徐 涛 刘泽君 卢 敏

1(中国民航大学计算机科学与技术学院 天津 300300)2(中国民航信息技术科研基地 天津 300300)3(民航旅客服务智能化应用技术重点实验室 北京 101318)

0 引 言

近年来，随着航空市场迅猛发展，民航企业合作竞争日益增强。为了提高竞争力，航空公司推行了常旅客计划。然而，由于常旅客计划的门槛较高并且反馈的利益较少，导致了当前消费尚少，但潜在价值较高的旅客群流失，不利于航空公司长远的利益发展。因此，如何预测旅客的价值成长趋势并发现潜在高价值旅客，先于其他竞争对手将其发展为高忠诚度高价值旅客成为了航空公司重点关注的问题。

目前，国内外关于潜在客户预测的研究主要运用基于特征分类的行为分析方法。林友芳等[1]构建旅客同行关系网络，统计同行行为特征，利用多层感知器进行分类预测。乔珂等[2]从高铁客票数据中选择了6类乘客价值影响因素作为分类指标，采用LCM模型进行高铁旅客的潜在类别分析。Nakahara等[3]从销售信息中归纳出客户购买行为特征，并用聚类算法发现潜在客户。

总体来看，上述方法都是先用统计方法提取潜在客户行为特征，再用机器学习模型进行分类预测。然而，民航潜在高价值旅客与低价值旅客往往存在特征相似性，统计方法提取的特征带有主观色彩，难以准确表达潜在高价值旅客特征信息，因而影响分类预测准确性。

为解决以上问题，本文将RBM[4]和BPNN[5]相结合。一方面，BPNN能发现旅客行为特征与价值类别之间复杂的非线性关系，相比其他分类模型具有更强的泛化和容错能力，更适用于民航潜在高价值旅客预测问题。……