CN110245976A - 一种基于大数据的高速铁路动态票价定制系统及方法 - Google Patents
一种基于大数据的高速铁路动态票价定制系统及方法 Download PDFInfo
- Publication number
- CN110245976A CN110245976A CN201910416967.0A CN201910416967A CN110245976A CN 110245976 A CN110245976 A CN 110245976A CN 201910416967 A CN201910416967 A CN 201910416967A CN 110245976 A CN110245976 A CN 110245976A
- Authority
- CN
- China
- Prior art keywords
- passenger
- data
- curve
- day
- car
- 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.)
- Pending
Links
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于高速铁路票价制定领域,具体涉及一种基于大数据的高速铁路动态票价定制系统及方法。所述系统包括数据识别模块、数据输入模块、数据库自洁模块和价格制定模块;数据识别模块利用假设检验的方法将数据代入通过神经网络方法建立的售票率曲线;数据库自洁模块根据入库数据的假设检验结果对数据库进行更新使得数据库得以自洁;价格制定模块根据所述识别模块的识别结果进行未来售票量预测,并根据预测结果对票价进行调整;最终得到通过预售期内以实时的铁路客票数据作为输入,通过递推公式得到使预售期剩余周期内期望收益最大的最优客票价格,并依据最优价格进行定价的基于大数据的高速铁路客运价格动态调整的方法。
Description
技术领域
本发明属于高速铁路票价制定领域,具体涉及一种基于大数据的高速铁路动态票价定制系统及方法。
背景技术
随着铁路运输企业逐步走向市场化,铁路总公司正逐步完成传统的运输生产型企业到现代化运输经营型企业的转型。然而目前,我国高速铁路仍旧同一线路采用的统一运价率,运价模式单一,无法反映客运产品供需关系和市场竞争情况。单一固定的票价策略已经不能满足市场需求。现阶段运营的大部分高铁线路处于亏损状态。
铁路运营水平影响因素中比较重要的是客运产品的价格管理和销售方案管理。相较于其他运输方式成熟的定价方式和销售方案,如何在复杂的环境下为高铁客运产品制定“正确”的价格和采用合适的销售方案就显得非常重要。
传统的铁路客运产品具有市场和公益的双重属性,而高速铁路客运产品立足于为旅客提供高质量的运输服务和出行体验,其市场化属性更为突出。为此面向客运市场需求,研究高速铁路客运产品的票价制定方法和销售策略,满足旅客多样化的运输需求,以实现运输企业收益的最大化。随着互联网购票的不断普及,铁路信息化、网络化建设的不断加快,铁路客运的供需更加明晰。技术发展为企业根据频繁的市场变化对价格进行相应调整提供了可能。为积极适应铁路走向市场化、提高铁路的市场竞争力,基于实时需求变化进行高铁票价的动态调整是亟需的和可行的。
鉴于既有研究的经验和方法,结合当前高速铁路客运发展的趋势的情况,考虑预售期内旅客对客票的需求情况,建立起随预售期内旅客运输需求变化的高速铁路动态定价模型,提出合理的高速铁路旅客运输营销策略,是目前高速铁路客票管理亟待解决的问题。
发明内容
针对上述技术问题,一种基于大数据的高速铁路动态票价定制方法,在定价时考虑了不同乘客的内心接受价格、提前购票天数、对不同类型座位的偏好等因素,使的用户市场得到细分,充分考虑旅客需求,在提高乘客满意度的同时,增加运输企业的经济效益和社会效益,加快运输企业市场化进程,提高高速铁路在客运市场的竞争力。
本发明是通过以下技术方案实现的:
一种基于大数据的高速铁路动态票价定制方法,包括:
(1)基于历史数据中预售期内每日的余票数据,曲线拟合模块通过BP神经网络进行曲线拟合,建立包含所有高速铁路线路的客票售出概率的曲线数据库;
(2)数据输入模块输入某条线路每日的新数据,所述曲线匹配模块将预售期内所述数据输入模块输入的新数据均进行χ2检验,获得用于预测当前发车日之后预售期内客票售出概率的曲线;
(3)当数据输入模块输入的每日的新数据未通过所述曲线匹配模块χ2检验时,数据库自洁模块从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,并更新所述曲线数据库;
(4)所述价格制定模块根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率进行预测,并结合乘客的内心接受价格、提前购票天数、对不同类型座位的偏好确定偏好因子β,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,基于偏好因子β对票价进行调整,以实现满足旅客需求的情况下确保总收益达到最大。
进一步地,步骤(1)具体为:
对于某特定线路,根据历史数据中该特定线路预售期内的每日余票数据,将预售期内相邻两天余票数作差得到预售期内每日的售票数量,数据识别模块中的曲线拟合模块通过MATLAB进行BP神经网络拟合,能够得到该特定线路每日售票数量与提前购票天数的关系,将预售期内每日的售票数量除以该特定线路车次在开始售票时的售票总数,得该特定线路预售期内每日客票售出概率,进而得到该特定线路预售期内的客票售出概率曲线;
重复上述过程,对于所有的高速铁路线路均分别获得相应的预售期内客票售出概率曲线,进而建立包含所有高速铁路线路的客票售出概率的曲线数据库;所述曲线数据库用于预测旅客对客票的实时需求情况;
进一步地,所述曲线数据库包括线路基本信息数据集,所述线路基本信息数据集包括线路名称、始发站、终点站、发车时刻所属时段、停站数;所述线路基本信息数据集中的每条线路均对应一预售期内线路余票数据集,所述预售期内线路余票数据集包括线路名称、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量信息;对于所述曲线数据库,能够随着每条线路的发车,进行不断的补充。
进一步地,步骤(2),具体为:
数据输入模块输入某条线路每日新线路数据,输入的每日新线路数据包括:线路名称、始发站、终点站、发车时刻所属时段、停站数、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量、发车日车票价格;
数据识别模块中的曲线匹配模块根据所述数据输入模块输入的每日的新线路数据中的OD点信息(包括始发站和终点站信息)、发车日是否为淡旺季、发车日是否为工作日、发车时刻所属时段(例如8:15发车属于8:00-9:00这一时段)、以及停站数这些指标为条件,对所述曲线数据库进行筛选,获得一组符合条件的客票售出概率曲线,计算出这组客票售出概率曲线在预售期内每天售票率的一阶中心矩,进行拟合,获得初始的预测曲线G*(t),对所述预测曲线G*(t)进行校正以及优度χ2检验;如果通过χ2检验,则将所述预测曲线G*(t)用于预测当前发车日之后预售期内的售票量,并且将所述数据输入模块输入的当天的新线路数据存入所述曲线数据库;如没有通过χ2检验,则进入步骤(3);
重复上述过程,直至预售期内所述数据输入模块输入的某条线路每天的新线路数据均经过所述曲线匹配模块的检验识别。
进一步地,所述χ2检验具体为:
在预售期k天内,采用所述预测曲线G*(t)获得每天的预测售票数量Ti,i表示第i天,1≤i≤k;
所述数据输入模块输入的第i天实际的售票数,记为Oi;
计算
在置信水平α=0.01的条件下进行检验;若χ2≤χi 2则表示在第i天的理论频率服从数据库的筛选条件,即所述预测曲线G*(t)的预测值可信。
进一步地,步骤(3)具体为:
当数据输入模块输入的每日新数据未通过所述曲线匹配模块χ2检验时,从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,采用所述χ2最小的曲线更新所述曲线数据库,实现数据库的更新与自洁。
进一步地,步骤(4),具体为:
将高速铁路客票预售期分成T个周期,每个周期内有一个旅客有出行意愿的概率为g(t),所述价格制定模块根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率g(t)进行预测;
假设每个旅客的保留价格分布函数是F(x),其密度函数是f(x),x是通过调查问卷获得的旅客的保留价格;客票价格p≤x,旅客发生购票行为,是客票价格x低于旅客内心保留价的概率;
当客票价格为p时,G(t)表示每个销售周期内有客票售出的概率;
令t=1,2,…,T表示当前周期到预售期结束剩余的周期数;剩余客票数为i,剩余周期数为t时从当前周期到预售期结束的期望总收益V(i,t),计算递推公式为:
上述递推公式中,p为剩余客票数为i、剩余周期数为t时的客票价格,0≤t≤T-1;p=pB*α(t),其中pB为基础票价,即现行的高速铁路票价,α(t)为票价浮动百分比;
α(t)和G(t)以及旅客对于座位的选择偏好有关,根据问卷调查获得旅客对于不同类别座位的偏好比例θ,当座位类别为F、A、D三类座位,旅客的偏好比例θ为95%,当座位类别为B、C二类座位,旅客的偏好比例θ为5%;
设定票价上浮比例最大值为a,下调比例最大值为b,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,β=G(t)*θ;并且在对票价进行浮动时,对F、A、D三类座位的票价进行上浮,即对60%的座位的票价进行上浮;对B、C二类座位的票价进行下调,即对其余40%的座位的票价进行下调;
对于偏好因子β与票价浮动百分比α(t),通过BP神经网络拟合出偏好因子曲线,所述偏好因子曲线用于建立偏好因子β与为票价浮动百分比α(t)的对应关系;
通过对坐标轴进行平移,使得偏好因子曲线60%处的β=0,最终选取票价浮动百分比α(t)属于[-b,a]部分对应的偏好因子曲线。
一种基于大数据的高速铁路动态票价定制系统,包括:数据识别模块、数据输入模块、数据库自洁模块、价格制定模块;
所述数据识别模块,包括曲线拟合子模块和曲线匹配子模块两个子模块;基于历史数据中预售期内每日的余票数据,所述曲线拟合子模块利用BP神经网络进行曲线拟合,获得线路预售期内的客票售出概率曲线,并建立包含所有高速铁路线路的客票售出概率的曲线数据库;
所述数据输入模块输入某条线路每日的新线路数据,所述曲线匹配子模块将预售期内所述数据输入模块输入的每日的新线路数据均经过所述曲线匹配模块进行χ2检验,获得用于预测当前发车日之后预售期内客票售出概率的曲线;
当数据输入模块输入的每日新数据未通过所述曲线匹配模块χ2检验时,所述数据库自洁模块、从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,并更新所述曲线数据库;
价格制定模块:根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率进行预测,并结合乘客的内心接受价格、提前购票天数、对不同类型座位的偏好确定偏好因子β,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,基于偏好因子β对票价进行调整,以实现满足旅客需求的情况下确保总收益达到最大。
进一步地,所述曲线数据库包括线路基本信息数据集,所述线路基本信息数据集包括线路名称、始发站、终点站、发车时刻所属时段、停站数;所述线路基本信息数据集中的每条线路均对应一预售期内线路余票数据集,所述预售期内线路余票数据集包括线路名称、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量信息;对于所述曲线数据库,能够随着每条线路的发车,进行不断的补充;
数据输入模块输入某条线路每日新线路数据,输入的每日新线路数据包括:线路名称、始发站、终点站、发车时刻所属时段、停站数、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量、发车日车票价格;
数据识别模块中的曲线匹配模块根据所述数据输入模块输入的每日的新线路数据中的OD点信息、发车日是否为淡旺季、发车日是否为工作日、发车时刻所属时段、以及停站数这些指标为条件,对所述曲线数据库进行筛选,获得一组符合条件的客票售出概率曲线,计算出这组客票售出概率曲线在预售期内每天售票率的一阶中心矩,进行拟合,获得初始的预测曲线G*(t),对所述预测曲线G*(t)进行校正以及优度χ2检验;如果通过χ2检验,则将所述预测曲线G*(t)用于预测当前发车日之后预售期内的售票量。
进一步地,所述χ2检验具体为:
在预售期k天内,采用所述预测曲线G*(t)获得每天的预测售票数量Ti,i表示第i天,1≤i≤k;
所述数据输入模块输入的第i天实际的售票数,记为Oi;
计算
在置信水平α=0.01的条件下进行检验;若χ2≤χi 2则表示在第i天的理论频率服从数据库的筛选条件,即所述预测曲线G*(t)的预测值可信。
本发明的有益技术效果:
本发明提供的一种基于大数据的高速铁路动态票价定制方法,在定价时考虑了不同乘客的内心接受价格、提前购票天数、对不同类型座位的偏好等因素,使的用户市场得到细分,充分考虑旅客需求,在提高乘客满意度的同时,增加运输企业的经济效益和社会效益,加快运输企业市场化进程,提高高速铁路在客运市场的竞争力。
附图说明
图1是本发明实施例中一种基于大数据的高速铁路动态票价定制方法的流程图;
图2是本发明实施例中曲线数据库的ER图;
图3是本发明实施例曲线数据库中线路基本信息数据集的结构图;
图4是本发明实施例曲线数据库中预售期内线路余票数据集的结构图;
图5是本发明实施例中偏好因子与价格浮动对应关系;
图6是本发明实施例中预售期内票价调整示意图。
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描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
针对现有技术中,单一的票价缺乏对旅客的吸引,固定的定价机制影响了高速铁路行业的发展的技术问题,本发明实施例提供一种基于大数据的高速铁路动态票价定制方法,如图1所示,所述方法具体为:
(1)对于某特定线路,根据历史数据中该特定线路预售期内的每日余票数据,具体地,当预售期为30天时,选取列车发车前1天至发车前30天的每日余票数据;将预售期内相邻两天余票数作差得到预售期内每日的售票数量,数据识别模块中的曲线拟合模块通过MATLAB进行BP神经网络拟合,能够得到该特定线路每日售票数量与提前购票天数的关系,将预售期内每日的售票数量除以该特定线路车次在开始售票时的售票总数,得该特定线路预售期内每日客票售出概率,进而得到该特定线路预售期内的客票售出概率曲线;
重复上述过程,对于所有的高速铁路线路均分别获得相应的预售期内客票售出概率曲线,进而建立包含所有高速铁路线路的客票售出概率的曲线数据库;所述曲线数据库用于预测旅客对客票的实时需求情况;
如图2-4所示,所述曲线数据库包括线路基本信息数据集,所述线路基本信息数据集包括线路名称、始发站、终点站、发车时刻所属时段、停站数;所述线路基本信息数据集中的每条线路均对应一预售期内线路余票数据集,所述预售期内线路余票数据集包括线路名称、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量信息;随着每条线路的发车,对所述曲线数据库进行补充。
(2)数据输入模块输入某条线路每日新线路数据,输入的每日新线路数据包括:线路名称、始发站、终点站、发车时刻所属时段、停站数、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量、发车日车票价格;
数据识别模块中的曲线匹配模块根据所述数据输入模块输入的每日的新线路数据中的OD点信息(包括始发站和终点站信息)、发车日是否为淡旺季、发车日是否为工作日、发车时刻所属时段(例如8:15发车属于8:00-9:00这一时段)、以及停站数这些指标为条件,对所述曲线数据库进行筛选,获得一组符合条件的客票售出概率曲线,计算出这组客票售出概率曲线在预售期内每天售票率的一阶中心矩,进行拟合,获得初始的预测曲线G*(t),对所述预测曲线G*(t)进行校正以及优度χ2检验;
如果通过χ2检验,则将所述预测曲线G*(t)用于预测当前发车日之后预售期内的售票量,并且将所述数据输入模块输入的当天的新线路数据存入所述曲线数据库;如没有通过χ2检验,则进入步骤(3);
重复上述过程,直至预售期内所述数据输入模块输入的某条线路每天的新线路数据均经过所述曲线匹配模块的检验识别。
具体地,所述χ2检验具体为:
在预售期k天内,采用所述预测曲线G*(t)获得每天的预测售票数量Ti,i表示第i天,1≤i≤k;
所述数据输入模块输入的第i天实际的售票数,记为Oi;
计算在置信水平d=0.01的条件下进行检验;若χ2≤χi 2则表示在第i天的理论频率服从数据库的筛选条件,即所述预测曲线G*(t)的预测值可信,其中,χ2为检验统计量,可由查表得到。
(3)若χ2≥χi 2,则表示在第i天的理论频率不服从数据库筛选条件,即数据输入模块输入的每日新数据未通过所述曲线匹配模块χ2检验,从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,采用所述χ2最小的曲线更新所述曲线数据库,实现数据库的更新与自洁。
(4)将高速铁路客票预售期分成T个周期,每个周期内有一个旅客有出行意愿的概率为g(t),价格制定模块根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率g(t)进行预测;
假设每个旅客的保留价格分布函数是F(x),其密度函数是f(x),x是旅客的保留价格(通过调查问卷获得);客票价格p≤x,旅客发生购票行为,是客票价格x低于旅客内心保留价的概率;
当客票价格为p时,G(t)表示每个销售周期内有客票售出的概率;
令t=1,2,...,T表示当前周期到预售期结束剩余的周期数;剩余客票数为i,剩余周期数为t时从当前周期到预售期结束的期望总收益v(i,t),计算递推公式为:
上述递推公式中,p为剩余客票数为i、剩余周期数为t时的客票价格,0≤t≤T-1;p=pB*α(t),其中pB为基础票价,即现行的高速铁路票价,α(t)为票价浮动百分比;
α(t)和G(t)以及旅客对于座位的选择偏好有关,根据问卷调查获得旅客对于不同类别座位的偏好比例θ,当座位类别为F、A、D三类座位,旅客的偏好比例θ为95%,当座位类别为B、C二类座位,旅客的偏好比例θ为5%;并且在对票价进行浮动时,对F、A、D三类座位的票价进行上浮,即对60%的座位的票价进行上浮;对B、C二类座位的票价进行下调,即对其余40%的座位的票价进行下调;
设定票价上浮比例最大值为a,下调比例最大值为b,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,β=G(t)*θ;
对于偏好因子β与票价浮动百分比α(t),通过BP神经网络拟合出偏好因子曲线,建立偏好因子β与为票价浮动百分比α(t)的对应关系,如图5所示;
通过对坐标轴进行平移,使得偏好因子曲线60%处的β=0,最终选取票价浮动百分比α(t)属于[-b,a]部分对应的的偏好因子曲线。
其中,关于价格制定模块的原理具体如下:
假设某一车次高速铁路动车组在开始售票时共有I张从地点A到地点B的车票可供销售,为方便对单个旅客进行分析,将高速铁路客票预售期分成T个周期,并假设T足够大,使得每个周期内最多只有一个旅客有出行意愿。当旅客有出行意愿,并且实际高速铁路票价低于旅客的保留价格时,旅客将会发生购票行为。设每个周期内有一个旅客有出行意愿的概率为g(t),那么每个周期内旅客没有出行意愿的概率为1-g(t)。同时假设每个访问旅客的保留价格分布函数是F(x),其密度函数是f(x),x是旅客的保留价格;根据市场调查,调查不同旅客的保留价格x,根据统计结果建立每个访问旅客的保留价格分布函数是F(x),对其求导数可以得到密度函数是f(x);
假设只要客票价格p≤x,旅客就会发生购票行为;是客票价格x低于旅客内心保留价的概率。旅客保留价格分布函数描述的是旅客对客票价格的承受能力。当客票价格为p时,每个销售周期内有客票售出的概率为用G(t)表示销售周期内有客票售出的概率,即
令t=1,2,...,T表示当前周期到预售期结束剩余的周期数。v(i,t)表示剩余客票数为i,剩余周期数为t时从当前周期到预售期结束的期望总收益,利用随机动态规划可得期望收益的递推公式为:
递推公式中p:剩余客票数为i、剩余周期数为t时的客票价格,0≤t≤T-1。p=pB*α(t),其中pB为基础票价,即现行的高速铁路票价。α(t)为票价浮动百分比,通过引入偏好因子β同α(t)建立联系。
其中,α(t)与G(t)及旅客对于座位的选择偏好有关,根据问卷中旅客对于不同类别座位的偏好比例θ,我们看出旅客对于F、A、D三类座位的偏好占95%,因此在对票价进行浮动时,对60%的座位的票价进行上浮,对其余40%的座位的票价进行下调。
设定票价上浮比例最大值为a,下调比例最大值为b。我们将不同时段的G(t)与通过问卷得到的旅客对于不同座位偏好的百分比相乘得到偏好因子β,即β=G(t)*θ用来刻画预售期内不同时段旅客对于不同类别座位的偏好程度,将偏好因子β与票价上下波动范围建立联系,通过BP神经网络拟合出偏好因子曲线;建立偏好因子β与票价浮动百分比α(t)的联系,以此对票价进行浮动。
在对票价进行浮动时,对60%的座位的票价进行上浮,对其余40%的座位的票价进行下调,通过对坐标轴进行平移,使得偏好因子曲线60%处的β=0,最终选取[-b,a]部分的浮动因子曲线。图6为采用本发明所述方法对票价调整后的结果。经检验结果可以调高运输企业的总体效益。
本发明所述方法与现有技术相比具有以下有益技术效果:
1)本发明所述方法在互联网售票条件下,基于数据库技术和数据挖掘技术可以预测旅客对客票的实时需求情况,以一天为单位,建立各高速铁路线路余票数随时间变化数据库,基于历史数据,对未来的客票需求进行模拟。
2)本发明所述方法基于座位偏好数据,结合乘客提前购票天数等其他因素构建偏好因子,与票价的浮动比例建立联系,给出高速铁路票价的浮动和固定价格参考值,使尽可能满足旅客需求的情况下确保总收益达到最大。
3)本发明所述方法预售期内以实时的铁路客票数据作为输入,可以通过递推公式得到使预售期剩余周期内期望收益最大的最优客票价格,增加运输企业经济收益。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种基于大数据的高速铁路动态票价定制方法,其特征在于,包括:
(1)基于历史数据中预售期内每日的余票数据,曲线拟合模块通过BP神经网络进行曲线拟合,建立包含所有高速铁路线路的客票售出概率的曲线数据库;
(2)数据输入模块输入某条线路每日的新数据,所述曲线匹配模块将预售期内所述数据输入模块输入的新数据均进行χ2检验,获得用于预测当前发车日之后预售期内客票售出概率的曲线;
(3)当数据输入模块输入的每日的新数据未通过所述曲线匹配模块χ2检验时,数据库自洁模块从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,并更新所述曲线数据库;
(4)所述价格制定模块根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率进行预测,并结合乘客的内心接受价格、提前购票天数、对不同类型座位的偏好确定偏好因子β,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,基于偏好因子β对票价进行调整,以实现满足旅客需求的情况下确保总收益达到最大。
2.根据权利要求1所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,步骤(1)具体为:
对于某特定线路,根据历史数据中该特定线路预售期内的每日余票数据,将预售期内相邻两天余票数作差得到预售期内每日的售票数量,数据识别模块中的曲线拟合模块通过MATLAB进行BP神经网络拟合,能够得到该特定线路每日售票数量与提前购票天数的关系,将预售期内每日的售票数量除以该特定线路车次在开始售票时的售票总数,得该特定线路预售期内每日客票售出概率,进而得到该特定线路预售期内的客票售出概率曲线;
重复上述过程,对于所有的高速铁路线路均分别获得相应的预售期内客票售出概率曲线,进而建立包含所有高速铁路线路的客票售出概率的曲线数据库;所述曲线数据库用于预测旅客对客票的实时需求情况。
3.根据权利要求1或2所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,所述曲线数据库包括线路基本信息数据集,所述线路基本信息数据集包括线路名称、始发站、终点站、发车时刻所属时段、停站数;所述线路基本信息数据集中的每条线路均对应一预售期内线路余票数据集,所述预售期内线路余票数据集包括线路名称、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量信息。
4.根据权利要求1所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,步骤(2),具体为:
数据输入模块输入某条线路每日新线路数据,输入的每日新线路数据包括:线路名称、始发站、终点站、发车时刻所属时段、停站数、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量、发车日车票价格;
数据识别模块中的曲线匹配模块根据所述数据输入模块输入的每日的新线路数据中的OD点信息、发车日是否为淡旺季、发车日是否为工作日、发车时刻所属时段、以及停站数这些指标为条件,对所述曲线数据库进行筛选,获得一组符合条件的客票售出概率曲线,计算出这组客票售出概率曲线在预售期内每天售票率的一阶中心矩,进行拟合,获得初始的预测曲线G*(t),对所述预测曲线G*(t)进行校正以及优度χ2检验;如果通过χ2检验,则将所述预测曲线G*(t)用于预测当前发车日之后预售期内的售票量,并且将所述数据输入模块输入的当天的新线路数据存入所述曲线数据库;如没有通过χ2检验,则进入步骤(3);
重复上述过程,直至预售期内所述数据输入模块输入的某条线路每天的新线路数据均经过所述曲线匹配模块的检验识别。
5.根据权利要求4所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,所述χ2检验具体为:
在预售期k天内,采用所述预测曲线G*(t)获得每天的预测售票数量Ti,i表示第i天,1≤i≤k;
所述数据输入模块输入的第i天实际的售票数,记为Oi;
计算
在置信水平α=0.01的条件下进行检验;若χ2≤χi 2则表示在第i天的理论频率服从数据库的筛选条件,即所述预测曲线G*(t)的预测值可信。
6.根据权利要求1所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,步骤(3)具体为:
当数据输入模块输入的每日新数据未通过所述曲线匹配模块χ2检验时,从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,采用所述χ2最小的曲线更新所述曲线数据库,实现数据库的更新与自洁。
7.根据权利要求1所述一种基于大数据的高速铁路动态票价定制方法,其特征在于,步骤(4),具体为:
将高速铁路客票预售期分成T个周期,每个周期内有一个旅客有出行意愿的概率为g(t),所述价格制定模块根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率g(t)进行预测;
假设每个旅客的保留价格分布函数是F(x),其密度函数是f(x),x是通过调查问卷获得的旅客的保留价格;客票价格p≤x,旅客发生购票行为,是客票价格x低于旅客内心保留价的概率;
当客票价格为p时,G(t)表示每个销售周期内有客票售出的概率;
令t=1,2,…,T表示当前周期到预售期结束剩余的周期数;剩余客票数为i,剩余周期数为t时从当前周期到预售期结束的期望总收益V(i,t),计算递推公式为:
上述递推公式中,p为剩余客票数为i、剩余周期数为t时的客票价格,0≤t≤T-1;p=pB*α(t),其中pB为基础票价,即现行的高速铁路票价,α(t)为票价浮动百分比;
α(t)和G(t)以及旅客对于座位的选择偏好有关,根据问卷调查获得旅客对于不同类别座位的偏好比例θ,当座位类别为F、A、D三类座位,旅客的偏好比例θ为95%,当座位类别为B、C二类座位,旅客的偏好比例θ为5%;
设定票价上浮比例α(t)最大值为a,下调比例最大值为b,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,β=G(t)*θ;并且在对票价进行浮动时,对F、A、D三类座位的票价进行上浮,即对60%的座位的票价进行上浮;对B、C二类座位的票价进行下调,即对其余40%的座位的票价进行下调;
对于偏好因子β与票价浮动百分比α(t),通过BP神经网络拟合出偏好因子曲线,所述偏好因子曲线用于建立偏好因子β与票价浮动百分比α(t)的对应关系;
通过对坐标轴进行平移,使得偏好因子曲线60%处的β=0,最终选取票价浮动百分比α(t)属于[-b,a]部分对应的偏好因子曲线。
8.一种基于大数据的高速铁路动态票价定制系统,其特征在于,包括:数据识别模块、数据输入模块、数据库自洁模块、价格制定模块;
所述数据识别模块,包括曲线拟合子模块和曲线匹配子模块两个子模块;基于历史数据中预售期内每日的余票数据,所述曲线拟合子模块利用BP神经网络进行曲线拟合,获得线路预售期内的客票售出概率曲线,并建立包含所有高速铁路线路的客票售出概率的曲线数据库;
所述数据输入模块输入某条线路每日的新线路数据,所述曲线匹配子模块将预售期内所述数据输入模块输入的每日的新线路数据均经过所述曲线匹配模块进行χ2检验,获得用于预测当前发车日之后预售期内客票售出概率的曲线;
当数据输入模块输入的每日新数据未通过所述曲线匹配模块χ2检验时,所述数据库自洁模块、从所述曲线数据库中选取χ2最小的曲线用于预测当前发车日之后预售期内的售票量,并更新所述曲线数据库;
价格制定模块:根据所述曲线匹配模块提供的预测曲线对预售期内旅客有出行意愿的概率进行预测,并结合乘客的内心接受价格、提前购票天数、对不同类型座位的偏好确定偏好因子β,采用偏好因子β表示预售期内不同时段旅客对于不同类别座位的偏好程度,基于偏好因子β对票价进行调整,以实现满足旅客需求的情况下确保总收益达到最大。
9.根据权利要求8一种基于大数据的高速铁路动态票价定制系统,其特征在于,所述曲线数据库包括线路基本信息数据集,所述线路基本信息数据集包括线路名称、始发站、终点站、发车时刻所属时段、停站数;所述线路基本信息数据集中的每条线路均对应一预售期内线路余票数据集,所述预售期内线路余票数据集包括线路名称、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量信息;对于所述曲线数据库,能够随着每条线路的发车,进行不断的补充;
数据输入模块输入某条线路每日新线路数据,输入的每日新线路数据包括:线路名称、始发站、终点站、发车时刻所属时段、停站数、发车日期、发车日是否为淡旺季、发车日是否为工作日、发车日的余票数量、发车日车票价格;
数据识别模块中的曲线匹配模块根据所述数据输入模块输入的每日的新线路数据中的OD点信息、发车日是否为淡旺季、发车日是否为工作日、发车时刻所属时段、以及停站数这些指标为条件,对所述曲线数据库进行筛选,获得一组符合条件的客票售出概率曲线,计算出这组客票售出概率曲线在预售期内每天售票率的一阶中心矩,进行拟合,获得初始的预测曲线G*(t),对所述预测曲线G*(t)进行校正以及优度χ2检验;如果通过χ2检验,则将所述预测曲线G*(t)用于预测当前发车日之后预售期内的售票量。
10.根据权利要求9一种基于大数据的高速铁路动态票价定制系统,其特征在于,所述χ2检验具体为:
在预售期k天内,采用所述预测曲线G*(t)获得每天的预测售票数量Ti,i表示第i天,1≤i≤k;
所述数据输入模块输入的第i天实际的售票数,记为Oi;
计算
在置信水平α=0.01的条件下进行检验;若χ2≤χi 2则表示在第i天的理论频率服从数据库的筛选条件,即所述预测曲线G*(t)的预测值可信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416967.0A CN110245976A (zh) | 2019-05-20 | 2019-05-20 | 一种基于大数据的高速铁路动态票价定制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416967.0A CN110245976A (zh) | 2019-05-20 | 2019-05-20 | 一种基于大数据的高速铁路动态票价定制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245976A true CN110245976A (zh) | 2019-09-17 |
Family
ID=67884621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416967.0A Pending CN110245976A (zh) | 2019-05-20 | 2019-05-20 | 一种基于大数据的高速铁路动态票价定制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245976A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
CN111626831A (zh) * | 2020-06-02 | 2020-09-04 | 重庆智者炎麒科技有限公司 | 一种基于神经网络的售票方法及票务系统 |
CN112767035A (zh) * | 2021-01-25 | 2021-05-07 | 海南太美航空股份有限公司 | 一种航班票价预估方法、系统及电子设备 |
CN112836996A (zh) * | 2021-03-10 | 2021-05-25 | 西南交通大学 | 一种识别乘客潜在购票需求的方法 |
CN112949926A (zh) * | 2021-03-10 | 2021-06-11 | 西南交通大学 | 一种基于乘客需求重识别的收入最大化票额分配方法 |
US11507896B2 (en) | 2020-10-01 | 2022-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for spatial-temporal carpool dual-pricing in ridesharing |
-
2019
- 2019-05-20 CN CN201910416967.0A patent/CN110245976A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144946A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 航空公司的收益管理方法、系统、介质和电子设备 |
CN111626831A (zh) * | 2020-06-02 | 2020-09-04 | 重庆智者炎麒科技有限公司 | 一种基于神经网络的售票方法及票务系统 |
US11507896B2 (en) | 2020-10-01 | 2022-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for spatial-temporal carpool dual-pricing in ridesharing |
US11694127B2 (en) * | 2020-10-01 | 2023-07-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for predicting carpool matching probability in ridesharing |
CN112767035A (zh) * | 2021-01-25 | 2021-05-07 | 海南太美航空股份有限公司 | 一种航班票价预估方法、系统及电子设备 |
CN112836996A (zh) * | 2021-03-10 | 2021-05-25 | 西南交通大学 | 一种识别乘客潜在购票需求的方法 |
CN112949926A (zh) * | 2021-03-10 | 2021-06-11 | 西南交通大学 | 一种基于乘客需求重识别的收入最大化票额分配方法 |
CN112949926B (zh) * | 2021-03-10 | 2022-03-04 | 西南交通大学 | 一种基于乘客需求重识别的收入最大化票额分配方法 |
CN112836996B (zh) * | 2021-03-10 | 2022-03-04 | 西南交通大学 | 一种识别乘客潜在购票需求的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245976A (zh) | 一种基于大数据的高速铁路动态票价定制系统及方法 | |
Zhan et al. | Social equity-based timetabling and ticket pricing for high-speed railways | |
Yan et al. | Seat allocation model for high-speed railway passenger transportation based on flexible train composition | |
Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
CN109774750A (zh) | 一种基于虚拟耦合模式的动态调度时空决策方法 | |
Jiang et al. | Dynamic demand forecasting and ticket assignment for high-speed rail revenue management in China | |
Qi et al. | An Integer Linear Programming model for integrated train stop planning and timetabling with time-dependent passenger demand | |
Dean et al. | Synergies between repositioning and charging strategies for shared autonomous electric vehicle fleets | |
Gomes et al. | Sustainable Demand Responsive Transportation systems in a context of austerity: The case of a Portuguese city | |
CN115359659B (zh) | 一种车道开闭配置方法和系统 | |
CN115392949A (zh) | 基于乘客出发时间选择的轨道交通早高峰分时定价方法 | |
Leffler et al. | Simulation of fixed versus on-demand station-based feeder operations | |
Xu et al. | Urban smart public transport studies: a review and prospect | |
Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction | |
Sadrani et al. | Designing limited-stop bus services for minimizing operator and user costs under crowding conditions | |
Martino et al. | TRIMODE: integrated transport model for Europe | |
Wang et al. | An affinity propagation-based clustering method for the temporal dynamics management of high-speed railway passenger demand | |
Zhang et al. | Impact analysis of HSR fare discount strategy on HSR share in Beijing–Shanghai transportation corridor | |
Ekici | Evaluating Rail Passengers Sector in Turkey | |
Li et al. | Data-driven bus timetabling with spatial-temporal travel time | |
Hartgen et al. | Streamlining collection and processing of traffic count statistics | |
Mumayiz et al. | Forecasting air passenger demand in multi-airport regions | |
Sun et al. | Impacts of high-speed rail fare discount strategies on travel frequency of the passengers in China. | |
CN113763044B (zh) | 一种基于乘客出行行为分析的高速铁路动态定价方法 | |
Zhen et al. | A decision model for high-speed railway express systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |