声明
致谢
1 引言
1.1 研究背景及挑战
1.1.1 研究背景及意义
1.1.2 面临的挑战
1.2 研究现状
1.3 主要研究内容与创新点
1.4 论文组织结构
2 相关理论基础
2.1 自回归预测模型
2.1.1 ARMA 模型
2.1.2 ARIMA 模型
2.2 深度学习模型
2.2.1 循环神经网络
2.2.2 循环神经网络的基本结构
2.2.3 长短期记忆网络
2.2.4 门控循环单元网络
2.3 编码器-解码器架构
2.4 注意力机制
2.5 双阶段注意力循环神经网络
2.6 多层注意力机制网络模型
2.7 本章总结
3 基于编解码架构的机票预定量预测模型
3.1 问题定义以及符号说明
3.2 总体模型设计思路
3.3 模型介绍
3.3.1 注意力输入编码器
3.3.2 外部信息融合模块
3.3.3 输出注意力机制
3.4 模型训练
3.5 本章小结
4 实验及结果分析
4.1 数据集和实验设置
4.2 基准方法
4.2.1 朴素预测法
4.2.2 简单平均法
4.2.3 移动平均法
4.2.4 加权移动平均
4.2.5 简单指数平滑法
4.2.6 霍尔特线性趋势法
4.2.7 Holt-Winters方法
4.3 评价指标
4.3.1 平均绝对误差 MAE
4.3.2 平均绝对百分比误差 MAPE
4.3.3 均方误差 MSE
4.3.4 均方根误差 RMSE
4.4 实验描述及参数设置
4.5 总体实验设计
4.5.1 传统方法实验及结果
4.5.2 Encode-Decoder编解码架构模型实验及结果
4.5.3 查询量为输入进行预测的模型实验及结果
4.5.4 航空旅客机票预定量预测模型实验及结果
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;