王俊　吳子軒　董杰　蔡哲立　張凱　許喬若

關(guān)鍵詞：航班配餐備份數(shù)；編解碼器；注意力機(jī)制；殘差設(shè)計(jì)；深度學(xué)習(xí)

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言（Introduction）

航班旅客配餐是民航領(lǐng)域的子業(yè)務(wù)，是航空產(chǎn)業(yè)鏈的重要環(huán)節(jié)。配餐備份量受到航班運(yùn)行情況、旅客訂座情況、特殊日期等因素的影響，業(yè)內(nèi)使用人工經(jīng)驗(yàn)確定配餐備份量容易導(dǎo)致餐食浪費(fèi)，從而增加企業(yè)的成本。因此，準(zhǔn)確預(yù)測(cè)航班配餐備份數(shù)有助于航空公司的配餐部門對(duì)餐食備份數(shù)量的決策提供支持，提升服務(wù)質(zhì)量。航班配餐備份數(shù)預(yù)測(cè)，本質(zhì)上是一個(gè)時(shí)間序列預(yù)測(cè)問題，一直以來受到國內(nèi)外學(xué)者的廣泛研究[1]，傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法要求數(shù)據(jù)滿足某些假設(shè)，故難以達(dá)到預(yù)期目標(biāo)，傳統(tǒng)機(jī)器學(xué)習(xí)方法則需要做極其復(fù)雜的特征工程工作。近年，深度學(xué)習(xí)方法如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）[2]，采用編碼器-解碼器結(jié)構(gòu)的Seq2Seq模型[3]以及注意力機(jī)制[4]等應(yīng)用在時(shí)間序列預(yù)測(cè)問題上取得了很大的成功。本文提出了一種基于注意力機(jī)制，并融合編解碼器結(jié)構(gòu)和殘差設(shè)計(jì)的模型（ARSeq-Net），用于解決航班配餐備份數(shù)的預(yù)測(cè)問題。

2 研究現(xiàn)狀及本文貢獻(xiàn)（Related work andcontribution）

以民航為研究對(duì)象的文獻(xiàn)，例如：林友芳等[6]使用時(shí)空長短期記憶網(wǎng)絡(luò)對(duì)出發(fā)地—目的地間的客運(yùn)需求進(jìn)行預(yù)測(cè)。鄧玉婧等[5]使用基于多粒度時(shí)間注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)未來航班的離港人數(shù)進(jìn)行預(yù)測(cè)。然而，這些研究中針對(duì)的具體問題與本文有較大區(qū)別，例如林友芳等[5]預(yù)測(cè)的是未來出發(fā)地—目的地間的客運(yùn)需求，鄧玉婧等[6]專注于用歷史起飛時(shí)刻的客座率預(yù)測(cè)航線未來的客座率，而本文則是采用航班起飛前的歷史訂座數(shù)據(jù)預(yù)測(cè)起飛時(shí)的客座人數(shù)，即配餐備份數(shù)。在交通領(lǐng)域的其他時(shí)間序列預(yù)測(cè)問題的研究中，早期主要采用傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法。STEPHANEDES[7]將歷史平均（Historic Average， HA）方法應(yīng)用于城市交通控制系統(tǒng)。陳楊等[8]將指數(shù)平滑（Exponential Smoothing， ES）法應(yīng)用于交通流數(shù)據(jù)預(yù)測(cè)。HAMED等[9]使用差分自回歸移動(dòng)平均（AutoRegressive Integrated Moving Average， ARIMA）模型對(duì)交通流量進(jìn)行預(yù)測(cè)。WILLIAMS等[10]使用季節(jié)性差分自回歸移動(dòng)平均（Seasonal AutoRegressive IntegratedMoving Average， SARIMA）模型通過差分將不平穩(wěn)時(shí)間序列轉(zhuǎn)變?yōu)槠椒€(wěn)時(shí)間序列進(jìn)行交通流量預(yù)測(cè)。ZIVOT等[11]考慮空間相關(guān)性對(duì)交通流量的影響，使用向量自回歸（VectorAutoRegression， VAR）模型在交通流量預(yù)測(cè)上取得了更好的預(yù)測(cè)精度。

需要注意的是，由于實(shí)際中影響航班離港數(shù)量的外部條件和因素過于復(fù)雜，因此在本文研究的問題中，往往無法滿足此類傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的平穩(wěn)性假設(shè)限定，并且這些方法適用于相對(duì)較小的數(shù)據(jù)集，對(duì)于海量的航班數(shù)據(jù)，無法達(dá)到預(yù)期的目標(biāo)。

隨著人工智能的發(fā)展，傳統(tǒng)機(jī)器學(xué)習(xí)方法能夠更靈活地刻畫交通數(shù)據(jù)。ALAM等[12]使用線性回歸對(duì)交通流量進(jìn)行預(yù)測(cè)。姚智勝等[13]使用支持向量回歸方法對(duì)交通流量、占有率、平均速度等特征進(jìn)行訓(xùn)練，用于解決交通數(shù)據(jù)預(yù)測(cè)問題。DAVIS等[14]利用k近鄰模型解決交通數(shù)據(jù)的預(yù)測(cè)問題。HAMNER等[15]使用隨機(jī)森林訓(xùn)練移動(dòng)和停止的車輛數(shù)量、路段平均速度等特征對(duì)未來交通流量進(jìn)行預(yù)測(cè)。這些傳統(tǒng)機(jī)器學(xué)習(xí)方法雖然已經(jīng)能夠處理高維數(shù)據(jù)，并能捕獲其復(fù)雜的非線性關(guān)系，但是仍然需要人工構(gòu)造復(fù)雜的特征工程，以提升模型的性能。

近幾年，隨著深度學(xué)習(xí)的快速發(fā)展，深度學(xué)習(xí)被更多地應(yīng)用于時(shí)空交通數(shù)據(jù)的學(xué)習(xí)與預(yù)測(cè)任務(wù)中。例如，HUANG等[16]使用深度信念網(wǎng)絡(luò)（Deep Belief Networks， DBN）和YANG等[17]使用堆疊自編碼器（Stacked AutoEncoder， SAE）模型自動(dòng)學(xué)習(xí)交通數(shù)據(jù)的特征，不需要像機(jī)器學(xué)習(xí)模型那樣采用煩瑣的特征工程。MA等[18]和ZHAO等[19]使用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）預(yù)測(cè)短期的交通速度和流量。SHI等[20]針對(duì)時(shí)空數(shù)據(jù)預(yù)測(cè)問題，用卷積操作替換傳統(tǒng)LSTM模型中的線性變換操作，使得模型可以同時(shí)捕獲數(shù)據(jù)在時(shí)間和空間維度上的特征。ZHANG等[21]提出了ST-ResNet模型，通過卷積層和殘差結(jié)構(gòu)的組合，建模了城市范圍內(nèi)的人群流量的空間相關(guān)性。YU等[22]提出時(shí)空?qǐng)D卷積網(wǎng)絡(luò)（Spatio-Temporal Graph Convolutional Network，STGCN）模型，使用一維卷積刻畫了時(shí)間動(dòng)態(tài)相關(guān)性，使用圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）獲取路網(wǎng)的局部空間相關(guān)性。

Seq2Seq作為RNN的變種，包括編碼器（Encoder）和解碼器（Decoder）兩部分，在自然語言處理和時(shí)間序列任務(wù)中都取得了良好的效果。路寬等[23]使用多層Bi-GRU神經(jīng)元為基本單位構(gòu)建Seq2seq對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)。陶濤等[24]使用基于雙向LSTM的Seq2Seq模型對(duì)加油站時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)。朱墨儒等[25]使用Seq2Seq模型對(duì)于云資源負(fù)載進(jìn)行預(yù)測(cè)。王濤等[26]使用Seq2Seq模型并融合外部特征對(duì)港口進(jìn)出口貨物量進(jìn)行預(yù)測(cè)。RNN采用類似遞歸的方式捕獲序列的信息，無法并行化處理信息，并且存在梯度爆炸和梯度消失的問題。VASWANI等[4]提出的Transformer模型采用注意力機(jī)制解決了該問題，該模型能夠更好地捕獲時(shí)間間隔較長的系列信息。ZHOU等[27]在Transformer模型的基礎(chǔ)上進(jìn)行了改進(jìn)，提出了Informer，降低了注意力機(jī)制的計(jì)算復(fù)雜度，提升了在長序列時(shí)間預(yù)測(cè)問題上的預(yù)測(cè)效果，但此類方法的時(shí)間復(fù)雜度依然很高。

對(duì)于航班配餐備份數(shù)預(yù)測(cè)問題，研究人員希望模型能夠自適應(yīng)學(xué)習(xí)航班歷史訂票人數(shù)對(duì)最終離港人數(shù)的影響程度，同時(shí)捕獲外部復(fù)雜因素與航班旅客訂票序列間的關(guān)系，因此本文提出了一種基于注意力機(jī)制和殘差設(shè)計(jì)的編解碼器深度模型用于解決這一問題。本文的創(chuàng)新點(diǎn)和具體貢獻(xiàn)總結(jié)如下。

（1）通過注意力機(jī)制能有效捕獲航班歷史訂票人數(shù)對(duì)最終離港人數(shù)的影響程度，從而提高模型的預(yù)測(cè)精度。此外，本文僅在最后一步隱藏狀態(tài)以及歷史隱藏狀態(tài)應(yīng)用了注意力機(jī)制，其時(shí)間復(fù)雜度僅與序列長度呈線性關(guān)系，較Transformer和Informer相比，時(shí)間復(fù)雜度更低。

（2）通過編解碼器結(jié)構(gòu)能有效捕獲外部復(fù)雜因素與航班旅客訂票序列間的關(guān)系。

（3）在真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，證明了方法的有效性和先進(jìn)性。

3問題描述（Problem formulation）

本節(jié)對(duì)航班配餐備份數(shù)預(yù)測(cè)問題進(jìn)行形式化描述和定義，并對(duì)相關(guān)數(shù)據(jù)特征進(jìn)行描述。某航班訂票人數(shù)的變化曲線如圖1所示，其中橫軸代表時(shí)間（STD代表起飛時(shí)刻，STD-3h則代表起飛前3 h），縱軸代表航班人數(shù)。航班訂票人數(shù)在時(shí)間軸上變化趨勢(shì)具有連續(xù)特性，是典型的時(shí)間序列，而航班配餐備份數(shù)的預(yù)測(cè)問題，本質(zhì)上是預(yù)測(cè)該航班實(shí)際離港人數(shù)，所以本文研究的問題為典型的時(shí)間序列預(yù)測(cè)問題。

（1）序列數(shù)據(jù)輸入：本文使用航班起飛前96 h到起飛前2 h的訂票人數(shù)作為序列輸入數(shù)據(jù) ｛X_t=96，95，…，2｝。

（2）外部復(fù)雜因素輸入：本文使用航班起飛及降落時(shí)間、起飛及降落機(jī)場(chǎng)、飛機(jī)型號(hào)、各艙型座位總數(shù)，以及航班起飛當(dāng)日是周幾、是否處于法定節(jié)假日期間、是否為補(bǔ)班、是否處于春運(yùn)和暑運(yùn)期間拼接作為外部復(fù)雜因素輸入?X_other。

本文的目標(biāo)：將序列數(shù)據(jù)和外部復(fù)雜因素共同輸入模型，以預(yù)測(cè)離港人數(shù)Ｆ（X，X_other）→Y。

4基于注意力機(jī)制和殘差的深度編解碼器網(wǎng)絡(luò)（Deep encoder-decoder network based onattention mechanism and residual）

本節(jié)將詳細(xì)介紹基于注意力機(jī)制和殘差設(shè)計(jì)的編解碼器深度模型（ARSeq-Net）的結(jié)構(gòu)。該模型將注意力機(jī)制、殘差設(shè)計(jì)以及編解碼器結(jié)構(gòu)應(yīng)用于航班配餐備份數(shù)預(yù)測(cè)問題，旨在自適應(yīng)地提取序列中的隱藏信息以及外部因素的影響，通過神經(jīng)網(wǎng)絡(luò)的記憶能力、容錯(cuò)能力、自學(xué)習(xí)能力擬合預(yù)測(cè)函數(shù)，從而進(jìn)行高效、準(zhǔn)確的預(yù)測(cè)。其中，注意力機(jī)制是一種對(duì)不同特征信息計(jì)算不同權(quán)重，并按權(quán)重值融合特征信息的方法，能夠有效捕獲到關(guān)鍵的信息；殘差設(shè)計(jì)能有效解決梯度爆炸和梯度消失問題，加速模型收斂；編解碼器結(jié)構(gòu)可以很有效地對(duì)輸入序列進(jìn)行特征表示，并捕獲到外部因素的影響。

4.1編解碼器

編解碼器（Encoder-Decoder）的提出基于Seq2Seq模型，是一種循環(huán)神經(jīng)網(wǎng)絡(luò)的變種，最早應(yīng)用于自然語言處理領(lǐng)域。編碼器部分的主要作用是將任意長度的序列信息編碼到傳遞向量中；解碼器的作用主要是將傳遞向量中所蘊(yùn)含的上下文信息進(jìn)行解碼，并輸出新的序列；其結(jié)構(gòu)圖如圖2所示。

4.2注意力機(jī)制

注意力機(jī)制能夠在大量的信息中有效地捕獲較為關(guān)鍵的信息，以此提高網(wǎng)絡(luò)的效率。具體來說，注意力機(jī)制就是要對(duì)特征信息計(jì)算權(quán)重，并對(duì)所有信息按權(quán)重進(jìn)行合并。注意力機(jī)制的計(jì)算過程分為兩步，第一步是計(jì)算歷史時(shí)間步輸出向量表示和最后一步隱藏狀態(tài)表示的注意力分布，第二步是根據(jù)注意力權(quán)重的分布情況計(jì)算歷史時(shí)間步向量表示的加權(quán)平均。本文中所用到的注意力機(jī)制是參考VASWANI等[4]設(shè)計(jì)的；具體公式如式（1）所示，具體結(jié)構(gòu)示意圖如圖3所示。

本文中Q 編碼器最后一步的隱藏狀態(tài)的線性變換向量， K和V均是編碼器每一步輸出的線性變換向量。首先通過Q和K 的點(diǎn)乘，即可計(jì)算編碼器最后一步（即當(dāng)前步）的隱藏狀態(tài)與歷史時(shí)間步輸出的相似度。其次通過縮放和SoftMax操作，即可計(jì)算出注意力權(quán)重矩陣，即序列歷史時(shí)間步對(duì)當(dāng)前步的影響程度，此時(shí)各歷史時(shí)間步的影響程度數(shù)加和為1。最后將注意力權(quán)重與V 進(jìn)行點(diǎn)乘操作，所得輸出即為考慮了不同歷史時(shí)間步對(duì)當(dāng)前的不同影響后的融合信息表示。這樣就能通過模型自適應(yīng)地學(xué)習(xí)不同歷史時(shí)間對(duì)于當(dāng)前隱藏狀態(tài)的影響，提升模型的預(yù)測(cè)效果。

4.3殘差設(shè)計(jì)

殘差網(wǎng)絡(luò)（Residual Network， ResNet）是為了解決卷積神經(jīng)網(wǎng)絡(luò)隱藏層過多時(shí)的網(wǎng)絡(luò)退化問題而提出的，但是它并不局限于卷積神經(jīng)網(wǎng)絡(luò)，其通過給非線性變換層增加直連邊提高信息的傳播效率，防止梯度爆炸和梯度消失，以及加快模型收斂速度。

當(dāng)輸入為x時(shí)，假設(shè)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征為H（x），此時(shí)通過殘差單元學(xué)習(xí)的內(nèi)容可記作F（x） = H（x） ? x，可以使網(wǎng)絡(luò)更容易學(xué)習(xí)。

本文將殘差設(shè)計(jì)引入編解碼器結(jié)構(gòu)，旨在防止梯度爆炸，加快模型的收斂速度，提升模型預(yù)測(cè)的精度。

相比其他模型，ARSeq-Net在捕獲歷史依賴關(guān)系的基礎(chǔ)上，通過注意力機(jī)制，能夠自適應(yīng)地學(xué)習(xí)歷史對(duì)當(dāng)前的不同影響程度，通過殘差設(shè)計(jì)，有效提升了模型的收斂速度，并很好地解決了梯度爆炸等問題，使得預(yù)測(cè)結(jié)果更準(zhǔn)確。

5實(shí)驗(yàn)結(jié)果與分析（Experimental results andanalysis）

5.1數(shù)據(jù)集

本文實(shí)驗(yàn)使用的數(shù)據(jù)集來自某航空公司提供的真實(shí)航班旅客訂座數(shù)據(jù)集，數(shù)據(jù)集中共計(jì)涉及的機(jī)場(chǎng)數(shù)量為105個(gè)，其中同時(shí)作為起飛機(jī)場(chǎng)和降落機(jī)場(chǎng)的84 個(gè)，僅作為起飛機(jī)場(chǎng)的10 個(gè)，僅作為降落機(jī)場(chǎng)的11個(gè)，共計(jì)存在的機(jī)場(chǎng)對(duì)為377個(gè)，一共有5，021 個(gè)不同的航班；時(shí)間跨度從2018年3月16日到2020年12月31日，共計(jì)11，109，789 條訂座數(shù)據(jù)。

5.2數(shù)據(jù)預(yù)處理

（1）劃分訓(xùn)練集將原始數(shù)據(jù)處理為序列數(shù)據(jù)起飛前96 h到起飛前2 h的訂座人數(shù)為序列特征、起飛后的訂座人數(shù)為標(biāo)簽值，共得到序列數(shù)據(jù)432，029 條，按每條航班的7∶2∶1的比例劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集，其中訓(xùn)練集包含85，786 條數(shù)據(jù)，驗(yàn)證集包含24，739 條數(shù)據(jù)，測(cè)試集包含13，482 條數(shù)據(jù)。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化。對(duì)航班訂座人數(shù)進(jìn)行z-score標(biāo)準(zhǔn)化，通過標(biāo)準(zhǔn)化可以加快模型收斂速度，提升模型精度。

5.3 基準(zhǔn)方法與評(píng)價(jià)指標(biāo)

經(jīng)過調(diào)研，目前與本文研究解決同一類問題的方法極少?；诖耍疚倪x定了時(shí)間序列預(yù)測(cè)的經(jīng)典方法以及近年來先進(jìn)的代表性方法，共計(jì)12 個(gè)基準(zhǔn)方法與ARSeq-Net進(jìn)行了實(shí)驗(yàn)和比較。

HA：歷史平均值模型（Historical Average），是一種使用歷史平均值對(duì)未來進(jìn)行預(yù)測(cè)的統(tǒng)計(jì)學(xué)方法。

ES：指數(shù)平滑預(yù)測(cè)法模型（Exponential Smoothing），是一種引入計(jì)算權(quán)重，并將計(jì)算權(quán)重由近到遠(yuǎn)按指數(shù)規(guī)律遞減的一種特殊的加權(quán)平均的統(tǒng)計(jì)學(xué)方法。

LR：線性回歸模型（Linear Regression），是一種利用線性回歸方程的最小平方函數(shù)對(duì)多個(gè)自變量和因變量之間關(guān)系進(jìn)行建模和預(yù)測(cè)的機(jī)器學(xué)習(xí)方法。

KNR：K近鄰回歸模型（K-Neighbors Regressor），是一種利用K 個(gè)最近訓(xùn)練樣本的目標(biāo)數(shù)值，對(duì)待測(cè)樣本的回歸值進(jìn)行決策的機(jī)器學(xué)習(xí)方法。

DTR：決策樹回歸模型（Decision Tree Regressor），是一種以信息熵為度量構(gòu)造下降最快的樹的自頂向下的遞歸的機(jī)器學(xué)習(xí)方法。

SVR：支持向量回歸模型（Support Vector Regression），是一種運(yùn)用支持向量機(jī)（SVM）擬合曲線并進(jìn)行回歸分析的機(jī)器學(xué)習(xí)方法。

RFR：隨機(jī)森林回歸模型（Random Forest Regressor），是一種利用生成多決策樹的方式對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的機(jī)器學(xué)習(xí)方法。

XGBoost：是一種利用多個(gè)梯度提升決策樹（GBDT）進(jìn)行訓(xùn)練并計(jì)算每個(gè)子樹的權(quán)重進(jìn)行累加的機(jī)器學(xué)習(xí)集成模型。

LSTM：長短期記憶模型，是一種更適合處理長時(shí)間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

GRU：門控循環(huán)單元，是一種參數(shù)量較少，更容易收斂的循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

Transformer：是一種基于多頭注意力機(jī)制的編碼解碼長序列預(yù)測(cè)模型。

Informer：是一種基于Transformer改進(jìn)得更為高效的長序列預(yù)測(cè)模型，專門適用于時(shí)間序列預(yù)測(cè)問題。

本文采用平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）作為評(píng)價(jià)指標(biāo)，具體計(jì)算如式（2）至式（4）所示：

5.4實(shí)驗(yàn)結(jié)果

在真實(shí)航班旅客數(shù)據(jù)集上，驗(yàn)證了ARSeq-Net模型的預(yù)測(cè)效果。模型的超參設(shè)置如表1所示，預(yù)測(cè)結(jié)果如表2所示。

表2顯示了不同模型在數(shù)據(jù)集上的預(yù)測(cè)結(jié)果，本文的ARSeq-Net模型的MAE、RMSE和MAPE都優(yōu)于其他模型。以MAPE為例，ARSeq-Net較傳統(tǒng)的統(tǒng)計(jì)學(xué)方法中最佳的ES，誤差降低了2.19%；較機(jī)器學(xué)習(xí)方法中最佳的XGBoost，誤差降低了0.42%；較深度學(xué)習(xí)方法中最佳的LSTM，誤差降低了3.02%。其中，HA和ES的效果較差，這是由于統(tǒng)計(jì)學(xué)方法并不能很好地建模序列預(yù)測(cè)問題；LR、KNR、DTR、SVR等模型的效果有所提升，但是它們不能很好地捕獲時(shí)間序列的特征；LSTM和GRU作為循環(huán)神經(jīng)網(wǎng)絡(luò)模型，雖然效果有所提升，但是對(duì)于長時(shí)間序列建模的效果不是很好；而Transformer和Informer雖然采用了注意力機(jī)制，但是此類方法在編碼器中采用自注意力機(jī)制進(jìn)行計(jì)算，再通過注意力機(jī)制與解碼器進(jìn)行連接，需要對(duì)兩兩時(shí)間步進(jìn)行注意力權(quán)重計(jì)算，時(shí)間復(fù)雜度較高，信息也容易出現(xiàn)的過度冗余，導(dǎo)致預(yù)測(cè)效果不佳。

5.5消融實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證模型中每個(gè)組件的有效性，研究人員對(duì)ARSeq-Net的三種變體進(jìn)行了實(shí)驗(yàn)。

（1）GRU：不使用編解碼器結(jié)構(gòu)的模型。

（2）Seq2Seq：僅使用編解碼器結(jié)構(gòu)的模型。

（3）ASeq-Net：使用了編解碼器結(jié)構(gòu)和注意力機(jī)制的模型。

實(shí)驗(yàn)結(jié)果如表3所示。

從表3的實(shí)驗(yàn)結(jié)果可以看出，ARSeq-Net模型的三個(gè)評(píng)價(jià)指標(biāo)都是最好的，GRU模型的效果最差。實(shí)驗(yàn)結(jié)果可以證明，在加入了編解碼器結(jié)構(gòu)后，模型效果有了一定提升；加入注意力機(jī)制后，效果又有了進(jìn)一步提升；殘差的進(jìn)一步引入，使得模型效果達(dá)到最好，由此可以證明ARSeq-Net模型的有效性。

6結(jié)論（Conclusion）

本文提出了一種基于注意力機(jī)制和殘差設(shè)計(jì)的Seq2Seq深度網(wǎng)絡(luò)模型，用于解決航班配餐備份數(shù)預(yù)測(cè)問題，研究人員將本文提出的模型同處理時(shí)間序列預(yù)測(cè)的傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法、經(jīng)典的機(jī)器學(xué)習(xí)方法以及經(jīng)典和先進(jìn)的深度學(xué)習(xí)方法在相同數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文提出的模型在預(yù)測(cè)效果上達(dá)到了最優(yōu)，證明了本方法的有效性。但是，該方法還存在一些優(yōu)化空間，比如可以考慮其他外部因素如疫情等特殊時(shí)期的影響、天氣、經(jīng)濟(jì)形勢(shì)變化等對(duì)航班配餐備份數(shù)的影響，此部分因素難以合理量化，可作為未來模型優(yōu)化的方向。

作者簡(jiǎn)介：

王?。?988-），男，碩士，工程師.研究領(lǐng)域：信息技術(shù)，企業(yè)數(shù)字化，軟件測(cè)試.

吳子軒（1991-），男，博士，工程師.研究領(lǐng)域：數(shù)據(jù)科學(xué)與人工智能，企業(yè)數(shù)字化.本文通信作者.

董杰（1996-），男，本科，工程師.研究領(lǐng)域：軟件開發(fā)，產(chǎn)品管理.

蔡哲立（1989-），男，本科，工程師.研究領(lǐng)域：軟件開發(fā)，信息技術(shù)，項(xiàng)目管理.

張凱（1994-），男，本科，工程師.研究領(lǐng)域：軟件開發(fā)，信息技術(shù).

許喬若（1992-），男，碩士，高級(jí)工程師.研究領(lǐng)域：信息技術(shù)，數(shù)據(jù)開發(fā)，數(shù)據(jù)管理.