基于RBM-GASA-BPNN 的潜在高价值旅客预测

交通运输系统工程与信息 ›› 2019, Vol. 19 ›› Issue (4): 108-114.

基于RBM-GASA-BPNN 的潜在高价值旅客预测

徐涛^{* 1, 2, 3}，刘泽君¹，卢敏^{1, 2, 3}

1. 中国民航大学计算机科学与技术学院，天津 300300；2. 中国民航信息技术科研基地，天津 300300； 3. 民航旅客服务智能化应用技术重点实验室，北京 101318

收稿日期:2019-01-17 修回日期:2019-03-16 出版日期:2019-08-25 发布日期:2019-08-26
作者简介:徐涛(1962-)，男，重庆人，教授.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(61502499)；中国民航大学科研基金/The Scientific Research Foundation from Civil Aviation University of China (2013QD18X)；民航旅客服务智能化应用技术重点实验室项目/ Key Laboratory of Intelligent Passenger Service of Civil Aviation, CAAC (TS-CAKL-2018-01).

Potential High Value Passenger Forecast Based on RBM-GASA-BPNN

XU Tao^{1, 2, 3}, LIU Ze-jun¹, LU Min^{1, 2, 3}

1. College of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China; 2. Information Technology Research Base of Civil Aviation Administration of China, Tianjin 300300, China; 3. Key Laboratory of Intelligent Passenger Service of Civil Aviation, CAAC, Beijing 101318, China

Received:2019-01-17 Revised:2019-03-16 Online:2019-08-25 Published:2019-08-26

摘要/Abstract

摘要：

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足，提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别，设置类别标签；然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围，又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调，确定了最优的BPNN初始权值和偏置；最后，利用优化后的BPNN对旅客进行分类预测.实验结果表明，本文提出的方法克服了基于BPNN的分类预测方法的缺陷，具有更高的分类预测准确率和潜在高价值旅客预测能力.

关键词: 航空运输, 价值类别预测, 预测模型, 潜在高价值旅客, RBM, GASA, BPNN

Abstract:

Aiming at the problems of weak feature expression ability, poor stability and higher local optimal probability of the potential high-value passengers discovery method based on BP neural network (BPNN), a novel potential high value passengers discovery method based on RBM-GASA-BPNN is proposed in this paper. Firstly, clustering algorithm is used to classify passengers and set category labels. Then the restricted Boltzmann machine (RBM) is used to automatically extract the passenger's behavior features and provide the optimal range of initial weight and bias for BPNN. And the genetic algorithm-simulated annealing (GASA) algorithm is used to adjust the parameters precisely to find the optimal initial weight and bias of BPNN. Finally, the optimized BPNN is used to classify passengers. The experimental results show that the proposed method overcomes the shortcomings of existing method based on BPNN and has a better classification prediction accuracy and potential high value passenger forecast ability.

Key words: air transportation, value category prediction, prediction model, potential high value passenger, RBM, GASA, BPNN

中图分类号:

TP391

徐涛，刘泽君，卢敏. 基于RBM-GASA-BPNN 的潜在高价值旅客预测[J]. 交通运输系统工程与信息, 2019, 19(4): 108-114.

XU Tao, LIU Ze-jun, LU Min. Potential High Value Passenger Forecast Based on RBM-GASA-BPNN[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(4): 108-114.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19877.shtml

http://www.tseit.org.cn/CN/Y2019/V19/I4/108

参考文献

[1] 林友芳, 张奥爽, 万怀宇, 等. 一种基于社交网络的民航新旅客成长性预测方法[J]. 北京交通大学学报, 2014, 38 (6): 40-46. [LIN Y F, ZHANG A S, WAN H Y, et al. Predicting the growth of new passengers in civil aviation based on social networks[J]. Journal of Beijing Jiaotong University, 2014, 38 (6): 40-46.]

[2] 尹婷, 马军, 覃锡忠, 等.贝叶斯决策树在客户流失预测中的应用[J]. 计算机工程与应用, 2014, 50(7): 125- 128, 189. [YIN T, MA J, QIN X Z, et al. Bayesian decision tree applying in forecasting customer churn[J]. Computer Engineering and Applications, 2014, 50(7): 125-128,189.]

[3] 吕红霞, 王文宪, 蒲松, 等. 基于聚类分析的铁路出行旅客类别划分[J]. 交通运输系统工程与信息, 2016, 16 (1): 129- 134. [LU H X, WANG W X, PU S, et al. Classification of railway passengers based on cluster analysis[J]. Journal of Transportation System Engineering and Information Technology, 2016, 16(1): 129-134.]

[4] ZHANG C X, ZHANG J S, JI N N, et al. Learning ensemble classifiers via restricted boltzmann machines [J]. Pattern Recognition Letters, 2014, 36(1): 161-170.

[5] 何庆, 吴意乐, 徐同伟. 改进遗传模拟退火算法在TSP 优化中的应用[J]. 控制与决策, 2018, 33(2): 219-225. [HE Q, WU Y L, XU T W. Application of improved genetic simulated annealing algorithm in TSP optimization[J]. Control and Decision, 2018, 33(2): 219- 225.]

[6] ZABKOWSKI T S. RFM approach for telecom insolvency modeling[J]. Kybernetes, 2016, 45(5): 815- 827.

[7] 杨华晖, 孟晨, 王成, 等. 基于目标特征选择和去除的改进K-means 聚类算法[J]. 控制与决策, 2018, 10 (21): 1- 8. [YANG H H, MENG C, WANG C, et al. Improved K-means clustering algorithm based on feature selection and removal on target point[J]. Control and Decision, 2018, 10 (21): 1-8.]

[8] 李永立, 吴冲, 罗鹏. 引入反向传播机制的概率神经网络模型[J]. 系统工程理论与实践, 2014, 34(11): 2921- 2928. [LI Y L, WU C, LUO P. Introducing the backpropagation into probabilistic neural network[J]. Systems Engineering-Theory & Practice, 2014, 34 (11): 2921-2928.] [9] MA X, WANG X. Average contrastive divergence for training restricted boltzmann machines[J]. Entropy, 2016, 18(2): 35.

[1]	张培文, 杜福民, 汪瑜. 基于链路预测的中小机场连接机制研究[J]. 交通运输系统工程与信息, 2022, 22(2): 298-304.
[2]	王红勇, 郭宇鹏. 基于航空器自主运行的空中交通复杂性建模[J]. 交通运输系统工程与信息, 2022, 22(2): 305-312.
[3]	张洪海, 张连东, 刘皞, 钟罡. 城市低空物流无人机航迹规划模型研究[J]. 交通运输系统工程与信息, 2022, 22(1): 256-264.
[4]	陈丰, 张婷, 黄雅迪, 陈慈河, 张曙光, 吕明. 越江越海隧道入口段追尾事故风险预测模型研究[J]. 交通运输系统工程与信息, 2021, 21(6): 167-175.
[5]	张魏宁, 胡明华, 杜婧涵, 尹嘉男. 基于条件生成对抗网络的扇区复杂度评估[J]. 交通运输系统工程与信息, 2021, 21(6): 226-233.
[6]	胡荣, 王德芸, 冯慧琳, 刘志昊, 张军峰. 碳达峰视角下的机场航空器碳排放预测[J]. 交通运输系统工程与信息, 2021, 21(6): 257-263.
[7]	李杰, 杨好天, 王兵, 周晓宁, 孙若飞. 民航飞机起飞推力对油耗和排放的影响分析[J]. 交通运输系统工程与信息, 2021, 21(6): 283-288.
[8]	胡荣, 冯慧琳, 刘博文, 张军峰, 王德芸. 点汇聚系统的航空器污染物减排效应与机理[J]. 交通运输系统工程与信息, 2021, 21(5): 165-173.
[9]	曹炜威，李政，冯项楠. 2000—2018年全国民航网络结构特征及演化[J]. 交通运输系统工程与信息, 2021, 21(3): 26-33.
[10]	魏保立，郭成超，邓苗毅. 基于数据驱动的机场水泥混凝土道面性能退化预测[J]. 交通运输系统工程与信息, 2021, 21(3): 247-253.
[11]	姜雨，童楚，刘振宇，胡志韬，徐成，张洪海. 基于时间富余度控制的滑行道调度优化模型[J]. 交通运输系统工程与信息, 2021, 21(1): 207-213.
[12]	张洪海，李翰，刘皞，许卫卫，邹依原. 城市区域物流无人机路径规划[J]. 交通运输系统工程与信息, 2020, 20(6): 22-29.
[13]	盛寅，陈欣，毛亿. 不确定条件下机场群系统均衡配流模型研究[J]. 交通运输系统工程与信息, 2020, 20(6): 212-218.
[14]	郭野晨风，胡明华，张颖，谢华. 改进的协同航路分配优化模型及算法研究[J]. 交通运输系统工程与信息, 2020, 20(6): 226-232.
[15]	冯涛，彭其渊，陶思宇，陈昕梅. 站城融合模式下既有铁路车站城市功能开发体量预测研究[J]. 交通运输系统工程与信息, 2020, 20(5): 21-28.