铁路票额预分方法、装置及介质

摘要

本发明涉及一种铁路票额预分方法、装置及介质的技术方案，包括：根据车站历史出行人数、出发人数和到达人数，对车站进行排序；对每辆车经过的车站与始发站的距离进行排序，得到每辆车的出发站候选车站及到达站候选车站；根据到达站候选车站，根据每辆车的车站数及设定值，得到以远站；计算历史时间段内的每年出行人数；根据出行人数，的出行人数和日期的时间序列，将时间序列分解为趋势、季节性及节假日，创建对应的预测模型对未来出行人数进行预测，并生成预分模板。本发明的有益效果为：本发明的有益效果为：基于数理统计和机器学习的方式，不仅可以为工作人员减轻工作量，还可以比较精确的生成预分模板，方便后期的铁路票额预分。

说明书

技术领域

本发明涉及计算机领域，具体涉及了一种铁路票额预分方法、装置及介质。

背景技术

现有技术的票额预分方式通常根据工作人员的经验，划分以远站和分组站，然后再生成票额预分模板。工作人员并没有根据数理统计的方式去计算历史出行人数，所以不太精确，而且这项工作需要工作人员手动去做，比较耗费精力。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种铁路票额预分方法、装置及介质，有效的预测出未来的出行人数，节约了工作人员的时间。

本发明的技术方案包括一种铁路票额预分方法，其特征在于，该方法包括：S100，根据车站历史出行人数、出发人数和到达人数，对车站进行排序，得到第一排序；S200，对每辆车经过的车站与始发站的距离进行排序，得到第二排序，根据第二排序得到每辆车的出发站候选车站及到达站候选车站；S300，根据所述出发站候选车站，将每辆车的始发站作为第一分组，将除始发站之外的第一排序中序列号最小的站作为第二分组；S400，根据所述到达站候选车站，以及，根据每辆车的车站数及设定值，得到以远站；S500，根据所述第一分组、所述第二分组及第三分组，与所述以远站的分别进行组合，计算历史时间段内的每年出行人数；S600，根据所述出行人数，的所述出行人数和日期的时间序列，将所述时间序列分解为趋势、季节性及节假日，创建对应的预测模型对未来出行人数进行预测，并生成预分模板。

根据所述的铁路票额预分方法，其中发站候选车站及到达站候选车站通过以下方式实现：对车辆的车站数N，车站序列号小于等于N/2的车站设置为出发站候选车站，车站序列号大于N/2的车站设置为到达站候选车站。

根据所述的铁路票额预分方法，其中以远站包括：将车辆的终点站作为一个以远站；如果N<10，选择除终点站外的，第一排序序号中最小的一个站，作为一个以远站；如果N>＝10，选择除终点站外的，第一排序序号中最小的两个站，作为两个以远站。

根据所述的铁路票额预分方法，其中趋势的模型预测包括：使用饱和增长模型，其公式为

其中，C为承载能力，k为增长率，m为偏移参数，t为时间序列值。

根据所述的铁路票额预分方法，其中该方法还包括：

根据C、k及m随时间变化的性质，将所述趋势的模型预测包括通过

C＝C(t)，k＝k(t)及m＝m(t)进行实现。

根据所述的铁路票额预分方法，其中季节性的模型预测包括：

通过傅里叶级数来实现灵活的周期性影响，其公式如下

其中，P为周期，N为经验所得，每年M＝10，每周M＝3，t为时间序列值，m为从1到M的自然数；

傅里叶级数的参数β＝[a

根据所述的铁路票额预分方法，其中节假日的预测模型包括：

通过回归矩阵Z(t)＝[l(t∈D

[l(t∈D

根据所述的铁路票额预分方法，其中节假日的预测模型包括：

未来出行人数的预测为y(t)＝g(t)+s(t)+h(t)+ε，其中ε表示模型不适应特殊变化。

本发明的技术方案还包括一种铁路票额预分装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。

本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如任一所述的方法步骤。

本发明的有益效果为：基于数理统计和机器学习的方式，不仅可以为工作人员减轻工作量，还可以比较精确的生成预分模板，方便后期的铁路票额预分。

附图说明

下面结合附图和实施例对本发明进一步地说明；

图1所示为根据本发明实施方式的总体流程图；

图2所示为根据本发明实施方式的装置图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。

本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

图1所示为根据本发明实施方式的总体流程图，该流程包括：S100，根据车站历史出行人数、出发人数和到达人数，对车站进行排序，得到第一排序；S200，对每辆车经过的车站与始发站的距离进行排序，得到第二排序，根据第二排序得到每辆车的出发站候选车站及到达站候选车站；S300，根据所述出发站候选车站，进行分组，具体包括：将始发站作为第一分组；将除始发站外的，第一排序序号最小的一个站作为出发大站，将出发大站作为第二分组；若始发站和出发大站之间还存在车站的，将始发站为第一分组，始发站和出发大站之间的站作为第二分组，出发大站作为第三分组；若始发站和出发大站之间没有车站，则将始发站为第一分组，出发大站为第二分组；S400，根据到达站候选车站，以及，根据每辆车的车站数及设定值，得到以远站；S500，根据第一分组、第二分组及第三分组，与以远站的分别进行组合，计算历史时间段内的每年出行人数；S600，根据出行人数，的出行人数和日期的时间序列，将时间序列分解为趋势、季节性及节假日，创建对应的预测模型对未来出行人数进行预测，并生成预分模板。

基于对图1的解释，本发明的技术方案提出了对应的实施方式，包括：

S100：根据历史出行人数，综合车站的出发人数和到达人数，按照人数从大到小的顺序，把全部车站进行排序，排序结果记为：大站序列号。

S200：针对具体某一辆列车，根据每个车站距离始发站的距离，也会有一个序列号，记为：车站序列号。某一辆车的车站数为N，车站序列号小于等于N/2的车站记为：出发站候选车站，车站序列号大于N/2的车站记为：到达站候选车站。

S300：根据S200生成的出发站候选车站，

第一，将始发站作为第一组。

第二，选择除始发站外的，大站序列号最小的一个站，记为：出发大站，作为一个分组。

第三，如果始发站和出发大站之间还有车站，那么最后的分组结果为：始发站为第一组，始发站和出发大站之间的站作为第二组，出发大站作为第三组。

如果始发站和出发大站之间没有车站，那么最后的分组结果为：始发站为第一组，出发大站为第二组。

S400：根据S200生成的到达站候选车站，第一，将终点站作为一个以远站。第二，如果N<10，选择除终点站外的，大站序列号最小的一个站，记为：到达大站，作为一个以远站。如果N>＝10，选择除终点站外的，大站序列号最小的两个站，记为：到达大站1和到达大站2，作为两个以远站。

S500：根据S300生成的分组和S400生成的以远站，将分组和以远站，两两组合，统计过去两年中，每年的出行人数。

S600：根据S500中得到的出行人数，得到一个出行人数和日期组成的时间序列。把时间序列分解为趋势、季节性和节假日，然后建模，使用模型预测未来的出行人数，进而生成预分模板。

趋势模型。使用如下的饱和增长模型：

其中，C为承载能力(如出行人数)，k为增长率，m为偏移参数，t为时间序列值

当C＝1，k＝1，m＝0时就是大家常见的Sigmoid函数的形式

在现实生活中，承载能力、增长率和偏移参数并不是一成不变的，所以将其转换为随时间变化的函数：

C＝C(t)，k＝k(t)及m＝m(t)

2.季节性模型。季节性(这里指周期性)是大部分时间序列都会考虑的，因为时间序列通常会随着天、周、月、年等的变化而呈现周期性变化。为了拟合和预测这些数据，从而制定了季节模型。利用傅里叶级数来提供一个灵活的周期性影响：

其中，P为周期(一年P＝365.25，一个星期P＝7)，N为经验所得(年N＝10，周N＝3)，t为时间序列值，n为从1到N的自然数。

我们令傅里叶级数的参数为：

β＝[a

则可以用这个来构造一个季节性向量矩阵。

3.节假日和突发事件模型。除了季节性影响，节假日或者某些事件也会对事件序列产生很大的冲击，并且往往也不遵循周期模式。所以需要单独的拿出来进行设置。考虑回归矩阵：

Z(t)＝[l(t∈D

通过假设假期的影响是独立的，所以将假期列表合并到模型中是很简单的。对于每个假日i，使得Di为该假日的过去和将来的日期集。我们添加了一个表示时间t是否在假日i期间的指示函数指示函数：1(.)。

所以：

h(t)＝Z(t)k

其中：

k～Normal(0，v

上式的含义为：k服从正态分布，其中：v可以自行设置，默认为10，值越大，节假日对模型的影响越大；值越小，节假日对模型的影响越小。

4.模型拟合。通过上面的趋势、季节和节假日后，我们就可以将其通过加法模型进行累加：

y(t)＝g(t)+s(t)+h(t)+ε

ε为误差项，表示模型不适应的任何特殊变化。

图2所示为根据本发明实施方式的装置图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：根据车站历史出行人数、出发人数和到达人数，对车站进行排序，得到第一排序；对每辆车经过的车站与始发站的距离进行排序，得到第二排序，根据第二排序得到每辆车的出发站候选车站及到达站候选车站；根据出发站候选车站，将每辆车的始发站作为第一分组，将除始发站之外的第一排序中序列号最小的站作为第二分组；根据到达站候选车站，以及，根据每辆车的车站数及设定值，得到以远站；根据第一分组和第二分组，与以远站的分别进行组合，计算历史时间段内的每年出行人数；根据出行人数，的出行人数和日期的时间序列，将时间序列分解为趋势、季节性及节假日，创建对应的预测模型对未来出行人数进行预测，并生成预分模板。其中，存储器100用于存储数据。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。