[发明专利]一种基于GCN半监督的航空乘客的分类方法和系统及其设备

说明书

本发明公开了一种基于GCN半监督的航空乘客的分类方法和系统及其设备。方法包括：提取用户的属性和行为数据，进行预处理；计算用户之间的相似度，生成邻接矩阵；通过GCN对用户进行训练，生成分类模型；将未分类的用户送入已经训练好的分类模型，根据分类结果，标注乘客类型；将未分类的用户和已分类用户重新生成邻接矩阵，通过GCN训练后，更新所述分类模型。系统包括：提取模块、分析模块、训练模块、分类模块和调整模块。本发明能够根据用户属性和行为特征将航空乘客分为商务乘客和普通乘客，根据二者的占比来调整价格，并且可以根据两种不同类型乘客行为的变化来指导航线运营。

技术领域

本发明涉及计算机技术、航司收益管理、数据分析技术领域，特别涉及一种基于GCN半监督的航空乘客的分类方法和系统及其设备。

背景技术

对于航空公司而言，航线和运力在一定的时间内是固定的，但是市场需求是随时在变化的，而市场需求又是由客源类型决定的。因此能够准确的把握客源类型的行为和需求特点，是能争取到更多乘客的一个关键因素。例如：不同的乘客类型对价格，航班起飞的时段，座位的舒适度都有不同的要求。航司就可以根据这些不同的乘客需求提供不同的运营服务，来提高客座率和收益。因此，如何对用户行为进行分类，进而以此指导航线运营成为一个亟待解决的问题。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于GCN半监督的航空乘客的分类方法和系统及其设备，能够根据用户行为将航空乘客分为商务乘客和闲暇乘客，根据二者的占比来调整价格，并且可以根据两种不同类型乘客行为的变化来指导航线运营。

第一方面，本发明实施例提供了一种基于GCN半监督的航空乘客的分类方法，包括：

提取N个用户的属性和行为数据，进行预处理。

计算用户之间的相似度，生成N*N邻接矩阵A。

通过GCN对用户进行训练，生成分类模型。

将未分类的用户送入已经训练好的分类模型，根据分类结果，标注乘客类型。

将未分类的用户和已分类用户重新生成邻接矩阵，通过GCN训练后，更新所述分类模型。

所述通过GCN对用户进行训练，生成分类模型，包括，将所述N*N邻接矩阵A进行自连接，生成N*N矩阵L。定义两层GCN模型，输入节点特征向量，输入L和N*8的节点特征向量，隐藏层维度设为16，最后一层输出维度为类别数2，激活函数使用ReLu，损失函数用交叉熵，优化器用Adam。将已有标签的用户节点分成训练集和测试集，在训练节点上计算损失值，反向传播计算参数的梯度，用优化方法进行梯度更新，得到分类模型，迭代200次，得到的分类模型在训练集上的准确率接近0.9，测试集上的准确率接近0.8的分类模型。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述提取N个用户的属性和行为数据，进行预处理，包括：

提取用户的属性数据，包括用户年龄、用户性别、用户会员等级、用户所在城市、用户近一年在本航司的订单数量、用户近一年在本航司去过的不同城市个数和用户近一年的购买频率。

提取用户的行为数据，包括用户搜索交易航段的次数、用户浏览时长、用户搜索不同航段的个数、用户搜索与交易的时间差、用户交易票价的折扣、用户的票数、用户交易时段、用户交易时间与起飞的时间差、用户起飞日是否归属节日。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述计算用户之间的相似度，生成邻接矩阵，包括：

将每个用户看作一个节点，根据历史用户的属性数据生成节点的属性。

根据历史用户的行为数据生成对应节点的特征向量。