CN112785020B - 基于城际高速铁路的旅客购票时间预测方法和电子设备 - Google Patents

基于城际高速铁路的旅客购票时间预测方法和电子设备 Download PDF

Info

Publication number
CN112785020B
CN112785020B CN202110016812.5A CN202110016812A CN112785020B CN 112785020 B CN112785020 B CN 112785020B CN 202110016812 A CN202110016812 A CN 202110016812A CN 112785020 B CN112785020 B CN 112785020B
Authority
CN
China
Prior art keywords
passenger
ticket
model
information group
passengers
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
Application number
CN202110016812.5A
Other languages
English (en)
Other versions
CN112785020A (zh
Inventor
苏焕银
陶文聪
彭舒婷
代慧子
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202110016812.5A priority Critical patent/CN112785020B/zh
Publication of CN112785020A publication Critical patent/CN112785020A/zh
Application granted granted Critical
Publication of CN112785020B publication Critical patent/CN112785020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q30/0203—Market surveys; Market polls
    • 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)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于城际高速铁路的旅客购票时间预测方法和电子设备，其中，基于城际高速铁路的旅客购票时间预测方法，应用于车票预售阶段，该方法包括：获取第一信息组和第二信息组，第一信息组包括旅客的个人出行特征数据，第二信息组包括旅客的购票行为数据；根据第一信息组划分旅客的潜在类别模型；根据潜在类别模型和第二信息组，设计离散选择模型；根据离散选择模型预测旅客的购票时间。通过使用该旅客购票时间预测方法，能够根据旅客的个人出行特征数据和购票行为数据，推理出旅客的购票时间的概率分布，从而预测预售期内票价浮动时旅客的购票时间，为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。

Description

基于城际高速铁路的旅客购票时间预测方法和电子设备
技术领域
本发明涉及城际高速铁路领域，特别涉及一种基于城际高速铁路的旅客购票时间预测方法和电子设备、存储介质。
背景技术
旅客出行的购票时间是城际高速铁路运营管理的一项重要数据，为铁路部门的票价、车次等制定提供决策支持。目前，针对铁路旅客出行选择行为的研究多集中在对交通方式或者列车类型的选择行为影响因素方面的分析。但是，这些研究对铁路部门制定满足多样化旅客市场需求的票价浮动策略仍不够完善。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于城际高速铁路的旅客购票时间预测方法和电子设备、存储介质，能够预测预售期内票价浮动时旅客的购票时间，从而为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。
第一方面，本发明实施例提供了一种基于城际高速铁路的旅客购票时间预测方法,应用于车票预售阶段，所述方法包括：
获取第一信息组和第二信息组，所述第一信息组包括旅客的个人出行特征数据，所述第二信息组包括旅客的购票行为数据；
根据所述第一信息组划分旅客的潜在类别模型；
根据所述潜在类别模型和所述第二信息组，设计离散选择模型；
根据所述离散选择模型预测旅客的购票时间。
根据本发明第一方面实施例的旅客购票时间预测方法，至少具有如下有益效果：
通过使用该旅客购票时间预测方法，能够根据旅客的个人出行特征数据和购票行为数据，推理出旅客的购票时间的概率分布，从而预测预售期内票价浮动时旅客的购票时间，为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。
根据本发明第一方面的一些实施例，所述获取第一信息组和第二信息组，包括：
发放调查问卷以获取第一信息组和第二信息组；
所述第一信息组包括旅客的性别、年龄段、学历、税前月收入、出行平均次数、出行目的和出行费用，所述第二信息组包括旅客虚拟情景下对应的购票时间，所述虚拟情景包括非节假日一般时期且票价固定、非节假日一般时期且票价下浮、节假日高峰时期且票价固定和节假日高峰时期且票价下浮，所述购票时间包括出发当天、提前1-2天、提前3-10天、提前11-20天和提前21-30天。
根据本发明第一方面的一些实施例，所述发放调查问卷以获取第一信息组和第二信息组，包括：
发放调查问卷，并采用信度和效度分析方法对所述调查问卷进行筛选处理以获得有效问卷；
根据所述有效问卷得到第一信息组和第二信息组。
根据本发明第一方面的一些实施例，所述第一信息组包括多个外显变量，所述根据所述第一信息组划分旅客的潜在类别模型，包括：
根据多个所述外显变量计算得到各个所述外显变量的联合概率；
根据所述多个外显变量和所述联合概率划分得到旅客的潜在类别模型。
根据本发明第一方面的一些实施例，所述根据所述第一信息组划分旅客的潜在类别模型，还包括：
对所述潜在类别进行模型适配性检验，并采用极大似然法进行参数估计，以划分得到最佳潜在类别。
根据本发明第一方面的一些实施例，所述离散选择模型为Logit模型，所述第二信息组包括虚拟情景和购票时间，所述根据所述潜在类别模型和所述第二信息组，设计离散选择模型，包括：
将所述潜在类别模型记为i，所述虚拟情景记为s，所述购票时间记为j，在所述虚拟情景s下，第i类旅客在第j个购票时间的购票的效用可通过以下公式获得：
其中，为参数，/>为变量，/>为效用的随机项。
根据本发明第一方面的一些实施例，所述根据所述潜在类别模型和所述第二信息组，设计离散选择模型，还包括：
根据所述公式对所述离散选择模型进行参数估计，以建立模型参数估计表。
根据本发明第一方面的一些实施例，所述根据所述离散选择模型预测旅客的购票时间，包括：
根据所述模型参数估计表，分别计算各个所述潜在类别模型的旅客在不同的所述虚拟情景下的各个所述购票时间的选择概率，并建立选择概率分布图。
第二方面，本发明实施例提供了一种电子设备,所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面任意一项实施例所述的基于城际高速铁路的旅客购票时间预测方法。
根据本发明第二方面实施例的电子设备，至少具有如下有益效果：
通过使用该电子设备，能够根据旅客的个人出行特征数据和购票行为数据，推理出旅客的购票时间的概率分布，从而预测预售期内票价浮动时旅客的购票时间，为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上第一方面所述的基于城际高速铁路的旅客购票时间预测方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一实施例的基于城际高速铁路的旅客购票时间预测方法的流程图；
图2A为本发明一实施例的非节假日一般时期各类旅客的购票时间选择概率分布图；
图2B为本发明一实施例的节假日高峰时期各类旅客的购票时间选择概率分布图；
图3A为本发明一实施例的非节假日一般时期各类旅客的购票时间选择概率变化的分布图；
图3B为本发明一实施例的节假日高峰时期各类旅客的购票时间选择概率变化的分布图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图，对本发明实施例作进一步阐述。
第一方面，本发明实施例提供了一种基于城际高速铁路的旅客购票时间预测方法。
参照图1，基于城际高速铁路的旅客购票时间预测方法，应用于车票预售阶段，该方法包括但不限于以下步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100：获取第一信息组和第二信息组，第一信息组包括旅客的个人出行特征数据，第二信息组包括旅客的购票行为数据。
步骤S200：根据第一信息组划分旅客的潜在类别模型。
步骤S300：根据潜在类别模型和第二信息组，设计离散选择模型。
步骤S400：根据离散选择模型预测旅客的购票时间。
通过步骤S100、步骤S200和步骤S300和步骤S400，可以获取到旅客的个人出行特征数据和购票行为数据，然后根据个人出行特征数据划分出旅客的潜在类别模型，并根据该潜在类别模型和购票行为数据设计出离散选择模型，再根据这些离散数据模型预测旅客的购票模型。通过该方法，根据旅客的个人出行特征数据和购票行为数据就能推理出旅客的购票时间的概率分布，从而预测预售期内票价浮动时旅客的购票时间，为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。
可以理解的是，离散选择模型可以是二项Logit模型，也可以是多项Logit模型等，本实施例并不对其做限制。
示例性的，关于步骤S100，具体可以包括但不限于以下步骤S110。
步骤S110：发放调查问卷以获取第一信息组和第二信息组。
需要说明的是，第一信息组包括旅客的性别、年龄段、学历、税前月收入、出行平均次数、出行目的和出行费用，第二信息组包括旅客虚拟情景下对应的购票时间，虚拟情景包括非节假日一般时期且票价固定、非节假日一般时期且票价下浮、节假日高峰时期且票价固定和节假日高峰时期且票价下浮，购票时间包括出发当天、提前1-2天、提前3-10天、提前11-20天和提前21-30天。
示例性的，关于步骤S100，具体可以包括但不限于以下步骤S120和步骤S130。
步骤S120:发放调查问卷，并采用信度和效度分析方法对调查问卷进行筛选处理以获得有效问卷。
步骤S130：根据有效问卷得到第一信息组和第二信息组。
示例性的，可以采取RP/SP相结合的调查方式来对调查问卷进行统计，统计结果如下表所示，表1为基于RP调查的旅客的个人出行特征数据，表2为基于SP调查的旅客的购票行为数据。其中，将虚拟情景中非节假日一般时期且票价固定记为情景1、非节假日一般时期且票价下浮记为情景2、节假日高峰时期且票价固定记为情景3和节假日高峰时期且票价下浮记为情景4。
表1基于RP调查的旅客的个人出行特征数据
表2基于SP调查的旅客的购票行为数据
示例性的，第一信息组包括多个外显变量，关于步骤S200，具体可以包括但不限于以下步骤S210和步骤S220。
步骤S210：根据多个外显变量计算得到各个外显变量的联合概率。
步骤S220：根据多个外显变量和联合概率划分得到旅客的潜在类别模型。
示例性的，多个外显变量分别为旅客的性别、年龄段、学历、税前月收入、出行平均次数、出行目的和出行费用，分别记为W1,W2,W3,W4,W5,W6,W7。每位旅客的外显变量取值就代表了每位旅客的个人出行特征，外显变量对应的取值可参见表1。
由于不同外显变量之间满足相互独立的条件，因此，可用P(W1,W2,W3,W4,W5,W6,W7)表示外显变量的联合概率，则潜在类别模型表示如下：
其中，P(X)表示旅客属于第X个潜在类别的概率，T为潜在类别总数；P(Wi/X)表示外显变量Wi的条件概率，Fi表示外显变量Wi的最大水平取值，具体可参见表1，如F1＝2，F2＝5。
对于给定的旅客外显变量取值，利用贝叶斯公式，可以计算该旅客归属潜在类别X的概率，表示如下：
其中，P(X/W1,W2,W3,W4,W5,W6,W7)表示旅客属于潜在类别X的后验概率。
那么，判定该旅客属于概率最大的潜在类别，记为X*，可如下表示：
示例性的，关于步骤S200，具体还可以包括但不限于以下步骤S230。
步骤S230：对潜在类别进行模型适配性检验，并采用极大似然法进行参数估计，以划分得到最佳潜在类别。
示例性的，可以借助Latent Gold 5.0软件进行模型适配性检验，并采用极大似然法进行参数估计，并将最佳潜在类别划分为4个，结果参见如下表3。
表3模型参数估计结果
根据表3可知，每个潜在类别的旅客群体具有明显的差异特征，主要特征如下：1)第1类旅客，占比44.36％，主要特征为税前月收入最高，出行频率最高，公费出行，以商务出行为主要出行目的。2)第2类旅客，占比23.06％，主要特征为税前月收入最低，出行频率较低，自费出行，以旅游休闲和求学为主要出行目的。3)第3类旅客，占比22.08％，主要特征为税前月收入较高，出行频率仅次于第1类旅客，自费出行，以旅游休闲和探亲访友为主要出行目的。4)第4类旅客，占比10.50％，主要特征为税前月收入较低，出行频率最低，自费出行，以旅游休闲和探亲访友为主要出行目的。整体上，可将第1类和第3类旅客概括为追求出行品质的高端型旅客，第2类和第4类旅客概括为追求经济效益的低端型旅客。
示例性的，离散选择模型为Logit模型，第二信息组包括虚拟情景和购票时间关于步骤S300，具体可以包括但不限于以下步骤S310。
步骤S310：将潜在类别模型记为i，虚拟情景记为s，购票时间记为j，在虚拟情景s下，第i类旅客在第j个购票时间的购票的效用可通过以下公式获得：
其中，为参数，/>为变量，/>为效用的随机项。
示例性的，为了便于构建模型，设置s∈{1,2,3,4}，j∈{1,2,3,4,5}，i∈{1,2,3,4}，并设置0,1变量指示旅客是否在情景s下的第j个购票时间购票。那么，在情景s下，第i类旅客在第j个购票时间的购票的效用可通过以下公式获得：
其中，为参数，/>为效用的随机项。
根据多项Logit模型原理，情景s下，第i类旅客选择第j个购票时间购票的概率可通过以下公式获得：
示例性的，关于步骤S300，具体还包括但不限于以下步骤S330。
步骤S330：根据公式对离散选择模型进行参数估计，以建立模型参数估计表。
示例性的，可以采用软件Stata 16对上述模型参数进行估计，结果可以参见表4。值得注意的是，根据相关指标可知，模型整体拟合效果较好。
表4模型参数估计表
注：“*”表示在1％显著性水平下具有统计学意义；“-”表示参考类别。
示例性的，关于步骤S400，具体可以包括但不限于以下步骤S410。
步骤S410：根据模型参数估计表，分别计算各个潜在类别模型的旅客在不同的虚拟情景下的各个购票时间的选择概率，并建立选择概率分布图。
具体地，根据上述多项Logit模型，分别计算各类旅客群体在不同情景下各个购票时间的选择概率。参见图2A和图2B，图2A为本发明一实施例的非节假日一般时期各类旅客的购票时间选择概率分布图，图2B为本发明一实施例的节假日高峰时期各类旅客的购票时间选择概率分布图。对于情景1(非节假日一般时期、票价固定)和情景2(非节假日一般时期、票价下浮)，各类旅客在各个购票时间的选择概率分布如图2A所示。对于情景3(节假日高峰时期、票价固定)和情景4(节假日高峰时期、票价上浮)，各类旅客在各个购票时间的选择概率分布如图2B所示。
然后，分析票价下浮和上浮对旅客购票时间的影响。参见图3A和图3B，图3A为本发明一实施例的非节假日一般时期各类旅客的购票时间选择概率变化的分布图，图3B为本发明一实施例的节假日高峰时期各类旅客的购票时间选择概率变化/>的分布图。将对比情景1和情景2下第i类旅客在第j个购票时间的选择概率变化，记为/>得到分布图如图3所示。类似，将对比情景3和情景4下第i类旅客在第j个购票时间的选择概率变化，记为/>其分布如图3B所示。
之后，根据图2A至图3B预测得到不同潜在类别模型的旅客的购票时间。
基于上述第一方面实施例的基于城际高速铁路的旅客购票时间预测方法，提出本发明第二方面各个实施例的电子设备和第三方面各个实施例的计算机可读存储介质。
本发明第二方面实施例提供了一种电子设备，该电子设备包括至少一个处理器和用于与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本发明第一方面实施例的基于城际高速铁路的旅客购票时间预测方法，例如，执行以上描述的图1中的方法步骤S100至S400。
通过使用该电子设备，能够根据旅客的个人出行特征数据和购票行为数据，推理出旅客的购票时间的概率分布，从而预测预售期内票价浮动时旅客的购票时间，为铁路部门制定满足多样化旅客市场需求的票价浮动策略提供决策支持。
第三方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行如上述第一方面任意一项实施例的基于城际高速铁路的旅客购票时间预测方法。电子设备的控制器或处理器执行以上描述的方法步骤S100至S400。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下，作出各种变化。

Claims (6)

1.一种基于城际高速铁路的旅客购票时间预测方法，应用于车票预售阶段，其特征在于，所述方法包括：
获取第一信息组和第二信息组，所述第一信息组包括旅客的个人出行特征数据和多个外显变量，所述第二信息组包括旅客的购票行为数据、虚拟情景和购票时间；
根据所述第一信息组划分旅客的潜在类别模型，所述潜在类别模型的参数概率通过贝叶斯推断法进行估算；
根据所述潜在类别模型和所述第二信息组，设计离散选择模型；所述离散选择模型为Logit模型；
根据所述离散选择模型预测旅客的购票时间；
其中，所述根据所述第一信息组划分旅客的潜在类别模型，包括以下步骤：
根据多个所述外显变量计算得到各个所述外显变量的联合概率；
根据所述多个外显变量和对应的所述联合概率划分得到旅客的潜在类别模型；
所述根据所述潜在类别模型和所述第二信息组，设计离散选择模型，包括以下步骤：
将所述潜在类别模型记为i，所述虚拟情景记为s，所述购票时间记为j，在所述虚拟情景s下，第i类旅客在第j个购票时间的购票的效用可通过以下公式获得：/>其中，/>为参数，/>为变量，/>为效用的随机项；
根据所述公式对所述离散选择模型进行参数估计，以建立模型参数估计表；
所述根据所述离散选择模型预测旅客的购票时间，包括以下步骤：
根据所述模型参数估计表，分别计算各个所述潜在类别模型的旅客在不同的所述虚拟情景下的各个所述购票时间的选择概率，并建立选择概率分布图。
2.根据权利要求1所述的旅客购票时间预测方法，其特征在于，所述获取第一信息组和第二信息组，包括：
发放调查问卷以获取第一信息组和第二信息组；
所述第一信息组包括旅客的性别、年龄段、学历、税前月收入、出行平均次数、出行目的和出行费用，所述第二信息组包括旅客虚拟情景下对应的购票时间，所述虚拟情景包括非节假日一般时期且票价固定、非节假日一般时期且票价下浮、节假日高峰时期且票价固定和节假日高峰时期且票价下浮，所述购票时间包括出发当天、提前1-2天、提前3-10天、提前11-20天和提前21-30天。
3.根据权利要求2所述的旅客购票时间预测方法，其特征在于，所述发放调查问卷以获取第一信息组和第二信息组，包括：
发放调查问卷，并采用信度和效度分析方法对所述调查问卷进行筛选处理以获得有效问卷；
根据所述有效问卷得到第一信息组和第二信息组。
4.根据权利要求1所述的旅客购票时间预测方法，其特征在于，所述根据所述第一信息组划分旅客的潜在类别模型，还包括：
对所述潜在类别进行模型适配性检验，并采用极大似然法进行参数估计，以划分得到最佳潜在类别。
5.一种电子设备，其特征在于，存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的基于城际高速铁路的旅客购票时间预测方法。
6.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至4任意一项所述的基于城际高速铁路的旅客购票时间预测方法。
CN202110016812.5A 2021-01-07 2021-01-07 基于城际高速铁路的旅客购票时间预测方法和电子设备 Active CN112785020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110016812.5A CN112785020B (zh) 2021-01-07 2021-01-07 基于城际高速铁路的旅客购票时间预测方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110016812.5A CN112785020B (zh) 2021-01-07 2021-01-07 基于城际高速铁路的旅客购票时间预测方法和电子设备

Publications (2)

Publication Number Publication Date
CN112785020A CN112785020A (zh) 2021-05-11
CN112785020B true CN112785020B (zh) 2024-03-29

Family

ID=75756007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110016812.5A Active CN112785020B (zh) 2021-01-07 2021-01-07 基于城际高速铁路的旅客购票时间预测方法和电子设备

Country Status (1)

Country Link
CN (1) CN112785020B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806450B (zh) * 2021-05-21 2022-10-14 西南交通大学 一种基于综合交通大数据的融合型旅客关系网络构建方法
CN113344679A (zh) * 2021-06-30 2021-09-03 上海蒜芽信息科技有限公司 火车票推荐方法、系统、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222703A (zh) * 2020-01-09 2020-06-02 五邑大学 一种预测旅客出行方式的方法及装置
CN112052898A (zh) * 2020-09-03 2020-12-08 五邑大学 一种城际高铁乘客的潜在分类模型构建方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222703A (zh) * 2020-01-09 2020-06-02 五邑大学 一种预测旅客出行方式的方法及装置
CN112052898A (zh) * 2020-09-03 2020-12-08 五邑大学 一种城际高铁乘客的潜在分类模型构建方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于旅客分类的高速铁路平行车次动态定价研究;李博等;《铁道学报》;第39卷(第9期);摘要，第11-14页 *
基于潜在类别模型的高铁旅客市场细分;乔珂;赵鹏;文佳星;;交通运输系统工程与信息(第02期);第28-34页 *
航空旅客购票选择行为及敏感度分析;赵桂红;刘晶晶;王典;;全国流通经济(第16期);第22-24页 *

Also Published As

Publication number Publication date
CN112785020A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Ulmer et al. The restaurant meal delivery problem: Dynamic pickup and delivery with deadlines and random ready times
Guidon et al. Electric bicycle-sharing: A new competitor in the urban transportation market? An empirical analysis of transaction data
CN112785020B (zh) 基于城际高速铁路的旅客购票时间预测方法和电子设备
DeLoach et al. Not driving alone? American commuting in the twenty-first century
CN111936988A (zh) 智能激励分配
Balac et al. Fleet sizing for pooled (automated) vehicle fleets
Sun et al. Investigating the potential of truck platooning for energy savings: empirical study of the US national highway freight network
Kumar et al. A bilevel programming model for operative decisions on special trains: An Indian Railways perspective
Abkarian et al. Understanding ridesplitting behavior with interpretable machine learning models using Chicago transportation network company data
Mo et al. The vehicle routing problem with underground logistics: Formulation and algorithm
Sahu et al. Examining the impacts of highway proximity on freight flow patterns of establishments
Tan et al. An enhanced adaptive large neighborhood search for fatigue-conscious electric vehicle routing and scheduling problem considering driver heterogeneity
Macián et al. Time replacement optimization model: comparative analysis of urban transport fleets using Monte Carlo Simulation
Carreyre et al. On-Demand Autonomous Vehicles in Berlin: A Cost–Benefit Analysis
Hu et al. Multi-objective model for dial-a-ride problems with vehicle speed considerations
CN113706011B (zh) 一种基于前景理论的停车泊位共享效益动态判定方法
Lee et al. Optimal relocation strategy for public bike system with selective pick-up and delivery
Alisan et al. Tabu-search-based combinatorial subset selection approach to support investigation of built environment and traffic safety relationship
Liang et al. Dynamic rebalancing optimization for bike-sharing systems: A modeling framework and empirical comparison
Eilertsen et al. Joint relocation and pricing in electric car-sharing systems
Chen et al. User characteristics and service satisfaction of car sharing systems: Evidence from Hangzhou, China
Amaya et al. Understanding delivery drivers’ parking preferences in urban freight operations
Zhang et al. Impact analysis of HSR fare discount strategy on HSR share in Beijing–Shanghai transportation corridor
Wang et al. Two-echelon multi-commodity multimodal vehicle routing problem considering user heterogeneity in city logistics
Vasudevan et al. A model to estimate passenger vehicle fleet composition, vehicle miles traveled, and fuel consumption

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