用于航空行程预测的基于 Pointer Networks 的深度选择模型

航空公司和在线旅行代理商等旅行服务提供商越来越希望了解乘客在搜索航班时如何在备选行程之间进行选择。这些知识有助于他们更好地展示和调整其提供的服务，同时考虑市场条件和客户需求。一些常见的应用不仅包括对备选方案进行过滤和排序，还包括实时更改某些属性（例如更改价格）。在本文中，我们专注于对航空乘客航班行程选择进行建模的问题。历史上，这一问题一直使用经典的离散选择建模技术来解决。传统的统计方法，特别是多项 Logit 模型 (MNL)，由于其简单性和普遍良好的性能而被广泛应用于工业应用中。然而，MNL 模型存在一些在现实应用中可能不成立的缺点和假设。为了克服这些困难，我们提出了一种基于 Pointer Networks 的新选择模型。给定一个输入序列，这种深度神经网络架构将循环神经网络与注意力机制相结合，以学习输出的条件概率，其值对应于输入序列中的位置。因此，给定呈现给客户的一系列不同备选方案，该模型可以学习指向最有可能被客户选择的方案。所提出的方法在一个结合了在线用户搜索日志和航空公司航班预订的真实数据集上进行了评估。实验结果表明，所提出的模型在多个指标上优于传统的 MNL 模型。