CN110675182A - 一种车票定价方法、装置、存储介质和服务器 - Google Patents
一种车票定价方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN110675182A CN110675182A CN201910786494.3A CN201910786494A CN110675182A CN 110675182 A CN110675182 A CN 110675182A CN 201910786494 A CN201910786494 A CN 201910786494A CN 110675182 A CN110675182 A CN 110675182A
- Authority
- CN
- China
- Prior art keywords
- train
- passenger
- starting points
- loyalty
- price
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 104
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 26
- 230000036961 partial effect Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 2
- 230000032258 transport Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002860 competitive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (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车票定价方法、装置、存储介质和服务器。本发明实施例的方案中,根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;根据起始点间的历史数据生成起始点间的指定档的机票价格;根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,从而提高铁路竞争力和客运资源利用率,吸引对价格敏感的旅客。
Description
【技术领域】
本发明涉及数据处理技术领域,尤其涉及一种车票定价方法、装置、存储介质和服务器。
【背景技术】
我国铁路正致力于构建发达完善的铁路网,截至2018年底,我国铁路营业里程已达13.1万公里,其中高速铁路营业里程超过2.9万公里。根据发展改革委发布的《关于改革完善高铁动车组旅客票价政策的通知》,从2016年1月1日起放开高铁动车票价;对在中央管理企业全资及控投铁路上开行的设计时速为200公里以上的高铁动车组列车一、二等座旅客票价,由铁路运输企业依据价格法律法规自主制定;商务座、特等座、动卧等票价,以及社会资本控股新建铁路客运专线旅客票价继续实行市场调节,由铁路运输企业根据市场供求和竞争状况等因素自主制定。
随着客运***的发展,铁路客运面临着在里程500KM以内与公路客运的激烈竞争以及里程1000KM以上与民航客运的激烈竞争,出现了不断变化的运能需求与相对粘性的运能供给之间的矛盾、区间运能与客运需求的矛盾、运营成本与客运收入之间的矛盾、日益复杂的产品结构与单一的营销管理手段之间的矛盾以及注重公益性、外部性的社会责任与追求利润最大化的企业责任之间的矛盾。面对我国客运市场竞争的加剧,我国铁路客运的铁路竞争力下降、客运资源利用率较低。
【发明内容】
有鉴于此,本发明实施例提供了一种车票定价方法、装置、存储介质和服务器,用以解决在客运市场竞争的加剧的情况下,铁路客运的铁路竞争力下降以及客运资源利用率较低的问题。
一方面,本发明实施例提供了一种车票定价方法,所述方法包括:
根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;
根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;
根据起始点间的历史数据生成起始点间的指定档的机票价格;
根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价。
可选地,根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值,包括:
将起始点间的忠诚旅客比例乘以第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将第一指定车次的需求量减去第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量;
将起始点间的忠诚旅客比例乘以第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将第二指定车次的需求量减去第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量;
将第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值;
将第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值;
将不忠诚旅客数量变化值除以票价变化值,计算出起始点间的火车不忠诚旅客价格反应值。
可选地,根据起始点间的历史数据生成起始点间的指定档的机票价格,包括:
从历史数据中获取起始点间的多个机票价格;
根据起始点间的多个机票价格统计出起始点间的指定档的机票价格。
可选地,根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,包括:
根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,构建火车的起始点间的不忠诚旅客期望收益函数;
根据不忠诚旅客期望收益函数,计算出与机票价格对应的最优火车票价。
可选地,根据不忠诚旅客期望收益函数,计算出与机票价格对应的最优火车票价,包括:
生成不忠诚旅客期望收益函数对火车票价的一阶偏导数函数;
根据不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,计算出与机票价格对应的最优火车票价。
可选地,根据不忠诚旅客期望收益函数,计算出与机票价格对应的最优火车票价之后,还包括:
构建火车的起始点间的忠诚旅客期望收益函数;
根据火车的起始点间的忠诚旅客期望收益函数,对起始点间的席位预订限额和起始点间的单张车票全价进行计算,生成火车的起始点间的忠诚旅客函数期望收益;
根据火车的起始点间的不忠诚旅客期望收益函数,对起始点间的忠诚旅客比例、起始点间的旅客需求预估值、起始点间的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和起始点间的指定档的机票价格进行计算,生成火车的起始点间的不忠诚旅客函数期望收益;
将火车的起始点间的忠诚旅客函数期望收益和火车的起始点间的不忠诚旅客函数期望收益相加,生成火车的起始点间的整体期望收益。
可选地,在根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价之后,还包括:
根据与机票价格对应的最优火车票价和预先设置的起始点间的车票全价,生成火车的起始点间的指定档对应的折扣率。
另一方面,本发明实施例提供了一种车票定价装置,包括:
第一生成模块,用于根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;
第二生成模块,用于根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;
第三生成模块,用于根据起始点间的历史数据生成起始点间的指定档的机票价格;
第四生成模块,用于根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价。
可选地,所述第二生成模块包括:第一计算子模块、第二计算子模块、第一确定子模块、第二确定子模块和第三计算子模块;
第一计算子模块用于将起始点间的忠诚旅客比例乘以第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将第一指定车次的需求量减去第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量;
第二计算子模块用于将起始点间的忠诚旅客比例乘以第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将第二指定车次的需求量减去第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量;
第一确定子模块用于将第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值;
第二确定子模块用于将第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值;
第三计算子模块用于将不忠诚旅客数量变化值除以票价变化值,计算出起始点间的火车不忠诚旅客价格反应值。
可选地,第三生成模块包括:获取子模块和统计子模块;
获取子模块用于从历史数据中获取起始点间的多个机票价格;
统计子模块用于根据起始点间的多个机票价格统计出起始点间的指定档的机票价格。
可选地,第四生成模块包括:第一构建子模块和第四计算子模块;
第一构建子模块用于根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,构建火车的起始点间的不忠诚旅客期望收益函数;
第四计算子模块用于根据不忠诚旅客期望收益函数,计算出与机票价格对应的最优火车票价。
可选地,第四计算子模块具体用于生成不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,计算出与机票价格对应的最优火车票价。
可选地,还包括:
构建模块,用于构建火车的起始点间的忠诚旅客期望收益函数;
第五生成模块,根据火车的起始点间的忠诚旅客期望收益函数,对起始点间的席位预订限额和起始点间的单张车票全价进行计算,生成火车的起始点间的忠诚旅客函数期望收益;
第六生成模块,用于根据火车的起始点间的不忠诚旅客期望收益函数,对起始点间的忠诚旅客比例、起始点间的旅客需求预估值、起始点间的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和起始点间的指定档的机票价格进行计算,生成火车的起始点间的不忠诚旅客函数期望收益;
第七生成模块,用于将火车的起始点间的忠诚旅客函数期望收益和火车的起始点间的不忠诚旅客函数期望收益相加,生成火车的起始点间的整体期望收益。
可选地,还包括:
第八生成模块,用于根据与机票价格对应的最优火车票价和预先设置的起始点间的车票全价,生成火车的起始点间的指定档对应的折扣率。
另一方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述车票定价方法。
另一方面,本发明实施例提供了一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现上述车票定价方法的步骤。
本发明实施例的方案中,根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;根据起始点间的历史数据生成起始点间的指定档的机票价格;根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,从而提高铁路竞争力和客运资源利用率,吸引对价格敏感的旅客。
【附图说明】
图1为本发明实施例提供的一种车票定价方法的流程图;
图2为本发明实施例提供的又一种车票定价的流程图;
图3为具有4个车站的客运网络示意图;
图4为本发明实施例提供的一种车票定价装置的结构示意图;
图5为本发明实施例提供的一种服务器的示意图。
【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、第二等来描述设定阈值,但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一设定阈值也可以被称为第二设定阈值,类似地,第二设定阈值也可以被称为第一设定阈值。
本发明实施例是站在火车运营者的角度,研究在航空公司影响下火车票价折扣应该如何确定。在建立竞争环境下火车票价折扣的确定方法之前,我们需要以下述六条假设为前提:
1、在短期内,对火车和航空公司而言,除票价折扣可变动外,其他影响旅客选择的因素如舒适度、购票方便性等不发生变化。
2、从旅客忠诚度角度看,火车旅客群可以划分成两大部分:忠诚旅客和不忠诚旅客。其中忠诚旅客不受航空公司的票价优惠影响,在任何情况下都选择火车出行;不忠诚旅客是对价格敏感而对时间不敏感的旅客,他们对比火车和航空票价,选择票价较低的交通运输方式出行。
3、对每趟火车列车上的所有旅客,以北京到上海的火车线为例,通过对历史数据的统计分析,我们发现无论航空公司如何采取低折扣的票价策略吸引旅客,火车总是能够获得相当一部分市场份额,并且这一比例通常能够维持在一个平均水平。从实际应用角度出发,为方便起见,我们假设这个比例为铁路的忠诚用户比例。
4、购买航空低价折扣机票的旅客计划性很强,因而在模型中不考虑退票改签等行为。
5、火车和航空公司每多运送一位旅客,现对于票价而言,两者的边际成本都忽略不计。这个假设也是符合实际情况的,我们可以想象,在运能充足的情况下,无论是否多运送一位旅客,到了规定的发车时间或航班起飞时间,火车和航班必须出发,并且多运送一位旅客几乎不需要增加成本。
6、我们假设当前的铁路客流预测方法是有效的,即各起始点间(Origin toDestination,简称:OD)的需求预测值是准确的,各OD的旅客需求预估值是忠诚旅客和不忠诚旅客的需求总和。
基于上述内容,本发明实施例提供了一种车票定价方法。图1为本发明实施例提供的一种车票定价方法的流程图,如图1所示,该方法包括:
步骤101、根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价。
步骤102、根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值。
步骤103、根据起始点间的历史数据起始点间的指定档的机票价格。
步骤104、根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价。
本发明实施例的方案中,根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;根据起始点间的历史数据生成起始点间的指定档的机票价格;根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,从而提高铁路竞争力和客运资源利用率,吸引对价格敏感的旅客。
本发明实施例中提供的车票定价方法可适用于火车类交通工具,优选地,该火车类交通工具为高铁。
图2为本发明实施例提供的又一种车票定价的流程图,如图2所示,该方法包括:
步骤201、根据起始点间的历史数据生成火车的OD的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价。
本实施例中各步骤可以由服务器执行。
本实施例中,服务器将交易过程中产生的历史数据实时上传至后台数据库,后台数据库存储该历史数据。当服务器需要获取历史数据时,可访问后台数据库以从后台数据库中获取历史数据。
本实施例中,OD为任意一个起点到任意一个终点的全程;一条包含有n个车站的火车线路,其中有n-1个区段(leg),n-1个区段构成Cn2个OD。
例如,从北京到上海的火车线路,包含有北京、天津、南京和上海4个车站,其中有3个区段,3个区段构成6个OD,即:北京到天津、北京到南京、北京到上海、天津到南京、天津到上海、南京到上海。
本实施例中,历史数据包括航空公司的机票价格数据和火车的所有交易数据。进一步的,航空公司的机票价格数据包括:单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间;火车的所有交易数据包括:ODj交易需求、ODj交易额、ODj单张车票全价、ODj车次、ODj乘车日期、ODj到达日期、ODj出发时间、ODj到达时间、ODj定员、ODj席别、ODj每日客座率。
例如,从北京到上海的火车线路,航空公司的机票价格数据包括:北京到南京的单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间;北京到上海的单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间;天津到南京的单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间;天津到上海的单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间;南京到上海的单张机票价格、航班号、舱位等级、机票价格查询时间、航班起飞日期、航班起飞时间、航班到达日期、航班到达时间。
火车的所有交易数据包括:北京到天津的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率;北京到南京的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率;北京到上海的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率;天津到南京的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率;天津到上海的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率;南京到上海的交易需求、交易额、单张车票全价、车次、乘车日期、到达日期、出发时间、到达时间、定员、席别、每日客座率。
本实施例中,按照指定算法输入OD每日客座率,输出OD的忠诚旅客比例。其中,指定算法包括:线性回归算法、pick-up算法、简单移动平均算法、随机森林算法中之一。本实施例中,按照指定算法输入火车的所有交易数据,输出OD的旅客需求预估值。其中,指定算法包括:线性回归算法、pick-up算法、简单移动平均算法、随机森林算法中之一。
本实施例中,第一指定车次是指火车的所有交易数据中任意一个车次;第二指定车次是指火车的所有交易数据中不同于第一指定车次的任意一个车次。
本实施例中,将从火车的所有交易数据中采集的第一指定车次的交易需求确定为第一指定车次的交易需求量,将从火车的所有交易数据中采集的第一指定车次的单张车票全价确定为第一指定车次的票价;将从火车的所有交易数据中采集的第二指定车次的交易需求确定为第二指定车次的交易需求量,将从火车的所有交易数据中采集的第二指定车次的单张车票全价确定为第二指定车次的票价。
步骤202、根据OD的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成OD的火车不忠诚旅客价格反应值。
具体地,步骤202包括:
步骤2021、将OD的忠诚旅客比例乘以第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将第一指定车次的需求量减去第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量。
步骤2022、将OD的忠诚旅客比例乘以第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将第二指定车次的需求量减去第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量。
步骤2023、将第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值。
步骤2024、将第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值。
步骤2025、将不忠诚旅客数量变化值除以票价变化值,计算出OD的火车不忠诚旅客价格反应值。
优选的,在实际应用中,为保证火车不忠诚旅客价格反应值的准确性,可计算出多个火车不忠诚旅客价格反应值,再取多个火车不忠诚旅客价格反应值的平均值得到平均火车不忠诚旅客价格反应值,将平均火车不忠诚旅客价格反应值作为OD的火车不忠诚旅客价格反应值。
本实施例中,OD的火车不忠诚旅客价格反应值越高意味着旅客的价格敏感性越高,OD的火车不忠诚旅客价格反应值越低意味着旅客的价格敏感性越低。
步骤203、根据OD的历史数据生成所述OD的指定档的机票价格。
具体地,步骤203包括:
步骤2031、从历史数据中获取OD的多个机票价格。
例如,北京到上海线路,航空公司的机票价格包括:498、500、503、507、515、517、523、527、530、532。
本实施例中,获取OD的多个机票价格具体包括:获取与火车线路对应OD的多个机票价格。
步骤2032、根据OD的多个机票价格统计出OD间的指定档的机票价格。
根据OD票价档数对多个机票价格进行归档划分,每档内至少有一个机票价格;对每档内的多个机票价格取平均值,该平均值为OD的指定档的机票价格。
本实施例中,OD票价档数是工作人员根据业务经验进行划分的。
本实施例中,根据OD票价档数对多个机票价格进行归档划分包括:将获取到的多个机票价格的数量除以OD票价档数得出每档内机票价格的数量(若得出的每档内机票价格的数量不为整数,则进行四舍五入处理);将多个机票价格按照从小到大排列,得到机票价格序列;按照每档内机票价格的数量对机票价格序列进行划分。
例如,北京到上海的票价档数为5,获取到的多个机票价格的数量为10个,分别是:498、500、503、505、515、517、523、527、530、532,则每档内机票价格的数量为2个。归档划分后得到的第一档内的机票价格是498和500;第二档内的机票价格是503和507;第三档内的机票价格是515和517;第四档内的机票价格是523和527;第五档内的机票价格是530和532。对每档内的2个机票价格取平均值得到的北京到上海间的第一档机票价格为499;第二档机票价格为504;第三档机票价格为517;第四档机票价格为525;第五档机票价格为531。在上述计算过程中,如计算结果得出小数,对计算结果进行四舍五入处理。
步骤204、根据OD的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和OD的指定档的机票价格,构建火车的OD的不忠诚旅客期望收益函数。
具体地,步骤204包括:
步骤2041、根据形态学模型(Multinominal Logit Model,简称:形态学模型)对OD的不忠诚旅客反应值、与机票价格对应的火车票价和OD对应的机票价格进行计算,得出不忠诚旅客选择火车出行的概率;
其中,OD的不忠诚旅客反应值具体包括:OD的火车不忠诚旅客价格反应值和OD的航空公司不忠诚旅客价格反应值。
bj和aj值的确定依赖于对火车和航空公司历史数据中需求量和票价之间关系的分析,但是无论在业务层面,还是在技术层面,分析旅客对竞争对手的价格反应几乎是一件无法完成的事情。因此,在本申请中,我们认为不忠诚旅客对火车和航空公司的价格反应相同,只选择价格更低的一方,即bj=aj。因此,公式(1)简化为:
步骤2042、根据OD的忠诚旅客比例αj得出OD的不忠诚旅客比例1-αj;将OD的不忠诚旅客比例1-αj与OD的旅客需求预估值Dj相乘得出OD的不忠诚旅客预估值(1-αj)Dj;将OD的不忠诚旅客预估值(1-αj)Dj与不忠诚旅客选择火车出行的概率相乘μtj(ptj)得出选择火车出行的不忠诚旅客需求μtj(ptj)(1-αj)Dj。由上述过程得到以下公式:
dtj=μtj(ptj)(1-αj)Dj (3)
其中,dtj为选择火车出行的不忠诚旅客需求、μtj(ptj)为不忠诚旅客选择火车出行的概率、αj为OD的忠诚旅客比例、Dj为OD的旅客需求预估值。
步骤2043、根据选择火车出行的不忠诚旅客需求和与机票价格对应的火车票价,构建OD的不忠诚旅客期望收益函数。
具体地,将公式(2)的不忠诚旅客选择火车出行的概率μtj(ptj)的表达式代入公式(3)中,得到选择火车出行的不忠诚旅客需求;再将选择火车出行的不忠诚旅客需求乘以与机票价格对应的火车票价,构建出OD的不忠诚旅客期望收益函数:
步骤205、生成不忠诚旅客期望收益函数对火车票价的一阶偏导数函数。
具体地,该一阶偏导数函数为:
步骤206、根据不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,计算出与机票价格对应的最优火车票价。
具体地,由不忠诚旅客期望收益函数对火车票价的一阶偏导数函数小于0可证明存在最优解,且将不忠诚旅客期望收益函数对火车票价的一阶偏导数函数置为0以求解出最优解,该最优解为最优火车票价。
本实施例中,由公式(6)可以看出,当bj>0时,当bj<0时,显然,火车席位作为一种大众化的消费产品,对不忠诚旅客而言,当火车票价上涨时,他们可能选择航空出行,那么火车的总需求就会下降;当火车票价下降时,他们则可能选择火车出行。这说明火车的需求曲线符合随票价向下倾斜的性质,因此,在这里bj应该为正,则这说明在和航空竞争时,只有低于机票价格,不忠诚旅客才有可能选择火车出行。当机票价格为时,由公式(6)可以求出和竞争的最优火车票价。
步骤207、构建火车的OD的忠诚旅客期望收益函数。
具体地,以运输网络整体收益最大化为目标,构建火车的OD的忠诚旅客期望收益函数:
其中,αj为OD的忠诚旅客比例、Dj为OD的旅客需求预估值、Ci为各区段的最大客容量、xj为OD的席位预订限额、pj为OD的单张车票全价。
其中,aij为区段legi与ODj之间的关联变量,当aij的值为1,则表示区段legi被ODj使用;当aij的值为0,则表示区段legi未被ODj使用。可表示为以下分段函数:
本实施例中,xj是工作人员根据业务经验值设定的。
步骤208、根据火车的OD的忠诚旅客期望收益函数,对OD的席位预订限额和OD的单张车票全价进行计算,生成火车的OD的忠诚旅客函数期望收益。
本实施例中,将预先设置的OD的车票全价和席位预订限额代入公式(7),计算出火车的OD的忠诚旅客期望收益。
步骤209、根据火车的OD的不忠诚旅客期望收益函数,对OD的忠诚旅客比例、OD的旅客需求预估值、OD的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和OD的指定档的机票价格进行计算,生成火车的OD的不忠诚旅客函数期望收益。
本实施例中,将OD的忠诚旅客比例、OD的旅客需求预估值、OD的火车不忠诚旅客价格反应值、与机票价格对应的火车票价、OD的指定档的机票价格代入公式(4),计算出火车的OD的不忠诚旅客函数期望收益。
步骤210、将火车的OD的忠诚旅客函数期望收益和火车的OD的不忠诚旅客函数期望收益相加,生成火车的OD的整体期望收益。
具体地,将火车的OD的忠诚旅客函数期望收益和火车的OD的不忠诚旅客函数期望收益相加得到火车的OD的整体期望收益,即将公式(4)和(7)的计算结果相加。
本实施例中,在根据不忠诚旅客期望收益函数对火车票价的一阶偏导数函数计算出与机票价格对应的最优火车票价之后,根据OD的忠诚旅客期望收益函数计算出OD的忠诚旅客函数期望收益;根据OD的不忠诚旅客期望收益函数,计算出OD的不忠诚旅客函数期望收益,由于忠诚旅客是全价购买车票,并且折扣票价吸引了更多对价格敏感的不忠诚旅客选择火车出行。因此,OD的整体期望收益会大幅增加,从而增加火车期望收益,为火车事业带来了最大化利润。
可选地,与上述计算火车的OD的整体化收益的过程和含义均相同,仅在于表达式不同,可以由以下公式表示火车的OD的整体期望收益:
其中,αj为OD的忠诚旅客比例、Dj为OD的旅客需求预估值、Ci为各区段的最大客容量、为与机票价格对应的火车票价、为OD的指定档的机票价格、dtj为选择火车出行的不忠诚旅客需求、pj为OD的单张车票全价、Tj为OD票价档数。
步骤211、根据与机票价格对应的最优火车票价和预先设置的OD的车票全价,生成火车的OD的指定档对应的折扣率。
具体地,将最优火车票价除以预先设置的OD的车票全价生成火车的OD的指定档对应的折扣率。
本实施例中,将OD的指定档对应的折扣率从小到大进行排序,得到一组有序的折扣率集合。
本实施例中,在折扣幅度的确定上充分考虑了机票价格对火车的影响,因此计算出一组折扣率集合,可以吸引更多对价格敏感的不忠诚旅客。
本实施例中,从应用可行性和运营效率方面看,铁路的最佳选择应是采用离散票价策略,即预先设置好OD的可选票价折扣集合,再根据实际售票情况从给定的票价集合中动态调整票价等级。
在上述车票定价的方法中,当获取的多个机票价格是一组间隔很小的数据时,可将离散价格近似看作连续动态定价,下面采用拉格朗日函数法分析上述方法计算最优火车票价的性质:
令拉格朗日函数为L,上述公式(8)的约束条件对应的拉格朗日乘子分别为λ1、λ2、……,λn-1,生成拉格朗日函数对火车票价的一阶偏导数函数和拉格朗日函数对拉格朗日乘子的一阶偏导数函数。
本实施例中,λi可表示区段legi的边际收益。
对公式(9)化简可以得到:
其中,为最优火车票价、αj为OD的忠诚旅客比例、Dj为OD的旅客需求预估值、bj为OD的火车不忠诚旅客价格反应值、为与机票价格对应的火车票价、OD的指定档的机票价格、aij为区段与OD之间的关联变量、λi为拉格朗日乘子。
由公式(11)可以看出,E越小,拉格朗日乘子λi越大,即火车多运送一位旅客获得的收益越大。
由公式(10)可以看出,当Ci、aij、Tj的值恒定,αj越大,E越小。即,火车OD的忠诚旅客比例越大,区段legi的边际收益越大,铁路的期望收益越大。
下面用一个具体的实施例对车票定价方法进行描述:
如图3,该客运网络具有4个车站,分别是A、B、C和D。每个区段的最大客运量均为500人。假设仅在远距离OD上,即AC、AD和BD,火车和航空公司存在竞争关系,在短距离OD上,即AB、BC、CD,不考虑火车和航空公司的竞争,即忠诚比例旅客为100%。各OD上的忠诚比例旅客、旅客需求预估值、不忠诚旅客价格反应值、车票全价、票价档数的具体参考值如表1所示。
表1
以AC为例,当机票价格为380时,利用公式(6)可以计算出对应的最优火车票价为370;当机票价格为370时,利用公式(6)可以计算出对应的最优火车票价为360;当机票价格为365时,利用公式(6)可以计算出对应的最优火车票价为355;当机票价格为360时,利用公式(6)可以计算出对应的最优火车票价为350;当机票价格为350时,利用公式(6)可以计算出对应的最优火车票价为340。在上述计算过程中,对计算结果的小数四舍五入。
AD和BD最优票价的计算过程与AC相同,在此不再一一赘述。
以AC为例,已知车票全价为380,当最优火车票价为370时,计算出折扣率为97%,即97折;当最优火车票价为360时,计算出折扣率为94%,即94折;当最优火车票价为355时,计算出折扣率为93%,即93折;当最优火车票价为350时,计算出折扣率为92%,即92折;当最优火车票价为340时,计算出折扣率为90%,即90折。在上述计算过程中,对计算结果的小数部位四舍五入取整,且将折扣率从小到大进行排序得到5档折扣率集合。
AD和BD的每档折扣率的计算过程与AC相同,在此不再一一赘述。
计算出的各OD的最优火车票价和折扣率的集合如表2所示(由于折扣率集合中的元素已排序,因此不与最优火车票价集合中的元素一一对应)。
表2
当采用统一定价策略时,在AC、AD和BD三个OD上,由于机票价格比火车票价略低,火车票价仅能吸引忠诚旅客,而价格敏感度较高的不忠诚旅客很可能选择航空出行,火车会损失不忠诚旅客带来的收益。AB、BC和CD三个OD不考虑竞争因素,只出售全价车票。两种票价策略下的席位预定限额和期望收益结果如表3所示。
表3
由表3中可以看出,采用折扣定价策略参照机票价格设置折扣票价后,AC和AD的席位预订限额都有所增加,运输网络的整体期望收益增加了11.5%。上述结果充分说明在竞争环境下,设置折扣票价会吸引更多不忠诚旅客选择火车出行,从而提高铁路竞争力和客运资源利用率,吸引价格敏感的旅客,增加铁路期望收益。
AB、BC、CD三个OD在两种票价策略下的席位利用率分析结果如表4所示。
表4
由表4中可以看出,采用折扣票价策略后,AB、BC和CD区段的席位利用率分别上升14.4%、13.4%和3.8%。这说明采用折扣定价策略参照机票价格设置折扣票价后,火车的席位利用率有大幅提高,增加了期望收益,减少了席位资源的浪费。
本发明实施例的方案中,根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;根据起始点间的历史数据生成起始点间的指定档的机票价格;根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,从而提高铁路竞争力和客运资源利用率,吸引对价格敏感的旅客。
图4为本发明实施例提供的一种车票定价装置的结构示意图,该装置用于执行上述车票定价方法,如图4所示,该装置包括:第一生成模块11、第二生成模块12、第三生成模块13和第四生成模块14。
第一生成模块11,用于根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价。
第二生成模块12,用于根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值。
第三生成模块13,用于根据起始点间的历史数据生成起始点间的指定档的机票价格。
第四生成模块14,用于根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价。
本发明实施例中,所述第二生成模块12包括:第一计算子模块121、第二计算子模块122、第一确定子模块123、第二确定子模块124和第三计算子模块125。
第一计算子模块121用于将起始点间的忠诚旅客比例乘以第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将第一指定车次的需求量减去第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量。
第二计算子模块122用于将起始点间的忠诚旅客比例乘以第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将第二指定车次的需求量减去第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量。
第一确定子模块123用于将第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值。
第二确定子模块124用于将第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值。
第三计算子模块125用于将不忠诚旅客数量变化值除以票价变化值,计算出起始点间的火车不忠诚旅客价格反应值。
本发明实施例中,第三生成模块13包括:获取子模块131和统计子模块132。
获取子模块131用于从历史数据中获取起始点间的多个机票价格。
统计子模块132用于根据起始点间的多个机票价格统计出起始点间的指定档的机票价格。
本发明实施例中,第四生成模块14包括:第一构建子模块141和第四计算子模块142。
第一构建子模块141用于根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,构建火车的起始点间的不忠诚旅客期望收益函数。
第四计算子模块142用于根据不忠诚旅客期望收益函数,计算出与机票价格对应的最优火车票价。
本发明实施例中,第四计算子模块142具体用于生成不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,不忠诚旅客期望收益函数对火车票价的一阶偏导数函数,计算出与机票价格对应的最优火车票价。
本发明实施例中,所述装置还包括:
构建模块15,用于构建火车的起始点间的忠诚旅客期望收益函数;
第五生成模块16,根据火车的起始点间的忠诚旅客期望收益函数,对起始点间的席位预订限额和起始点间的单张车票全价进行计算,生成火车的起始点间的忠诚旅客函数期望收益;
第六生成模块17,用于根据火车的起始点间的不忠诚旅客期望收益函数,对起始点间的忠诚旅客比例、起始点间的旅客需求预估值、起始点间的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和起始点间的指定档的机票价格进行计算,生成火车的起始点间的不忠诚旅客函数期望收益;
第七生成模块18,用于将火车的起始点间的忠诚旅客函数期望收益和火车的起始点间的不忠诚旅客函数期望收益相加,生成火车的起始点间的整体期望收益。
本发明实施例中,所述装置还包括:
第八生成模块19,用于根据与机票价格对应的最优火车票价和预先设置的起始点间的车票全价,生成火车的起始点间的指定档对应的折扣率。
本发明实施例的方案中,根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;根据起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成起始点间的火车不忠诚旅客价格反应值;根据起始点间的历史数据生成起始点间的指定档的机票价格;根据起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,生成与机票价格对应的最优火车票价,从而提高铁路竞争力和客运资源利用率,吸引对价格敏感的旅客。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述车票定价方法的实施例的各步骤,具体描述可参见上述车票定价方法的实施例。
本发明实施例提供了一种服务器,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述车票定价方法的实施例的各步骤,具体描述可参见上述车票定价方法的实施例。
图5为本发明实施例提供的一种服务器的示意图。如图5所示,该实施例的服务器20包括:处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23,该计算机程序23被处理器21执行时实现实施例中的应用于车票定价方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器21执行时实现实施例中应用于车票定价装置中各模型/单元的功能,为避免重复,此处不一一赘述。
服务器20包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,图5仅仅是服务器20的示例,并不构成对服务器20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器22可以是服务器20的内部存储单元,例如服务器20的硬盘或内存。存储器22也可以是服务器20的外部存储设备,例如服务器20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器22还可以既包括服务器20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及服务器所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,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***,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。
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 (16)
1.一种车票定价方法,其特征在于,所述方法包括:
根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;
根据所述起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成所述起始点间的火车不忠诚旅客价格反应值;
根据起始点间的历史数据生成所述起始点间的指定档的机票价格;
根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和所述起始点间的指定档的机票价格,生成与所述机票价格对应的最优火车票价。
2.根据权利要求1所述的车票定价方法,其特征在于,所述根据所述起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成所述起始点间的火车不忠诚旅客价格反应值,包括:
将所述起始点间的忠诚旅客比例乘以所述第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将所述第一指定车次的需求量减去所述第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量;
将所述起始点间的忠诚旅客比例乘以所述第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将所述第二指定车次的需求量减去所述第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量;
将所述第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值;
将所述第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值;
将所述不忠诚旅客数量变化值除以票价变化值,计算出起始点间的火车不忠诚旅客价格反应值。
3.根据权利要求1所述的车票定价方法,其特征在于,所述根据起始点间的历史数据生成所述起始点间的指定档的机票价格,包括:
从历史数据中获取所述起始点间的多个机票价格;
根据所述起始点间的多个机票价格统计出所述起始点间的指定档的机票价格。
4.根据权利要求1所述的车票定价方法,其特征在于,所述根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和所述起始点间的指定档的机票价格,生成与所述机票价格对应的最优火车票价,包括:
根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,构建火车的起始点间的不忠诚旅客期望收益函数;
根据所述不忠诚旅客期望收益函数,计算出与所述机票价格对应的最优火车票价。
5.根据权利要求4所述的车票定价方法,其特征在于,所述根据所述不忠诚旅客期望收益函数,计算出与所述机票价格对应的最优火车票价,包括:
生成所述不忠诚旅客期望收益函数对所述火车票价的一阶偏导数函数;
根据所述不忠诚旅客期望收益函数对所述火车票价的一阶偏导数函数,计算出与所述机票价格对应的最优火车票价。
6.根据权利要求5所述的车票定价方法,其特征在于,所述根据所述不忠诚旅客期望收益函数,计算出与所述机票价格对应的最优火车票价之后,还包括:
构建火车的起始点间的忠诚旅客期望收益函数;
根据所述火车的起始点间的忠诚旅客期望收益函数,对起始点间的席位预订限额和起始点间的单张车票全价进行计算,生成火车的起始点间的忠诚旅客函数期望收益;
根据所述火车的起始点间的不忠诚旅客期望收益函数,对起始点间的忠诚旅客比例、起始点间的旅客需求预估值、起始点间的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和起始点间的指定档的机票价格进行计算,生成火车的起始点间的不忠诚旅客函数期望收益;
将所述火车的起始点间的忠诚旅客函数期望收益和所述火车的起始点间的不忠诚旅客函数期望收益相加,生成火车的起始点间的整体期望收益。
7.根据权利要求1所述的车票定价方法,其特征在于,在根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和所述起始点间的指定档的机票价格,生成与所述机票价格对应的最优火车票价之后,还包括:
根据所述与所述机票价格对应的最优火车票价和预先设置的起始点间的车票全价,生成火车的起始点间的指定档对应的折扣率。
8.一种车票定价装置,其特征在于,包括:
第一生成模块,用于根据起始点间的历史数据生成火车的起始点间的忠诚旅客比例、旅客需求预估值、第一指定车次的需求量和票价、第二指定车次的需求量和票价;
第二生成模块,用于根据所述起始点间的忠诚旅客比例、第一指定车次的需求量和票价、第二指定车次的需求量和票价,生成所述起始点间的火车不忠诚旅客价格反应值;
第三生成模块,用于根据起始点间的历史数据生成所述起始点间的指定档的机票价格;
第四生成模块,用于根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和所述起始点间的指定档的机票价格,生成与所述机票价格对应的最优火车票价。
9.根据权利要求8所述的车票定价装置,其特征在于,所述第二生成模块包括:第一计算子模块、第二计算子模块、第一确定子模块、第二确定子模块和第三计算子模块;
所述第一计算子模块用于将所述起始点间的忠诚旅客比例乘以所述第一指定车次的需求量计算出第一指定车次的忠诚旅客数量,并将所述第一指定车次的需求量减去所述第一指定车次的忠诚旅客数量计算出第一指定车次的不忠诚旅客数量;
所述第二计算子模块用于将所述起始点间的忠诚旅客比例乘以所述第二指定车次的需求量计算出第二指定车次的忠诚旅客数量,并将所述第二指定车次的需求量减去所述第二指定车次的忠诚旅客数量计算出第二指定车次的不忠诚旅客数量;
所述第一确定子模块用于将所述第一指定车次的不忠诚旅客数量和第二指定车次的不忠诚旅客数量的差值的绝对值确定为不忠诚旅客数量变化值;
所述第二确定子模块用于将所述第一指定车次的票价和第二指定车次的票价的差值的绝对值确定为票价变化值;
所述第三计算子模块用于将所述不忠诚旅客数量变化值除以票价变化值,计算出起始点间的火车不忠诚旅客价格反应值。
10.根据权利要求8所述的车票定价装置,其特征在于,所述第三生成模块包括:获取子模块和统计子模块;
所述获取子模块用于从历史数据中获取所述起始点间的多个机票价格;
所述统计子模块用于根据所述起始点间的多个机票价格统计出所述起始点间的指定档的机票价格。
11.根据权利要求8所述的车票定价装置,其特征在于,所述第四生成模块包括:第一构建子模块和第四计算子模块;
所述第一构建子模块用于根据所述起始点间的忠诚旅客比例、旅客需求预估值、火车不忠诚旅客价格反应值和起始点间的指定档的机票价格,构建火车的起始点间的不忠诚旅客期望收益函数;
所述第四计算子模块用于根据所述不忠诚旅客期望收益函数,计算出与所述机票价格对应的最优火车票价。
12.根据权利要求8所述的车票定价装置,其特征在于,所述第四计算子模块具体用于生成所述不忠诚旅客期望收益函数对所述火车票价的一阶偏导数函数,所述不忠诚旅客期望收益函数对所述火车票价的一阶偏导数函数,计算出与所述机票价格对应的最优火车票价。
13.根据权利要求8所述的车票定价装置,其特征在于,还包括:
构建模块,用于构建火车的起始点间的忠诚旅客期望收益函数;
第五生成模块,根据所述火车的起始点间的忠诚旅客期望收益函数,对起始点间的席位预订限额和起始点间的单张车票全价进行计算,生成火车的起始点间的忠诚旅客函数期望收益;
第六生成模块,用于根据所述火车的起始点间的不忠诚旅客期望收益函数,对起始点间的忠诚旅客比例、起始点间的旅客需求预估值、起始点间的火车不忠诚旅客价格反应值、与机票价格对应的火车票价和起始点间的指定档的机票价格进行计算,生成火车的起始点间的不忠诚旅客函数期望收益;
第七生成模块,用于将所述火车的起始点间的忠诚旅客函数期望收益和所述火车的起始点间的不忠诚旅客函数期望收益相加,生成火车的起始点间的整体期望收益。
14.根据权利要求8所述的车票定价装置,其特征在于,还包括:
第八生成模块,用于根据所述与所述机票价格对应的最优火车票价和预先设置的起始点间的车票全价,生成火车的起始点间的指定档对应的折扣率。
15.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的车票定价方法。
16.一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的车票定价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786494.3A CN110675182A (zh) | 2019-08-23 | 2019-08-23 | 一种车票定价方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786494.3A CN110675182A (zh) | 2019-08-23 | 2019-08-23 | 一种车票定价方法、装置、存储介质和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675182A true CN110675182A (zh) | 2020-01-10 |
Family
ID=69076450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786494.3A Pending CN110675182A (zh) | 2019-08-23 | 2019-08-23 | 一种车票定价方法、装置、存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675182A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489014A (zh) * | 2020-03-16 | 2020-08-04 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和*** |
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 |
-
2019
- 2019-08-23 CN CN201910786494.3A patent/CN110675182A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489014A (zh) * | 2020-03-16 | 2020-08-04 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111489014B (zh) * | 2020-03-16 | 2023-12-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 列车客座率的评估方法及其装置 |
CN111582918A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班收益预测方法和*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Forecasting passenger travel demand for air and high-speed rail integration service: A case study of Beijing-Guangzhou corridor, China | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
Hess et al. | Airport, airline and access mode choice in the San Francisco Bay area | |
Gordon | Productivity in the transportation sector | |
Birolini et al. | Integrated flight scheduling and fleet assignment with improved supply-demand interactions | |
Jacobs et al. | Incorporating network flow effects into the airline fleet assignment process | |
Jacobs et al. | Airline planning and schedule development | |
Moolchandani et al. | Assessing effects of aircraft and fuel technology advancement on select aviation environmental impacts | |
CN110675182A (zh) | 一种车票定价方法、装置、存储介质和服务器 | |
Bandalouski et al. | An overview of revenue management and dynamic pricing models in hotel business | |
Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
Cirillo et al. | Dynamic discrete choice model for railway ticket cancellation and exchange decisions | |
Zeni | Improved forecast accuracy in airline revenue management by unconstraining demand estimates from censored data | |
Yu et al. | Differential pricing strategies of air freight transport carriers in the spot market | |
Dandapat et al. | An approach for identifying optimal service for rural bus routes | |
Bi et al. | Real trip costs: Modelling intangible costs of urban online car-hailing in Haikou | |
Obeng et al. | Airline fare and seat management strategies with demand dependency | |
Wen et al. | Empirical analysis of scaled mixed itinerary-size weibit model for itinerary choice in a schedule-based railway network | |
Evangelinos et al. | Special interest groups and price-structure: An application to noise charging at Zurich Airport | |
Han et al. | Two-stage optimization of airport ferry service delay considering flight uncertainty | |
Fan | Market-based airport demand management: theory, model and applications | |
Dutta et al. | A passenger revenue management system (RMS) for a National Railway in an Emerging Asian Economy | |
Godwin et al. | Tactical locomotive fleet sizing for freight train operations | |
Hess et al. | Airport choice behaviour: findings from three separate studies | |
Rahman et al. | Integrating dial-a-ride with transportation network companies for cost efficiency: A Maryland case study |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |