基于旅客订票行为分析的潜在高价值旅客发现

• 作 者: 刘泽君
• 出 处: 中国民航大学
• 发表日期: 2019年01期
• 关键词: 潜在高价值旅客 行为分析 K-means聚类算法 BP神经网络 受限玻尔兹曼机 遗传模拟退火算法

近年来,经济全球化的浪潮席卷各行各业,航空公司在迎来发展机遇的同时,也面临着日愈激烈的市场竞争。在市场竞争的压力下,如何先于竞争对手对潜在高价值旅客进行挖掘和预测,将其向高价值的趋势进行转化,已经成为了航空公司的主要关注点。如今,民航系统积累了大量的旅客订座记录,通过信息化管理的方式对这些数据加以整理、利用,发现民航旅客的订票行为规律,开展旅客价值类别的划分和预测,对于航空公司提升核心竞争力、实现利益最大化具有重要的意义。针对民航旅客价值类别难以定义的问题,以旅客订座数据集和客户生命周期价值理论(Customer Lifetime Value,CLV)为基础,提出了基于聚类的民航旅客价值类别划分方法。同时,为了提高聚类结果的稳定性,对K-means聚类算法进行了改进,通过反复比较簇间距离和簇内距离,动态调整初始聚类中心,增强了初始聚类中心对样本的代表能力。实验结果表明,基于聚类的旅客价值类别划分方法能够更为合理地挖掘民航潜在高价值旅客,且改进的K-means聚类算法具有更好的聚类效果以及更高的执行效率。针对民航潜在高价值旅客与低价值旅客具有行为相似性,影响传统分类预测模型的准确率的问题,采用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)提取旅客行为特征,并采用BP神经网络(Back Propagation Neural Network,BPNN)对旅客特征进行学习,实现民航潜在高价值旅客预测。实验结果表明,与传统分类预测模型相比,所提出的组合预测模型具有更高的潜在高价值旅客预测精度。针对组合预测模型的预测结果稳定性较差的问题,降低网络复杂度,并引入遗传模拟退火算法(Genetic Algorithm-Simulated Annealing,GASA)进行网络初始权值和偏置的精确寻优。实验结果表明,改进后的组合预测模型能够更为稳定、精确的发现潜在高价值旅客,具有较高的实用价值,能够适用于不同领域的行为分析预测问题。