基于集成异构网络的民航旅客-航班关联挖掘研究

Predicting and analyzing passenger-flight association could help airlines make better decisions in coming up new flights, managing customer relationship and so on. The traditional algorithms were built on passengers’ social network with complete ignorance of topologies in flight phenotype network and passenger-flight bipartite network. To preserve the topologies of original networks, our proposal integrates the three above networks into one heterogeneous network. Based on it, 1) subgraphs are extracted from the integrated heterogeneous network in the need of applications; 2) a clustering analysis tool is designed to cluster passengers and flights respectively with the consistent constraint from prior information; 3) the problem of predicting passenger-flight association is formulated as an optimization problem, which is solved by bi-random walk. The bi-random walk avoids the bias from sparse associations.

民航旅客-航班关联预测和分析能为航空公司新航班的开辟和客户关系管理等提供重要依据。传统方法只通过旅客社交网络进行挖掘，忽略了旅客-航班关联等结构信息。本课题将旅客、航班和旅客-航班关联三个网络集成为一个异构网络，以保留各网络的拓扑信息，在基础之上开展异构网络子图抽取、关联预测和聚类分析等工作：1)将异构网络子图抽取建模为图匹配问题，以抽取面向不用应用需求的子图；2）将旅客聚类和航班聚类的一致性约束引入到旅客和航班的协同聚类中,为潜在高价值新航班挖掘等任务提供分析工具；3）将旅客-航班关联预测建模为优化问题，通过设计目标函数和优化算法的以适应旅客-航班关联稀少问题。

如何研发满足旅客潜在出行需求的航空产品，以及实现基于旅客吞吐量预测的航线网络优化，是航空公司旅客服务和收益管理面临着的重要挑战。由于民航旅客订票日志蕴含了大量潜在知识，可以挖掘旅客出行意图，进而辅助解决上述问题。为此，课题首先从数据量为48G的民航旅客订票日志上构建旅客-航班集成异构网络，其中集成异构网络是由旅客同行网络、航班关系网络和旅客-航班关联网络等三部分构成。在此基础之上，开展异构网络子图抽取、关联预测和聚类分析等工作，聚焦于挖掘民航旅客相关性、旅客潜在出行意图、旅客及航线的潜在价值，以及分析旅客订票行为等。其中，通过挖掘旅客飞行意图以发现潜在高价值的旅客，将帮助航空公司关注以往未考虑的海量‘非常旅客’，开辟航空公司旅客服务和航空产品设计的新方向。相比于传统的里程统计方法和随机游走算法等，课题工作在潜在高价值旅客预测任务上的准确率提升了2.8%。与此同时，基于旅客出行意图的航线潜在价值计算模型在航线吞吐量预测任务上的准确率提升了4.7%，将从大量的新航线候选集中挑选未来具有潜在高收益的航线，避免传统做法未考虑航线未来的旅客吞吐量而引起航线亏损。此外，项目研究也丰富了集成异构网络和主题模型的相关理论及应用，包括基于层次模型的网络嵌入、基于主题模型的旅客出行意图发现等。