跳到主要內容

臺灣博碩士論文加值系統

(100.28.2.72) 您好!臺灣時間:2024/06/22 20:55
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳淑佩
研究生(外文):Shu-Pei Chen
論文名稱:列車服務訂票曲線之預測分析
論文名稱(外文):Prediction of train demand using advanced booking data
指導教授:李治綱李治綱引用關係
指導教授(外文):Chi-Kang Lee
學位類別:碩士
校院名稱:國立成功大學
系所名稱:交通管理學系碩博士班
學門:運輸服務學門
學類:運輸管理學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:125
中文關鍵詞:收益管理k個鄰近模式訂票曲線需求預測
外文關鍵詞:Revenue managementdemand forecastingk-nearest neighbor methodsbooking curves
相關次數:
  • 被引用被引用:2
  • 點閱點閱:436
  • 評分評分:
  • 下載下載:86
  • 收藏至我的研究室書目清單書目收藏:0
訂票曲線預測分析對於收益管理進行旅客需求預測是一個相當重要的課題。文獻顯示使用旅客事先訂票資料進行需求預測可以有較佳的預測績效。實施收益管理系統之前,掌握確切的旅運需求是相當重要的事情。收益管理的基礎所在就是預約系統,預約系統提供顧客做事先預約的動作,也提供企業保障。因此為了要有效地應用收益管理系統,必須使用過去需求的樣本資訊,才能夠建構良好的收益管理系統。
準確的需求預測系統是收益管理系統之核心,文獻中顯示改善20%的預測績效可以增加1%的收益。它提供了艙位配置、超額訂位以及價格調整之依據。需求預測的基礎所在就是預約系統,預約系統提供顧客做事先預約的動作,也提供企業保障。為了有效地應用收益管理系統,必須使用過去需求的樣本資訊。本研究針對訂票曲線進行預測分析。
資料分析共分為三個部分。第一部分為旅客使用訂票系統之行為分析,有總體訂票資料,包括旅客購票、取消和現場購票之人數比例,發現有73.91%的票會被預訂。另外針對語音網路訂票取消取票行為進行分析。第二部分為訂票曲線、售票曲線與取消曲線之建構與分析。第三部分針對本研究訂票曲線進行探討,找出影響訂票曲線之變數,包括出發時間、座位配額、星期特性、特殊假日與寒暑假變數,作為模式建構之依據。另以1037車次之訂票曲線,以群集分析方法來驗證訂票曲線之影響變數。研究結果發現,每群訂票曲線之型態均不盡相同,其中以星期特性最為顯著。
本研究預測模式資料有三種,一為未受限制訂票曲線、二為受限制訂票曲線、三為調整後受限制訂票曲線。預測方法主要以收益管理需求預測中常用之四種方法與本研究發展之新模式進行預測。分別以下三個部分:第一部分為使用最終訂票數之歷史資料來建構模式,為單一訂票點預測,包括簡單最終訂票數平均模式與簡單指數平滑模式。第二部分為使用訂票曲線兩個訂票點的資料進行預測,包括簡單線性迴歸模式與收集增量模式。第三部分為嶄新的概念所發展出之k個鄰近模式(k-nearest neighbor model),使用了更多訂票點資訊。
預測結果發現本研究發展之k個鄰近模式,於未受限制資料中,在選取較佳的個數k之下,可改善模式之5%預測誤差,顯示使用更多訂票點資訊可以增加模式的準確度。而在其他兩種資料中,k個鄰近模式也有與兩個訂票點模式相似的預測績效。
Booking curve is mostly used in Revenue management forecasting. Demand forecast is the core of revenue management. In literature review, improving 20% forecasting accuracy can increase 1% revenue. The objective of this research is to develop and test new models of train demand using advanced booking data.
Train service offers several kinds of ticket sale including internet ticketing service, voice ticketing service, window ticketing service and instant ticketing sales. The research analyzes the way people book tickets in long trip. There are 73% tickets booked in advance but cancelled a lot. Many variables affect the pattern of booking curves including departure time, booking limit, day of week, holidays, and special days. Booking curves are different and the day of week affects the pattern of booking curves mostly.
We use three kinds of data including unconstrained data, constrained data, and changed constrained data. In addition to the widely used models in revenue management including exponential smoothing model, mean of final bookings, simple linear regression, and pickup model, we develop several k-nearest neighbor models. According to the empirical analysis using Taiwan Railway Administration booking data, the proposed method provides promising results, e.g. the method improves the forecasting accuracy by 5% MAPE for the case of risk seeking.
表目錄 IV
圖目錄 IX
第一章 緒論1
1.1研究背景與動機1
1.2研究目的 3
1.3研究範圍 3
1.4研究方法 4
1.5研究流程 4
第二章 文獻回顧 5
2.1收益管理系統 5
2.1.1航空業收益管理系統 7
2.1.2收益管理需求預測 10
2.1.3需求預測方法與模式 12
2.2 K個鄰近模式 16
2.3台鐵之旅運預測 17
2.4小結 18

表目錄 IV
圖目錄 IX
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 3
1.3研究範圍 3
1.4研究方法 4
1.5研究流程 4
第二章 文獻回顧 5
2.1收益管理系統 5
2.1.1航空業收益管理系統 7
2.1.2收益管理需求預測 10
2.1.3需求預測方法與模式 12
2.2 K個鄰近模式 16
2.3台鐵之旅運預測 17
2.4小結 18
第三章 台鐵訂票資料分析 19
3.1台鐵訂票系統 19
3.1.1台鐵訂票系統簡介 19
3.1.2台鐵語音網路訂票規則 20
3.1.3旅客訂票程序 21
3.2總體資料分析 22
3.2.1總體購票資料分析 22
3.2.2總量語音網路資料分析 22
3.3訂票曲線、售票曲線與取消曲線之建構 23
3.3.1訂票曲線之建構與分析 23
3.3.2售票曲線之建構與分析 24
3.3.3取消曲線之建構與分析 25
3.3.4訂票曲線、售票曲線與取消曲線之關係與型態 26
3.4訂票曲線之分析 28
3.4.1出發時間變數 29
3.4.2座位配額變數 30
3.4.3星期特性變數 30
3.4.4特殊假日特性變數 31
3.4.5寒暑假特性變數 32
3.4.6 1037車次訂票曲線之型態分析 32
3.5小結 34
第四章 模式發展 35
4.1收益管理需求預測模式 35
4.1.1資料定義 35
4.1.2單一訂票點模式 36
4.1.3兩個訂票點模式 37
4.2多個訂票點模式-K個鄰近模式 39
4.3.1距離平方最小模式 39
4.3.2 k-mean分群模式一(不帶入測試樣本) 40
4.3.3 k-mean分群模式二(帶入測試樣本) 41
4.4模式評估準則 42
4.5訂票需求受限資料之調整 42
4.6群集分析 44
4.6.1群集分析之方法 44
4.6.2群集分群之依據 45
4.6.3分群結果之探討 46
第五章 模式過程與結果 47
5.1模式資料說明 47
5.2模式代號說明 49
5.3訂票需求未受限制資料 50
5.3.1乘車日前五天之訂票資料模式摘要 50
5.3.2乘車日前五天之訂票資料模式預測績效 57
5.3.3乘車日前十天之訂票資料模式摘要 58
5.3.4乘車日前十天之訂票資料模式預測績效 66
5.4訂票需求受限制資料 67
5.4.1乘車日前五天之訂票資料模式摘要 67
5.4.2乘車日前五天之訂票資料模式預測績效 75
5.4.3乘車日前十天之訂票資料模式摘要 76
5.4.4乘車日前十天之訂票資料模式預測績效 83
5.5調整後訂票需求受限制資料 84
5.5.1乘車日前五天之訂票資料模式摘要 84
5.5.2乘車日前五天之訂票資料模式預測績效 92
5.5.3乘車日前十天之訂票資料模式摘要 93
5.3.4乘車日前十天之訂票資料模式預測績效 101
5.5小結 102
第六章 結論與建議 103
6.1結論 103
6.2建議 104
參考文獻 106
1.台灣鐵路管理局,台灣鐵路統計年報,2001年至2005年。
2.汪進財、張喜美,不確定需求下鐵路列車座位之管理-台鐵訂位系統之分析,運輸,26期,pp.1-19,1994年12月。
3.林昭輝,台鐵售票曲線之型態分析,國立成功大學交通管理學系研究所碩士論文,2004年6月。
4.張有恆,航空業經營與管理,華泰文化事業公司,2002年
5.陳欣欣,台鐵旅運需求與預測之研究,國立成功大學交通管理學系研究所碩士論文,2001年6月。
6.賴泰元,利用時間數列模式探討台鐵旅運需求~以高雄站為例,國立成功大學交通管理科學研究所碩士論文,1999年6月。
7.蔡宗憲,短期列車旅運需求預測~類神經網路模式之應用,國立成功大學交通管理科學系研究所碩士論文,2001年6月。
8.鄭錦珠,台鐵客運需求之分析與預測,台鐵資料月刊,頁39-73,1995年。
9.Belobaba, P. P. and Wilson, J. L. “Impacts of yield management in competitive airline markets”, Journal of Air Transport Management, 3, 1, 3-9, 1997.
10.Clark, S. “Traffic prediction using multivariate nonparametric regression.” Journal of Transportation Engineering, 129, 2, 161–168, 2003.
11.Cover, T. M. and Hart, P. E. “Nearest neighbor pattern classification” IEEE Transactions on Information Theory, 13, 21–27, 1967.
12.Enz, C. A. and Withiam, G. “The”4-C”strategy for yield management” The Center for Hospitality Research at Cornell University, 2001.
13.Johnson, D. E. Applied Multivariate Methods for Data Analysis, Brooks/Cole Publishing Company, California, 1998.
14.Kimes, S. E. “Yield management: a tool for capacity- constrained service firms” Journal of Operations Management, 8, 4, 348-363, 1989.
15.Kambour, E. and Cramer, R. “DCPs in forecasting” AGIFORS Yield Management Study Group, 2003.
16.Plt, S. “Revenue Management Tutorial” AGIFORS Yield Management Study Group, 2002.
17.Rannou, B. and Melli, D. “Measuring the impact if revenue management” Journal of Revenue and Pricing Management, ABI/INFORM Global Jul, 2, 3, 261-270, 2003.
18.Sarle, W. S. “Cubic clustering criterion” SAS Technical ReportA-108. Cary, NC: SAS Institute Inc, 1983.
19.Smith, B. C., Leimkuhler, J. F. and Darrow, R. M. “Yield management at American Airlines” Interfaces, 22, 1, 8-31, 1992.
20.Smith, B. L., Williams, B. M. and Oswald, R. K. “Comparison of parametric and nonparametric models for traffic flow forecasting” Transportation Research Part C, 10, 303–321, 2002.
21.Talluri, K.T. and Ryzin, G. V. The Theory and Practice of Revenue Management, Kluwer Academic Publishers, 2004.
22.Tominaga, Y. “Comparative study of class data analysis with PCA-LDA, SIMCA, PLS, ANNs, and k-NN” Chemometrics and Intelligent Laboratory Systems, 49, 105–115, 1999.
23.Turochy, R. E. “Enhancing short-term traffic forecasting with traffic condition Information” Journal of Transportation Engineering, 132, 6, 469–474, 2006.
24.Viswanathan, V. A. “Demand forecasting” AGIFORS Yield Management Study Group, 1999.
25.Weatherford, L. R. “Forecasting issues in revenue management, Part II” AGIFORS Yield Management Study Group, 1998.
26.Weatherford, L. R. and Kimes, S. E. “A comparison of forecasting method for hotel revenue management” International Journal of Forecasting, 19, 401–415, 2003.
27.Weatherford, L. R. and Plt, S. “Better Unconstraining of Airline Demand Data for Improved Forecast Accuracy and Greater Revenues” AGIFORS Yield Management Study Group, 2002.
28.Wickham, R. R. Evaluation of Forecasting Techniques for Short-term Demand of AirTtransportation. Master of Science, Massachusetts institute of technology, 1995.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top