铁路客票发售数据抽取及短时客流预测研究
|
摘要
在经济快速发展、运输市场竞争日益激烈的背景下,铁路运输企业必须提高客运营销管理科学水平,快速、灵活地应对市场变化,以更好地满足市场经济和自身发展的新要求,而这些都需要以对短期客流及时、准确的分析和预测为基础。
本文主要研究铁路客票发售数据的抽取方法及短时客流预测问题,利用预售期内往日的已售客票及当日实时售票的样本数据,预测预售期内的客票发售数量,进而推算发车时的最终客流量。
为了给客票发售数据抽取方法的设计和客流预测算法的选取提供依据,本文首先从对客票销售历史数据的统计分析出发,研究其各个维度上的时序趋势规律,提出售票事件的统计分布假设,并通过拟合优度检验加以验证。
依据单日不同时段售票量的时序特征,本文提出了针对客票发售数据的分层抽样方法,即:通过三阶段多层抽样得到客票发售样本数据,并基于实际数据,从统计特征一致性角度,对该方法的有效性进行了验证。
同样以客票发售数据的时序特征为依据,本文提出了以径向基函数(RBF)神经网络为工具,以预售期内已售客票数据为基础,对预售期内后续各天售票量的预测方法,并提出了利用单日24小时内的售票量时序规律预测当日售票量,进而对最终客流预测结果提供修正的方法。
论文的最后利用客票系统的历史数据,运用所提出的三阶段分层抽样方法及短时客流预测方法,针对平日和五一长假两种情况,分别对武汉至广州的日客流进行预测,结果验证了所提出方法的有效性和可行性。
In the increasingly competitive transportation market, railway transport enterprises must enhance the scientific level of marketing management, and respond to market changes rapidly and flexibly in order to meet the new requirements of market economy and self-development, which are based on timely and accurate analysis and forecast of short-term passenger flow.
This paper mainly research on railway ticketing data sampling and short-term forecast of passenger flow, using the sample of sold ticketing data in pre-sale period and real-time ticketing data, forecast every follow-up day's ticketing volume in pre-sale period, and calculate the total passenger flow volume.
In order to provide the basis for the ticketing data sampling method and forecast algorithm, the paper first analyzed timing law on various dimensions of historical data, made the assumption of statistical distribution, and then verified it by goodness of fit test.
Based on the one-day time series features of ticketing volume in different session, this paper proposed nested sampling method for ticketing data, which is three-stage stratified sampling, and verified the validity of this method based on actual data.
In the same way, based on sold ticketing data, using radial basis function (RBF) neural network, the paper proposed a method to forecast follow-up days' ticketing volume in pre-sale period, and made use of real-time ticketing data to forecast intraday ticketing volume, in order to amend the final results.
finally, using historical data, the three-stage stratified sampling method mentioned above and short-term forecast method of passenger flow, the paper forecast one-day passenger flow volume of the OD from Wuhan to Guangzhou, for cases of both daily and holiday respectively. The results validated the proposed methods are effective and feasible.
本文主要研究铁路客票发售数据的抽取方法及短时客流预测问题,利用预售期内往日的已售客票及当日实时售票的样本数据,预测预售期内的客票发售数量,进而推算发车时的最终客流量。
为了给客票发售数据抽取方法的设计和客流预测算法的选取提供依据,本文首先从对客票销售历史数据的统计分析出发,研究其各个维度上的时序趋势规律,提出售票事件的统计分布假设,并通过拟合优度检验加以验证。
依据单日不同时段售票量的时序特征,本文提出了针对客票发售数据的分层抽样方法,即:通过三阶段多层抽样得到客票发售样本数据,并基于实际数据,从统计特征一致性角度,对该方法的有效性进行了验证。
同样以客票发售数据的时序特征为依据,本文提出了以径向基函数(RBF)神经网络为工具,以预售期内已售客票数据为基础,对预售期内后续各天售票量的预测方法,并提出了利用单日24小时内的售票量时序规律预测当日售票量,进而对最终客流预测结果提供修正的方法。
论文的最后利用客票系统的历史数据,运用所提出的三阶段分层抽样方法及短时客流预测方法,针对平日和五一长假两种情况,分别对武汉至广州的日客流进行预测,结果验证了所提出方法的有效性和可行性。
In the increasingly competitive transportation market, railway transport enterprises must enhance the scientific level of marketing management, and respond to market changes rapidly and flexibly in order to meet the new requirements of market economy and self-development, which are based on timely and accurate analysis and forecast of short-term passenger flow.
This paper mainly research on railway ticketing data sampling and short-term forecast of passenger flow, using the sample of sold ticketing data in pre-sale period and real-time ticketing data, forecast every follow-up day's ticketing volume in pre-sale period, and calculate the total passenger flow volume.
In order to provide the basis for the ticketing data sampling method and forecast algorithm, the paper first analyzed timing law on various dimensions of historical data, made the assumption of statistical distribution, and then verified it by goodness of fit test.
Based on the one-day time series features of ticketing volume in different session, this paper proposed nested sampling method for ticketing data, which is three-stage stratified sampling, and verified the validity of this method based on actual data.
In the same way, based on sold ticketing data, using radial basis function (RBF) neural network, the paper proposed a method to forecast follow-up days' ticketing volume in pre-sale period, and made use of real-time ticketing data to forecast intraday ticketing volume, in order to amend the final results.
finally, using historical data, the three-stage stratified sampling method mentioned above and short-term forecast method of passenger flow, the paper forecast one-day passenger flow volume of the OD from Wuhan to Guangzhou, for cases of both daily and holiday respectively. The results validated the proposed methods are effective and feasible.
引文
[1]刘娜.客运专线客流预测理论研究及实际应用[D].北京:北京交通大学,2006
[2]张胜.客票发售与预订系统票额分配策略研究[D].兰州:兰州交通大学,2007
[3]www.thebeijingnews.com,新京报,2008.11.28 2:31:50
[4]刘泊.中国铁路客运的收益管理研究[D].北京:北京交通大学,2006
[5]吴家庆.实时ITS数据抽样技术与案例分析[D].北京:北京交通大学,2005
[6]席卫东.基于K线博弈的民航收益管理[D].南京:南京航空航天大学,2006
[7]田珠.大规模路网实时交通流预测模型及应用研究[D].大连:大连理工大学,2007
[8]蔡晓蕾.城市环路交通流动态实时预测方法研究及系统实现[D].北京:北京交通大学,2005
[9]吕毅.基于改进BP算法的电力系统短期负荷预测[D].保定:华北电力大学,2007
[10]陈明华.基于模糊神经网络的短期负荷预测[D].南宁:广西大学,2006
[11]莫玲.基于时间序列和人工神经网络的电力系统短期负荷预测[D].南昌:南昌大学,2006
[12]郭孜政.铁路客流预测方法研究[D].成都:西南交通大学,2005
[13]伏劲松.统计调查中数据质量控制的几点技术改进[D].北京:中国农业大学,2006
[14]李红萍,裴玉龙.基于混沌理论的交通流短时预测模型.昆明理工大学学报(理工版),2005.31(5).95-99
[15]杜子芳.抽样技术及应用[M].北京:清华大学出版社,2005.379-381
[16]刘世峰.客流预测虚拟现实化研究[D].北京:北京交通大学,1998
[17]张德玲.电力系统短期负荷预测方法的研究[D].郑州:郑州大学,2007
[18]张亚平.基于径向基函数神经网络的投资预测模型研究[D].哈尔滨:哈尔滨工程大学,2006
[19]马彦祥.基于客流激发能级模型的铁路客流短期预测研究[D].北京:北京交通大学,2008
[20]邰能灵,侯志俭,李涛.基于小波分析的电力系统短期负荷预测方法[J].中国电机工程学报,2003.23(1).45-50
[21]徐军华,刘天琪.基于小波分析和人工神经网络的短期负荷预测[J].电网技术.2004.28(8).30-33
[22]张常顺,任建华.铁路客流影响因素及其对策分析[J].内蒙古科技与经济.2007.(21).325-326
[23]纪良浩.基于密度偏差抽样的聚类算法研究.重庆:重庆邮电大学学报(自然科学版)2007.19(6).729-732
[24]张兆功.海量数据挖掘算法的研究[D].哈尔滨:哈尔滨工业大学,2003
[25]韩冰.股票投资行为模式研究-基于交易数据库的数据挖掘[D].成都:西南财经大学,2007
[26]李静.基于分布式的银行信用卡数据挖掘系统的预处理[D].广州:华南理工大学,2005
[2]张胜.客票发售与预订系统票额分配策略研究[D].兰州:兰州交通大学,2007
[3]www.thebeijingnews.com,新京报,2008.11.28 2:31:50
[4]刘泊.中国铁路客运的收益管理研究[D].北京:北京交通大学,2006
[5]吴家庆.实时ITS数据抽样技术与案例分析[D].北京:北京交通大学,2005
[6]席卫东.基于K线博弈的民航收益管理[D].南京:南京航空航天大学,2006
[7]田珠.大规模路网实时交通流预测模型及应用研究[D].大连:大连理工大学,2007
[8]蔡晓蕾.城市环路交通流动态实时预测方法研究及系统实现[D].北京:北京交通大学,2005
[9]吕毅.基于改进BP算法的电力系统短期负荷预测[D].保定:华北电力大学,2007
[10]陈明华.基于模糊神经网络的短期负荷预测[D].南宁:广西大学,2006
[11]莫玲.基于时间序列和人工神经网络的电力系统短期负荷预测[D].南昌:南昌大学,2006
[12]郭孜政.铁路客流预测方法研究[D].成都:西南交通大学,2005
[13]伏劲松.统计调查中数据质量控制的几点技术改进[D].北京:中国农业大学,2006
[14]李红萍,裴玉龙.基于混沌理论的交通流短时预测模型.昆明理工大学学报(理工版),2005.31(5).95-99
[15]杜子芳.抽样技术及应用[M].北京:清华大学出版社,2005.379-381
[16]刘世峰.客流预测虚拟现实化研究[D].北京:北京交通大学,1998
[17]张德玲.电力系统短期负荷预测方法的研究[D].郑州:郑州大学,2007
[18]张亚平.基于径向基函数神经网络的投资预测模型研究[D].哈尔滨:哈尔滨工程大学,2006
[19]马彦祥.基于客流激发能级模型的铁路客流短期预测研究[D].北京:北京交通大学,2008
[20]邰能灵,侯志俭,李涛.基于小波分析的电力系统短期负荷预测方法[J].中国电机工程学报,2003.23(1).45-50
[21]徐军华,刘天琪.基于小波分析和人工神经网络的短期负荷预测[J].电网技术.2004.28(8).30-33
[22]张常顺,任建华.铁路客流影响因素及其对策分析[J].内蒙古科技与经济.2007.(21).325-326
[23]纪良浩.基于密度偏差抽样的聚类算法研究.重庆:重庆邮电大学学报(自然科学版)2007.19(6).729-732
[24]张兆功.海量数据挖掘算法的研究[D].哈尔滨:哈尔滨工业大学,2003
[25]韩冰.股票投资行为模式研究-基于交易数据库的数据挖掘[D].成都:西南财经大学,2007
[26]李静.基于分布式的银行信用卡数据挖掘系统的预处理[D].广州:华南理工大学,2005
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |