CN110992083A - 用于确定票价的数据处理方法及装置、存储介质、终端 - Google Patents

用于确定票价的数据处理方法及装置、存储介质、终端 Download PDF

Info

Publication number
CN110992083A
CN110992083A CN201911124189.4A CN201911124189A CN110992083A CN 110992083 A CN110992083 A CN 110992083A CN 201911124189 A CN201911124189 A CN 201911124189A CN 110992083 A CN110992083 A CN 110992083A
Authority
CN
China
Prior art keywords
fare
passenger
pricing
determining
ith
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
Application number
CN201911124189.4A
Other languages
English (en)
Inventor
单杏花
朱颖婷
王洪业
杨立鹏
吕晓艳
贾新茹
李雯
徐彦
刘文韬
张晨阳
牛青坡
卫铮铮
安仲文
方伟
王亮
王煜
甄蒙
杨坤
史晓英
丁静
冯国喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Trip Science And Technology Co ltd
Institute of Computing Technologies of CARS
Original Assignee
China Railway Trip Science And Technology Co ltd
Institute of Computing Technologies of CARS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Trip Science And Technology Co ltd, Institute of Computing Technologies of CARS filed Critical China Railway Trip Science And Technology Co ltd
Priority to CN201911124189.4A priority Critical patent/CN110992083A/zh
Publication of CN110992083A publication Critical patent/CN110992083A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种用于确定票价的数据处理方法及装置、存储介质、终端。一方面，该方法根据指定路段的票价定价划分档数，将指定路段的潜在乘客划分为多个乘客集合；确定每个乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；根据每个乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示指定路段的总收益的第二关系；根据第二关系，在总收益在达到目标收益的情况下，确定票价定价的划分档数以及每个乘客集合的票价定价，从而通过一种优化的差别定价方式，达到更好的利用席位资源的效果。

Description

用于确定票价的数据处理方法及装置、存储介质、终端
【技术领域】
本发明涉及数据处理技术领域，尤其涉及一种用于确定票价的数据处理方法及装置、存储介质、终端。
【背景技术】
差别定价是指销售商在销售完全相同的产品或者同一产品有细微差别的不同款式时，对不同顾客制定不同价格的行为。差别定价会根据客户选择行为或者产品特征做市场细分，对高支付意愿的顾客收取高价，提供相对较高款式的产品或服务，对低支付意愿的顾客收取低价，提供相对较低款式的产品或服务。目前，航空、酒店等行业通常根据用户对企业的贡献不同，将用户划分成不同用户群，对不同用户群采用不同的价格，以培养稳定的用户群，从而获取额外利润。运输行业，如铁路运输、客车运输等行业的客运用户群庞大，客流表现出明显的季节性特征，往往在节假日等高峰期出现一票难求的现象，而在淡季时部分列车则可能出现席位闲置的现象。在出发时间上，旅客也更喜欢选择白天出发、白天到达的车次出行，一些开车时间在清晨或到达时间在深夜、凌晨的车次客座率往往较低，这在客运淡季时表现尤为明显。由于不同顾客对价格敏感程度不同，如果运输行业针对同一路段内的票价定价不作一定的区分，会导致席位资源利用率不均，在一定程度上降低了旅客出行的舒适度和便捷性。
【发明内容】
有鉴于此，本发明实施例提供了一种用于确定票价的数据处理方法及装置、存储介质、终端，用以通过票价定价方式达到更好的利用席位资源的效果。
一方面，本发明实施例提供了一种用于确定票价的数据处理方法，包括：根据指定路段的票价定价划分档数，将所述指定路段的潜在乘客划分为多个乘客集合，其中，所述指定路段的潜在乘客的最大支付意愿票价服从均匀分布；确定每个所述乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；根据每个所述乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示所述指定路段的总收益的第二关系；根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一关系为：
Figure BDA0002276274510000021
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个所述潜在乘客的最大支付意愿票价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二关系为：
Figure BDA0002276274510000022
其中，k用于表示所述票价定价的划分档数，R(k)用于表示所述总收益，用于表示第i个乘客集合的收益。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价，包括：
在所述指定路段处于运输淡季的情况下，根据所述第二关系，确定使所述总收益达到最大化时，第i个所述乘客集合的票价定价的最优解
Figure BDA0002276274510000023
为：
Figure BDA0002276274510000024
根据所述第二关系，确定使所述总收益达到最大化时，第i个所述乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000031
为：
Figure BDA0002276274510000032
根据第i个所述乘客集合的票价定价的最优解
Figure BDA0002276274510000033
和第i个所述乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000034
确定所述总收益的最优解
Figure BDA0002276274510000035
为：
Figure BDA0002276274510000036
确定使所述总收益的最优解R*(k)的公式达到所述目标收益的最小划分档数，得到所述票价定价的划分档数；
根据所述票价定价的划分档数与第i个所述乘客集合的票价定价的最优解
Figure BDA0002276274510000038
公式，确定每个所述乘客集合的票价定价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价，包括：
在所述指定路段处于运输旺季的情况下，根据所述第一关系和所述第二关系，确定拉格朗日函数为：
Figure BDA0002276274510000037
其中，拉格朗日乘子λi用于表示每个席位的边际机会成本，Ci为第i个所述乘客集合的席位数量；
根据库恩-塔克条件和所述拉格朗日函数，确定第i个所述乘客集合的最大支付意愿票价下限xi和第i个所述乘客集合的票价定价Pi的计算公式如下：
(P0-x0)(P0+λ0)＝0；
(Pi-Pi-1)(Pi+Pi-1-xi)+λi(xi-Pi)＝0
(xi+1-xi)(xi+1+xi-4Pi)+λi(xi+1-xi)＝0。
上述技术方案中的一个技术方案，提供了一种优化的差别定价方式，达到更好的利用席位资源的效果。
另一方面，本发明实施例提供了一种用于确定票价的数据处理装置，包括：划分模块，用于根据指定路段的票价定价划分档数，将所述指定路段的潜在乘客划分为多个乘客集合，其中，所述指定路段的潜在乘客的最大支付意愿票价服从均匀分布；第一确定模块，用于确定每个所述乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；第二确定模块，用于根据每个所述乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示所述指定路段的总收益的第二关系；第三确定模块，用于根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一关系为：
Figure BDA0002276274510000041
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个所述潜在乘客的最大支付意愿票价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二关系为：
Figure BDA0002276274510000042
其中，k用于表示所述票价定价的划分档数，R(k)用于表示所述总收益，用于表示第i个乘客集合的收益。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，第三确定模块包括：
第一确定单元，用于在指定路段处于运输淡季的情况下，根据第二关系，确定使总收益达到最大化时，第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000043
为：
Figure BDA0002276274510000044
第二确定单元，用于根据第二关系，确定使总收益达到最大化时，第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000051
为：
Figure BDA0002276274510000052
第三确定单元，用于根据第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000053
和第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000054
确定总收益的最优解
Figure BDA0002276274510000055
为：
Figure BDA0002276274510000056
第四确定单元，用于确定使总收益的最优解R*(k)的公式达到目标收益的最小划分档数，得到票价定价的划分档数；
第五确定单元，用于根据票价定价的划分档数与第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000058
公式，确定每个乘客集合的票价定价。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第三确定模块包括：
第六确定单元，用于在所述指定路段处于运输旺季的情况下，根据所述第一关系和所述第二关系，确定拉格朗日函数为：
Figure BDA0002276274510000057
其中，拉格朗日乘子λi用于表示每个席位的边际机会成本，Ci为第i个所述乘客集合的席位数量；
第七确定单元，用于根据库恩-塔克条件和所述拉格朗日函数，确定第i个所述乘客集合的最大支付意愿票价下限xi和第i个所述乘客集合的票价定价Pi的计算公式如下：
(P0-x0)(P0+λ0)＝0；
(Pi-Pi-1)(Pi+Pi-1-xi)+λi(xi-Pi)＝0
(xi+1-xi)(xi+1+xi-4Pi)+λi(xi+1-xi)＝0。
上述技术方案中的一个技术方案，提供了一种优化的差别定价方式，达到更好的利用席位资源的效果。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种终端，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其它的附图。
图1是本发明实施例所提供的用于确定票价的数据处理方法的实施例的流程示意图；
图2是本发明实施例所提供的用于确定票价的数据处理装置的实施例的结构示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX，但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一XXX也可以被称为第二XXX，类似地，第二XXX也可以被称为第一XXX。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例一
本发明实施例给出一种的用于确定票价的数据处理方法，本申请实施例以列车线路为例，对本申请实施例提供的用于确定票价的数据处理方法进行详细说明，应理解，其它运输方式的票价定价方法也可以采用本申请实施例提供的用于确定票价的数据处理方法，在此不再赘述。
请参考图1，其为本发明实施例所提供的用于确定票价的数据处理方法的流程示意图，如图1所示，该方法包括以下步骤101～104：
101，根据指定路段的票价定价划分档数，将指定路段的潜在乘客划分为多个乘客集合。
指定路段(Origin Destination，简称OD)是第一节点至第二节点之间的路段，即上车站和下车站组成的一段距离，例如，北京-上海。指定路段的运输线路可以包括多条线路，例如，指定路段“北京-上海”的线路可以包括K111线路、G222线路等等。
需要说明的是，由于每个运输线路的运输时段通常是规律的，以N天为间隔，例如，每天的固定时刻发车，或者每隔一周的固定时刻发车，乘客对每天的固定时刻相对较敏感，相对而言，乘客更倾向于乘坐白天出行而非夜晚出行的线路。因此，本申请实施例讨论的指定路段，可以是针对每天指定的一个时段。
应理解，指定路段的潜在乘客的最大支付意愿票价是服从均匀分布(UniformDistribution)的，均匀分布的概率密度函数为：
Figure BDA0002276274510000081
在本申请实施例中，假设指定路段的每个潜在乘客的最大支付意愿票价w的分布区间是[0，b]，那么，每个潜在乘客购买价格为p的车票的概率q为：
q(w,p)＝max{0,(w-p)/b} 公式1
也即，每个潜在乘客购买价格为p的概率与其最大支付意愿票价w与票价定价p的差值相关。相应的，每个潜在乘客带来的期望收益r为：
r(w,p)＝p×max{0,(w-p)/b} 公式3
本申请实施例不考虑黄牛倒卖车票、旅客退票改签等行为对乘客购票的影响，根据公式3可知，当p＝w/2时，r(w,p)取得最大值w^2/(4b)。
当在客运淡季运能充足时，完全能够满足所有潜在乘客的购票需求数量，针对指定路段的最大收益R*为：
Figure BDA0002276274510000082
当在客运旺季、运能不足以满足所有潜在乘客的购票需求数量时，若某天经过指定路段的列车有n趟，所有车次被安排在多个时间段发车，每趟列车的可用席位数为ci，i＝1,2,…,n，，则指定路段可用的席位数为
Figure BDA0002276274510000083
当p＝w/2时，指定路段的总需求
Figure BDA0002276274510000084
也即，在客运旺季，必须满足如下条件：
b≤4C 公式5
上述讨论了针对指定路段的潜在乘客，在票价定价按照每个潜在乘客的最大支付意愿票价时的收益，以及所需要满足的条件。但是，由于在实际应用中，不可能针对每个潜在乘客定制价格，因此，在本申请实施例中，针对指定路段，将票价定价划分为多个档数，每个档位的票价定价对应一个乘客集合，该乘客集合内的潜在乘客购买对应票价定价的车票的概率大于0，也即，每个乘客集合内每个潜在乘客的最大支付意愿票价都高于对应乘客集合的票价定价。
针对指定路段的潜在乘客
Figure BDA0002276274510000091
可以被连续划分成k个乘客集合(本申请实施例中或称为子市场)，
Figure BDA0002276274510000092
每个潜在乘客(本申请实施例中或简称为乘客)只能在经过该OD的n趟车中选择某一趟车出行，则1≤k≤n，子市场Ai对应票价为Pi(i＝1,2,…,k),票价集合
Figure BDA0002276274510000094
相应的可售出席位数为
Figure BDA0002276274510000093
在某一段时期内，所有乘客能够完全细分，即每位乘客仅属于一个子市场Ai，在购票时只能按照唯一票价、也即票价定价Pi购票。若最大支付意愿票价为xim、xin的乘客(xim<xin)均属于子市场Ai，那么当乘客x的最大支付意愿票价xi∈[xim,xin]时，乘客x也属于子市场Ai。乘客的最大支付意愿xi服从均匀分布，最大支付意愿集合χk＝[0,x1,…,xi,xi+1,…,xk,b]，且0<x1<…<xi<xi+1<…<xk<b，则各子市场定义为：A0＝[0,x1]，A1＝[x1,x2]，…，Ai＝[xi,xi+1]，…，Ak＝[xk,b]。
从旅客的角度分析，最大支付意愿越小的旅客出行时所能接受的票价越小，当票价小于最大支付意愿，即旅客的消费者剩余大于0时，旅客才会选择乘车出行。因此，结合上述对最大支付意愿χk的定义，旅客出行时票价必定满足如下两个条件，铁路客运部门才能够获得最大收益：
1)0<P0<…<Pi<Pi+1<…<Pk<b；
2)Pi≤xi，i＝0,1,…,k
在没有任何限制措施的情况下，部分高支付意愿的旅客可能购买低价票，低支付意愿的旅客也可能因为低价票数量限制被迫购买高价车票。为了简便起见，本申请实施例暂不考虑上述需求转移的不确定情况。
102，确定每个乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系。
其中，第一关系可以表示为：
Figure BDA0002276274510000101
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个潜在乘客的最大支付意愿票价。
以收益最大化为目标，最终得到本文提出的铁路客运差别定价策略优化模型：
Figure BDA0002276274510000102
需要服从的条件为：
0<P0<…<Pi<Pi+1<…<Pk<b
Pi≤xi，i＝0,1,…,k
xk+1＝b
Qi(Pi)≤Ci
103，根据每个乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示指定路段的总收益的第二关系。
其中，第二关系可以表示为：
Figure BDA0002276274510000103
其中，k用于表示票价定价的划分档数，R(k)用于表示总收益，用于表示第i个乘客集合的收益。
104，根据第二关系，在总收益在达到目标收益的情况下，确定票价定价的划分档数以及每个乘客集合的票价定价。
(1)在指定路段处于运输淡季的情况下，当旅客购票需求明显小于可售席位数时，即无论如何细分及调整价格，都满足Qi(Pi)≤Ci的约束，上述最优化问题可看作根据无约束优化的一阶条件可知：
Figure BDA0002276274510000111
Figure BDA0002276274510000112
显然，Pi+1-Pi>0，xi+1-xi>0，根据公式9和10可得到Pi+1+Pi-xi+1＝0(i＝1,2,…,k-1)，xi+1+xi-4Pi＝0(i＝1,2,…,k)。
此外，根据一阶最优条件，
Figure BDA0002276274510000113
求得x1＝P1。
根据第二关系(公式8)，确定使总收益达到最大化时，第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000114
为：
Figure BDA0002276274510000115
根据第二关系(公式8)，确定使总收益达到最大化时，第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000116
为：
Figure BDA0002276274510000117
根据第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000118
和第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000119
确定总收益的最优解R*(k)为：
Figure BDA00022762745100001110
确定使总收益的最优解R*(k)的公式达到目标收益的最小划分档数，得到票价定价的划分档数；
根据票价定价的划分档数与第i个乘客集合的票价定价的最优解
Figure BDA00022762745100001113
公式，确定每个乘客集合的票价定价。
由最优解可知，子市场
Figure BDA00022762745100001111
Figure BDA00022762745100001112
P0＝0。由于P0>x0，即最大支付意愿小于票价，旅客无法获得消费者剩余，那么属于子市场A0的旅客将不会购买车票。
市场细分数目k越大，
Figure BDA0002276274510000121
和
Figure BDA0002276274510000122
越小，旅客群的划分越平滑。在最优解的条件下，代入公式8得到总收益
Figure BDA0002276274510000123
容易证明R*(k)是关于市场细分数目k的凹增函数。从经济学角度看，随着k无限增大，票价策略就逐渐趋于完全价格歧视，铁路运营部门可以获得每个旅客的全部消费剩余，进而获得最大收益：R*(k→∞)＝R*。但是完全价格歧视是一种极端现象，现实中很少发生。由于铁路客运用户群庞大，铁路运营部门不可能对每一位旅客采用完全有差别的票价，且其在我国还承担着社会公益性角色，不可能采取完全价格歧视的定价策略。我们观察k值增大时，R*(k)及其与R*占比的变化规律，如表1。
表1 R*(k)关于k值变化规律
Figure BDA0002276274510000124
从上表可以看出，当k＝1时，采用固定票价的策略，此时收益最小，仅为完全价格歧视下收益的88.9％；当k＝3时，R*(k)/R*达到98％；当k＝5时，R*(k)/R*已经达到99.2％；随着k继续增大，R*(k)/R*增大的速率降低，R*(k)/R*趋于100％。
因此，在线性需求下，城际铁路客运进行差别定价时，从实际应用的易操作性看，将差别票价档数设置为3～5档就足够了，也即，k＝3～5，对应的总收益与理论上最大的总收益之比R*(k)/R*在98％～99.2％之间，能够达到比较高的收益，相当于将不同支付意愿的旅客群进行了划分。根据公式11和12可以得到市场细分的最优支付意愿划分范围，和各个子用户群相应的票价。
(2)在指定路段处于运输旺季的情况下，根据第一关系和第二关系，确定拉格朗日函数为：
Figure BDA0002276274510000125
其中，拉格朗日乘子λi用于表示每个席位的边际机会成本，Ci为第i个乘客集合的席位数量；
根据库恩-塔克条件和拉格朗日函数，确定第i个乘客集合的最大支付意愿票价下限xi和第i个乘客集合的票价定价Pi的计算公式如下：
(P0-x0)(P0+λ0)＝0；
(Pi-Pi-1)(Pi+Pi-1-xi)+λi(xi-Pi)＝0
(xi+1-xi)(xi+1+xi-4Pi)+λi(xi+1-xi)＝0。
需要说明的是，本发明实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer，PC)、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
需要说明的是，步骤101～104的执行主体可以为用于确定票价的数据处理装置，该装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，本发明实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在终端上的应用程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本发明实施例对此不进行限定。
实施例二
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。由于本实施例中的各单元能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。
请参考图2，其为本发明实施例所提供的用于确定票价的数据处理装置的功能方块图。如图2所示，该装置包括：划分模块11，第一确定模块12，第二确定模块13和第三确定模块14。
其中，划分模块，用于根据指定路段的票价定价划分档数，将指定路段的潜在乘客划分为多个乘客集合，其中，指定路段的潜在乘客的最大支付意愿票价服从均匀分布；第一确定模块，用于确定每个乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；第二确定模块，用于根据每个乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示指定路段的总收益的第二关系；第三确定模块，用于根据第二关系，在总收益在达到目标收益的情况下，确定票价定价的划分档数以及每个乘客集合的票价定价。
如上的方面和任一可能的实现方式，进一步提供一种实现方式，第一关系为：
Figure BDA0002276274510000141
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个潜在乘客的最大支付意愿票价。
如上的方面和任一可能的实现方式，进一步提供一种实现方式，第二关系为：
Figure BDA0002276274510000142
其中，k用于表示票价定价的划分档数，R(k)用于表示总收益，用于表示第i个乘客集合的收益。
如上的方面和任一可能的实现方式，进一步提供一种实现方式，第三确定模块包括：
第一确定单元，用于在指定路段处于运输淡季的情况下，根据第二关系，确定使总收益达到最大化时，第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000143
为：
Figure BDA0002276274510000144
第二确定单元，用于根据第二关系，确定使总收益达到最大化时，第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000145
为：
Figure BDA0002276274510000151
第三确定单元，用于根据第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000152
和第i个乘客集合的最大支付意愿票价下限的最优解
Figure BDA0002276274510000153
确定总收益的最优解R*(k)为：
Figure BDA0002276274510000154
第四确定单元，用于确定使总收益的最优解R*(k)的公式达到目标收益的最小划分档数，得到票价定价的划分档数；在线性需求下，城际铁路客运进行差别定价时，从实际应用的易操作性看，将差别票价档数设置为3～5档就足够了，也即，k＝3～5，对应的总收益与理论上最大的总收益之比R*(k)/R*在98％～99.2％之间，能够达到比较高的收益，相当于将不同支付意愿的旅客群进行了划分。
第五确定单元，用于根据票价定价的划分档数与第i个乘客集合的票价定价的最优解
Figure BDA0002276274510000156
公式，确定每个乘客集合的票价定价。
如上的方面和任一可能的实现方式，进一步提供一种实现方式，第三确定模块包括：
第六确定单元，用于在指定路段处于运输旺季的情况下，根据第一关系和第二关系，确定拉格朗日函数为：
Figure BDA0002276274510000155
其中，拉格朗日乘子λi用于表示每个席位的边际机会成本，Ci为第i个乘客集合的席位数量；
第七确定单元，用于根据库恩-塔克条件和拉格朗日函数，确定第i个乘客集合的最大支付意愿票价下限xi和第i个乘客集合的票价定价Pi的计算公式如下：
(P0-x0)(P0+λ0)＝0；
(Pi-Pi-1)(Pi+Pi-1-xi)+λi(xi-Pi)＝0
(xi+1-xi)(xi+1+xi-4Pi)+λi(xi+1-xi)＝0。
上述技术方案中的一个技术方案，提供了一种优化的差别定价方式，达到更好的利用席位资源的效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种用于确定票价的数据处理方法，其特征在于，所述方法包括：
根据指定路段的票价定价划分档数，将所述指定路段的潜在乘客划分为多个乘客集合，其中，所述指定路段的潜在乘客的最大支付意愿票价服从均匀分布；
确定每个所述乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；
根据每个所述乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示所述指定路段的总收益的第二关系；
根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价。
2.根据权利要求1所述的方法，其特征在于，所述第一关系为：
Figure FDA0002276274500000011
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个所述潜在乘客的最大支付意愿票价。
3.根据权利要求2所述的方法，其特征在于，所述第二关系为：
Figure FDA0002276274500000012
其中，k用于表示所述票价定价的划分档数，R(k)用于表示所述总收益，用于表示第i个乘客集合的收益。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价，包括：
在所述指定路段处于运输淡季的情况下，根据所述第二关系，确定使所述总收益达到最大化时，第i个所述乘客集合的票价定价的最优解
Figure FDA0002276274500000013
为：
Figure FDA0002276274500000024
根据所述第二关系，确定使所述总收益达到最大化时，第i个所述乘客集合的最大支付意愿票价下限的最优解
Figure FDA0002276274500000025
为：
Figure FDA0002276274500000021
根据第i个所述乘客集合的票价定价的最优解
Figure FDA0002276274500000026
和第i个所述乘客集合的最大支付意愿票价下限的最优解
Figure FDA0002276274500000027
确定所述总收益的最优解R*(k)为：
Figure FDA0002276274500000022
确定使所述总收益的最优解R*(k)的公式达到所述目标收益的最小划分档数，得到所述票价定价的划分档数；
根据所述票价定价的划分档数与第i个所述乘客集合的票价定价的最优解
Figure FDA0002276274500000028
公式，确定每个所述乘客集合的票价定价。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价，包括：
在所述指定路段处于运输旺季的情况下，根据所述第一关系和所述第二关系，确定拉格朗日函数为：
Figure FDA0002276274500000023
其中，拉格朗日乘子λi用于表示每个席位的边际机会成本，Ci为第i个所述乘客集合的席位数量；
根据库恩-塔克条件和所述拉格朗日函数，确定第i个所述乘客集合的最大支付意愿票价下限xi和第i个所述乘客集合的票价定价Pi的计算公式如下：
(P0-x0)(P0+λ0)＝0；
(Pi-Pi-1)(Pi+Pi-1-xi)+λi(xi-Pi)＝0
(xi+1-xi)(xi+1+xi-4Pi)+λi(xi+1-xi)＝0。
6.一种用于确定票价的数据处理装置，其特征在于，所述装置包括：
划分模块，用于根据指定路段的票价定价划分档数，将所述指定路段的潜在乘客划分为多个乘客集合，其中，所述指定路段的潜在乘客的最大支付意愿票价服从均匀分布；
第一确定模块，用于确定每个所述乘客集合的购票需求数量与对应的乘客集合中每个潜在乘客的最大支付意愿票价和对应的票价定价的差值之间的关系，得到第一关系；
第二确定模块，用于根据每个所述乘客集合的第一关系与对应的乘客集合的票价定价，得到用于表示所述指定路段的总收益的第二关系；
第三确定模块，用于根据所述第二关系，在所述总收益在达到目标收益的情况下，确定所述票价定价的划分档数以及每个所述乘客集合的票价定价。
7.根据权利要求6所述的装置，其特征在于，所述第一关系为：
Figure FDA0002276274500000031
其中，Qi(Pi)用于表示第i个乘客集合的购票需求数量，xi+1和xi分别用于表示第i个乘客集合的最大支付意愿票价上限和最大支付意愿票价下限，Pi用于表示第i个乘客集合的票价定价，且Pi≤xi，w用于表示每个所述潜在乘客的最大支付意愿票价。
8.根据权利要求7所述的装置，其特征在于，所述第二关系为：
Figure FDA0002276274500000032
其中，k用于表示所述票价定价的划分档数，R(k)用于表示所述总收益，用于表示第i个乘客集合的收益。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至5任一项中所述的方法。
10.一种终端，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至5任一项中所述的方法。
CN201911124189.4A 2019-11-18 2019-11-18 用于确定票价的数据处理方法及装置、存储介质、终端 Pending CN110992083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911124189.4A CN110992083A (zh) 2019-11-18 2019-11-18 用于确定票价的数据处理方法及装置、存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911124189.4A CN110992083A (zh) 2019-11-18 2019-11-18 用于确定票价的数据处理方法及装置、存储介质、终端

Publications (1)

Publication Number Publication Date
CN110992083A true CN110992083A (zh) 2020-04-10

Family

ID=70084495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911124189.4A Pending CN110992083A (zh) 2019-11-18 2019-11-18 用于确定票价的数据处理方法及装置、存储介质、终端

Country Status (1)

Country Link
CN (1) CN110992083A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053186A (zh) * 2020-08-24 2020-12-08 交科院技术咨询（北京）有限公司 一种城市公共汽电车票价动态调整方法
CN112258229A (zh) * 2020-10-21 2021-01-22 中国铁道科学研究院集团有限公司 一种票价档位与列车的对应关系的生成方法和装置
CN112819517A (zh) * 2021-01-26 2021-05-18 厦门金龙联合汽车工业有限公司 一种网约客车的智能定价方法及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053186A (zh) * 2020-08-24 2020-12-08 交科院技术咨询（北京）有限公司 一种城市公共汽电车票价动态调整方法
CN112258229A (zh) * 2020-10-21 2021-01-22 中国铁道科学研究院集团有限公司 一种票价档位与列车的对应关系的生成方法和装置
CN112819517A (zh) * 2021-01-26 2021-05-18 厦门金龙联合汽车工业有限公司 一种网约客车的智能定价方法及存储介质

Similar Documents

Publication Publication Date Title
JP6111355B2 (ja) 中古車両価格設定データの分析、および提示のためのシステムおよび方法
US8200549B1 (en) Trip comparison system
US8583562B1 (en) Predicting real estate and other transactions
KR101071997B1 (ko) 콘택트 포인트 네비게이션 시스템 및 그 방법
KR20190020852A (ko) 운송 능력 스케줄링을 위한 방법들 및 시스템들
CN110992083A (zh) 用于确定票价的数据处理方法及装置、存储介质、终端
US20070055554A1 (en) Apparatus and methods for providing queue messaging over a network
Merkert et al. How to manage seasonality in service industries–the case of price and seat factor management in airlines
JP2011164811A (ja) 情報処理装置及び情報処理システム
Hartman Hedonic methods for evaluating product design and pricing strategies
CN111161104A (zh) 一种社区用户画像的生成方法及装置
CN108171530B (zh) 一种用于客单价和复购率的提升方法及装置
Cirillo et al. Dynamic discrete choice model for railway ticket cancellation and exchange decisions
Agarwal et al. The impact of ride-hail surge factors on taxi bookings
Ji et al. Application of modified nested and dynamic class allocation models for cruise line revenue management
CN110675182A (zh) 一种车票定价方法、装置、存储介质和服务器
CN114049156A (zh) 卷烟投放方法、装置、计算机设备及存储介质
CN110197316A (zh) 运营数据的处理方法、装置、计算机可读介质及电子设备
AU2017202185A1 (en) Apparatus and methods for providing queue messaging over a network
CN103246987A (zh) 一种销售信息管理系统及方法
CN109858952A (zh) 服务场景下的数据处理方法和装置
CN110264250B (zh) 确定产品对等资源量在多个地域的分布数据的方法及装置
Surnin et al. Adaptive analysis of merchant big data
CN112308593A (zh) 店铺串联消费系统
JP6473194B2 (ja) 売り上げ推計システム

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

Application publication date: 20200410

RJ01 Rejection of invention patent application after publication