用户支付意愿的预测方法及系统、电子设备、存储介质

技术领域

本申请涉及信息预测技术领域，特别涉及一种用户支付意愿的预测方法及系统、电子设备、存储介质。

背景技术

飞机由于运量和使用成本等特征，属于交通工具中的奢侈品，所以机票与陆路交通的费用有明显区别，机票的购买量会随着时段、季节、天气甚至竞争对手公司机票定价而浮动。而机票定价在很大程度上会影响到用户的支付意愿，所以如何设定机票的价格，使得在收益最大化下，又能满足用户对机票的支付意愿，是各个航空公司极为关注的一个问题。

现有主要是基于存量模型进行机票定价，其本质为应用统计的数据以及设定的定价策略进行定价，从而以合适的价格和方式将机票销售给需要的客户。或者是采用推荐算法，基于大量用户的信息，分析用户的购买喜好，从而为机票定价提供决策依据。

但是基于存量模型进行定价的方式，需要建立在统计规律上，所以数据存在累计分担，并且具有滞后性。而基于推荐方法进行定价的方式，无法直接进行定价。并且由于机票相对昂贵，个人通过飞机出现的次数有限，且会购买的可能是不同的航空公司的机票。所以无法基于某个用户的少量的数据，得到该用户的喜好，而往往会基于大量用户的数据进行分析。因此存在准确性较低的问题。所以现有的这些方式，并不能准确地对用户预测到用户的支付意愿，从而进行最合理的定价，进而在收益最大化下，又能满足各个用户对机票的心理预期，从而购买本航空公司的机票。

发明内容

基于上述现有技术的不足，本申请提供了一种用户支付意愿的预测方法及系统、电子设备、存储介质，以解决现有技术无法预测用户支付意愿的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种用户支付意愿的预测方法，包括：

获取用户当前对目标机票的预购票信息；

根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图；

对所述预购票信息的网络图进行图卷积，得到所述预购票信息对应的图特征；

将所述预购票信息对应的图特征输入预先训练好的预测模型中，通过所述预测模型对所述预购票信息对应的图特征进行分析计算，得到当前所述用户对应的所述目标机票的折扣信息；其中，所述预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到；所述对抗网络包括信息生成器以及信息判别器。

可选地，在上述的方法中，所述对抗网络的训练方法，包括：

获取所述真实购票信息，并对所述真实购票信息进行预处理；

基于预处理后的所述真实购票信息，构建所述信息生成器以及所述信息判别器；

调用所述信息生成器随机生成一组初始的购票信息；

将所述初始的购票信息与所述正式购票信息进行混洗，得到第一数据集；

将所述第一数据集划分为第一训练集和第一测试集；

利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；

利用所述第一测试集对当前的所述信息判别器进行测试，得到当前的所述信息判别器的判别概率值；

判断当前的所述信息判别器的判别概率值是否大于第一判别阈值，或对所述信息判别器的迭代训练次数是否达到第一指定迭代次数；

若判断出当前的所述信息判别器的判别概率值不大于第一判别阈值，且对所述信息判别器的迭代训练次数未达到第一指定迭代次数，则返回执行所述利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；

若判断出当前的所述信息判别器的判别概率值大于第一判别阈值，或判断出对所述信息判别器的迭代训练次数达到第一指定迭代次数，则存储当前的所述信息判别器；

基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；其中，在迭代训练过程中所述信息判别器用于对所述信息生成器基于输入的预定义特征信息生成的完整购票信息进行判别；

利用当前的所述信息生成器随机生成一组待判别的购票信息，并将所述待判别的购票信息与所述真实购票进行混洗，得到当前待判别数据集；

利用当前的所述信息判别器对所述当前待判别数据集进行判别，得到所述当前待判别数据集对应的判别值；

判断所述当前待判别数据集对应的判别值是否大于第二判别阈值；

若判断所述当前待判别数据集对应的判别值大于第二判别阈值，则存储当前的所述信息生成器以及当前的所述信息判别器；

若判断出所述当前待判别数据集对应的判别值不大于第二判别阈值，则判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数；

若判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数未达到第二指定迭代次数，则返回执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；

若判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数已达到第二指定迭代次数，则对所述当前预定义学习率进行更新，得到最新的当前预定义学习率，并针对最新的所述当前预定义学习率，返回执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器。

可选地，在上述的方法中，所述判断出所述当前待判别数据集对应的判别值不大于第二判别阈值之后，还包括：

判断对所述对抗网络的总迭代训练次数是否大于预测总次数；

若判断出对所述对抗网络的总迭代训练次数大于预测总次数，则执行所述存储当前的所述信息生成器以及当前的所述信息判别器；

若判断出对所述对抗网络的总迭代训练次数不大于预测总次数，则执行所述判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数。

可选地，在上述的方法中，所述预测模型的训练方法，包括：

基于预处理后的所述真实购票信息，构建所述预测模型；其中，所述预测模型的神经网络结构为通过多个栈结构叠加，得到的具有时序因果性的深层神经网；所述栈结构通过基于双残差叠加的方法，将激活函数的多层全连接块堆叠得到；

利用存储的所述信息生成器随机生成一组购票信息，并与所述真实购票信息进行混淆，得到训练数据集；

根据所述训练数据集中的各个信息间的关系，生成所述训练数据集对应的网络图；

对所述训练数据集的网络图进行图卷积，得到所述训练数据集对应的图特征；

将所述训练数据集对应的图特征组成时序图输入所述预测模型中，对所述预测模型进行迭代训练，直至所述预测模型的输出结果的准确性大于预设阈值，或迭代训练达到第三指定迭代次数，得到并存储训练好后的所述预测模型。

可选地，在上述的方法中，所述获取用户当前对目标机票的预购票信息之后，还包括：

对所述预购票信息进行预处理，得到预设格式的所述预购票信息；

其中，所述根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图，包括：

根据预设格式的所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图。

本申请第二方面提供了一种用户支付意愿的预测系统，包括：

第一获取单元，用于获取用户当前对目标机票的预购票信息；

第一生成单元，用于根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图；

第一卷积单元，用于对所述预购票信息的网络图进行图卷积，得到所述预购票信息对应的图特征；

预测单元，用于将所述预购票信息对应的图特征输入预先训练好的预测模型中，通过所述预测模型对所述预购票信息对应的图特征进行分析计算，得到当前所述用户对应的所述目标机票的折扣信息；其中，所述预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到；所述对抗网络包括信息生成器以及信息判别器。

可选地，在上述的系统中，还包括对抗网络训练单元，其中，所述对抗网络训练单元，包括：

第二获取单元，用于获取所述真实购票信息，并对所述真实购票信息进行预处理；

第一构建单元，用于基于预处理后的所述真实购票信息，构建所述信息生成器以及所述信息判别器；

调用单元，用于调用信息生成器随机生成一组初始的购票信息；

第一处理单元，用于将所述初始的购票信息与所述正式购票信息进行混洗，得到第一数据集；

数据划分单元，用于将所述第一数据集划分为第一训练集和第一测试集；

第一训练单元，用于利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；

测试单元，用于利用所述第一测试集对当前的所述信息判别器进行测试，得到当前的所述信息判别器的判别概率值；

第一判断单元，用于判断当前的所述信息判别器的判别概率值是否大于第一判别阈值，或对所述信息判别器的迭代训练次数是否达到第一指定迭代次数；

第一返回单元，用于在所述第一判断单元判断出当前的所述信息判别器的判别概率值不大于第一判别阈值，且对所述信息判别器的迭代训练次数未达到第一指定迭代次数时，则返回所述第一训练单元执行所述利用所述第一训练集对当前的所述信息判别器进行一轮迭代训练，得到最新当前的所述信息判别器；

第一存储单元，用于在所述第一判断单元判断出当前的所述信息判别器的判别概率值大于第一判别阈值，或判断出对所述信息判别器的迭代训练次数达到第一指定迭代次数时，存储当前的所述信息判别器；

第二训练单元，用于基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；其中，在迭代训练过程中所述信息判别器用于对所述信息生成器基于输入的预定义特征信息生成的完整购票信息进行判别；

第二处理单元，用于利用当前的所述信息生成器随机生成一组待判别的购票信息，并将所述待判别的购票信息与所述真实购票进行混洗，得到当前待判别数据集；

判别单元，用于利用当前的所述信息判别器对所述当前待判别数据集进行判别，得到所述当前待判别数据集对应的判别值；

第二判断单元，用于判断所述当前待判别数据集对应的判别值是否大于第二判别阈值；

第二存储单元，用于在所述第二判断单元判断出所述当前待判别数据集对应的判别值大于第二判别阈值时，存储当前的所述信息生成器以及当前的所述信息判别器；

第三判断单元，用于在所述第二判断单元判断出所述当前待判别数据集对应的判别值不大于第二判别阈值时，判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数；

第二返回单元，用于在所述第三判断单元判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数未达到第二指定迭代次数时，返回所述第二训练单元执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器；

更新单元，用于在所述第三判断单元判断出在所述当前预定义学习率下，对所述信息生成器的迭代训练次数已达到第二指定迭代次数时，对所述当前预定义学习率进行更新，得到最新的当前预定义学习率，并针对最新的所述当前预定义学习率，返回所述第二训练单元执行所述基于当前预定义学习率，利用当前的所述信息判别器对当前的所述信息生成器进行一轮迭代训练，得到最新当前的所述信息生成器。

可选地，在上述的系统中，所述对抗网络训练单元，还包括：

第四判断单元，用于在所述第二判断单元判断出所述当前待判别数据集对应的判别值不大于第二判别阈值时，判断对所述对抗网络的总迭代训练次数是否大于预测总次数；其中，若判断出对所述对抗网络的总迭代训练次数大于预测总次数，则所述第二存储单元执行所述存储当前的所述信息生成器以及当前的所述信息判别器；若判断出对所述对抗网络的总迭代训练次数不大于预测总次数，则所述第三判断单元执行所述判断在所述当前预定义学习率下，对所述信息生成器的迭代训练次数是否达到第二指定迭代次数。

可选地，在上述的系统中，还包括预测模型训练单元，其中，所述预测模型训练单元，包括：

第二构建单元，用于基于预处理后的所述真实购票信息，构建所述预测模型；其中，所述预测模型的神经网络结构为通过多个栈结构叠加，得到的具有时序因果性的深层神经网；所述栈结构通过基于双残差叠加的方法，将激活函数的多层全连接块堆叠得到；

第三处理单元，用于利用存储的所述信息生成器随机生成一组购票信息，并与所述真实购票信息进行混淆，得到训练数据集；

第二生成单元，用于根据所述训练数据集中的各个信息间的关系，生成所述训练数据集对应的网络图；

第二卷积单元，用于对所述训练数据集的网络图进行图卷积，得到所述训练数据集对应的图特征；

第三训练单元，用于将所述训练数据集对应的图特征组成时序图输入所述预测模型中，对所述预测模型进行迭代训练，直至所述预测模型的输出结果的准确性大于预设阈值，或迭代训练达到第三指定迭代次数，得到并存储训练好后的所述预测模型。

可选地，在上述的系统中，还包括：

预处理单元，用于对所述预购票信息进行预处理，得到预设格式的所述预购票信息；

其中，所述第一生成单元执行所述根据所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图时，用于：

根据预设格式的所述预购票信息中的各个信息间的关系，生成所述预购票信息对应的网络图。

本申请第三方面提供了一种电子设备，包括：

一个或多个处理装置；

存储器，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理装置执行时，使得所述一个或多个处理装置实现如上述任意一项所述的用户支付意愿的预测方法。

本申请第四方面提供了一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现如上述任意一项所述的用户支付意愿的预测方法。

本申请提供的用户支付意愿的预测方法，通过训练包括信息生成器以及信息判别器的对抗网络，然后由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练预测模型，从而可以保证有足够的数据量对模型进行训练，进而保证模型的准确性。在需要进行预测时，获取用户当前对目标机票的预购票信息。然后根据预购票信息中的各个信息间的关系，生成预购票信息对应的网络图，并对预购票信息的网络图进行图卷积，得到预购票信息对应的图特征，从而通过图卷积的手段，可以充分考虑到各个影响因素，保证预测结果的准确。最后，将预购票信息对应的图特征输入预先训练好的预测模型中，通过预测模型对预购票信息对应的图特征进行分析计算，得到当前用户愿意支付购买目标机票的折扣信息，从而可以准确地预测到用户支付意愿。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种预测系统的架构示意图；

图2为本申请另一实施例提供的一种用户支付意愿的预测方法的流程图；

图3为本申请另一实施例提供的一种对抗网络模型的训练方法的流程图；

图4为本申请另一实施例提供的一种预测模型的训练方法的流程图；

图5为本申请另一实施例提供的一种预测模型的神经网络结构的示意图；

图6为本申请另一实施例提供的一种用户支付意愿的预测系统的结构示意图；

图7为本申请另一实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本申请提供了一种用户支付意愿的预测方法，以解决现有技术无法预测用户支付意愿的问题。

可选地，本申请另一实施例提供了一种用于实现本申请提供的用户支付意愿的预测方法的预测系统。如图1所示，本申请实施例提供的预测系统，包括：交互模块101、预处理模块102、调度模块103、构造模块104、训练模块105、预测模块106。

其中，交互模块101，主要用于给使用者提供传递信息的接口，进行信息的导入和输出等操作。

预处理模块102，主要用于对数据进行预处理。其中，具体可以包括对数据进行预处理和后续模型训练过程中对数据进行格式化处理。

调度模块103，主要用于实现模块间的参数传递，以及完成算法迭代过程的管理。

构造模块104，主要用于根据格式化的信息，在初始化时构建信息判别器、信息生成器以及预测模型。

训练模块105，主要用于通过传入数据对模型进行训练。该模块中包含特征提取网络、信息生成网络、信息判别网络、图卷积网络及预测网络等深度神经网络模型，用于处理该算法各训练流程。

预测模块106，主要用于实现对预测模型的使用。具体用于对数据进行处理，将数据转化成预测模型使用的数据结构，并且在完成预测计算后还要将其翻译为能够使用的数据结构。

本申请实施例提供了一种用户支付意愿的预测方法，如图2所示，包括以下步骤：

S201、获取用户当前对目标机票的预购票信息。

其中，预购票信息主要包括目标机票的属性信息，图出发地、目的地、起飞和降落时间、机票原价、航线类型、仓区类型等。当然，还可以包括有用户的信息，如购买力、历史购票记录等。

可选地，本申请另一实施例中，在执行步骤S201之后，还可以进一步包括：对预购票信息进行预处理，得到预设格式的预购票信息。从将数据转化统一格式，便于后续进行处理。

其中，在本申请实施例中，步骤S202相应的为：根据预设格式的预购票信息中的各个信息间的关系，生成预购票信息对应的网络图。

S202、根据预购票信息中的各个信息间的关系，生成预购票信息对应的网络图。

具体的，预购票信息中的各个信息之间是存在关系的，可以创建每个对应的节点，然后根据信息之间的关系，将对应的节点进行连接，从而通过网络图的方式，反映出各个信息间的关系。

S203、对预购票信息的网络图进行图卷积，得到预购票信息对应的图特征。

本申请实施例中，通过图卷积的方式从预购信息的网络图中，提取出图特征，从而可以更加充分地考虑到影响票价的各个因素。

S204、将预购票信息对应的图特征输入预先训练好的预测模型中，通过预测模型对预购票信息对应的图特征进行分析计算，得到当前用户对应的目标机票的折扣信息。

其中，当前用户对应的目标机票的折扣信息，指的是在当前能使得用户愿意支付购买目标机票的折扣，该折扣可以是最高折扣，从而基于该折扣信息进行机票定价，不仅可以提高用户的购买率，并且也能有效保证航空公司的收益。

其中，预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到。真实购票信息指的是用户之前购买过的机票的购票信息。

需要说明的是，考虑到用户采用飞机出现的次数有限，并且采用某一个航空公司进行出现的次数更加稀少，从而存在已有信息比较有限的问题。所以，通过训练好的对抗网络生成足够数量的购票信息，然后再结合真实购票信息，组成数据量足够大的数据集对模型进行训，从而可以避免数据量不足而出现的过拟合问题，有效保证预测结果的准确性。

其中，对抗网络包括信息生成器以及信息判别器。信息生成器用于生成购票信息，而信息判别器用于判别信息生成器生成的购票信息的准确性。

可选地，本申请另一实施例提供了一种对抗网络模型的训练方法，如图3所示，包括以下步骤：

S301、获取真实购票信息，并对真实购票信息进行预处理。

在获取真实购票信息后，对真实购票信息进行预处理，以将信息处理为指定格式的信息。

S302、基于预处理后的真实购票信息，构建信息生成器以及信息判别器。

S303、调用信息生成器随机生成一组初始的购票信息。

S304、将初始的购票信息与正式购票信息进行混洗，得到第一数据集。

S305、将第一数据集划分为第一训练集和第一测试集。

S306、利用第一训练集对当前的信息判别器进行一轮迭代训练，得到最新当前的信息判别器。

S307、利用第一测试集对当前的信息判别器进行测试，得到当前的信息判别器的判别概率值。

S308、判断当前的信息判别器的判别概率值是否大于第一判别阈值。

其中，若判断出当前的信息判别器的判别概率值不大于第一判别阈值，则执行步骤S309。若判断出当前的信息判别器的判别概率值大于第一判别阈值，则执行步骤S310。

S309、判断对信息判别器的迭代训练次数是否达到第一指定迭代次数。

其中，若判断出当前的信息判别器的判别概率值不大于第一判别阈值，且判读出对信息判别器的迭代训练次数未达到第一指定迭代次数，则接着对信息判别器进行训练，所以在步骤S309判断为否时，返回执行步骤S306。若判断出对信息判别器的迭代训练次数达到第一指定迭代次数，则说明已可以结束对信息判别器的训练，因此此时执行步骤S310。

S310、存储当前的信息判别器。

在训练得到信息判别器后，利用存储的当前的信息判别器执行后续步骤，对信息生成器进行训练。

S311、基于当前预定义学习率，利用当前的信息判别器对当前的信息生成器进行一轮迭代训练，得到最新当前的信息生成器。

其中，在迭代训练过程中信息判别器用于对信息生成器基于输入的预定义特征信息生成的完整购票信息进行判别。

其中，预定义特征信息指的是预设的特征范围的信息，例如旅客年龄为0到100，那么0到100中的任意一个数值均属于预定义特征信息。为了让信息生成器有针对性的生成完整购票信息，所以相当于把部分购票信息输入信息生成器中，以让信息生成器基于输入的信息，生成完整购票信息。

S312、利用当前的信息生成器随机生成一组待判别的购票信息，并将待判别的购票信息与真实购票进行混洗，得到当前待判别数据集。

S313、利用当前的信息判别器对当前待判别数据集进行判别，得到当前待判别数据集对应的判别值。

S314、判断当前待判别数据集对应的判别值是否大于第二判别阈值。

若判断出当前待判别数据集对应的判别值大于第二判别阈值，则执行步骤S315。若判断出当前待判别数据集对应的判别值不大于第二判别阈值，则执行步骤S316。

可选地，在本申请另一实施例中，在判断出当前待判别数据集对应的判别值不大于第二判别阈值之后，还可以先进一步执行：判断对对抗网络的总迭代训练次数是否大于预测总次数。

需要说明的是，在对对抗网络的总迭代训练次数大于预测总次数时，说明对对抗网络的进一步优化已经非常有限，所以为了提高效率，本申请实施例中若判断出对对抗网络的总迭代训练次数大于预测总次数，则执行步骤S315。

若判断出对对抗网络的总迭代训练次数不大于预测总次数，则执行步骤S316。

S315、存储当前的信息生成器以及当前的信息判别器。

需要说明的是，信息生成器与信息判别器为对抗网络，所以在对信息生成器训练过程中，也可以根据反馈的情况对信息判别器进行调整。所以最后需要将当前的信息生成器以及当前的信息判别器进行存储。

S316、判断在当前预定义学习率下，对信息生成器的迭代训练次数是否达到第二指定迭代次数。

其中，若判断出在当前预定义学习率下，对信息生成器的迭代训练次数未达到第二指定迭代次数，则返回执行步骤S311。若判断出在所述当前预定义学习率下，对信息生成器的迭代训练次数已达到第二指定迭代次数，则执行步骤S317。

S317、对当前预定义学习率进行更新，得到最新的当前预定义学习率。

需要说明的是，在得到最新的当前预定义学习率后，针对最新的当前预定义学习率，返回执行所步骤S311。

可选地，基于图3示出的对抗网络模型的训练方法，本申请另一实施例提供了一种预测模型的训练方法，如图4所示，包括以下步骤：

S401、基于预处理后的真实购票信息，构建预测模型。

其中，预测模型的神经网络结构，具体可以如图5所示，其通过多个栈结构叠加，得到的具有时序因果性的深层神经网所述栈结构通过基于双残差叠加的方法，将激活函数的多层全连接块堆叠得到。

S402、利用存储的信息生成器随机生成一组购票信息，并与真实购票信息进行混淆，得到训练数据集。

S403、根据训练数据集中的各个信息间的关系，生成训练数据集对应的网络图。

S404、对训练数据集的网络图进行图卷积，得到训练数据集对应的图特征。

S405、将训练数据集对应的图特征组成时序图输入预测模型中，对预测模型进行迭代训练，直至预测模型的输出结果的准确性大于预设阈值，或迭代训练达到第三指定迭代次数，得到并存储训练好后的预测模型。

本申请实施例提供的用户支付意愿的预测方法，通过训练包括信息生成器以及信息判别器的对抗网络，然后由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练预测模型，从而可以保证有足够的数据量对模型进行训练，进而保证模型的准确性。在需要进行预测时，获取用户当前对目标机票的预购票信息。然后根据预购票信息中的各个信息间的关系，生成预购票信息对应的网络图，并对预购票信息的网络图进行图卷积，得到预购票信息对应的图特征，从而通过图卷积的手段，可以充分考虑到各个影响因素，保证预测结果的准确。最后，将预购票信息对应的图特征输入预先训练好的预测模型中，通过预测模型对预购票信息对应的图特征进行分析计算，得到当前用户愿意支付购买目标机票的折扣信息，从而可以准确地预测到用户支付意愿。

需要说明的是，附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

本申请另一实施例提供了一种用户支付意愿的预测系统，如图6所示，包括以下单元：

第一获取单元601，用于获取用户当前对目标机票的预购票信息。

第一生成单元602，用于根据预购票信息中的各个信息间的关系，生成预购票信息对应的网络图。

第一卷积单元603，用于对预购票信息的网络图进行图卷积，得到预购票信息对应的图特征。

预测单元604，用于将预购票信息对应的图特征输入预先训练好的预测模型中，通过预测模型对预购票信息对应的图特征进行分析计算，得到当前用户对应的目标机票的折扣信息。

其中，预测模型利用由训练好的对抗网络生成的购票信息和真实购票信息组成的数据集进行训练得到。对抗网络包括信息生成器以及信息判别器。

可选地，本申请另一实施例提供的用户支付意愿的预测系统中，还包括对抗网络训练单元，其中，对抗网络训练单元，包括：

第二获取单元，用于获取真实购票信息，并对真实购票信息进行预处理。

第一构建单元，用于基于预处理后的真实购票信息，构建信息生成器以及信息判别器。

调用单元，用于调用信息生成器随机生成一组初始的购票信息；

第一处理单元，用于将初始的购票信息与正式购票信息进行混洗，得到第一数据集。

数据划分单元，用于将第一数据集划分为第一训练集和第一测试集。

第一训练单元，用于利用第一训练集对当前的信息判别器进行一轮迭代训练，得到最新当前的判别器。

测试单元，用于利用第一测试集对当前的信息判别器进行测试，得到当前的信息判别器的判别概率值。

第一判断单元，用于判断当前的信息判别器的判别概率值是否大于第一判别阈值，或对信息判别器的迭代训练次数是否达到第一指定迭代次数。

第一返回单元，用于在第一判断单元判断出当前的信息判别器的判别概率值不大于第一判别阈值，且对信息判别器的迭代训练次数未达到第一指定迭代次数时，则返回第一训练单元执行利用第一训练集对当前的信息判别器进行一轮迭代训练，得到最新当前的判别器。

第一存储单元，用于在第一判断单元判断出当前的信息判别器的判别概率值大于第一判别阈值，或判断出对信息判别器的迭代训练次数达到第一指定迭代次数时，存储当前的信息判别器。

第二训练单元，用于基于当前预定义学习率，利用当前的信息判别器对当前的信息生成器进行一轮迭代训练，得到最新当前的信息生成器。

其中，在迭代训练过程中信息判别器用于对信息生成器基于输入的预定义特征信息生成的完整购票信息进行判别。

第二处理单元，用于利用当前的信息生成器随机生成一组待判别的购票信息，并将待判别的购票信息与真实购票进行混洗，得到当前待判别数据集。

判别单元，用于利用当前的信息判别器对当前待判别数据集进行判别，得到当前待判别数据集对应的判别值。

第二判断单元，用于判断当前待判别数据集对应的判别值是否大于第二判别阈值。

第二存储单元，用于在第二判断单元判断出当前待判别数据集对应的判别值大于第二判别阈值时，存储当前的信息生成器以及当前的信息判别器。

第三判断单元，用于在第二判断单元判断出当前待判别数据集对应的判别值不大于第二判别阈值时，判断在当前预定义学习率下，对信息生成器的迭代训练次数是否达到第二指定迭代次数。

第二返回单元，用于在第三判断单元判断出在当前预定义学习率下，对信息生成器的迭代训练次数未达到第二指定迭代次数时，返回第二训练单元执行基于当前预定义学习率，利用当前的信息判别器对当前的信息生成器进行一轮迭代训练，得到最新当前的信息生成器。

更新单元，用于在第三判断单元判断出在当前预定义学习率下，对信息生成器的迭代训练次数已达到第二指定迭代次数时，对当前预定义学习率进行更新，得到最新的当前预定义学习率，并针对最新的当前预定义学习率，返回第二训练单元执行基于当前预定义学习率，利用当前的信息判别器对当前的信息生成器进行一轮迭代训练，得到最新当前的信息生成器。

可选地，本申请另一实施例提供的用户支付意愿的预测系统中，对抗网络训练单元，还包括：

第四判断单元，用于在第二判断单元判断出当前待判别数据集对应的判别值不大于第二判别阈值时，判断对对抗网络的总迭代训练次数是否大于预测总次数；其中，若判断出对对抗网络的总迭代训练次数大于预测总次数，则第二存储单元执行存储当前的信息生成器以及当前的信息判别器；若判断出对对抗网络的总迭代训练次数不大于预测总次数，则第三判断单元执行判断在当前预定义学习率下，对信息生成器的迭代训练次数是否达到第二指定迭代次数。

可选地，本申请另一实施例提供的用户支付意愿的预测系统中，还包括预测模型训练单元，其中，预测模型训练单元，包括：

第二构建单元，用于基于预处理后的真实购票信息，构建预测模型。

其中，预测模型的神经网络结构为通过多个栈结构叠加，得到的具有时序因果性的深层神经网。栈结构通过基于双残差叠加的方法，将激活函数的多层全连接块堆叠得到。

第三处理单元，用于利用存储的信息生成器随机生成一组购票信息，并与真实购票信息进行混淆，得到训练数据集。

第二生成单元，用于根据训练数据集中的各个信息间的关系，生成训练数据集对应的网络图。

第二卷积单元，用于对训练数据集的网络图进行图卷积，得到训练数据集对应的图特征。

第三训练单元，用于将训练数据集对应的图特征组成时序图输入预测模型中，对预测模型进行迭代训练，直至预测模型的输出结果的准确性大于预设阈值，或迭代训练达到第三指定迭代次数，得到并存储训练好后的预测模型。

可选地，本申请另一实施例提供的用户支付意愿的预测系统中，还包括：

预处理单元，用于对预购票信息进行预处理，得到预设格式的预购票信息。

其中，第一生成单元执行根据预购票信息中的各个信息间的关系，生成预购票信息对应的网络图时，用于：

根据预设格式的预购票信息中的各个信息间的关系，生成预购票信息对应的网络图。

需要说明的是，本申请上述实施例提供的各个单元，可以属于图1所示的各个模块中的单元。各个单元的具体工作过程可相应地参考上述方法实施例中相应的步骤的实施方式，此处不再赘述。描述于上述实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

并且，上述实施例中上描述的各个单元的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等。

本申请另一实施例提供一种电子设备，如图7所示，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。其中，本公开实施例中的电子设备可以包括但不限于诸如台式计算机、笔记本电脑、平板电脑、车载终端等电子设备。

如图7所示，电子设备700包括一个或多个处理装置701，例如中央处理器、图形处理器等，以及包括存储器702，其上存储有一个或多个程序。其中一个或多个程序被一个或多个处理装置701执行时，使得一个或多个处理装置701实现如上述任意一个实施例提供的登机信息的生成方法。

可选地，电子设备还可以包括其他组成结构，同样参见图7，处理装置701、只读存储器ROM 702以及随机存取存储器RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器、扬声器、振动器等的输出装置707，包括例如磁带、硬盘等的存储装置706，以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本申请另一实施例提供了一种计算机存储介质，用于存储程序，该程序被执行时，用于实现如上述任意一个实施例提供的用户支付意愿的预测方法。

计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。