近年来,民航旅客的智能化服务一直是民航业发展和研究的主要问题。而在整个民航旅客出行流程中,对行程未预定完成旅客这一特殊旅客群体的智能化服务尤为重要,这些旅客近期很可能还会有购票或出行的潜在需求,对服务的需求会更加强烈和集中。但是由于民航旅客出行数据稀疏、出行间隔不规则的特点,并且旅客出行受各种因素影响,很难被及时准确地预测。如果我们可以精准地定位出这些旅客,挖掘出这类近期具有强出行需求旅客的出行特征,并能够准确预测出这些旅客的后续出行目的地,将有助于民航旅客智能化服务的发展,提高行业整体收益,提升旅客对服务的满意度。首先,正确地定位到行程未预定完成旅客是本文整体研究工作的基础。本文通过对旅客历史完整行程数据的研究,提出了一种基于图神经网络的旅客当前行程状态分类模型(Itinerary-based Classification with Graph Neural Network,IC-GNN)。该模型通过图神经网络对旅客的所有历史完整行程进行建模,并通过一个注意力模块加强行程的起点城市和当前所在城市的作用,接着设计一些与旅客出行模式密切相关的人工特征进行补充,输出旅客的当前行程状态的结果。其次,对这类旅客的后续行程预测问题是本文研究工作的核心内容。本文提出了一种融合航线网络的图结构化多注意力预测模型(Graph Structural Multi-attention Prediction Model,GMAN)来预测旅客后续行程。该模型采用图结构处理旅客出行序列数据,首先通过图神经网络的节点表示来描述旅客出行序列中每个城市的特性。除此之外,根据所有旅客出行数据引入全局航线网络,通过网络表示学习获得融合了全局航线的城市节点表示,与图神经网络得到的城市节点表示结合。然后引入一个多注意力网络,用于捕获节点间的不同依赖关系,并考虑当前城市节点的重要性,得到旅客的出行序列表示。最后将这个序列表示通过预测模块得到下一个出行城市的概率分布,来预测旅客后续出行城市。最后,将本文提出的旅客当前行程状态判断模型IC-GNN和后续行程预测模型GMAN在真实的民航旅客出行数据集上进行实验,并与多种基准方法进行对比,本文模型均取得了优于其他方法的效果。实验结果证明本文的方法可以有效地识别行程未预定完成的旅客,并能够精准地预测其后续行程。