基于铁路客票信息的旅客购票行为分析

摘要

铁路票务管理部门往往基于历史结论或铁路专家的经验做出决策，这样的决策干扰因素多，决策水平波动较大，影响铁路客运平稳发展。随着网络和信息技术的发展，铁路已经进入由数据主导的“大时代”。大数据时代所收集的信息不是单一的，而是结构化的信息，如何使数据资源转为铁路票务管理服务，就成为铁路客运决策部门需要研究的重点问题。与此同时，在大数据背景下数据挖掘的研究工作主要集中在信息系统中数据库的构建，而在已有数据库中对数据的分析处理方法研究并不多。比如，在数据库建成后，铁路客票数据如何应用在铁路客运市场上，鲜有文献体现。基于上述思考，展开本文的研究内容。主要的研究工作如下:
　　(1)根据客票数据的特性，选项用相似性分析，对数据降维处理选出研究数据类别。接着运用方差分析，检验两两数据间是否具有显著性差异，发现购票时间与其他因素间具有显著相关性。
　　(2)对选择的铁路购票特征数据进行分析，研究旅客个人特征、列车类型、购票方式、到达目的地城市类型、出行时间与购票时间之间的关系。
　　(3)通过运用密度的聚类算法DBSCAN得到铁路购票行为分类的5类客户群体，对分类结果进行解释，并分析每类客户群体的特点。
　　(4)本文在此基础上，根据数据分析和数据挖掘所得到的结论，找到基于铁路购票行为的旅客分布规律，对铁路部门的票务管理提出建议。

目录

声明

摘要

第1章 绪论

1．1 论文的背景与意义

1．1．1 论文背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．2．3 存在问题

1．3 论文内容及技术路线

1．3．1 论文主要内容

1．3．2 技术路线

第2章 铁路客票信息及其分析方法

2．1 铁路客票概述

2．1．1 发展历程

2．1．2 铁路客票票面内容

2．2 数据分析基本理论方法

2．3 数据挖掘基本理论方法

2．3．1 基本概念

2．3．2 数据挖掘的任务

2．3．3 数据挖掘的过程

2．4 在铁路客运市场分析中的应用

第3章 铁路客票关键因素的特征分析

3．1 数据准备阶段

3．1．1 数据来源

3．1．2 数据预处理

3．1．3 特征信息的选择与提取

3．1．4 方差分析

3．2 购票时间分析

3．3 其他主要因素分析

3．3．1 购票方式分析

3．3．2 列车类型分析

3．3．3 到达城市分析

3．3．4 出行时间分析

3．3．5 旅客个人特征

3．4 小结

第4章 基于聚类的铁路旅客购票行为分析

4．1 密度DBSCAN聚类

4．1．1 算法描述

4．1．2 算法基本步骤

4．2 基于聚类算法的铁路客票分析

4．3 聚类结果的分析与解释

第5章 票务管理的相关建议

5．1 清晰客户定位

5．2 细化购票特征

5．2．1 灵活售票时间

5．2．2 调整售票方式

5．2．3 丰富换乘组合

5．2．4 增加选择自主性

5．2．5 建立信息服务平台

结论

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果

附件