CN109670875B - 一种铁路客票浮动定价优化管理方法 - Google Patents
一种铁路客票浮动定价优化管理方法 Download PDFInfo
- Publication number
- CN109670875B CN109670875B CN201811631765.XA CN201811631765A CN109670875B CN 109670875 B CN109670875 B CN 109670875B CN 201811631765 A CN201811631765 A CN 201811631765A CN 109670875 B CN109670875 B CN 109670875B
- Authority
- CN
- China
- Prior art keywords
- railway
- traffic
- fare
- railway traffic
- floating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铁路客票浮动定价优化管理方法，包括以下步骤：获得铁路交通历史数据以及非铁路交通历史数据；构建与交通票价有关的特征变量；对所述特征变量进行相关性分析，剔除与交通票价相关性低的特征变量；基于时间序列和GBDT算法，预测非铁路交通的未来票价序列；基于时间序列和GBDT算法，获得铁路浮动票价；对铁路票价进行对数映射调整，得到最终铁路票价定价结果。本发明能够精准、智能的实现铁路客票浮动定价，避免了人为主观干预，有利于均衡铁路客座率，同时有利于提升铁路交通的竞争力。
Description
技术领域
本发明涉及大数据处理技术领域，特别涉及一种铁路客票浮动定价优化管理方法。
背景技术
对社会公众而言，往往会基于相似的理由，倾向于在同一时间点出行，这就造成了部分车次无票可购、有些车次余票率极高的尴尬情形，而目前铁路客票采用统一票价，不利于均衡铁路客座率。另外，铁路交通作为公共出行交通工具的一种，其票价、余票率等指标也要结合其他交通工具情况综合考量，由此如何对铁路客票进行精准、智能的浮动定价，成为亟待解决的问题。
发明内容
为解决上述问题，本发明提供了一种铁路客票浮动定价优化管理方法。
本发明采用以下技术方案：
一种铁路客票浮动定价优化管理方法，包括以下步骤：
S1、获得铁路交通历史数据以及非铁路交通历史数据，所述非铁路交通历史数据至少包括航空交通数据；
S2、基于铁路交通历史数据和非铁路交通历史数据，构建出与交通票价有关的特征变量；
S3、对所述特征变量进行相关性分析，剔除与交通票价相关性低的特征变量；
S4、基于时间序列和GBDT算法，预测非铁路交通的未来票价序列；
S5、基于时间序列和GBDT算法，获得铁路浮动票价；
S6、对铁路浮动票价进行对数映射调整，得到最终铁路票价定价结果。
优选地，所述步骤S2包括以下分步骤：
S21、针对铁路交通历史数据和非铁路交通历史数据，分别进行数据清洗、特征提取，获得相关特征变量；
S22、对所述相关特征变量进行归类，划分出铁路交通独有特征、非铁路交通独有特征及共有特征。
优选地，所述步骤S5通过以下方法实现：
基于非铁路交通的未来票价序列，估计出非铁路交通共有特征贡献和非铁路交通独有特征贡献；
基于所述共有特征和铁路交通独有特征，利用GBDT算法预测处铁路交通的未来票价时间序列，然后估计出铁路交通共有特征贡献和铁路交通独有特征贡献；
基于共有特征，利用GBDT算法，通过非铁路交通共有特征贡献和铁路交通共有特征贡献估计出铁路浮动价格的共有特征贡献；
将铁路浮动价格的共有特征贡献与铁路交通独有特征贡献相加，即获得铁路票价。
优选地，还包括步骤S7，对所述铁路票价预测模型进行验证评估。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明通过通过对各交通工具的历史数据进行分析，提取出影响票价的特征，并通过时间序列预测模型预测未来票价，再利用机器学习算法估计出铁路票价，形成精准、智能的铁路客票浮动定价体系，避免了人为主观干预。同时，本发明通过对铁路客票浮动定价，能够均衡铁路客座率，有助于提升与其他交通出行工具的竞争力。
附图说明
图1为本发明的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
参考图1所示，本发明公开了一种铁路客票浮动定价优化管理方法，包括以下步骤：
S1、获得铁路交通历史数据以及非铁路交通历史数据，非铁路交通历史数据至少包括航空交通数据，当然还可以包括长途客车交通数据、客轮交通数据等。
S2、基于铁路交通历史数据和非铁路交通历史数据，构建出与交通票价有关的特征变量。步骤S2包括以下分步骤：
S21、针对铁路交通历史数据和非铁路交通历史数据，分别进行数据清洗、特征提取，获得相关特征变量；
S22、对相关特征变量进行归类，划分出铁路交通独有特征、非铁路交通独有特征及共有特征。
S3、对特征变量进行相关性分析，剔除与交通票价相关性低的特征变量。在本实施例中，特征变量的相关性分析是基于条件期望进行。条件期望在概率论中是一个实数随机变量的相对于一个条件概率分布的期望值，这里取条件概率分布为某一所选特征的分布，实数随机变量为票价。可通过比较特征上条件期望的分布来衡量特征与票价的相关性，当条件期望越近似均匀分布形态时，说明该特征与票价的相关性越低。
S4、基于时间序列和GBDT算法，预测非铁路交通的未来票价序列。未来票价序列为P(t-s,f(t),x)，其中，s为查询日期，t为出发日期，x为其他特征，f(t)为对t中额外日期特征的提取结果。时间序列预测问题的提升方向在预测精度的提高上，因此需要抽取较多的时序特征，如提取阳历日期(年月日)、农历日期(年月日)、星期几、是否节假日(包括寒暑假)、一年中的第几天、工作日开始天数、工作日结束天数、节假日开始天数、节假日结束天数、节日前天数、节日后天数、查询日与出发日间隔等作为后续模型的输入。
S5、基于时间序列和GBDT算法，获得铁路浮动票价。该步骤S通过以下方法实现：
基于非铁路交通的未来票价序列，估计出非铁路交通共有特征贡献和非铁路交通独有特征贡献；
基于共有特征和铁路交通独有特征，利用GBDT算法预测处铁路交通的未来票价时间序列，然后估计出铁路交通共有特征贡献和铁路交通独有特征贡献；
基于共有特征，利用GBDT算法，通过非铁路交通共有特征贡献和铁路交通共有特征贡献估计出铁路浮动价格的共有特征贡献；
将铁路浮动价格的共有特征贡献与铁路交通独有特征贡献相加，即获得铁路票价。
S6、对铁路票价进行对数映射调整，得到最终铁路票价定价结果。
基准价格pi基础上获得的最终铁路票价定价结果p'i后，我们还希望将其控制在一定折扣范围内，例如设相对上限、下限均为10％，即经过调整后：
使用对数函数进行拟合，可得：
其中相对上下限的设计对应相对折扣的定义，而对数映射的设计相当于通过一个低通滤波器，抑制机票价格中的离群点影响。
S7、对铁路票价预测模型进行验证评估。这里的训练集和验证集按时间段比例切开，前一部分为训练集，后一部分为验证集，当确定超参数后，使用全部数据集进行预测或估计。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种铁路客票浮动定价优化管理方法，其特征在于，包括以下步骤：
S1、获得铁路交通历史数据以及非铁路交通历史数据，所述非铁路交通历史数据至少包括航空交通数据；
S2、基于铁路交通历史数据和非铁路交通历史数据，构建出与交通票价有关的特征变量；
所述步骤S2包括以下分步骤：
S21、针对铁路交通历史数据和非铁路交通历史数据，分别进行数据清洗、特征提取，获得相关特征变量；
S22、对所述相关特征变量进行归类，划分出铁路交通独有特征、非铁路交通独有特征及共有特征；
S3、对所述特征变量进行相关性分析，剔除与交通票价相关性低的特征变量；
S4、基于时间序列和GBDT算法，预测非铁路交通的未来票价序列；
S5、基于时间序列和GBDT算法，获得铁路浮动票价；
所述步骤S5通过以下方法实现：
基于非铁路交通的未来票价序列，估计出非铁路交通共有特征贡献和非铁路交通独有特征贡献；
基于所述共有特征和铁路交通独有特征，利用GBDT算法预测处铁路交通的未来票价时间序列，然后估计出铁路交通共有特征贡献和铁路交通独有特征贡献；
基于共有特征，利用GBDT算法，通过非铁路交通共有特征贡献和铁路交通共有特征贡献估计出铁路浮动价格的共有特征贡献；
将铁路浮动价格的共有特征贡献与铁路交通独有特征贡献相加，即获得铁路票价；
S6、对铁路浮动票价进行对数映射调整，得到最终铁路票价定价结果；
还包括步骤S7，对铁路票价预测模型进行验证评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811631765.XA CN109670875B (zh) | 2018-12-29 | 2018-12-29 | 一种铁路客票浮动定价优化管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811631765.XA CN109670875B (zh) | 2018-12-29 | 2018-12-29 | 一种铁路客票浮动定价优化管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109670875A CN109670875A (zh) | 2019-04-23 |
| CN109670875B true CN109670875B (zh) | 2023-10-13 |
Family
ID=66146527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811631765.XA Active CN109670875B (zh) | 2018-12-29 | 2018-12-29 | 一种铁路客票浮动定价优化管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670875B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489014B (zh) * | 2020-03-16 | 2023-12-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
| CN113763044B (zh) * | 2021-09-03 | 2023-11-07 | 北京交通大学 | 一种基于乘客出行行为分析的高速铁路动态定价方法 |
-
2018
- 2018-12-29 CN CN201811631765.XA patent/CN109670875B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109670875A (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101673463B (zh) | 一种基于时间序列的交通信息预测方法及装置 | |
| CN110555561B (zh) | 一种中长期径流集合预报方法 | |
| US9519912B2 (en) | Hybrid system for demand prediction | |
| WO2021121354A1 (en) | Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform | |
| CN104463344B (zh) | 电网短期负荷预测方法和系统 | |
| CN108417034A (zh) | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 | |
| CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
| CN109670875B (zh) | 一种铁路客票浮动定价优化管理方法 | |
| CN108416619B (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
| CN114202103A (zh) | 一种基于机器学习的节假日景区客流预测方法 | |
| Nikfalazar et al. | A new iterative fuzzy clustering algorithm for multiple imputation of missing data | |
| CN102930155A (zh) | 获取电力需求的预警参数的方法及装置 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN112613637A (zh) | 充电负荷的处理方法和装置 | |
| Cools et al. | Investigating effect of holidays on daily traffic counts: time series approach | |
| CN104318053B (zh) | 基于单变量回归计算加权移动平均权重的话务量预测方法 | |
| DE102015209602A1 (de) | Umweltmessungen mittels geographisch verteilter, mobiler Sensoren | |
| CN111985731A (zh) | 城市公共交通站点人数的预测方法及系统 | |
| Widiyaningtyas et al. | Use of ARIMA method to predict the number of train passenger in Malang City | |
| CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
| CN106779241B (zh) | 一种轨道交通短期客流预测方法 | |
| Mattson et al. | Marginal cost pricing and subsidy of small urban transit | |
| Deb et al. | A correlation based imputation method for incomplete traffic accident data | |
| Chiu et al. | VAR models with non-Gaussian shocks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |