民航NOSHOW预测及强因子关联分析

doi:10.3778/j.issn.1002-8331.1709-0387

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (2): 221-227.DOI: 10.3778/j.issn.1002-8331.1709-0387

民航NOSHOW预测及强因子关联分析

曹卫东1，2，许代代2，王静2，王家亮2

1.中国民航大学天津市智能信号与图像处理重点实验室，天津 300300
2.中国民航大学计算机科学与技术学院，天津 300300

出版日期:2019-01-15 发布日期:2019-01-15

NOSHOW Prediction and Strong Factor Association Analysis in Civil Aviation

CAO Weidong1，2, XU Daidai2, WANG Jing2, WANG Jialiang2

1.Tianjin Key Lab for Advanced Signal and Image Processing, Civil Aviation University of China, Tianjin 300300, China
2.College of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China

Online:2019-01-15 Published:2019-01-15

摘要/Abstract

摘要： 在民航业务中，旅客订座后却不能如期登机（NOSHOW）一直是航空公司收益亏损的未解之题，为了解决该问题，提出了一种民航NOSHOW预测及强因子关联分析方法。首先利用优化C5.0算法进行NOSHOW决策树建模，得到了NOSHOW相关因子的量化结果，然后通过Apriori算法对NOSHOW强因子进行关联规则挖掘。实验构建了准确率为99.75%的NOSHOW决策树模型，得到了139条置信度在80.054%以上、支持度在10.021%以上的因子关联规则，进一步揭示了NOSHOW强因子之间的隐含关联关系，为各大航空公司实现准确的NOSHOW预测及收益提升管理提供了有效的决策依据。

关键词: NOSHOW预测, 优化C5.0算法, 决策树建模, Apriori算法, 强因子关联分析

Abstract: In business of civil aviation, the phenomenon that passengers cannot be scheduled after reservations（NOSHOW） has been the unsolved problem in terms of airline revenue loss. In order to solve the problem, a method of NOSHOW prediction and strong factor association analysis in civil aviation is proposed. Firstly, the NOSHOW decision tree is modeled by improved C5.0 algorithm, and the quantified results of NOSHOW correlation factor are obtained. Then, the association rule mining of NOSHOW strong factor is carried out by Apriori algorithm. The NOSHOW decision tree model with accuracy of 99.75% is constructed, and 139 factor association rules with confidence above 80.054% and support over 10.021% are obtained, which further reveals the implicit correlation relationship between NOSHOW strong factors, besides it also provides an effective decision-making basis for major airlines to implement accurate NOSHOW prediction and revenue enhancement management.

Key words: NOSHOW prediction, improved C5.0 algorithm, decision tree model, Apriori algorithm, strong factor correlation analysis

曹卫东1，2，许代代2，王静2，王家亮2. 民航NOSHOW预测及强因子关联分析[J]. 计算机工程与应用, 2019, 55(2): 221-227.

CAO Weidong1，2, XU Daidai2, WANG Jing2, WANG Jialiang2. NOSHOW Prediction and Strong Factor Association Analysis in Civil Aviation[J]. Computer Engineering and Applications, 2019, 55(2): 221-227.

[1]	杨珍，耿秀丽. 考虑多粒度属性约简的关联规则挖掘研究[J]. 计算机工程与应用, 2019, 55(6): 133-139.
[2]	曹菁菁1，任欣欣2，徐贤浩2. 基于并行Apriori的物流路径频繁模式研究[J]. 计算机工程与应用, 2019, 55(11): 257-264.
[3]	陈亚楠，朱习军. 基于Hadoop的中医哮喘用药组合关联分析[J]. 计算机工程与应用, 2017, 53(13): 95-98.
[4]	马威1，汪洋1，2，彭艳兵1，2. 无线城市数据中的社团发现方法[J]. 计算机工程与应用, 2016, 52(10): 259-264.
[5]	晁永生，孙文磊. 基于粗糙集的焊接类型关联规则提取[J]. 计算机工程与应用, 2015, 51(15): 244-248.
[6]	张建林，周超良. 关联规则在股票板块联动分析中的应用[J]. 计算机工程与应用, 2013, 49(2): 242-245.
[7]	赵艳君1，魏明军2. 改进数据挖掘算法在入侵检测系统中的应用[J]. 计算机工程与应用, 2013, 49(18): 69-72.
[8]	高海洋1，2，沈强1，张轩溢1，赵志军1. 一种基于数据压缩的Apriori算法[J]. 计算机工程与应用, 2013, 49(14): 117-120.
[9]	苗苗苗1，王玉英2. 基于矩阵压缩的Apriori算法改进的研究[J]. 计算机工程与应用, 2013, 49(1): 159-162.
[10]	张云涛¹，于治楼²，张化祥¹. 关联规则中频繁项集高效挖掘的研究[J]. 计算机工程与应用, 2011, 47(3): 139-141.
[11]	张春生，宋琳琳. 分段支持度Apriori算法及应用[J]. 计算机工程与应用, 2010, 46(16): 157-159.
[12]	谭军^1,2,卜英勇²,杨勃². 高效的关联规则快速更新算法[J]. 计算机工程与应用, 2009, 45(4): 146-148.
[13]	常朝稳,代永卫,司志刚. 关联规则在公安情报信息系统中的应用[J]. 计算机工程与应用, 2008, 44(5): 209-211.
[14]	余波¹,朱东华¹,刘卓君². 加权关联规则挖掘算法在电子商务中的应用[J]. 计算机工程与应用, 2008, 44(17): 128-130.
[15]	欧阳一鸣郭维郭骏孙超超. Web挖掘中基于GITC算法发现用户频繁访问模式[J]. 计算机工程与应用, 2007, 43(7期): 191-194.

民航NOSHOW预测及强因子关联分析

NOSHOW Prediction and Strong Factor Association Analysis in Civil Aviation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics