基于机器学习的航空公司乘客满意度预测

刘宇波

(湖北大学 计算机学院，湖北 武汉 430061)

0 引言

满意度是一种心理状态，是指一个人对一段关系质量的主观评价。航空公司对于乘客满意度的管理尤为重要，对乘客满意度进行测评，可以分析影响满意度的关键因素、衡量当前乘客的满意度水平、针对产品以及服务做出改进策略。通过构建满意度预测模型，可以对乘客进行市场细分，对于不同乘客推出不同的服务产品，充分挖掘大数据，提高乘客满意度。

随着计算机技术的发展，诸多学者采用机器学习等人工智能方式对顾客满意度进行预测。范晓婷[1]通过对头部企业“口碑”平台的交易数据进行挖掘分析，运用机器学习理论搭建顾客满意度预测模型，并对不同算法的预测结果进行对比分析。章凯兵[2]基于yelp官方用户和商户信息数据，运用LSTM模型进行用户偏好挖掘，最后运用人工神经网络对用户满意度进行预测。陈雪松等[3]通过对36名学生进行实验观察收集数据，然后运用GBDT模型和马尔代夫模型设计了图像搜索环境下的用户满意度预测模型。

1 数据分析

1.1 数据集介绍

本文采用kaggle网站公开数据集。其中包含了10万余条乘客数据，23种特征。具体如下：Satisfaction：乘客满意或不满意，待预测项；Gender：性别(男，女)；Age:年龄;Type of Travel:飞行目的(个人旅行、商务旅行);Class:乘客飞机上的旅行等级(商务、环保、环保加);Flight Distance:本次行程的飞行距离;Seat comfort:座椅舒适度满意度(0：不适用；1-5);Departure/Arrival time convenient:出发/到达时间方便的满意度;Food and drink:食品和饮料的满意度;Gate location:gate位置的满意度；Inflight WIFI service：机上WIFI的满意度；Inflight entertainment：机上娱乐的满意度；Online support：线上支持满意度；Ease of Online booking：在线预订满意度；On-board service：机上服务满意度；Leg room service：腿部客房服务的满意度；Baggage handling：行李处理满意度；Checkin service：值机服务满意度；Cleanliness：清洁满意度；Online boarding：线上登机满意度；Departure/Arrival Delay in Minutes:出发/到达时延迟分钟数。

1.2 数据预处理

利用padas库将数据导入，随后用info函数查看数据的总体信息，该函数可以查看所有特征、类型，以及数据缺失情况，如图1所示。运行代码后发现只有到达时延迟分钟数存在缺失值，于是采取中值填充的方法弥补缺失值，代码如下：data['Arrival Delay in Minutes'].fillna(data['Arrival Delay in Minutes'].median(axis=0),inplace=True)。

然后要进行特征分类，分成数值特征和类别特征。年龄、飞行距离、出发/达到延迟分钟数四种都属于数值特征，除了上述四种以及预测目标满意度外，剩下的18种属于类别特征。将类别特征的类型进行修改，修改完成后再次查看数据信息，如图2所示，所有特征类型已经修改完成，无缺失值。

1.3 数据可视化

采用matplotlib库和seaborn库对数据进行可视化，以便能够更直观地观察特征之间的关系，挖掘数据信息。

图1 数据总体信息

图2 修改后数据信息

(1)查看待预测目标：满意乘客的比例，如图3。发现满意与不满意的人数相差不大，趋近于平衡，分类可以看作均衡分类。

图3 满意度比例扇形图

(2)用热力图查看数值特征之间的联系，如图4，横轴为到达延迟分钟数，纵轴代表出发延迟分钟数。发现出发延迟分钟和到达延迟分钟的相关度很高，高达0.96，于是用散点图分析之间的联系，如图5。可以看出，这些点大部分呈直线排列，说明二者间有很大的线性相关性。而这也是符合逻辑的，因为一旦飞机起飞时延误了，那么它的落地时间也会很大概率延误。

图4 数值特征热力图

图5 出发和到达延迟分钟数散点图

(3)查看类别特征和满意度之间的关系，由于篇幅原因选取部分图片展示，如图6，每张图的下方有特征名。

2 特征工程

特征工程是机器学习建模中重要的一个环节，特征处理结果很大程度上决定模型拟合度根据上述特征分类结果，对数值特征和类别特征分别进行处理。

2.1 类别特征处理

对于类别特征，最常用的处理方式是将其进行编码。编码方式有很多种，本文对数据集中的类别特征主要采用独热编码和二分编码，类别数有两种的特征采用二分编码，类别个数两个以上的采用独热编码。

图6 类别特征和乘客满意度的关系

首先针对类别特征的类别个数进行分类，借助describe函数，将类别个数为2或大于2的分开。结果显示，类别个数为2的特征有性别、乘客种类以及飞行目的，剩下的特征类别个数都大于2。随后对这两类特征进行编码，类别个数为2的用二分编码将两种类别编为0和1，其余特征用独热编码，采用了pandas库中的get_dummies函数进行特征提取。

2.2 数值特征处理

2.3 后续准备

将两类特征处理完后，用concat函数合并，将要预测的目标顾客满意度进行编码处理，将不满意和满意编为0和1，方便后续的建模预测。

3 建模及结果分析

将处理完成的数据用train_test_split函数分为训练集和测试集，其中测试集比例为0.2。随后用机器学习的算法对训练集进行训练，然后预测结果并和测试集进行比较。采用以下5种算法进行建模：knn算法、决策树算法、随机森林算法、gradientboosting算法和catboost算法，随后采用了投票法将效果较好的模型进行融合，建模训练比较结果。

对于每种模型，都用了七种评价指标，分别为：准确率(accuracy)、精确率(precision)、召回率(recall)、f1值、roc曲线下面积(roc_auc)、均衡准确率(balance_accuracy)和混淆矩阵(confusion_matrix)。表1是模型的训练结果，保留了小数点后4位小数。vot是由gb、rf、cat进行投票融合的模型。

表1 模型训练结果

根据结果，这些分类器的准确度都在90%以上，具体为：gradientboosting算法：95.73%；knn算法:93.13%;随机森林算法：95.81%;决策树算法：94.42%;catboost算法：96.25%；模型融合：96.15%。其中，catboost算法各项指标最高，准确度达到了96.25%，融合模型的准确率次之。knn以及决策树算法均低于95%。在这6种模型中，除了knn和决策树，其他4种都属于集成算法，因此这可能是导致它们的准确度更高的原因之一。在训练中，仅仅对gradientboosting算法和catboost算法的参数进行了微调，而其他的算法都选择了默认参数，这也是导致预测结果不同的因素。在第二章的特征工程中如果采取不同的方式处理数据，可能也会对结果产生影响。

4 结论

虽然结果有些许差异，但本文几种模型的表现都较好，其中以catboost算法最优。还有许多分类算法在本文并没有提及，比如svm支持向量机，集成算法中的xgboost算法等。航空公司可以根据本文的数据及结果，对模型进行改进或者使用更多不同的算法进行建模，对算法参数进行调整，以得到更优性能的模型，也可以在本文机器学习基础之上采取深度学习算法，以得到更高的准确率。对乘客满意度进行更为深入的预测研究，以便提前制定策略，增加客流量。