航空公司往往会根据航班实际上座情况及旅客需求热度动态调整机票价格，而这些信息是外部无法获得的.能够获取到的影响因素信息十分有限，而且机票价格自身波动性大、随机性强，诸多因素使得机票价格预测成为了一个很具挑战性的问题.目前机票价格预测领域的研究主要分为针对机票价格升高或降低趋势的分类预测问题[1]和针对具体机票价格数值的预测问题两个方面[2-4].前者只能预测价格变动的趋势，无法准确地知道未来机票价格的数值，而预测未来具体价格数值的研究方向能够通过预测具体的价格数值更为直观、详细地展现未来票价变化趋势，更好地对机票价格变动情况进行分析.
本文结合郑州市的要素禀赋、区位特点、产业特征等内部环境因素及国家战略、宏观经济发展等外部环境因素，深入探究郑州市创新型社会建设的现状和面临的问题，并基于投入-产出视角建立一个相对全面的创新型城市建设评价指标监测系统，从而为郑州市有关决策部门制定和实施创新战略与政策提供支持。
针对机票价格数值的预测问题主要存在两大类方法.第一类是基于价格序列自身历史值的时间序列方法.文献[3]基于时间序列的方法设计了结合权重滑动平均和相似时间平均法的综合模型对机票价格数据进行预测，均方根误差(RMSE)优于指数平滑等传统时间序列方法.文献[4]基于模糊理论构建了机票价格预测的模糊时间序列模型，在预测准确度上有了一定提升.第二类是针对价格影响因素建立模型的回归方法,文献[1]结合规则学习、强化学习和时间序列的方法提出了一种集成学习二元分类算法以判断机票价格的升降.文献[2]针对影响机票价格的因素设计了8维特征并利用多种机器学习算法对机票价格进行预测，并对各算法的准确率和效率进行了对比.
与此同时，各国学者进行了很多关于卷积神经网络(Convolution Neural Network,CNN)[5-7]在各领域应用的研究.文献[8]基于CNN设计了两阶段图像补全网络，针对不完整图片首先使用简单的网络填补出简略的结果，再利用精细化网络填补出最终结果.文献[9-12]利用Inception结构设计了GoogLeNet网络以及之后的各个改进版本，采用多尺度卷积处理，在增加网络深度和宽度的同时优化网络质量.文献[13]将时空数据与深度学习结合起来，利用时空深度残差网络解决城市人口流动预测问题.卷积神经网络以其优秀的信息提取及特征表达的能力，在各个领域都能有所应用.
在民航领域，航班号由航空公司、航线、起飞时间共同确定，每一个航班号代表的是一个航班产品集，每个航班号在各个起飞日期对应的某一产品则为具体“航班”.例如，“航班号”CA1831，代表的是中国国际航空公司每天上午7:30出发的从北京到上海的所有航班的集合；而2016年9月6日起飞的航班号为CA1831的航班产品则为某一具体“航班”.以下涉及的相关概念给出形式化定义并对所研究的问题进行形式化描述.
1 问题定义
为了找到适合机票价格预测问题的解决方案，对数据特点进行了统计分析，使用采集到的某订票网站的真实价格数据集，通过数据分析发现机票价格数据存在着单条序列无明显周期性、临近起飞日期对应序列差异性大、连续多个航班序列以“星期”为周期规律性强等特点.针对传统模型仅利用到单条价格序列信息，无法很好地完成机票价格预测问题.本文作者提出了机票价格时间片的概念与构建方式，使用连续多个航班最低价格序列构建二维的机票价格时间片以充分利用机票价格各个维度的特点，基于该时间片以卷积神经网络为核心构建了两阶段机票价格预测模型，并加入了影响机票价格的时间、城市、航空公司等多方面外部因素的影响，充分挖掘和利用了机票价格相关的各方面信息，使预测准确率较之传统方法取得了大幅提升.
作为生物圈中的一员，人类的活动对生物圈有重要影响。为了让学生有切身体会，在本课中，教师请学生阅读书本上的4个案例，要求小组讨论，并发挥联想交流启示。
定义1 机票最低价格：由于航班产品的特殊性，每个机票价格存在起飞日期和查询日期两个维度，针对某航班号确定的对象，设query_date(简称q )为查询日期，flight_date(简称f )为起飞日期，在日期q 当天查询到的日期f 起飞的某具体航班的最低价格表示为P q,f .
定义2 机票最低价格序列：针对某个起飞日期确定的具体航班，起飞前n 天每天都会存在一个当天的最低价格，从而组成一条该航班的最低价格序列.设f 为该航班的起飞日期，则起飞日期f 所对应的从前n 天到起飞前m 天的最低价格序列为
P f-(m +1),f -m ,P f-m ,f -m }
根据以上封堵工程，在收集大量资料和前人成果的基础上，结合阳泉市水文地质条件和和水井封堵工程特点，笔者主持制定了《阳泉市废弃、污染水井封堵实施细则》，对废弃水井封堵工程设计、施工、技术要求和质量控制提出了全面、系统、合理性和操作性强的规定，经专家审查，该细则技术先进，在国内尚属空白。阳泉市质监局于2017年6月1日发布《废弃水井封堵和污染水井治理规程》（DB1403/T-2017），作为阳泉市农业地方标准在阳泉市范围内实施。
(1)
定义3 起飞日期所属最低价格时间片：不同起飞日期的具体航班同属于一个航班号所确定的产品集，每个航班对应一条定义2所确定的价格序列，从这一系列价格序列中取连续k 个起飞日期对应的k 条价格序列，每条序列长度为n ，构建成n ×k 矩阵的形式即可得到本文定义的机票价格时间片.则构建f 所属时间片的形式化定义为
该地层由下更新统蒙城组(Q1m)及部分新近系明化镇组(N2m)黏土及粉质黏土组成，夹细砂、粉砂、粉土。
(2)
如图1所示，构造的n ×k 大小的矩阵，即为后续模型中涉及的价格时间片，其中每个网格代表相应位置的价格.
回眸2013年，青龙管业在国家政策的大力支持下，在水利发展的大好机遇中，锲而不舍，奋发图强，特别是在举世闻名的南水北调工程中一丝不苟地践行着建设者的使命与责任，获得了承建方的一致认可与嘉奖。
图 1机票价格时间片设计
Fig.1 Design of ticket price time slice
问题定义：基于上述定义，本文所研究的机票价格预测问题可描述为：针对某航班号确定的对象，已知过去k 天每天起飞的该航班产品各自起飞前n 天的机票每日最低价格和未来k 天每天起飞的该航班产品各自起飞前n 天至当前日期已产生的价格，预测未来k 天每天还未产生的价格，共计[k (k +1)]/2个值.用定义3中的时间片表示完全已知的已起飞k 个起飞日期航班对应价格时间片为
(3)
未来k 个起飞日期航班对应价格时间片的已知部分为
(4)
需要预测的未知部分的值
本文所建立暂态录波式配电线路监测系统在肇庆广宁地区的应用前景主要有三者。其一为实现架空配电线路故障快速诊断、快速定位；其二为实现线路实时电流、电压等运行数据的监测，解决线路电流电压监测难题；其三为通过系统对配电线路实时运行数据自动分析，为日常运维策略制定及线路设备升级改造提供数据支持。
(5)
由此，在当前日期f 构建如图2所示的两个k 维时间片，按定义3描述:时间片1即为日期f 所属的时间片，其中所有值都已知；时间片2为日期f +k 所属的时间片，其中白色网格为已知部分，黑色网格为未知部分，即需要预测的目标.
企业与外部利益相关者的和谐体现于信任机制的建立。因为在企业与外部利益相关者的互动过程中，企业影响力的大小取决于企业在外部系统中的权重，也就是企业在整个外部系统中的地位问题。在整个外部系统的产业链中，企业与长期合作者的关系应该建立在互相信任的基础上，这样可以最小化交易成本，降低企业的成本和费用，并最大化企业的利润。同时减小系统中强势成员对弱势成员利益的侵害，从而达到系统的共同繁荣。
图 2机票低价预测问题输入双时间片设计
Fig.2 Design of double time slice for ticket price prediction problem
2 模型与算法
本节提出了以卷积神经网络为核心的两阶段机票价格预测模型见图3，模型第1阶段用简单预测方法填补时间片未知部分，从而构造完整时间片作为后续模型输入；第2阶段利用多形状卷积神经网络对时间片进行特征提取，并结合多维外部特征利用多层全连接网络对最终结果进行精细化预测.图3中第1阶段this时间片和next时间片即为问题定义中提到的时间片1和2；第2阶段，Conv 1～6为不同形状的卷积层，Dense为全连接神经网络层，Output即为最终输出.
图 3两阶段模型整体架构
Fig.3 Overall framework of the two stage model
2.1 机票价格时间片构造与简单预测
传统的针对机票价格预测问题的模型[14]，都是以固定起飞日期的单条价格序列作为其核心研究对象.这类研究方式只考虑了某一起飞日期对应航班产品的特点，极少地利用到与其临近的起飞日期以及周期性同类产品的价格信息.基于上述分析，本文充分考虑航班产品存在起飞日期、查询日期两个序列维度的特点，针对性地设计了机票价格时间片结构.
看了这一条，读者通过逻辑思维必然会觉得“原来鹅鼻山就是秦望山！秦始皇是登上鹅鼻山‘以望南海’的！”但再一想又不对了：大越不会有两座秦望山，前一条说山在县东南四十里，入城者已经难以看到它，现在搬到县西南七十里，使涉境者更难见到了。
2.1.1 价格时间片构造
本文模型的输入为两个相邻的时间片，由定义3，第1个时间片为当前日期所属时间片，第2个时间片是当前日期后第k 天所属的时间片.第1个时间片包含了近期k 个已起飞所有航班的数据，第2个时间片包含了要预测的k 个起飞日期已知的价格数据以及要进行预测的未发生的价格数据.时间片的设计将机票价格数据组织成了类似图像的网格数据形式，所以在处理第2个时间片空缺未知数据时，借鉴了图像修复领域两阶段图像修复模型[8]的思想.模型的第1阶段使用简单的预测方法对时间片的空缺值进行预测并填充，第2阶段基于之前构造的两个时间片进行精确预测.
严寒的冬季已是冰封水面，为了让鱼儿安全越冬，我们建议在结冰前把增氧机移向料台附近，每天定时开机半小时左右，这样以保证增氧机附近即使在严寒的冬季也不结冰，以达到冰下水体长期通风换气、提高水体溶氧的作用。另外，对渗水的池塘，要定时加注新水，保证冰下水的深度最好在1～1.5m之间。加水时一定要从下而上加水，切莫形成二茬冰，防止鱼类冻伤冻死。同时在大雪天气要合理地清扫积雪，保证冰下浮游植物的光合作用。
2.1.2 简单预测
本文的简单预测方法是三阶滑动平均法，针对第2个时间片的每条序列，利用其各自已有价格数据对未知项进行预测.滑动平均法是一种利用近期历史数据对未来进行预测的常用方法，能够利用近期数据的特点并消除随机波动，而且算法简单、计算量小，很适合用以完成第1阶段简单预测的任务.
2.2 DC_Airfare 网络与精确预测
基于第1阶段构建好的两个时间片输入，模型的第2阶段以卷积神经网络为核心设计了精细化的预测模型，模型整体架构如图4所示.
3.2.2 评价指标
时间片的设计形式上类似于图像，但与图像有着较大差别.时间片横向序列提供了航班自身随着起飞日期临近价格变动规律的信息，纵向序列提供了相同查询起飞间隔的各航班价格的周期性规律信息.与图像局部特征更丰富的特点不同，时间片在横纵两个方向上的特征更为明显且更为重要.并且时间片的数据点数远小于正常图像的数据点数.
基于上述时间片特点分析，时间片特征提取网络的设计遵循了如下思想：使用多个不同形状的卷积神经网络提取时间片中行列两个方向维度的特征，同时降低网络深度并适当利用dropout操作以减少网络参数.如图4所示，针对每一个时间片输入，首先使用BatchNormalization层[15]做数据的标准化，以加快训练速度，提高模型精度，然后分别使用卷积核形状为1×3,3×1,1×5,5×1,3×3的5个卷积层(Conv2D)提取第1层特征，接着做最大池化(MaxPooling)操作，再分别做3×3的卷积操作、接池化操作和dropout操作，之后将结果“压平”成n 维向量，用一个全连接层调整结果向量的大小.每个时间片经过5个不同形状的特征提取网络的操作后，都会得到5组不同维度的特征向量.本模型两个时间片作为输入，则最终得到10组特征向量.
图 4DC_Airfare网络结构
Fig.4 Network structure of DC_Airfare
2.2.2 外部特征引入
13 }until (满足所有终止条件)
表 1外部因素设计
Tab.1 External factor design
2.3 算法与优化
算法1概括描述了DC_Airfare模型的训练过程.第1～8行介绍了将原始数据构建成模型所需输入实例的过程，10～14行介绍了模型反向传播和Adam优化器进行训练的过程，其中损失函数为平均绝对误差MeanAbsoluteError.
算法1 DC_Airfare训练算法
Input: 历史价格数据：
外部特征：{E 0,E 1,…,E n-1 ,E n }
Output:训练完成的DC_Airfare模型
//构建训练实例
针对上述回归方法，利用已知数据及相关信息从航班的时间信息、地理信息、近期数据特点、周期性数据特点等多方面设计了如表2所示共计62维特征.
1D ←∅;
2 for 出发日期f (1≤f ≤End) do{
5 Feature={E 0,E 1,…,E n-1 ,E n }
数据库是实现各项功能的基本保证，是确保整个系统运行的基础。所以，数据库的设计非常重要。E-R图主要针对的是整个体系的培训单位信息、业务信息和实施过程中信息监管的设计。详细的操作过程如图2所示。
7 构建训练实例({S this,S next,Feature},S pre),存入D ;}
8 //模型训练
9 初始化模型参数θ ;
10 do{
3.从学习型社会构建的角度来看待继续教育创新发展的必然性。构建学习型社会是党中央提出的全面落实小康社会的建设目标之一，强调的是由阶段性的学校教育发展为人的全面发展的终身教育［5］。学习型社会的构建就是要满足人们个性化、多样化学习的要求，这种情况下，继续教育就不能局限于既有的职业技能培训等任务，而应该主动对接学习型社会建设要求，提供丰富多样的继续教育资源，创造良好的全民学习场所。
11 从D 中随机选出一批训练实例D batch;
式中:f i 表示预测值,y i 表示真实值.
机票价格不仅自身存在规律，同时还受到很多外部因素的影响，如航空公司因素、航线因素、航班时间相关因素等多方面的有价值信息.所以，本模型综合考虑了表1所列的外部因素特征信息.
3 实验结果与分析
在真实的价格数据集上进行了实验，将本文提出的方法与其他4种基本的方法进行对比.
3.1 实验数据
本文使用的数据来自国内某订票网站爬取的真实数据集，包含了涉及32条航线、11家航空公司的共计428个航班的数据，每个航班记录了连续46个起飞日期(2016/10/09—2016/11/23)涉及到的日最低价格数据，其中每个起飞日期对应起飞前历史40 d查询价格值.
图5为航班号为CA1831的同一周(2016/10/31—2016/11/06)内不同日期起飞的7个具体航班对应的7条价格序列曲线.可以看出针对某一航班号所确定的航班产品，各个起飞日期对应的价格序列无明显周期性，大部分航班前期较平稳甚至连续多点不变，后续有整体升高趋势并且波动较大，而且同一周内起飞的各航班产品的价格曲线模式存在较大差异.将同一航班号各个起飞日期对应的价格序列根据起飞日期顺序排列首尾相接，得到图6.
图 5CA1831航班同周内各起飞日期
对应价格数据曲线
Fig.5 CA1831 flights correspond to price data curves
for each departure date in the same week
图 6 CA1831连续46 d起飞价格序列首尾相接示意图
Fig.6 CA1831 multiple consecutive 46 d take- off dates for price sequence
可以看出，相同航班号不同日期起飞的航班中，以星期为整体进行观察发现各周期之间的价格模式很相似，存在着很强的规律性.基于上述数据特点分析，最终确定的机票价格时间片形状为40×7(即取n =40，k =7)，即每个时间片包含同一航班号连续7个起飞日期的价格序列，每条序列包含起飞前40 d的价格信息.
3.2 对比方法及评价指标
3.2.1 对比方法
如前所述，在机票价格预测领域主要有两种解决思路：1)基于自身价格序列的变动发展规律使用时间序列的方法去解决;2)利用外部因素设计特征采用回归的方法解决.对数据进行分析之后，发现机票价格数据存在着不适合采用时间序列方法解决的特点.首先，针对某个航班的机票价格不同于其他商品可以无限延伸下去的价格序列，某具体航班的价格序列会随着航班的起飞而终止；其次，机票价格序列呈现上文提到的特点：前期能够利用的数据变动较小，甚至连续多个点无波动，而临近起飞日期价格波动剧烈，前后数据无明显周期性、规律性.由此，时间序列预测方法难以很好地解决此问题.最终本文选择更适合解决此问题的回归模型作为对比方法.
本文采用4种回归方法作为对比模型.
1)贝叶斯岭回归(Bayesian Ridge,BR),贝叶斯岭回归结合了贝叶斯回归和岭回归特点的回归方法，主要解决在最大似然估计中很难决定模型的复杂程度的问题.
2)弹性网络回归(Elastic Net,EN)：弹性网络是一种使用 L1，L2范数作为先验正则项训练的线性回归模型.这种组合允许学习到一个只有少量参数是非零稀疏的模型.
3)线性回归(Linear Regression,LR)：线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛.
4)梯度提升回归(GBR)：梯度提升回归是一种从其自身训练过程的错误中进行学习的技术.本质上就是集思广益，集成一堆较差的学习算法进行学习.
3.房价的变动对物价具有正向促进作用，地价亦能通过房价的传导机制影响物价。房地产业的发展与人们的生活息息相关，一方面房价的上涨会导致居民的消费成本和劳动力成本增加，从而迫使工资水平提升，物价上涨；另一方面房价的上涨会导致企业的生产成本增加，从而促使商品价格上涨。
2.2.1 时间片特征提取
本文使用平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两种指标评价模型的预测性能.
表 2回归模型特征
Tab.2 Characteristics of regression model
MAE计算公式为
(6)
12 用D batch训练模型以最小化MeanAbsoluteError ,并更新θ ;
MAPE计算公式为
(7)
3.3 实验设置与结果分析
3.3.1 实验设置
本文在模型训练实验过程中的参数设置如下：优化函数optimizer为Adam优化函数，损失函数loss为MeanAbsoluteError，采用早停(EarlyStopping)策略进行训练，训练停止限制patience设置为2，训练最大轮数epoch为2 500.迭代2 500轮训练过程未自动停止，模型损失loss的变化情况如图7所示.可以看出训练前期存在波动，2 000轮之后损失趋于稳定，所以最终设置训练轮数epoch为2 000.
图 7模型loss变化
Fig.7 Change of model loss
3.3.2 实验结果分析
在真实的价格数据集上实验并与基本模型进行对比，表3给出了本模型与4种对比模型进行总体预测实验时在测试集上MAE和MAPE的结果，同时也给出了模型自身只利用时间片而未加入外部因素时的实验效果.从表3中可以看到，所有对比模型中，ElasticNet的效果最差，GBR效果最好，其他两种对比模型性能相当，但是都有较大的误差.本文的模型不仅得到了最好的结果，而且相对于次好的GBR模型，MAE降低了16.61,有13.67%的性能提升，MAPE降低了1.52%.而本模型如果不加入外部因素、只利用时间片结构进行预测，实验效果比完整模型稍差但优于对比模型，可以看出外部因素对模型预测效果起到了提升作用.
表 3总体预测实验结果对比
Tab.3 Comparisons of overall prediction
图8给出了DC_Airfare模型与4种对比方法在未来一周内每天的MAE与MAPE的对比结果.可以看出随着预测天数的增加，各个模型的MAE和MAPE指标都有所变差，而DC_Airfare模型在各天的预测效果均优于其他模型.该实验结果表明，本文提出的模型能够较好解决未来机票价格预测问题.
图 85种模型逐天预测效果对比
Fig.8 Comparisons of 5 models for predicting daily effects
4 结论
针对机票价格预测问题，考虑到机票价格数据存在起飞日期和查询日期两个维度的特殊性，创新性地设计了能够充分融合机票价格信息的时间片结构，并针对此结构设计了基于卷积神经网络的两阶段预测模型.
1)在真实数据集上对提出的模型进行实验，并且与4种流行的预测方法进行了对比，取得了很好的预测效果.提出的模型通过为民航业各方参与者提供反映市场动态的信息，能够为购票者和机票代理商提供准确有效的决策支持，有助于民航业供应与需求的灵活对接,从而使民航资源得以更高效、更充分的利用，具有很高的实用价值.
2)提出的时间片构建及预测模型设计方法，为有相同特点的航班需求、航班查询量等民航领域其他预测问题提供了新的思路.
本文的模型相比其他几种方法取得了较好的预测效果，但是与真实值依然存在一定的差距.为此，将进一步分析挖掘民航数据的特点，改进模型，以提升模型的预测能力.
参考文献（References）:
[1] ETZIONI O, TUCHINDA R, KNOBLOCK C A, et al. To buy or not to buy: mining airfare data to minimize ticket purchase price[C]//Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2003: 119-128.
[2] TZIRIDIS K, KALAMPOKAS T, PAPAKOSTAS G A, et al. Airfare prices prediction using machine learning techniques[C]//Signal Processing Conference, 2017: 1036-1039.
[3] ZHENG X, NIU K, MAA J, et al. A prediction algorithm for airfare based on time series[C]//Proceedings of the 7th International Conference on Computer Engineering and Networks, 2017:1-7.
[4] 华逸群, 曹健. 机票价格预测的模糊时间序列方法[J]. 小型微型计算机系统, 2016, 37(11): 2547-2551.
HUA Yiqun,CAO Jian.Airfare forecast based on fuzzy time series[J].Journal of Chinese Computer Systems, 2016, 37(11): 2547-2551.(in Chinese)
[5] 林友芳,尹康,党毅,等.基于时空LSTM的OD客运需求预测[J].北京交通大学学报,2019,43(1): 114-121.
LIN Youfang,YIN Kang,DANG Yi,et al.Spatio-temporal LSTM for OD passenger demand prediction [J].Journal of Beijing Jiaotong University, 2019, 43(1):114-121.(in Chinese)
[6] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
[7] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems, 2012: 1097-1105.
[8] YU J, LIN Z, YANG J, et al. Generative image inpainting with contextual attention[J]. arXiv Preprint, 2018.
[9] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2015: 1-9.
[10] IOFFE S, SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[J]. arXiv preprint arXiv:1502.03167, 2015.
[11] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 2818-2826.
[12] SZEGEDY C, IOFFE S, VANHOUCKE V, et al. Inception-v4, inception-resnet and the impact of residual connections on learning[C]// Association for the Advance of Artificial Intelligence, 2017:4278-4284.
[13] ZHANG J, ZHENG Y, QI D. Deep spatio-temporal residual networks for citywide crowd flows prediction[C]// Association for the Advance of Artificial Intelligence, 2017: 1655-1661.
[14] KINGMA D P, BA J. Adam: A method for stochastic optimization[J]. arXiv preprint arXiv:1412.6980, 2014.
[15] IOFFE S, SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[J]. arXiv preprint arXiv:1502.03167, 2015.
Air ticket low -price prediction based on convolution neural network
LIN Youfang 1,2,JIANG Peng 1,GUO Shengnan 1,WU Zhihao 1,2
(1. School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044, China; 2. CAAC Key Lab of Intelligent Passenger Service of Civil Aviation, Beijing 101318, China)
Abstract ：Accurate low-price air ticket forecasting facilitates the flexible docking of civil aviation demand and supply.It also helps to achieve full utilization of civil aviation resources.Fluctuations of ticket price are large,random,and vulnerable to many factors,making ticket price forecasting a challenging issue.This paper fully considers the characteristics of the ticket price,and designs a two-dimensional “air ticket price time slice” structure.Based on the time slice,the law and relationship of ticket price data can be futher exploited.Besides,the core two-stage ticket price forecasting model is proposed to predict the lowest price of future tickets based on convolutional neural network.Experiments are conducted on the real price dataset of an online booking website and compared with four popular benchmark models.The results show that the proposed method is obviously better than other models.MAE and MAPE achieve improvements of 13.67% and 1.52% respectively.
Keywords :deep learning; low price forecast of airfare;convolution neural network; price sequence
收稿日期: 2018- 09- 25;修回日期： 2019- 03- 01
基金项目: 中央高校基本科研业务费专项资金(2019JBM023)；国家自然科学基金(61603028)
Foundation item s:
Fundamental Research Funds for the Central Universities(2019JBM023)；National Natural Science Foundation of China (61603028)
我国职前体育教师实习通常采取“集中型实习模式”，实习集中在本科第四学年的第一学期，其中的弊端显而易见：学生实习时间过短，缺乏教学反思过程。悉尼大学采取的实行阶段性实习模式，让教育实习真正成为一种实践过程，使得职前教师不断将课堂与书本中所学的知识与实习中所获得的教学经验进行融合，逐步形成教学能力，并有时间进行教学反思，经过回校进一步学习后，还有机会对反思所得进行验证、再现和改进，在往后实习阶段不会出现之前所犯的错误。通过持续的教学经验积累和批判性反思，职前教师才有可能顺利地进行独立教学。
第一作者: 林友芳(1971—)，男，福建龙岩人，教授，博士，博士生导师.研究方向为网络科学与智能系统.email： yflin@bjtu.edu.cn.
通信作者： 武志昊(1984—)，男，山西大同人，副教授，博士，博士生导师.email： zhwu@bjtu.edu.cn.
引用格式： 林友芳，蒋鹏，郭晟楠，等.基于卷积神经网络的机票低价预测[J].北京交通大学学报，2019,43(5):1-9.
LIN Youfang,JIANG Peng,GUO Shengnan,et al. Air ticket low-price prediction based on convolution neural network[J]. Journal of Beijing Jiaotong University, 2019,43(5):1-9. (in Chinese)
文章编号： 1673- 0291( 2019) 05- 0001- 09
DOI： 10.11860/ j.issn.1673- 0291.20180137
中图分类号： TP183
文献标志码： A
标签：深度学习论文; 机票低价预测论文; 卷积神经网络论文; 价格序列论文; 北京交通大学计算机与信息技术学院论文; 民航旅客服务智能化应用技术重点实验室论文;