CN112990645A - 客流需求非限化确定方法和相关设备 - Google Patents

客流需求非限化确定方法和相关设备 Download PDF

Info

Publication number
CN112990645A
CN112990645A CN202011486140.6A CN202011486140A CN112990645A CN 112990645 A CN112990645 A CN 112990645A CN 202011486140 A CN202011486140 A CN 202011486140A CN 112990645 A CN112990645 A CN 112990645A
Authority
CN
China
Prior art keywords
ticket
time period
passenger
period
determining
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.)
Granted
Application number
CN202011486140.6A
Other languages
English (en)
Other versions
CN112990645B (zh
Inventor
卫铮铮
单杏花
吕晓艳
张永
张军锋
王洪业
刘彦麟
赵翔
李仕旺
王梓
武晋飞
李永
郝晓培
郭根材
孟歌
韩慧婷
王煜
潘跃
田秘
李福星
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 Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
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 Academy of Railway Sciences Corp Ltd CARS, Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202011486140.6A priority Critical patent/CN112990645B/zh
Publication of CN112990645A publication Critical patent/CN112990645A/zh
Application granted granted Critical
Publication of CN112990645B publication Critical patent/CN112990645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及客流需求预测技术领域，尤其涉及一种客流需求非限化确定方法和相关设备。该方法包括：当第一车次的第一客票的发车时间在非聚集性时段时，确定第一客票在预售期的已售票数和售票关闭节点；将第一客票的售票关闭节点至预售期结束确定为第一时间段；确定与第一时间段对应的第二时间段，并获取第一车次的第二客票在第二时间段内的已售票数，第二客票在第二时间段内的余票量大于或者等于第一阈值；根据第一客票在预售期的已售票数和第二客票在第二时间段的已售票数，确定第一客票的非限化客流需求。本发明实施例的客流需求非限化确定方案，可以使预测出的客流非限化需求更加准确。

Description

客流需求非限化确定方法和相关设备
技术领域
本发明涉及客流需求预测技术领域，尤其涉及一种客流需求非限化确定方法和相关设备。
背景技术
科学的客流需求预测是交通运输部门建立快速响应机制、合理编排交通工具开行方案、实现票额动态调整以及开展收益管理等工作的基础。在目前的客票发售方案中，售票系统所售出的票量受到控票策略、售票高峰期需求截尾灯因素的影响，导致售票数据并不能完全真实反映旅客的客流需求。如何根据受限制票务数据，确定旅客真实的非限化客流需求成为一个需要解决的问题。
发明内容
有鉴于此，本发明实施例提供一种客流需求非限化确定方法，以使预测出的客流非限化需求更加准确。
第一方面，本发明实施例提供了一种客流需求非限化确定方法，包括：
当第一车次的第一客票的发车时间在非聚集性时段时，确定所述第一客票在预售期的已售票数和售票关闭节点，所述非聚集性时段根据所述第一车次的历史候补票数据确定，所述售票关闭节点为余票量低于第一阈值的时间节点；
将所述第一客票的售票关闭节点至预售期结束确定为第一时间段；确定与所述第一时间段对应的第二时间段，并获取所述第一车次的第二客票在所述第二时间段内的已售票数，所述第二客票在所述第二时间段内的余票量大于或者等于所述第一阈值；
根据所述第一客票在预售期的已售票数和所述第二客票在第二时间段的已售票数，确定所述第一客票的非限化客流需求。
可选的，根据所述第一车次的历史候补票数据确定所述非聚集性时段，包括：
所述第一车次的历史候补票数据包括候补未实现数据；
根据所述候补未实现数据，如果所述第一车次的各客票在一个预设周期内出现候补未实现的连续天数大于第二阈值，则将候补未实现的连续天数对应的时段确定为所述第一车次的聚集性时段，将所述预设周期的其它时段确定为所述第一车次的非聚集性时段；
如果所述第一车次的各客票在所述预设周期内候补未实现的连续天数均小于或者等于所述第二阈值，则将所述预设周期确定为所述第一车次的非聚集性时段。
可选的，所述方法还包括：当所述第一客票的发车时间在聚集性时段时，根据所述第一客票在预售期的已售票数和候补未实现的票数，确定所述第一客票的非限化客流需求。
可选的，确定所述第一客票的售票关闭节点，包括：
获取所述第一客票在预售期的第N天中各个采样节点的余票量；
如果第N天中余票量低于第一阈值的采样节点的个数大于第三阈值，则将第N天确定为所述第一客票的售票关闭节点。
可选的，将所述第一客票的售票关闭节点至预售期结束确定为第一时间段，包括：所述第一客票的预售期分为多组，每组包含一天或者连续多天的预售时间；
确定所述售票关闭节点所在的分组；
将所述所述售票关闭节点所在的分组以及至预售期结束之间的各分组确定为所述第一时间段。
可选的，确定与所述第一时间段对应的第二时间段，包括：
确定所述第一客票的发车时间在第一子周期的第一时间节点；
从所述第一子周期之前的各个子周期中确定多个第二子周期，将发车时间在所述第二子周期第一时间节点的第一车次的客票确定为第二客票；
将所述第二客票预售期中与所述第一时间段相同的时间段确定为所述第二时间段。
可选的，根据所述第一客票在预售期的已售票数和所述第二客票在第二时间段的已售票数，确定所述第一客票的非限化客流需求，包括：
将所述第二客票在第二时间段的已售票数输入伽马分布模型，得到第一票数；
将所述第一客票在预售期的已售票数和所述第一票数累加组合并输入所述伽马分布模型，得到所述第一客票的非限化客流需求。
可选的，将所述第二客票在第二时间段的已售票数输入伽马分布模型，得到第一票数，包括：
根据第二客票在第二时间段的已售票数确定伽马分布模型的初始参数；
基于所述初始函数进行伽马分布拟合，根据拟合结果得到所述第一票数。
第二方面，本发明实施例提供了一种客流需求非限化确定装置，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
第三方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明实施例方案中，根据第一车次客票的历史候补数据确定第一车次客票的聚集性时段和非聚集性时段。针对发车时间在不同的时段的第一车次客票，采用不同的客流需求预测策略。其中，当第一车次的第一客票的发车时间在非聚集性时段时，根据第一客票在预售期的余票量确定第一客票的售票关闭节点。售票关闭节点至售票期结束可以称为第一时间段。第一客票在第一时间段的客流需求受到限制。其中，第一客票在第一时间段的客流需求也可以认为是第一客票在第一时间段的客票需求，对应旅客对第一客票的实际购票需求。为更加准确地预估第一客票在第一时间段的实际需求，本发明实施例利用第二客票在第二时间段的售票量估计第一客票在第一时间段的实际客流需求。其中，第二客票与第一客票为相同车次、不同发车时间的客票。第二客票在第二时间段内的客票供应相对比较充分，第二客票在第二时间段的售票数能较为准确地反应客流需求。进一步，第二客票的第二时间段与第一客票的时间段可以具有相同的时间节点特征，因此第二客票在第二时间段的售票数也可以反应第一客票在第一时间段的客流需求。之后，可以根据第一客票在预售期的已售票数和第二客票在第二时间段的已售票数来估计第一客票的非限化客流需求，由此可以使估计结果能够更加准确反映旅客对第一客票的实际需求。
在一些实施例中，如果第一客票的发车时间在聚集性时段，则可以根据第一客票在预售期的已售票数和候补未实现的票数来确定第一客票的非限化客流需求。由此，以基于第一客票的候补未实现数据估计旅客对第一客票的非限化需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明实施例提供的一种客流需求非限化确定方法的流程图；
图2是本发明实施例提供的另一种客流需求非限化确定方法的流程图；
图3是本发明实施例提供的一种客流需求非限化确定装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种客流需求非限化确定方法的流程图。如图1所示，该方法的处理步骤包括：
101，当第一车次的第一客票的发车时间在非聚集性时段时，确定第一客票在预售期的已售票数和售票关闭节点。
本发明实施例中，根据各车次的历史候补票数据，将各车次的发车时间分为聚集性时段和非聚集性时段。例如，第一车次每M天发一次车，则可以在一年的时间周期内，将第一车次的发车时间分为聚集性时段和非聚集时段。可选的，第一车次可以为任意车次。发车间隔M可以根据实际需要确定，例如M为1，则第一车次每天发车。
根据第一车次的历史候补票票数据，将第一车次的发车时间分为聚集性时段和非聚集性时段的方式可以包括：第一车次的历史候补票数据包括候补未实现数据。根据候补未实现数据可以确定第一车次客票紧张的发车时段。例如，发车时间为9月1日至9月15日的第一车次的客票出现候补未实现的情况，可以确定9月1至9月15日的第一车次的客票紧张，则发车时间9月1至9月15日可以确定为第一车次的聚集性时段，其它时段可以确定为第一车次的非聚集性时段。
具体的，确定第一车次的聚集性时段和非聚集性时段包括：根据第一车次的候补未实现数据，如果第一车次的各客票在一个预设周期内出现候补未实现的连续天数大于设定阈值，例如候补未实现的连续天数大于14天，则将候补未实现的连续天数对应的时段确定为第一车次的聚集性时段，将预设周期的其它时段确定为第一车次的非聚集性时段。可选的，预设周期例如可以为一年。可选的，在一个预设周期内第一车次可以包括一个或者多个聚集性时段。在一些实施例中，如果第一车次的聚集性时段所占据的天数与预设周期总天数的比值大于一定阈值，则可以将整个预设周期确定为第一车次的聚集性时段。例如，第一车次的聚集性时段所占据的天数与预设周期总天数的比值大于80％，则可以将整个预设周期均确定为第一车次的聚集性时段。即，第一车次的客票总处于购票紧张的状态中。
在一些实施例中，如果第一车次的各客票在预设周期内候补未实现的连续天数均小于或等于设定阈值，则所述预设周期均为第一车次的非聚集性时段。
基于上述对聚集性时段和非聚集性时段的划分方法，可以将各车次分为三类，第一类：整个预设周期均为聚集性时段的车次，即该车次在整个预设周期内均是客票紧张状态；第二类：在预设周期内存在一个或多个聚集性时段，其它时段为非聚集性时段的车次，即该车次在预设周期的一个或几个时段票务紧张，其它时段票务供应相对充足；第三类，整个预设周期均为非聚集性时段的车次，即该车次在整个预设周期均票务供应相对充足，可能偶然几天票务紧张。本发明实施例，对不同类型车次的不同时段，可以采用具有针对性的客流确定方法，以更加准确地预估不同类型车次的非限化客流需求。
当第一车次的第一客票的发车时间在非聚集性时段时，确定第一客票在预售期的已售票数和售票关闭节点。第一客票的售票关闭节点可以是指第一客票的余票量低于第一阈值的时间节点。第一客票在预售期的已售票数可以是第一客票从预售期开始至售票关闭节点出售的客票量。从上述分析可以看出，从售票关闭节点至预售期结束第一客票的余票量已经低于第一阈值，则可以认为第一客票从售票关闭节点至预售期结束这段时间票务紧张，客票实际需求受到限制。
102，将第一客票的售票关闭节点至预售期结束确定为第一时间段。
103，确定与第一时间段对应的第二时间段，并获取第一车次的第二客票在第二时间段内的已售票数。第二客票与第一客票可以为同一车次不同发车时间的客票。第一客票的发车时间和第二客票的发车时间可以在不同子周期的相同时间节点。例如，可以将一周作为一个子周期。第一客票的发车时间例如在周二，第二客票的发车时间在第一客票的发车时间之前并且也在周二。进一步，第一客票的第一时间段与第二客票的第二时间段可以为预售期的同一时间段。例如，第一客票的第一时间段为其预售期结束的前三天，则第二客票的第二时间段也为其预售期结束的前三天。不同的是，第一客票在第一时间段内的余票量已经低于第一阈值，第二客票在第二时间段内的余票量仍然大于或者等于第一阈值。本步骤中，获取第二客票在第二时间段内的已售票数，并可以在后续步骤中根据第二客票在第二时间段的已售票数估计第一客票在第一时间段实际的客流需求。
104，根据第一客票在预售期的已售票数和第二客票在第二时间段的已售票数，确定第一客票的非限化客流需求。本发明实施例中，根据第二客票在第二时间段内的已售票数估计第一客票从售票关闭节点至预售期结束受限的客流需求，进而可以在第一客票已售票数的基础上估计第一客票的非限化客流需求。
在图1所示实施例的基础上，本发明实施例确定第一客票的售票关闭节点的步骤包括：
201，获取第一客票在预售期的第N天中各个采样节点的余票量。
在第一客票的预售期中，每天会统计第一客票的余票量。可选的，统计第N天余票量的方式包括：第N天设置有多个采样节点，在每个采样节点均会统计第一客票的余票量。可选的，N可以为第一客票预售期中的任意一天。在一些实施例中，在第N天，可以每隔一个小时或者几个小时统计一次第一客票的余票量。
202，如果第N天中余票量低于设定阈值的采样节点的个数大于Q个，则将第N天确定为第一客票的售票关闭节点，其中，Q可以根据实际需要设置，例如设置为5个、6个或者其它可能的个数。
在一些实施例中，可以每隔一个小时采集一次第一客票的余票量。在统计各个采样节点的余票量时，可以选取固定时间段的采样节点，例如选取6点至23点采集的18个余票量数据。在该18个采样点的余票量数据中，如果存在5个或5个以上采样节点的余票量小于X，则将该天确定为售票关闭节点，其中X可以根据需要设置，例如设置为2。如果18个采样点的余票量数据中，存在5个或者5个以上采样节点的余票量小于2，则可以将该天确定为售票关闭节点。在确定售票关闭节点的基础上，确定第一时间段的步骤包括：
203，确定售票关闭节点所在的分组。本发明实施例中，将第一客票的预售期分为多组，每组包含一天或者连续多天的预售时间。例如，第一客票包含30天的预售期，可以将该30天分为7组，分别是0,1,2-3,4-6,7-14,15-27,28-29，其中，0是指第一客票的发车当天，1表示第一客票发车的前一天……28表示第一客票预售的第二天，29表示第一客票预售的第一天。如果售票关闭节点在第一客票发车的前2天，则其在2-3的分组中。
204，将售票关闭节点所在分组至预售期结束的各分组确定为第一时间段。例如，售票关闭节点在第一客票发车的前2天，其在2-3的分组中，2-3,1,0三个分组对应第一时间段。在此基础上，确定与第一时间段对应的第二时间段的步骤包括：
205，确定第一客票的发车时间在第一子周期的第一时间节点。可选的，可以将一周、两周或者其它可能的时间段作为一个子周期。第一客票的发车时间所在的子周期称为第一子周期，其在第一子周期的具体时间称为第一时间节点。例如，将一周作为一个子周期，第一客票的发车时间为周二，则周二为第一时间节点。
206，从第一子周期之前的各个子周期中确定多个第二子周期，将发车时间在第二子周期第一时间节点的第一车次的客票确定为第二客票。
本发明实施例中，可以从第一子周期之前的几个子周期中选取多个第二子周期。将发车时间在第二子周期第一时间节点的第一车次的客票确定为第二客票。
207，将第二客票预售期中与第一时间段相同的时间段确定为第二时间段。例如，第一客票的第一时间段为预售期的2-3,1,0三个分组，则第二客票的第二时间段也为预售期的2-3,1,0三个分组。需要说明的是，第二客票在第二时间段的余票量大于设定值，即第二客票在第二时间段仍具有较充足的供应量。
可选的，可以采用上述方式选取多组第二客票，例如将第一子周期的前五周的每周二的第一车次客票均确定为第二客票。
本发明实施例中，根据第一客票在预售期的已售票数和第二客票在第二时间段的已售票数，确定第一客票的非限化客流需求的方式包括：
208，如果第一客票的发车时间在非聚集性时段，则将第二客票在第二时间段的已售票数输入伽马分布模型，得到第一票数。
209，将第一客票在预售期的已售票数和第一票数累加组合并输入伽马分布模型，以得到第一客票的非限化客流需求。
其中，将第二客票在第二时间段的已售票数输入伽马分布模型得到第一票数，包括：根据第二客票在第二时间段的已售票数确定伽马分布模型的初始参数。基于所述初始函数进行伽马分布拟合，根据拟合结果得到第一票数。该第一票数可以用于表示第一客票从售票关闭节点至预售期结束受限的客流需求。
根据第二客票在第二时间段的已售票数确定伽马分布模型的初始参数，包括：采用如下公式计算伽马分布模型的初始参数paraGama[1]和paraGama[0]。其中，paraGama[1]＝Sigma/Aver；paraGama[0]＝Aver/paraGama[1]。
本发明实施例中，将选取的第二客票在第二时间段的各个分组中的已售票数集合记为DemLim,Sigma为Demlim数据集的方差，Aver为Demlim数据集的平均值。之后基于伽马分布模型计算GMcdf1和GMcdf2，所述伽马分布模型可以为伽马分布概率累积函数，其中：
GMcdf1＝Gamcdf(DemLim,paraGama[0]+1,paraGama[1])；
GMcdf2＝Gamcdf(DemLim,paraGama[0],paraGama[1])。
根据公式ID0＝paraGama[0]*(1-GMcdf1)*paraGama[1]/(1-GMcdf2)计算第一票数。
将第一票数与第一客票在预售期的已售票数进行累加组合，累加组合结果表示为indataAdd。基于indataAdd重新进行伽马分布拟合，得到新的paraGama[0]。基于新的paraGama[0]计算ID0，将新得到的ID0记为ID1。判断ID1和ID0之间是否满足|ID1-ID0|<0.1，如果满足则将最终得到的ID0确定为第一客票的非限化客流需求。如果循环100次之后，ID0仍不收敛，则将用于计算ID0的所有Demlim数据集的均值和第一客票的已售票数之和作为输出结果。
本发明实施例中，如果第一客票的发车时间在聚集性时段，则可以根据第一客票在预售期的已售票数和候补未实现的票数，确定所述第一客票的非限化客流需求。其中，可以基于公式yt＝β0+α计算第一客票的非限化客流需求。yt表示非限化结果，β0表示为第一客票的已售票数，α表示候补未实现票数。
对于第一类车次，即整个预设周期均为聚集性时段的车次，可以采用上述聚集性时段的客票估计方法确定相应客票的非限化客流需求。
对于第二类车次，即在预设周期内存在一个或多个聚集性时段，其它时段为非聚集性时段的车次，当发车时间在聚集性时段时采用上述上述聚集性时段的客票估计方法确定相应客票的非限化客流需求；当发车时间在非聚集性时段时采用上述非聚集性时段的客票估计方法确定相应客票的非限化客流需求。
对于第三类车次，即整个预设周期均为非聚集性时段的车次，可以采用上述非聚集性时段的客票估计方法确定相应客票的非限化客流需求。
对应上述客流需求非限化确定方法，本发明实施例还提供了一种客流需求非限化确定装置。本领域技术人员可以理解，这些客票非均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
如图3所示，该装置包括：第一确定模块、第二确定模块和估计模块；
第一确定模块310，用于当第一车次的第一客票的发车时间在非聚集性时段时，确定所述第一客票在预售期的已售票数和售票关闭节点，所述非聚集性时段根据所述第一车次的历史候补票数据确定，所述售票关闭节点为余票量低于第一阈值的时间节点。
第二确定模块320，用于将所述第一客票的售票关闭节点至预售期结束确定为第一时间段；确定与所述第一时间段对应的第二时间段，并获取所述第一车次的第二客票在所述第二时间段内的已售票数，所述第二客票在所述第二时间段内的余票量大于或者等于所述第一阈值。
估计模块330，用于根据所述第一客票在预售期的已售票数和所述第二客票在第二时间段的已售票数，确定所述第一客票的非限化客流需求。
本申请实施例的上述客流需求非限化确定装置可以执行图1-图2所示实施例的方法。本实施例未详细描述的部分，可以参考对图1-图2所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图2所示实施例中的描述，在此不再赘述。
图4是本发明实施例提供的一种电子设备的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本说明书实施例的功能和使用范围带来任何限制。如图4所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410，通信接口420，存储器430，连接不同系统组件(包括存储器430，通信接口420和处理器410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器430可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本说明书各实施例的功能和/或方法。
具有一组(至少一个)程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本说明书图1～图2所示实施例提供的方法。
本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1～图2所示实施例提供的方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。
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)”。
在本说明书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。
另外，在本说明书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。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (10)

1.一种客流需求非限化确定方法，其特征在于，包括：
当第一车次的第一客票的发车时间在非聚集性时段时，确定所述第一客票在预售期的已售票数和售票关闭节点，所述非聚集性时段根据所述第一车次的历史候补票数据确定，所述售票关闭节点为余票量低于第一阈值的时间节点；
将所述第一客票的售票关闭节点至预售期结束确定为第一时间段；确定与所述第一时间段对应的第二时间段，并获取所述第一车次的第二客票在所述第二时间段内的已售票数，所述第二客票在所述第二时间段内的余票量大于或者等于所述第一阈值；
根据所述第一客票在预售期的已售票数和所述第二客票在第二时间段的已售票数，确定所述第一客票的非限化客流需求。
2.根据权利要求1所述的方法，其特征在于，根据所述第一车次的历史候补票数据确定所述非聚集性时段，包括：
所述第一车次的历史候补票数据包括候补未实现数据；
根据所述候补未实现数据，如果所述第一车次的各客票在一个预设周期内出现候补未实现的连续天数大于第二阈值，则将候补未实现的连续天数对应的时段确定为所述第一车次的聚集性时段，将所述预设周期的其它时段确定为所述第一车次的非聚集性时段；
如果所述第一车次的各客票在所述预设周期内候补未实现的连续天数均小于或者等于所述第二阈值，则将所述预设周期确定为所述第一车次的非聚集性时段。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述第一客票的发车时间在聚集性时段时，根据所述第一客票在预售期的已售票数和候补未实现的票数，确定所述第一客票的非限化客流需求。
4.根据权利要求1所述的方法，其特征在于，确定所述第一客票的售票关闭节点，包括：
获取所述第一客票在预售期的第N天中各个采样节点的余票量；
如果第N天中余票量低于第一阈值的采样节点的个数大于第三阈值，则将第N天确定为所述第一客票的售票关闭节点。
5.根据权利要求4所述的方法，其特征在于，将所述第一客票的售票关闭节点至预售期结束确定为第一时间段，包括：
所述第一客票的预售期分为多组，每组包含一天或者连续多天的预售时间；
确定所述售票关闭节点所在的分组；
将所述所述售票关闭节点所在的分组以及至预售期结束之间的各分组确定为所述第一时间段。
6.根据权利要求5所述的方法，其特征在于，确定与所述第一时间段对应的第二时间段，包括：
确定所述第一客票的发车时间在第一子周期的第一时间节点；
从所述第一子周期之前的各个子周期中确定多个第二子周期，将发车时间在所述第二子周期第一时间节点的第一车次的客票确定为第二客票；
将所述第二客票预售期中与所述第一时间段相同的时间段确定为所述第二时间段。
7.根据权利要求1所述的方法，其特征在于，根据所述第一客票在预售期的已售票数和所述第二客票在第二时间段的已售票数，确定所述第一客票的非限化客流需求，包括：
将所述第二客票在第二时间段的已售票数输入伽马分布模型，得到第一票数；
将所述第一客票在预售期的已售票数和所述第一票数累加组合并输入所述伽马分布模型，得到所述第一客票的非限化客流需求。
8.根据权利要求7所述的方法，其特征在于，将所述第二客票在第二时间段的已售票数输入伽马分布模型，得到第一票数，包括：
根据第二客票在第二时间段的已售票数确定伽马分布模型的初始参数；
基于所述初始函数进行伽马分布拟合，根据拟合结果得到所述第一票数。
9.一种客流需求非限化确定装置，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至8任一所述的方法。
CN202011486140.6A 2020-12-16 2020-12-16 客流需求非限化确定方法和相关设备 Active CN112990645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011486140.6A CN112990645B (zh) 2020-12-16 2020-12-16 客流需求非限化确定方法和相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011486140.6A CN112990645B (zh) 2020-12-16 2020-12-16 客流需求非限化确定方法和相关设备

Publications (2)

Publication Number Publication Date
CN112990645A true CN112990645A (zh) 2021-06-18
CN112990645B CN112990645B (zh) 2023-11-17

Family

ID=76345013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011486140.6A Active CN112990645B (zh) 2020-12-16 2020-12-16 客流需求非限化确定方法和相关设备

Country Status (1)

Country Link
CN (1) CN112990645B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554196A (zh) * 2021-07-23 2021-10-26 上海蒜芽信息科技有限公司 基于部分行程后补订票的方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321341A (zh) * 2015-12-03 2016-02-10 北京航空航天大学 一种基于城市移动模式的资源供应方法
CN105718755A (zh) * 2016-04-14 2016-06-29 中南大学 基于客流动态分配的高铁网络能力适用性评价方法
CN106056242A (zh) * 2016-05-25 2016-10-26 中南大学 基于客流动态分配的高铁列车开行方案评价方法
CN106897838A (zh) * 2017-01-24 2017-06-27 北京万相融通科技股份有限公司 一种车站客流压力预测与统计分析方法及其系统
CN109190826A (zh) * 2018-09-05 2019-01-11 中国联合网络通信集团有限公司 列车售票优化方法和列车售票优化系统
US20200097815A1 (en) * 2018-09-21 2020-03-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting passenger flow
CN110956498A (zh) * 2019-11-27 2020-04-03 中国铁道科学研究院集团有限公司电子计算技术研究所 列车票额市场供给效率的评估方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321341A (zh) * 2015-12-03 2016-02-10 北京航空航天大学 一种基于城市移动模式的资源供应方法
CN105718755A (zh) * 2016-04-14 2016-06-29 中南大学 基于客流动态分配的高铁网络能力适用性评价方法
CN106056242A (zh) * 2016-05-25 2016-10-26 中南大学 基于客流动态分配的高铁列车开行方案评价方法
CN106897838A (zh) * 2017-01-24 2017-06-27 北京万相融通科技股份有限公司 一种车站客流压力预测与统计分析方法及其系统
CN109190826A (zh) * 2018-09-05 2019-01-11 中国联合网络通信集团有限公司 列车售票优化方法和列车售票优化系统
US20200097815A1 (en) * 2018-09-21 2020-03-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting passenger flow
CN110956498A (zh) * 2019-11-27 2020-04-03 中国铁道科学研究院集团有限公司电子计算技术研究所 列车票额市场供给效率的评估方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHENGZHENG WEI ET AL.: "Research on forecast method of railway passenger flow demand in pre-sale period", IOP CONFERENCE SERIES MATERIALS SCIENCE AND ENGINEERING, pages 1 - 7 *
卫铮铮: "基于客户分层的高速铁路收益管理需求预测研究", 中国博士学位论文全文数据库工程科技Ⅱ辑, vol. 2016, no. 06, pages 033 - 1 *
邵丽花: "基于需求非限化的高速铁路客运收益管理研究", 中国优秀硕士学位论文全文数据库经济与管理科学辑, vol. 2018, no. 06, pages 151 - 18 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554196A (zh) * 2021-07-23 2021-10-26 上海蒜芽信息科技有限公司 基于部分行程后补订票的方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN112990645B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
US20180260621A1 (en) Picture recognition method and apparatus, computer device and computer- readable medium
CN109543909B (zh) 车辆案件数量的预测方法、装置和计算机设备
US9836979B2 (en) Method and system for latent demand modeling for a transportation system
CN102129737A (zh) 一种排队等待时间的获取方法及系统
CN110020773A (zh) 一种数据处理方法、设备及计算机可读介质
CN108459905B (zh) 资源池容量规划方法及服务器
CN112990645A (zh) 客流需求非限化确定方法和相关设备
CN110543699B (zh) 共享车辆出行数据仿真、共享车辆调度方法、装置及设备
CN114202130A (zh) 流转量预测多任务模型生成方法、调度方法、装置和设备
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
CN113469523B (zh) 柜员排班信息的获取方法、装置、电子设备和存储介质
CN111275229A (zh) 资源模型训练方法、资源缺口预测方法、装置及电子设备
US20150106135A1 (en) Booking decision method for transportation industry by sampling optimal revenue
CN112085442A (zh) 设备操作方法、装置、电子设备和计算机可读介质
CN115983896A (zh) 需求预测方法及相关装置
CN114662804B (zh) 用于换电站的资源配置方法、装置、设备及介质
CN113065821B (zh) 一种车辆调拨行为预警方法、装置、设备及存储介质
CN115202890A (zh) 数据元件生产资源空间分配方法、系统及设备
CN112215511B (zh) 一种考勤数据的计算方法、装置及设备
CN112308344A (zh) 一种未离港航班订座值预测方法、装置及电子设备
CN110245788B (zh) 一种基于刷卡数据的地铁客流短期预测方法
CN113159347A (zh) 一种房间状态更新方法、装置、设备和存储介质
CN112085441A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN111612402A (zh) 自动化仲裁方法及装置
CN114881546B (zh) 一种确定资源消耗的方法和装置

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