• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于旅客出行方式选择的高速铁路客运分时定价方案研究

陈凯

陈凯. 基于旅客出行方式选择的高速铁路客运分时定价方案研究[J]. 铁路计算机应用, 2022, 31(9): 57-62. DOI: 10.3969/j.issn.1005-8451.2022.09.12
引用本文: 陈凯. 基于旅客出行方式选择的高速铁路客运分时定价方案研究[J]. 铁路计算机应用, 2022, 31(9): 57-62. DOI: 10.3969/j.issn.1005-8451.2022.09.12
CHEN Kai. Time-sharing pricing of high-speed railway passenger transport based on passenger travel mode selection[J]. Railway Computer Application, 2022, 31(9): 57-62. DOI: 10.3969/j.issn.1005-8451.2022.09.12
Citation: CHEN Kai. Time-sharing pricing of high-speed railway passenger transport based on passenger travel mode selection[J]. Railway Computer Application, 2022, 31(9): 57-62. DOI: 10.3969/j.issn.1005-8451.2022.09.12

基于旅客出行方式选择的高速铁路客运分时定价方案研究

基金项目: 四川省科技厅软课题(2020JDR0127)
详细信息
    作者简介:

    陈 凯,高级工程师

  • 中图分类号: U293 : F530.52 : TP39

Time-sharing pricing of high-speed railway passenger transport based on passenger travel mode selection

  • 摘要: 高速铁路(简称:高铁)客流一天之中具有较大的波动性,呈现出高峰、平峰、低谷的特点。文章利用“削峰填谷”思想,基于分时定价理论和Logit效用函数,考虑旅客选择出行方式的行为因素,以及线路通过能力、客车容量等约束,建立以高铁企业收入最大化为目标的分时定价模型,并利用遗传算法进行求解。通过某铁路线实际算例,验证上述模型和算法的可行性。验证结果表明,高铁分时定价策略有助于提升高铁市场占有率及运营企业客运收益。
    Abstract: The passenger flow of high-speed railway (abbreviated as high-speed railway) fluctuates greatly in a day, showing the characteristics of peak, flat peak and low peak. Using the idea of "peak clipping and valley filling", based on time-sharing pricing theory and Logit utility function, considering the behavior factors of passengers in choosing travel modes, as well as the constraints of railway carrying capacity and passenger capacity, this paper established a time-sharing pricing model with the goal of maximizing revenue of high-speed railway enterprises and used genetic algorithm to solve it. The feasibility of the above model and algorithm were verified by a practical example of a railway line. The verification results show that the time-sharing pricing strategy of high-speed rail is helpful to improve the market share of high-speed railway and the passenger revenue of operating enterprises.
  • 近年来,随着我国经济水平的快速提升,高速铁路(简称:高铁)得到迅猛发展,高铁客运站已发展成为大型综合交通枢纽,汇集高铁、城市轨道交通(简称:城轨)、公交、社会车辆等多种交通方式,高铁综合交通枢纽(简称:枢纽)在现代化综合交通运输体系中已占据重要地位。枢纽内客流的协同管控,以及多模式交通的精准组织和自主调度是提高枢纽运行效率和服务质量的关键所在。当前的协同管控方法存在粗放式感知、孤立性调度和延迟性反馈等问题,影响枢纽的交通组织效率和调度效果。本文基于当前研究的不足之处,立足于枢纽客流协同管控,对常态、非常态下枢纽客流协同管控优化2个部分的关键技术展开研究。

    枢纽的客流协同管控是指对枢纽客流进行协同管理和控制,以确保客流的安全、顺畅和高效有序通行。主要工作包括客流监测、客流预测、客流调度、客流引导、客流分流和客流安检等。

    常态和非常态通常是根据客流量的大小和变化程度来区分的。常态下,客流量相对平稳,可按照预定的计划和措施进行管理和控制;非常态下,客流量突然增加或出现异常情况,超出了正常的管理范围,需要采取额外的应对措施,如增加运力、加强安检等。通常,当客流量超过了事先设定的阈值或出现了突发事件时,可判断为非常态情况。

    枢纽的客流管控优化对其良好运营具有重要意义,受到了国内外众多学者的关注。刘宝贵等人[1]研究了基于深度强化学习的枢纽客流调度模型,通过模型学习实现对客流的预测和调度,并基于枢纽的网络结构和运行机制提出优化策略;徐亚婧等人[2]研究了枢纽的网络结构和流量分配问题,提出了一种基于蚁群算法的优化策略;胡畔[3]对枢纽设施与流线理论进行了简述,对其换乘系统的构成及换乘流线、设施服务能力进行分析,提出了以铁路为主的枢纽换乘客流预测的思路,分析了换乘客流的特点及构成,并介绍了预测客流量的方法。

    综上,现有的常态下枢纽客流协同管控方法仍然停留在局部管控优化,未考虑复杂的客流流线与客流协同管控优化间的关系,且未考虑多模式出行属性,对枢纽的客流协同管控刻画不足。

    熊国强等人[4]运用元胞自动机理论构建了地铁客流应急疏散的组合模型,包括行人最优路径选择模型、障碍物绕行模型等,并仿真分析了地铁客流应急疏散的过程;温念慈等人[5]将协同矩阵与多目标规划理论,应用到突发大客流下多车站协同客流控制应急决策研究中,实现突发情况下,多站动态协同应急决策的制定与动态调整;Zhu等人[6]构建了以训练序列为阶段变量的动态规划模型,提出了一种具有多种改进策略的NSGA-II算法,求解综合应急情况下并行协同控制模型,生成客流控制策略,最大限度地提高乘客周转率;Yuan等人[7]提出一种基于跳停模式的客流控制和列车调度的综合优化方法,此外,还考虑了特殊情况下的乘客动态需求和列车载客率,建立了混合整数规划模型,使列车的未使用容量最小站台和车站外的候车乘客总数最少。

    综上,现有的非常态下枢纽客流协同管控方法研究多集中于有预见性的突发客流情况,且客流管控措施单一,尚无法满足枢纽的客流协同管控需求。

    枢纽的客流复杂流线分析技术是指对枢纽内的客流进行细致的分析和研究,以了解客流的流动规律和行为模式,并通过数据分析和建模等方法,提供有效的流线设计和管理方案。

    客流数据通常是多维、动态和复杂的,如何从大量数据中提取有用的信息,并基于采集到的客流数据,形成客流的网络模型和流线图,建立客流模型来描述人员在枢纽内的流动情况,都是有待解决的问题。本文从复杂时空条件下枢纽客流集散流线状态表征分析和基于多要素演化基本图的动态演变关系分析2个方面来阐述复杂流线分析技术。

    基于时空网络图的概念,构建复杂时空条件下的枢纽网络结构图,用以分析复杂时空下枢纽客流集散流线的特征。综合考虑枢纽内部通道空间网络特征、枢纽内各衔接交通时间特征、枢纽设施配置方案等要素对客流流线的影响,采用深度优先搜索方法分析枢纽内流量较大的关键流线,对每条流线进行全链路追踪,深度挖掘流线的聚合起始点、途径的瓶颈设备及消散点,标记客流流线合流与分叉的关键设备点,重点计算关键设备通行能力与合流平台的平均集散时间。

    针对枢纽客流流线交汇处交通拥挤问题,基于宏观基本图理论,研究交汇处交通相态的多要素影响因素识别及其客流量控制。提出多要素演化基本图理论,考虑流线冲突点、客流平均走行距离、衔接交通的客流到达分布、自由流流速等因素,构建多要素演化基本图(MEFD,Multi-Evolutionary Fundamental Diagram),并进一步研究客流相态划分方法,建立基于全连接神经网络的客流流线相态智能演化算法,分析流线间的动态聚集、汇合、演化和消散规律。

    在MEFD构建过程中,考虑到枢纽内的客流流线网不同于城市交通道路网,其通道内复杂的客流流线交织,极易导致客流的无序性走行,由此,引入枢纽的流线干扰度指标,用来反映换乘枢纽内部客流的组织水平和乘客换乘的顺畅度,为枢纽集散能力提升和枢纽客流协同管控优化研究提供重要依据。

    针对枢纽内多模式交通的运行方案、调度特性(时长、梯度、路径自由度等)、承载性能(装载速度、辐射力度、投送边界等)和时效影响(蔓延指数、变异速度等)等多类运载属性,采用层次分析法,将各类运载属性转变为可统一度量的标准指标,并结合动态时间弯曲 (DTW,Dynamic Time Warping) 算法和波动权值,分析各类指标时序状态下的异步相关特性,进而构建乘客出行特征和运载特征间的映射关系图谱。基于策略梯度和Apriori分析手段,分析不同映射要素间的关联程度,形成动/静态信息的实时匹配度量方法。

    瓶颈是指在一个系统或过程中,限制了整体性能或流程效率的拥堵点,是导致整体系统无法更快运行或实现最佳效果的限制因素。

    在客流分析中,瓶颈通常指客流量最大的区域或环节,可能是客流拥堵、流动受阻或服务质量下降的关键点。瓶颈可能是由多种因素引起的,包括但不限于容量限制、布局不合理、运行调度问题和人群行为等,识别和预测枢纽瓶颈是优化客流流线的关键步骤。

    针对现有枢纽瓶颈识别方法难以描述枢纽复杂环境下的多瓶颈及瓶颈区域等问题,需要研究面向枢纽多类运营目标的单点瓶颈识别方法和系统级瓶颈识别方法,进而构建基于时空关联度分析的枢纽动态瓶颈实时预测模型,如图1所示。

    图  1  枢纽动态瓶颈识别方法

    综合考虑枢纽多类型、多方式客流的出行轨迹、出行目标、分布特征等因素对瓶颈造成的影响,从设备设施和客流输送2方面对单个动态瓶颈识别方法进行研究,为识别枢纽内能力较小或失衡的设备设施,根据设备设施实际客流需求、通行能力和容纳能力构建设备设施动态能力瓶颈的识别指标,以乘客通过步行时间、等待人数和拥挤度构建动态客流瓶颈识别指标,最终构建动静态一体化单点动态客流瓶颈识别模型。

    基于枢纽异质客流的时空状态因果关系挖掘模型和拥堵态势时空传播有向图集,获取枢纽内的客流分配,将客流分配、单点动态瓶颈和枢纽空间结构作为系统级瓶颈识别特征数据集,设置深度自编码器的特征编码、网络权重和网络偏置等,进而构建结合生成对抗网络及深度强化学习的系统级瓶颈识别模型。

    基于实时瓶颈发生、历史瓶颈发生、客流流线等数据,构建枢纽瓶颈拓扑结构图;利用GCN(Graph Convolutional Network)在处理空间信息上的优势,构建瓶颈的空间特征挖掘模型;采用GRU(Gated Recurrent Unit),基于瓶颈隐藏特征、客流时间演化特征,构建瓶颈的时间特征挖掘模型;进而将枢纽瓶颈节点、时间特征和空间特征构造为可学习的邻接矩阵,构建基于视觉注意力网络的枢纽动态瓶颈实时预测模型,最终输出瓶颈发生、消散、转移和扩散的预测结果。

    针对非常态下枢纽的应急协同调度与决策通常采用被动响应模式的问题,建立包括异常事件感知、影响程度评估、决策方案推荐、决策过程预演、管控效果评估及实施过程监测等6个模块的应急协同调度与决策方法[8],如图2所示。

    图  2  应急协同调度与决策方法流程

    (1)将非常态下的枢纽多因素的历史异常事件数据和实时社会空间数据输入到数字孪生系统内[9],进行样本扩增,实现快速精准的异常事件感知;

    (2)结合客流生成与态势分析、多尺度高精度动力学模型、集散能力计算和动态瓶颈识别对事件的影响程度进行评估;

    (3)通过交叉关联、对比分析和机器学习等方法进行跨空间信息关联,构建枢纽基础设施资源池和管理决策知识资源池,实现协同管控决策方案推荐;

    (4)利用策略网络和估值网络进行快速的决策方案推演,结合推荐算法选择最优决策方案;

    (5)针对多选管控方案进行管控效果评估,对多源交通方式从运行计划、调度特性和承载性能等方面进行评估,对客流组织从时效影响、路径可达和轨迹重叠等方面进行评估,对枢纽关联从关联衔接、通行评估和态势跟踪等方面进行评估;

    (6)进行实施过程监测,将出租车、公交和列车调度等作为实施监测对象,实现对包括OD(Origin to Destination)动态分布和出行需求等方面的客流状态的监测。将监测获取的数据导入到异常事件感知模块,形成6个模块的主动式闭环。

    针对当前枢纽客流协同管控研究存在的复杂流线分析和枢纽动态瓶颈点识别困难等问题,本文从常态和非常态下的枢纽客流协同管控方法2个方面展开研究,阐述了相关的研究成果,存在问题和关键技术,对我国高铁综合交通枢纽的运营、发展和规划具有参考意义。下一步,将更加注重多模态客流协同管控和客流预测与动态调度等方面的研究,研究如何在多模态间实现客流的协同管控,以及如何提升枢纽客流预测的准确性和精细度。

  • 图  1   中国某条高铁客运线路

    图  2   中国某条高铁客运线路日均周转量

    表  1   各OD现行票价范围

    OD价格/元OD价格/元
    1—226~392—317~25
    1—343~642—423~34
    1—449~733—46~9
    下载: 导出CSV

    表  2   各OD现行客流情况

    客流量/人OD
    1—21—31—42—32—43—4
    铁路全天客流4 9872 8564 490366850384
    高峰客流总数3 4832 0703 040224506221
    平峰客流总数1 1686381 167116238138
    低谷客流总数3361482832610625
    下载: 导出CSV

    表  3   平峰时段旅客对运输属性的偏好权重情况

    运输方式经济性便利性舒适性运输时间
    高铁−0.0410.2360.069−0.014
    长途汽车−0.1920.489−0.0630.012
    私家车−0.0021.2560.063−0.007
    下载: 导出CSV

    表  4   所有OD等比例折扣降价的客流量及总收入统计

    详情OD
    1—21—31—42—32—43—4总计
    高峰票价/元39647325349
    高峰客流/人3 0771 7332 5441914812158 241
    平峰票价折扣率/%93.593.593.593.593.593.5
    平峰票价/元36.5606823328.5
    平峰客流/人1 6581 0011 7071492521394 906
    低谷票价/元26434917236
    低谷客流/人40317834034127301 112
    全天总客流/人5 1382 9124 59137486038414 259
    全天客流变化/%3.02.02.22.21.20.02.3
    全天总收入/元190 998178 626318 4488 78027 3393 297727 488
    全天收入变化/%14.311.215.39.714.55.213.9
    下载: 导出CSV

    表  5   最高票价的OD等比例折扣降价方案的客流量及总收入统计

    详情OD
    1—21—31—42—32—43—4总计
    高峰票价/元采用原定价方案6473采用原定价方案采用原定价方案采用原定价方案
    高峰客流/人1 7332 544
    平峰票价折扣率/%88.088.0
    平峰票价/元56.564
    平峰客流/人1 0351 849
    低谷票价/元4349
    低谷客流/人178340
    全天总客流/人4 9872 9464 73336685038414 266
    全天客流变化/%0.03.25.40.00.00.02.4
    全天总收入/元167 042177 043320 7088 00423 8683 133699 798
    全天收入变化/%0.010.216.10.00.00.09.5
    下载: 导出CSV
  • [1] 朱颖婷,王富章,单杏花,等. 铁路客运票价策略研究综述 [J]. 铁路计算机应用,2014,23(6):29-34. DOI: 10.3969/j.issn.1005-8451.2014.06.007
    [2]

    Mcgill, J. I., Van Ryzin, G. J. Revenue Management: Research Overview and Prospects [J]. Transportation Science, 1999, 33(2): 233-256.

    [3] 宋文波,赵 鹏,李 博,等. 高铁动态定价的稳健优化模型 [J]. 哈尔滨工业大学学报,2018,50(9):25-30. DOI: 10.11918/j.issn.0367-6234.201706073
    [4] 李静帆. 基于班列开行决策的铁路客运动态定价模型研究[D]. 成都: 西南交通大学, 2016.
    [5] 张小强,李 煜,黄帅勋,等. 基于最大凹向包络的高铁客运动态定价策略 [J]. 交通运输系统工程与信息,2016,16(6):1-8. DOI: 10.3969/j.issn.1009-6744.2016.06.001
    [6] 张 田. 航空竞争下我国高铁定价策略研究[D]. 重庆: 重庆交通大学, 2016.
    [7] 周 焱,李鹏飞,朱绪斐,等. 竞争条件下高铁定价方法研究 [J]. 交通运输工程与信息学报,2016,1(14):101-106.
    [8]

    Sibdari S, Lin K Y, Chellappan S. Multiproduct Revenue Management: An Empirical Study of Auto Train at Amtrak [J]. Journal of Revenue and Pricing Management, 2008, 7(2): 172-184.

    [9] 李 博. 高铁票额分配和分时定价优化研究[D]. 北京: 北京交通大学, 2019.
    [10] 刘万明. 我国高铁客运专线主要技术经济问题研究[D]. 成都: 西南交通大学, 2002.
  • 期刊类型引用(0)

    其他类型引用(4)

图(2)  /  表(5)
计量
  • 文章访问数:  102
  • HTML全文浏览量:  65
  • PDF下载量:  12
  • 被引次数: 4
出版历程
  • 收稿日期:  2022-05-07
  • 刊出日期:  2022-09-28

目录

/

返回文章
返回