System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于深度学习的升舱服务推荐方法及装置、电子设备制造方法及图纸_技高网

基于深度学习的升舱服务推荐方法及装置、电子设备制造方法及图纸

技术编号:44165156 阅读:5 留言:0更新日期:2025-01-29 10:38
本发明专利技术公开了一种基于深度学习的升舱服务推荐方法及装置、电子设备,涉及人工智能领域,其中,该方法包括:获取待出行用户的用户画像信息、目标航班的航班信息以及升舱服务信息;对其进行预处理,得到用户画像特征向量、航班特征向量和升舱服务特征向量;对于任一待出行用户,将用户画像特征向量、航班特征向量和升舱服务特征向量输入至升舱概率预测模型,输出待出行用户的升舱概率;对N个待出行用户的升舱概率进行排序,得到排序结果;基于目标航班的升舱舱位从排序结果中选取M个待出行用户推荐目标航班的升舱服务。本发明专利技术解决了相关技术中,通过全量推荐或人工圈选旅客进行批量推荐的升舱推荐方式,难以对旅客进行精准的升舱推荐的技术问题。

【技术实现步骤摘要】

本专利技术涉及人工智能领域,具体而言,涉及一种基于深度学习的升舱服务推荐方法及装置、电子设备


技术介绍

1、随着旅行需求的增长和航空市场的竞争加剧,航空公司正积极寻求创新的销售方式来提升其产品竞争力和客户满意度。在这一背景下,升舱服务成为航司推动销售和客户关系发展的重要策略之一。通过发放升舱服务,航空公司可以激励客户升级座位,提供更高级别的服务和舒适体验。这不仅可以增加航司的收入,还可以提高客户的满意度。通过官方渠道或第三方渠道发放升舱券,航空公司可以吸引更多的客户选择升舱,从而提升机票销量和提高升舱率。为航空公司带来了新的机遇,也为旅客提供了更多的选择和升级机会。

2、多场景的升舱服务可以通过不同的价格策略来影响航班上座率和航空公司的利润。较低的升舱券价格可以吸引更多的客户选择升舱,从而增加航班的上座率,提高航空公司的收入。较高的升舱券价格则可以增加航空公司的利润,尤其是对于高需求航线或繁忙的旅行季节。同时这种多场景的定价策略也可以更好地服务客户,较低价格的升舱券可以让更多客户享受到升级的机会,提供更好的舒适度和服务。较高价格的升舱券则为愿意支付更高价格的客户提供更高级别的座位和更奢华的服务体验。航空公司可以根据航班的实际情况和客户的需求,灵活调整升舱券的价格,以提高上座率、增加利润和优化航班资源利用,同时为客户提供经济舱和商务舱之间的平滑过渡,让客户享受到更舒适的座位和服务,提高客户的满意度。

3、相关技术中,可以通过全量推荐或人工圈选客群批量推荐的方式为旅客推荐升舱服务,这种全量推荐或人工圈选的方式难以实现精准定位,不精确的推荐方式可能导致对客户产生信息干扰、购买决策困难、不满意的升舱体验等不良影响,严重情况下可能导致航司客户流失。

4、针对上述的问题,目前尚未提出有效的解决方案。


技术实现思路

1、本专利技术实施例提供了一种基于深度学习的升舱服务推荐方法及装置、电子设备,以至少解决相关技术中,通过全量推荐或人工圈选旅客进行批量推荐的升舱推荐方式,难以对旅客进行精准的升舱推荐的技术问题。

2、根据本专利技术实施例的一个方面,提供了一种基于深度学习的升舱服务推荐方法,包括:获取目标航班对应的n个待出行用户的用户画像信息、所述目标航班的航班信息以及升舱服务信息,其中,n为正整数;对所述待出行用户的用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行预处理,得到所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量;对于任一所述待出行用户,将所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量输入至升舱概率预测模型,输出所述待出行用户对于所述目标航班的升舱概率,其中,所述升舱概率预测模型是基于深度学习技术预先构建的用于对所述待出行用户的升舱概率进行预测的模型,所述升舱概率预测模型包括线性模型和非线性模型两部分;对所述目标航班的n个待出行用户的升舱概率进行排序,得到排序结果;基于所述目标航班的m个升舱舱位从所述排序结果中选取m个所述待出行用户作为目标升舱用户,为所述目标升舱用户推荐所述目标航班的升舱服务,其中,m为正整数,n大于m。

3、可选地,将所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量输入至升舱概率预测模型,输出所述待出行用户对于所述目标航班的升舱概率的步骤包括:将所述待出行用户的所述用户画像特征向量、所述目标航班的所述航班特征向量和所述升舱服务特征向量输入至所述升舱概率预测模型中的线性模型,通过所述线性模型输出线性特征向量,其中,所述线性特征向量用于表征所述用户画像特征向量、所述航班特征向量和所述升舱服务特征向量对应的特征之间的线性关系;将所述待出行用户的所述用户画像特征向量、所述目标航班的所述航班特征向量和所述升舱服务特征向量输入至所述升舱概率预测模型中的非线性模型,通过所述非线性模型输出非线性特征向量,其中,所述非线性特征向量用于表征所述用户画像特征向量、所述航班特征向量和所述升舱服务特征向量对应的特征之间的非线性关系,所述线性关系的复杂程度大于所述非线性关系的复杂程度;对所述线性特征向量和所述非线性特征向量进行加权计算,得到计算结果;基于所述计算结果和激活函数计算所述升舱概率,并通过所述升舱概率预测模型输出所述待出行用户对于所述目标航班的升舱概率。

4、可选地,对所述待出行用户的用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行预处理,得到所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量的步骤包括:对所述待出行用户的用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行数据清洗处理,得到处理后的所述用户画像信息、所述航班信息和所述升舱服务信息;基于预设的特征提取规则对处理后的所述用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行特征提取,得到所述待出行用户的用户画像特征数据、所述目标航班的航班特征数据和所述升舱服务特征数据;基于预设的特征编码规则对所述待出行用户的用户画像特征数据、所述目标航班的航班特征数据和所述升舱服务特征数据进行编码,得到所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量。

5、可选地,所述用户画像特征数据包括用户属性特征数据和用户行为特征数据,其中,所述用户属性特征数据包括下述至少之一:用户性别特征数据、用户年龄特征数据、用户职业特征数据、用户居住地特征信息、用户等级特征信息,所述用户行为特征数据包括下述至少之一:用户历史航空出行特征数据、用户历史购票特征数据、用户历史升舱特征数据。

6、可选地,所述目标航班的航班特征数据包括下述至少之一:所述目标航班所属航司特征数据、所述目标航班的机型特征数据、季节特征数据、日期特征数据、所述目标航班的起飞时段特征数据、所述目标航班的价格特征数据、所述目标航班的延误率特征数据、所述目标航班的上座率特征数据、所述目标航班的航段公里数特征数据。

7、可选地,所述升舱服务特征数据包括下述至少之一:升舱舱位特征数据、升舱价格特征数据、升舱优惠特征数据、升舱位置特征数据。

8、可选地,构建所述升舱概率预测模型的步骤包括:获取历史出行用户的用户画像信息、历史航班信息和历史航班对应的历史升舱服务信息;基于所述历史出行用户的所述用户画像信息、所述历史航班信息和所述历史航班对应的历史升舱服务信息为所述历史出行用户配置升舱概率标签;对所述历史出行用户的用户画像信息、历史航班信息和历史航班对应的历史升舱服务信息进行特征处理和特征编码,得到所述历史出行用户的历史特征向量,所述历史特征向量包括:历史用户画像特征向量、历史航班特征向量、历史升舱服务特征向量以及各历史特征之间的历史线性特征向量和历史非线性特征向量;基于所述历史出行用户的历史特征向量和所述升舱概率标签构建样本集,并对所述样本集进行划分,得到训练集和测试集;基于所述训练集对初始线性模型和初始非线性模型进行联合训练,得到初始升舱概率预测本文档来自技高网...

【技术保护点】

1.一种基于深度学习的升舱服务推荐方法,其特征在于,包括:

2.根据权利要求1所述的推荐方法,其特征在于,将所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量输入至升舱概率预测模型,输出所述待出行用户对于所述目标航班的升舱概率的步骤包括:

3.根据权利要求1所述的推荐方法,其特征在于,对所述待出行用户的用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行预处理,得到所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量的步骤包括:

4.根据权利要求3所述的推荐方法,其特征在于,所述用户画像特征数据包括用户属性特征数据和用户行为特征数据,其中,所述用户属性特征数据包括下述至少之一:用户性别特征数据、用户年龄特征数据、用户职业特征数据、用户居住地特征信息、用户等级特征信息,所述用户行为特征数据包括下述至少之一:用户历史航空出行特征数据、用户历史购票特征数据、用户历史升舱特征数据。

5.根据权利要求3所述的推荐方法,其特征在于,所述目标航班的航班特征数据包括下述至少之一:所述目标航班所属航司特征数据、所述目标航班的机型特征数据、季节特征数据、日期特征数据、所述目标航班的起飞时段特征数据、所述目标航班的价格特征数据、所述目标航班的延误率特征数据、所述目标航班的上座率特征数据、所述目标航班的航段公里数特征数据。

6.根据权利要求3所述的推荐方法,其特征在于,所述升舱服务特征数据包括下述至少之一:升舱舱位特征数据、升舱价格特征数据、升舱优惠特征数据、升舱位置特征数据。

7.根据权利要求1所述的推荐方法,其特征在于,构建所述升舱概率预测模型的步骤包括:

8.一种基于深度学习的升舱服务推荐装置,其特征在于,包括:

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于深度学习的升舱服务推荐方法。

10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于深度学习的升舱服务推荐方法。

...

【技术特征摘要】

1.一种基于深度学习的升舱服务推荐方法,其特征在于,包括:

2.根据权利要求1所述的推荐方法,其特征在于,将所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量输入至升舱概率预测模型,输出所述待出行用户对于所述目标航班的升舱概率的步骤包括:

3.根据权利要求1所述的推荐方法,其特征在于,对所述待出行用户的用户画像信息、所述目标航班的航班信息和所述升舱服务信息进行预处理,得到所述待出行用户的用户画像特征向量、所述目标航班的航班特征向量和升舱服务特征向量的步骤包括:

4.根据权利要求3所述的推荐方法,其特征在于,所述用户画像特征数据包括用户属性特征数据和用户行为特征数据,其中,所述用户属性特征数据包括下述至少之一:用户性别特征数据、用户年龄特征数据、用户职业特征数据、用户居住地特征信息、用户等级特征信息,所述用户行为特征数据包括下述至少之一:用户历史航空出行特征数据、用户历史购票特征数据、用户历史升舱特征数据。

5.根据权利要求3所述的推荐方法,其特征在于,所述目标航班的航班特征数据包括下述至少之一:所述目标航班所属航司特征数据、所述目标...

【专利技术属性】
技术研发人员:王星臣许广杨永凯徐少华徐良奎胡建强王宝龙
申请(专利权)人:中国民航信息网络股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1