CN115829138A - 一种实时调整的售票数量预测的方法 - Google Patents

Abstract

本申请涉及一种实时调整的售票数量预测的方法，包括以下步骤：对若干影响售票的数据进行输入数据采集；将采集到的输入数据进行输入数据预处理；根据处理完成后的数据进行人、车流量预测；根据得到的人、车流量预测结果进行售票数量预测；配载数量计算；根据售票过程中受到的各种因素影响，选择预测售票数量的实时调整方案，该预测方法使用了多种实际数据和多种算法进行实现，进行售票量实时自动调整的方案。

Description

一种实时调整的售票数量预测的方法

技术领域

本发明涉及港航客运算法技术领域，特别涉及一种实时调整的售票数量预测的方法。

背景技术

现有港航客运售票方式一般是固定各类型票的售出方式，并未采取实时动态调整方式，当某种类型车辆较多而另一种类型车辆较少时，难以进行满足客户需要的调整，从而导致实际轮渡装载数量远小于实际值；现有售票和配载方式以人工进行为主，很少根据数据经验进行决策，因此难以贴合时长需要；现有配载方式主要取决于检票的预期分配，但是该分配结果一般根据经验值而非停车场情况，容易造成某些类别车辆等待时间过长。

发明内容

本发明实施例提供了一种实时调整的售票数量预测的方法，以解决现有技术中以前售票都是静态的、售票初始值都是给定固定数值、无法根据当前到港车辆、已配载车辆、船舶容量，进行车道线长度配载计算、无法根据历史配载结果和当前到港车辆情况，预测其配载方案的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

本申请提供一种实时调整的售票数量预测的方法，包括以下步骤：对若干影响售票的数据进行输入数据采集；将采集到的输入数据进行输入数据预处理；根据处理完成后的数据进行人、车流量预测；根据得到的人、车流量预测结果进行售票数量预测；配载数量计算；根据售票过程中受到的各种因素影响，选择预测售票数量的实时调整方案。

作为一种优选的实施方式，所述对若干影响售票的数据进行输入数据采集步骤中，采集的数据信息包括历史售票数据、天气信息和节假日信息中的一种或多种，其中历史售票数据为一年内的数据。

作为一种优选的实施方式，根据所述历史售票数据，对可能的到港具体数据进行平滑处理；所述根据处理完成后的数据进行人、车流量预测采用使用自回归移动平均模型进行。

作为一种优选的实施方式，所述根据处理完成后的数据进行人、车流量预测的具体步骤包括：基于处理完成后的数据搭建自回归移动平均模型；处理完成后的数据按时间顺序划分为训练集与测试集；搭建好的自回归移动平均模型采用训练集训练；使用训练后的自回归移动平均模型对测试集进行预测。

作为一种优选的实施方式，所述根据得到的人、车流量预测结果进行售票数量预测的具体步骤包括：根据预测得到的人/车流量结果，进行售票数量预测和计算：根据历史上该船实际配载数量，折算为车道线的米数，获得该船的实际可配载米数；根据训练模型结果，使用实际数据，预测该船需要配载的人、车流量；根据预测数据确定各类型比例，分配可配载车道线米数，最后折算成各类车数量；将折算呈的各类车数量，作为默认的售票数量结果。

作为一种优选的实施方式，所述配载数量计算的具体步骤为：进行历史数据批量收集，获得历史上的最高的配载数量；根据最高的15％的配载数量，使用当时配载的各类车辆的平均车道线占用长度，估计当时配载的车道数量；根据得到的配载车道数量，计算获得多个车道线中每个车道线实际可使用的最多数量；根据历史数据进行学习以及当前售票和实际抵港情况，统计各类车辆比例；根据各类车辆比例分配车道线长度，根据统计的车道线长度进行均分；在得到各类车辆的预计数量之后，根据现场车辆数量，实时分配各类现场车辆数量，使用二分答案求解最短车道线剩余长度，获得各类车辆在每条车道线上所在的具体位置。

作为一种优选的实施方式，所述实时调整方案包括：时间段调整不同的售票数量、每间隔固定时间重新计算售票数量、选择时间间隔选择重新计算售票数量、根据已售票数量计算售票数量和根据已配载数量重新计算售票数量中的一种或几种。

本发明实施例提供的技术方案可以包括以下有益效果：

根据历史数据和实际数据自动进行售票数量预测的方案，该预测方案使用了多种实际数据和多种算法进行实现；根据配载结果和售票数量预测进行售票量实时自动调整；根据历史数据和当前数据自动进行配载计算，该配载使用了模拟估计和精确计算(启发式搜索A*)方法；根据历史配载结果和当前到港车辆数量进行配载方案预测。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的本方法算法P值测试图；

图2是根据一示例性实施例示出的本方法算法mae和rmse：预测结果评价；

图3是根据一示例性实施例示出的平稳数据列检测结果样式图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底"内”、“外”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文和简化描述，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。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

请参照图1-图3，本实施例提供一种实时调整的售票数量预测的方法，包括以下步骤：对若干影响售票的数据进行输入数据采集；将采集到的输入数据进行输入数据预处理；根据处理完成后的数据进行人、车流量预测；根据得到的人、车流量预测结果进行售票数量预测；配载数量计算；根据售票过程中受到的各种因素影响，选择预测售票数量的实时调整方案。

所述对若干影响售票的数据进行输入数据采集步骤中，采集的数据信息包括历史售票数据、天气信息和节假日信息中的一种或多种，其中历史售票数据为一年内的数据。根据历史售票数据，对可能的到港具体数据进行平滑处理，即假设人流量和车流量是连续的，根据最终配载结果，在任意连续2船中，假设其人流到来满足泊松分布，将人流量均摊至每5分钟作为一个输入节点。

根据所述历史售票数据，对可能的到港具体数据进行平滑处理；所述根据处理完成后的数据进行人、车流量预测采用使用自回归移动平均模型进行，根据处理完成后的数据，使用自回归移动平均模型(ARMA(p，q))进行预测，其中AR代表p阶自回归过程，MA代表q阶移动平均过程；训练模型前需通过ADF检验p值查看是否满足平稳，由于进行了预处理，p值是显著接近于0的，满足条件，我们采用p,q＝1参数训练模型。

所述根据处理完成后的数据进行人、车流量预测的具体步骤包括：基于处理完成后的数据搭建自回归移动平均模型；处理完成后的数据按时间顺序划分为训练集与测试集；搭建好的自回归移动平均模型采用训练集训练；使用训练后的自回归移动平均模型对测试集进行预测。

在建立模型之前，需对数据进行数据预处理，包括数据的平稳性检测等需要导入的外部包：pandas(操作dataframe)，statsmodels.tsa.stattools(数据统计检测)，datetime(将时间列转为python的datetime类型)步骤：1.

对数据进行平稳性检测，p值小于0.05及三项CriticalValue绝对值均小于TestStatistic绝对值时可认定数据列为平稳数据列，可以进行建模。

基于已经处理好的数据，搭建模型进行训练。此时已处理好的数据应只包含两列，时间列与数据列。需要导入的外部包：pandas，statsmodels.api.tsa.ARIMA(I参数设置为0时为ARMA模型)，pickle(保存模型文件)，sklearn.metrics(衡量模型表现效果指标，以平均绝对误差与均方根误差为主流)。步骤：1.

将数据按时间顺序划分为训练集与测试集(7:3或8:2为主流划分，前者为训练集大小)；2.搭建模型并基于训练集训练；3.查看模型的训练误差；4.(可选)保存模型。以便后续再使用

模型预测使用已经训练好的模型，预测结果，并与测试集对比，查看模型在测试集上的表现，需要导入的外部包：pandas，statsmodels.api.tsa.ARIMA，sklearn.metrics(衡量模型表现效果指标)，matplotlib.pyplot(可视化)。步骤：1.使用模型的预测方法，预测后续结果；2.(可选)将预测结果与测试集的真实结果绘图，直观观察预测精确度3.将预测结果与测试集的真实结果传入误差检测方法，查看模型泛化误差。

所述根据得到的人、车流量预测结果进行售票数量预测的具体步骤包括：根据预测得到的人/车流量结果，进行售票数量预测和计算：根据历史上该船实际配载数量，折算为车道线的米数，获得该船的实际可配载米数；根据训练模型结果，使用实际数据，预测该船需要配载的人、车流量；根据预测数据确定各类型比例，分配可配载车道线米数，最后折算成各类车数量；将折算呈的各类车数量，作为默认的售票数量结果。

所述配载数量计算的具体步骤为：进行历史数据批量收集，获得历史上的最高的配载数量；根据最高的15％的配载数量，使用当时配载的各类车辆的平均车道线占用长度，估计当时配载的车道数量；根据得到的配载车道数量，计算获得多个车道线中每个车道线实际可使用的最多数量；根据历史数据进行学习以及当前售票和实际抵港情况，统计各类车辆比例；根据各类车辆比例分配车道线长度，根据统计的车道线长度进行均分；在得到各类车辆的预计数量之后，根据现场车辆数量，实时分配各类现场车辆数量，使用二分答案求解最短车道线剩余长度，获得各类车辆在每条车道线上所在的具体位置。

模拟估计方案如下：根据剩余的总车道米数，和历史数据中配载数量较多的数量取平均值的结果，计算各类车辆的平均可装载数量和比例，直接以F(Xn)＝LeftLen/MaxLen*Avg(Sigma(S(Xn))得出各类车辆的数值，然后作为配载数量。

二分答案法如下：假设最短车道线长度为X恰好使用完毕，我们假设一个很大的数值Y一定大于X，此时某一组数值解一定是在1->Y之间(由于船舶所限制，一般不超过2000米)，然后判断当前车道线给出的长度为X时是否可行；如果可以用A*算法求出有效解，则认为分配当前的车数量和车道线米数是可行的，将搜索范围改为X->Y，否则是1->X。由于小车最少需要车道线长度不超过5米，则可以当X->Y的距离不超过5时停止。

A*搜索方法如下：5.1根据进场时间，枚举每一辆车；5.2将其分配到未被分配过的剩余空间最大的车道线长度；5.3计算剩余车道线长度，如果剩余空间不足以放1辆车，则记为浪费长度；5.4如果当前浪费长度+计算剩余最小浪费长度大于当前已有分配结果，则停止当前分支搜索；5.5计算剩余最小浪费长度：根据当前的浪费长度；5.6搜索剪枝：如果搜索的车辆长度与占用车道线长度一致且当前状态已被记录，则直接停止后续搜索；5.7搜索剪枝：不搜索小车，小车占用车道线长度固定视为5米，仅进行集卡和超限车、客车的数量搜索，小车填至剩余空间中。

所述实时调整方案包括：时间段调整不同的售票数量、每间隔固定时间重新计算售票数量、选择时间间隔选择重新计算售票数量、根据已售票数量计算售票数量和根据已配载数量重新计算售票数量中的一种或几种。

由于在售票过程中会受到各种因素影响，因此需要进行实时调整；而已有算法计算能力有限，需要根据实际情况，根据时间段调整不同的售票数量。

售票自动计算机制：每间隔固定时间，重新计算售票数量；

时间间隔选择：由于使用了预测算法进行预测，同时调用了配载算法进行可行性计算，因此不能实时计算每一条船的售票数量结果，为此，设计了定时更新机制：开航前7天至开航前1天的船，每1小时自动进行调整1次；开航前1天至开航前3小时的，每30分钟进行调整1次；开航前3小时的，每10分钟调整1次。

售票数量调整方案：根据已售票数量，进行实时调整：首先调用售票模型预测结果，得到各种票应出售比例；之后根据已售票数量，折算为船舶车道线长度，获得船舶剩余可售票空间；最后根据剩余可售票空间，使用售票数量预测方法获得的比例值，确定剩余售票数量；

配载数量调整方案：根据已配载数量，进行实时调整，每间隔固定时间，计算获得当前数据情况下的最优方案；对于当前方案，判断新的方案是否比当前的更优秀，如果更优则替换当前可行计划。

根据历史数据和实际数据自动进行售票数量预测的方案，该预测方案使用了多种实际数据和多种算法进行实现；根据配载结果和售票数量预测进行售票量实时自动调整；根据历史数据和当前数据自动进行配载计算，该配载使用了模拟估计和精确计算(启发式搜索A*)方法；根据历史配载结果和当前到港车辆数量进行配载方案预测的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random AccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

需要说明的是，以上描述仅为本申请的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (7)

1.一种实时调整的售票数量预测的方法，其特征在于，包括以下步骤：

对若干影响售票的数据进行输入数据采集；

将采集到的输入数据进行输入数据预处理；

根据处理完成后的数据进行人、车流量预测；

根据得到的人、车流量预测结果进行售票数量预测；

配载数量计算；

根据售票过程中受到的各种因素影响，选择预测售票数量的实时调整方案。

2.根据权利要求1所述的一种实时调整的售票数量预测的方法，其特征在于，所述对若干影响售票的数据进行输入数据采集步骤中，采集的数据信息包括历史售票数据、天气信息和节假日信息中的一种或多种，其中历史售票数据为一年内的数据。

3.根据权利要求2所述的一种实时调整的售票数量预测的方法，其特征在于，根据所述历史售票数据，对可能的到港具体数据进行平滑处理；

所述根据处理完成后的数据进行人、车流量预测采用使用自回归移动平均模型进行。

4.根据权利要求3所述的一种实时调整的售票数量预测的方法，其特征在于，

所述根据处理完成后的数据进行人、车流量预测的具体步骤包括：

基于处理完成后的数据搭建自回归移动平均模型；

处理完成后的数据按时间顺序划分为训练集与测试集；

搭建好的自回归移动平均模型采用训练集训练；

使用训练后的自回归移动平均模型对测试集进行预测。

5.根据权利要求4所述的一种实时调整的售票数量预测的方法，其特征在于，所述根据得到的人、车流量预测结果进行售票数量预测的具体步骤包括：

根据预测得到的人/车流量结果，进行售票数量预测和计算：

根据历史上该船实际配载数量，折算为车道线的米数，获得该船的实际可配载米数；

根据训练模型结果，使用实际数据，预测该船需要配载的人、车流量；

根据预测数据确定各类型比例，分配可配载车道线米数，最后折算成各类车数量；

将折算呈的各类车数量，作为默认的售票数量结果。

6.根据权利要求5所述的一种实时调整的售票数量预测的方法，其特征在于，所述配载数量计算的具体步骤为：

进行历史数据批量收集，获得历史上的最高的配载数量；

根据最高的15％的配载数量，使用当时配载的各类车辆的平均车道线占用长度，估计当时配载的车道数量；

根据得到的配载车道数量，计算获得多个车道线中每个车道线实际可使用的最多数量；

根据历史数据进行学习以及当前售票和实际抵港情况，统计各类车辆比例；

根据各类车辆比例分配车道线长度，根据统计的车道线长度进行均分；

在得到各类车辆的预计数量之后，根据现场车辆数量，实时分配各类现场车辆数量，使用二分答案求解最短车道线剩余长度，获得各类车辆在每条车道线上所在的具体位置。

7.根据权利要求6所述的一种实时调整的售票数量预测的方法，其特征在于，所述实时调整方案包括：时间段调整不同的售票数量、每间隔固定时间重新计算售票数量、选择时间间隔选择重新计算售票数量、根据已售票数量计算售票数量和根据已配载数量重新计算售票数量中的一种或几种。

Images