[译文]人工智能:航线规划的未来?

发布网友 发布时间：2023-01-29 21:52

我来回答

共1个回答

热心网友 时间：2024-10-25 15:27

原文地址:https://partners.skyscanner.net/how-ai-can-better-support-airlines-in-their-fleet-developments/thought-leadership

在一条从未飞过的航线开通之前，我们需要知道些什么？常见的来自航司的问题类似，需求量足以支持每天一个航班么？如何定价？如何分配营销资源？

通常来说，航司会根据一系列“直觉”回答如上问题。当“直觉”的预测效果不尽如人意的时候，也很容易归咎于竞争形势、宏观经济等其他干扰因素。航司常见的方法是根据“同一个国家的”、“已经开通航线的“其他城市来预估新航线。这个方法有明显的不足，例如说，根据“同国家的”不同城市预估，就会将莫斯科和圣彼得堡，或者里斯本和法鲁，分为同一组，虽然他们地理上是相近的，但是在航班需求方面则差异很大。

那么，是否有更科学的方法来对新的OD对 （译者注：始发和到达，例如伦敦-里斯本，下同） 进行预测呢？这将对营销投放的精准化，定价和收益管理的初始化，以及航班时刻规划等方面起到很大的助益。

机器学习可以提供这样一种更为科学的处理方式，本文我们将演示一下，机器学习如何在上文所述的多因素复杂情景下，实现以数据支持决策。虽然人工智能已经在很多行业领域被证明能切实提高效率，但是对于航线规划来说，应用还并不常见。本文我们采用较为简单的K-means算法对航班搜索数据进行处理，来帮助航司得到相较之前来说更为科学的预估，以便作出更好的后续决策。 （译者注，k-means是难度和决策树差不多的入门算法，可以参考 以前的一篇k-means入门博客 ）

在这个研究里，我们用机器学习来比较成千上万个OD对。我们的目标是运用无监督机器学习来对他们进行分组。 （译者注，无监督就是没有事先分类的学习，相对的有监督学习就是已经有分类，将样本归入）

我们的数据来自skyscanner平台的travel insight （译者注，可以参考以前一篇 关于sc数据产品的博客 ） ，对去年2016年全年的超过5万条OD对的数据进行分析。

在这个研究里，每个目的地均具备30个参数，包括如出行月份、预定时间、停留在目的地时长 （译者注：特指非单程机票，可以是往返也可以是多程，例如上海到北京，4天后从北京返回上海，停留时长为4天） 、出行组合类型 （译者注：例如*带儿童） 等。在这个案例里，我们事先选择了有哪些参数，期望通过机器学习来运用这些参数的比较，对OD对进行分组。

在数据源方面，我们第一没有预先*地理参数 （译者注，也就是避免开头说的只考虑同一个国家） ，第二没有根据距离、始发国家对线路进行有偏好的事先分类，第三也没有引入类似价格、可售性等指标 （译者注，也就是说不考虑客人搜索的线路是否有／如何进行售卖） 。数据展现的是"纯粹"的用户搜索行为。

我们的目标是根据全球用户的（由搜索体现的）需求来寻找航线的内在共同点。

（译者注：虽然这段提到了参数选择，但sc的这个案例仍然省略了2个最最日常的步骤：
第一个是数据清洗和规约，例如部分数据记录缺失，或去重复-例如多次查询才会买机票的休假和一两次查询就订的出差，其查询次数是否需要去重复等规则，这部分占整个分析的九成时间；
第二个是特征参数筛选，最简单的方法例如两两散点图肉眼观察，选择离散程度大，也就是所谓有信息的属性组合，如果设定的属性互相没有产生更多的信息量-例如一个属性是出行日期，另一个是出行月份，那么这两个属性的距离就没有意义，还会影响整体聚类。
这个案例直接给出了洗好的数据源和现成的参数组合，可以说是面向用户的文章）

完整的分析结果可以参考下面的dashboard （译者注，原文页面嵌了一个tableau的动态web报表，静态译文就只放了截图） 。我们首先高屋建瓴的总体看一下分析结果。

数据显示这种类别含有最多的OD对 （译者注，出差的大城市就那么几个，而休假冷门目的地繁多） ，通常这些线路是暑期假期出行，具有较高的周末出发或至少带一个小孩的比例。 （译者注，一位sabre的同学也讲过类似的，周末+人数可以筛选出利润最高的线路，维度没有本案例30个那么多，用不着上算法）

研究显示地理因素确实存在，然而目的地离始发地的距离，关联性要强于目的地所在国家。例如法鲁 （译者注，葡萄牙南部城市） 作为目的地时,和阿尔及尔 （译者注，大航海时代里的北非海盗基地之一） 的搜索需求十分近似，因此被分在同一个分组。这两个目的地都是典型的冬季目的地、周一到周四出发 （译者注，冬季休假） 。他们在距离上比较相近，如果按照传统的按国家预估的方法，这两个目的地可能不会被归为同一类。

（译者注，城市和国家范围在欧洲非常淡漠，因为几十公里就可以多个国家，大部分欧洲网站都提供类似距离50km内的搜索，而不是限于城市、国家，这是产品国际化的欧洲特色之一）

数据显示无论是“solo”单人出行 （译者注，单打独斗，游戏玩家不会不认识solo这个词） ，还是双人出行，都近似指向同一类目的地。 （译者注，也就是没有产生离散化，没有产生影响，或者说信息熵不大） 这个结果显示并不存在所谓"专门适合情侣"的目的地。以威尼斯为例，这是典型的情侣／蜜月目的地之一，但同时在单人出行目的地里，他的比重也相当高。

（译者注,如下是截图，我选了上海SHA始发，原文是交互报表，可以在右上角切换始发城市三字码，不知道啥是三字码请搜索引擎，这玩意和做酒店必背连锁品牌名单一样，是做机票必背的）

（译者注，再来个韩国SEL始发的看看，明显比我们国际化吧）

航空业一直以来都采用量化分析的方式预估并依次开通新航线。机器学习是更新、更高效处理复杂*度数据的分析方法。引入机器学习，或许可以帮助航空业在新航线开通时减少对“直觉”的依赖。

skyscanner的数据产品travle insight可以收集大量用户搜索需求，帮助航司开展本文这样的分析，如需进一步了解，可以访问网站 （译者注，请去原文地址看） 。