旅行经营决策中的时序预测应用.pdf

1、旅行行业经营决策时序预测算法应用2024.01/卜可(若情)Fliggy飞猪技术目录 C O N T E N T S01-时序预测研究历程回顾02-时序预测业务应用场景03-挖掘时序关联信息04-实现趋势感知的时序预测模型时序预测研究历程回顾传统时序预测传统时序预测特征类模型特征类模型深度深度时序模型时序模型GBDT随机森林DNNSTLARMAARIMATPA-LSTMDeep FactorsMQRNNInformerAutoformerFEDformerPatchTST趋势项、周期项、残差项DlinearKoopaTempo时序预测本质：依据历史规律推演未来趋势时序预测本质：依据历史规律推演

2、未来趋势时序预测业务应用场景基础概念 间夜 预测粒度库存确保 到店量预估到店量：用户当日真实到店间夜协商酒店库存量，协助平台活动大规模序列时序预测 模型挖掘履约确保 服务量预估服务量：单天/时段用户求助呼入客服中心数量保障用户接通率，同时缩减人力成本单序列时序预测 数据质量入住时间预定时间 预定 事件影响 到店 评判指标服务量预估业务场景时序依赖周期长以年为周期、单点节假日事件影响因素复杂如订单量、突发事件、产品逻辑本质问题历史数据质量训练数据量少模型容易过拟合、分布偏移大外界因素噪声大且难以归因模型对时序理解存在偏差，推演错误特点难点挖掘时序关联信息单订单服务成本可降低单订单服务成本可降低0

3、.15元元/单，单，贡献约单订单服务成本的贡献约单订单服务成本的11.75%，每年节省人力成本几百万，每年节省人力成本几百万历史数据扩充.近期数据重采样 减少分布偏移高准确度历史数据 历史低噪声数据抖动 提升模型的鲁棒性引入协变量历史真实订单量提前预定单量 窥探未来模型训练方式Forking vs Cutting后两部分均在近期1:5重采样基础上进行原模型全量重复采样近期数据重采样1:51:100.09070.09060.07660.0635高准确度历史数据重采样0.030.050.10.30.07610.08360.06910.0675数据抖动0.030.050.10.07140.07660

4、.068Cutting：滑动窗口机制Forking：后向传播覆盖整条序列wmape指标：相对下降相对下降12.5%到店量预估业务场景时序规模大，且具有相关性共有10w+标准酒店待预估具备Behavior特征能够窥探未来趋势的当前行为核心解决模型信息挖掘趋势感知节假日等高峰pattern差异大事件挖掘局部地区非周期事件影响未知Label&behavior0TT+N特点难点趋势感知的时序预测模型BGModel核心思想1.挖掘能够窥探未来趋势和未知事件的当前行为Advance Behavior2.通过intra-inter behavior guide module+S-QL loss部分充分利用b

5、ehavior特征提升。Intra-behavior guide1.采用koopman矩阵学习已知behavior未来趋势变化2.Koopman矩阵填充，学习完整的behavior未来趋势3.借鉴teacher-student思想，采用behavior趋势教导label预测趋势趋势感知的时序预测模型BGModel核心思想1.挖掘能够窥探未来趋势和未知事件的当前行为Advance Behavior2.通过intra-inter behavior guide module+S-QL loss部分充分利用behavior特征提升。Intra-behavior guide1.采用koopman矩阵学习

6、已知behavior未来趋势变化2.Koopman矩阵填充，学习完整的behavior未来趋势3.借鉴teacher-student思想，采用behavior趋势教导label预测趋势!#$%=&%()*+%=!#$%()*&=_(&%)!#$=&()*,!#$%=(!#$%)趋势感知的时序预测模型BGModelInter-behavior guide1.层次采样。避免了大数据量实现层次预测会遇到的高维计算问题。2.higher-level的时序相对low-level时序序列