客流范文10篇

客流范文篇1

哈尔滨吸引区总人口1064.5万人，交通工具主要为铁路、公路和民航。截止到2014年底，吸引区人均全年出行频次12.3次/年，铁路出行频次3.6次/年，公路出行频次7.8次/年，民航出行频次0.6次/年。

22014年哈尔滨公路客流情况

哈市现有南岗、道外、三棵树、哈西、公路大桥五个公路客运站。其中公路大桥客运站主要运输宾县、兰西方向无轨站客流，不对铁路形成竞争。哈西公路客运站是新建成的现代化客运站，目前，哈西客运站主要开行的是车程在三小时左右的肇东方向以及双城及周边农村方向，该客运站日均发人3000人，年发送旅客110万人。南岗客运站日发车为25个方向，每日发车约500趟，日均发人约1.3万人，年发送旅客约476万人。该客运站到站方向大部分为有轨站，与铁路有较强的竞争力。道外客运站日发车最高能力为600个班次，可发送旅客13600人次。现有147条发车线路，其中大部分为无轨站。年发送旅客约237.5万人。三棵树客运站紧邻哈尔滨东站，每天固定发车172余趟，其中大部分为无轨站。日均运量约为4845人，全年运能为177万人/年。

3吸引区交通方式客运市场占有率分析

2014年1-6月三种交通方式客运市场总量为6426.3万人。其中，民航290.7万人，占有率4.5%；公路4196万人，占有率65.3%；铁路1939.6万人，占有率30.2%。公路运输对铁路运输冲击加大。表1为2009年以来哈尔滨客运市场占有率走势情况。从5年来走势看，公路、民航逐年递增，铁路逐年递减。

4公路、铁路运输优劣势分析

4.1公路运输的优势

在短途运输中，公路具有四方面优势：一是开行密度大。据调查，在7：00-17：00时段，牡丹江开往哈尔滨的金龙大客每小时1趟；在6：30-19：00时段。在8：00-16：20时段，齐齐哈尔开往哈尔滨的金龙大客共6趟，平均1.5小时1台。哈尔滨-双城堡、阿城、呼兰、周家、已呈公交化运输态势。二是灵活便利。汽车即停即开，购票方便，停车地点有很大的自由空间。特别是在个别地区起到了公交车的作用，十分方便。三是开行方案机动。公路针对铁路运行图调整后，有针对性地对铁路能力空白时段加开客车。如：哈尔滨-绥化09:50～11:50天窗时间段，公路客运在此时间段开行11班次，运送560人。与其他时段比多开3班次，多运送人数120人。四是管内部分区段公路速度快于铁路。现图哈尔滨-七台河比汽车慢近3小时；哈尔滨-伊春比汽车慢3小时。管内除哈齐间铁路运行时间占有优势外，其他区段铁路运行时间均低于公路。

4.2铁路运输的优势

4.2.1安全性能高。旅客普遍认为，与其他运输方式相比铁路是最安全的，在安全程度选项中，95%的调查者反映铁路安全。

4.2.2车票票价低。与民航、公路相比，坐火车出行的性价比最高，铁路票价最低。以公路到大庆为例，公路票价为46元（豪华）、38.5（普通）。铁路票价为：2155次12元、6213次10元、K7061次14元、T5005次29元（软座45元）。

4.2.3气候影响小。不受天气、路况等条件限制，行程有保障。2012

年2月28日省内普降大雪，持续到3月3日，省内高速公路间断封闭，使管内客流集中在铁路出行，造成气候性铁路客流增长。4.3铁路运输的劣势

4.3.1票价政策僵化，低票价、一贯制。无论淡季旺季，无论客流多少，无论购买数量和频次，铁路票价保持绝对的一贯性，使得客运营销失去了最有吸引力的竞争手段。

4.3.2季节性“一票难求”。虽然现在车票预售期提前至60天，采取了电话订票、网上订票，但季节性暂时出现的“订不到票”现象依然存在，使旅客出行首选长途选民航、中短途选公路。

4.3.3机动性不强。公路可以根据客流的变化情况，随时对运输时间、班次、车辆进行调整，满足客流变化的需求。铁路加开临客无法在当日实现加开，反应慢。公路每班定员40-60之间，客流突增时，人满即开，很方便。

4.3.4旅行条件不能满足旅客需要。在候车环节，公路候车时间短；在乘车环节，公路不允许超载运输，所有旅客在购票后都有座位。而铁路常有无座席票出售，有些旅客为了座位而选择公路。

4.3.5实名制购票使部分中短途客流流失。铁路实行实名制，而公路运输购票时不用使用身份证，对于没携带身份证的旅客，公路是最好的选择。

5哈尔滨站现运行图的建议

客流范文篇2

本文作者：赵紫胭工作单位：长安大学

预测思路分析

客运量预测是公路运输枢纽规划最重要。最基础的工作。做好客运量预测是规划的重要内容，同时也是科学、准确、合理的确定枢纽及站场规模的重要依据。预测主要根据大量历史资料，结合未来客运量发展特征及变化趋势进行。可采用相关分析法进行预测，同时对预测结果进行修正。

预测模型

公路客运量预测有很多可以使用的方法。经过研究，根据项目的要求和目的，并结合我国社会与公路客运的发展情况，适合采用三次指数平滑法、增长率法、定性分析法等方法进行预测。使用多种的预测模型进行预测，可能会得到不同的结果，而为了让预测结果更加接近实际的数值，就需要应用组合预测方法对结果进行修正。增长率法增长率法是根据预测对象的预计增长速度进行预测的方法。其步骤是：①分析历史年度预测对象增长率的变化规律；②根据对相关因素发展变化的分析，确定预测期增长率；③进行未来值的预测。其一般式为：Q1=Q0（1+a）t式中：Q1———预测值；Q0———基年值；a———确定的增长率；t———预测年限。增长率法的关键在于确定增长率，但增长率随着选择年限的不同而存在较大的差异。所以增长率法一般仅适合于增长率变化不大，且增长趋势稳定的情况。其特点是计算简单，但预测结果粗略，较适于近期预测。由于人口发展受政策性影响较强，所以常常应用增长率法进行人口预测。三次指数平滑法指数平滑法认为，对象指标未来的发展与它过去的和现今的状况密切相关，故可以用它的历史数据预测它未来的值。在用历史数据进行预测时，对各个时间阶段的数据并不同等看待，而是赋予近期数据较大的权值。①三次指数平滑模型为：Yt+L=at+btL+ctL2式中：Yt+L———预测目标；t———时间序列；L———未来的单位时间段；at———一次指数平滑系数；bt———二次指数平滑系数；ct———三次指数平滑系数。②平滑系数的确定：at=3St[1]-3St[2]+St[3]bt=α2（1-α）2（6-5α）St[1]-2（5-4α）St[2]+（4-3α）St[3]!ct=α22（1-α）2（St[1]-2St[2]+St[3]）式中：St(1)———第t周期的一次平滑值；St(2)———第t周期的二次平滑值；St(3)———第t周期的三次平滑值；α———平滑系数，0<α<1,α一般取0.1至0.6。③平滑公式：St(1)=αXt+(1-α)St-1(1)St(2)=αSt(1)+(1-α)St-1(2)St(3)=αSt(2)+(1-α)St-1(3)式中：Xt———对象指标的第t期的观测值。④初值的确定：二次指数平滑法是对一次指数平滑值再进行一次平滑，三次指数平滑法是对二次指数平滑值再进行一次平滑。St=αXt+α（1-α）St-1（1）+α（1-α）2St-2（1）+……α（1-α）tS0（1）递推公式表明，观测值的期数离t越近，权重就越大。上式的最后一项S0(1)叫“初始条件”，一般可取S0(3)=S0(2)=S0(1)＝X1。3.3组合预测组合预测就是对同一个预测对象进行预测的时候使用两种或者两种以上不同的预测，对于各个预测出的结果进行适当加权，之后取得平均值。这种预测方法对于未来的变化会有比较强的适应力，也能够降低预测的风险，并提高预测精确度。本报告采用组合模型预测，将不同模型的计算结果结合起来，相互取长补短，从而达到提高预测精度和增加预测结果可靠性的效果，组合预测的要点是如何恰当地确定单个预测方法结果的权重系数。组合预测模型为：Y赞=ni=1Σwi×yi式中：Y赞———组合预测值；wi———第i种预测模型被赋予的权重系数，ni=1Σwi=1；yi———第i种预测模型的预测值；n———预测模型的数目。通过上述论证分析最终得出以下几点结论：①从客运需求预测是建设规模、站址选择与投资评价等的基础，因此做好客运量预测对客运站建设项目至关重要。②随着社会经济的发展，客运站建设必须超前考虑，在预测时可以选择十年甚至更长的时间作为达产年，从而可以更有效的满足客运市场的需求。③在用预测结果指导规模设计时，必须不断的反馈，进一步修改预测结果，使得预测结果更好的为投资分析及经济评价服务。

客流范文篇3

关键词：超市客流量人员密度

1引言

中国已经成为了世贸组织的成员国，随着人民生活水平的提高，越来越多的国际、国内大型连锁超市开始营业。超市以其低廉的价格和名目繁多的商品，吸引了大量的顾客。超市客流量是一个随季节、气候、货源、人们经济状况以及商家促销手段等多种因素变化的量。对超市的客流量及人员密度分布规律的研究结果可以作为确定新风量、排风量、产尘量、CO2产生量以及产菌量、气流组织、空气过滤方法等的重要依据，同时也可以使我们更准确地计算超市建筑的冷负荷以及安全疏散路线。

20世纪80年代中期，我国部分高等院校和设计院对上海、北京、天津、武汉等地大型商场的客流量进行过实地统计,结果表明,峰值人流量一般为1～1.7人/m2,平均人流量为0.6～1.0人/m2。大、中商场人员密度实际调查统计表见表1[1]。

表1人员密度估计表项目

人员密度

(人/m2)

占有面积

(m2/人)

占有空间

(m2/人)

峰值人流量

1.67～1.06

0.60～0.94

2.70～4.40

年均人流量

1.00～0.60

1.00～1.67

4.50～7.86

目前在空调负荷计算中广泛采用的为此数据。然而，随着商场、超市的大量兴建，人员密度已大大下降，而且，超市的客流量特点与商场有所不同，不同地区的客流量特点也会有所不同。因此，研究现在的超市建筑客流量及人员密度分布规律很有必要。此外，过去也有学者利用公式计算建筑物空调负荷，但采用的顾客在超市平均逗留时间值一般为估计值，而笔者在本文中通过同时在超市的人数、日客流量的人次数及日营业时间计算得到了顾客在超市平均逗留时间。

2客流量分布规律

笔者于2003年7月对哈尔滨市某大型超市的客流量进行了连续一周的调查统计。采用人工统计方法，每半个小时纪录一次通过所有出入口的客流量，我们得到了超市的客流量数据，并给出了具有代表性的工作日和周末两日的客流量变化情况，见图1和图2。

图1超市7月中旬某周六客流量分布图图2超市7月中旬某工作日客流量分布图

调查中我们发现：

1、走出超市的顾客基本上都拎有购物袋，说明他们到超市主要是要购物，而非“逛”，这一点与百货商场不同；

2、测试阶段正处于学校放暑假期间，但在调查中发现很少有小孩自己进超市，且顾客中的中小学生比例很小，所以与其他季节相比，夏季超市并没有特别明显地“淡”或“旺”。

对测试数据的分析发现，客流量的规律有以下几点：

1、与典型的商场客流量双峰分布规律[1]不同，超市的客流量呈三峰分布，这是因为超市营业到深夜，而人们也在晚餐后到超市购物。

2、一般，周末客流量峰值出现在10:00~11:00、14:30~15:30、18:30~19:30，工作日客流量峰值出现在10:00~11:00、14:30~16:30、18:30~20:00。周末全天的平均客流量约相当于一天中峰值客流量的71.1%，工作日全天的平均客流量相当于一天中峰值客流量的64.5~77.1%。从此结果可以看出，工作日和周末相比，上午客流量峰值出现时间一致，而下午则持续较长。原因在于周末人们不上班，因此选择下午购物的人数增加。

3、对于工作日来说，下午客流量峰值小于晚间，而对于周末则相反。这是因为周末在家休息的人一部分选择了下午购物，而不是象平常一样晚间购物。

3人员密度

作为商业机密，我们有时无法直接获得客流量的数据，这时我们可以通过调研与实地统计得到客流量的基础数据，但是怎样通过逐时客流量计算出人员密度呢？

笔者依据实际统计数据得到超市入、出流人数，见图3和图4。从图中我们可以看到，同一时间段出流与入流人数不等，其差值正是滞留至下一时间段的人数。建立数学模型如下：

设每天超市营业n小时，超市面积为Sm2，开始营业后第i个小时内入流人数记为啊ai，出流人数记为bi，则第i个小时的同时在场人数应该等于前一时刻滞留在室内的人数加上该时刻入、出流人数之差，也即，（i=1,2,…,n），因此超市，第i个小时内的人员密度为人/（m2建筑面积）（i=1,2,…,n）。

图3超市7月中旬某周六出入客流量分布图图4超市7月中旬某工作日出入客流量分布图

被测超市工作日营业12.5小时，周末营业13.5小时，总建筑面积约为24000m2。

通过三阶多项式拟合得到回归公式⑴和公式⑵：

⑴

⑵

式中x为开始营业后第i个小时，（i=0，0.5，1，1.5，…,2n）；n为当天营业时间，h；c为记录时间间隔，h；y为开始营业后第i个小时超市内人员密度，人/（m2建筑面积）。

通过对y求导可以得到周末人员密度最大值为0.17人/（m2建筑面积），工作日为0.12人/（m2建筑面积）。实测情况，周末平均同时在场人数为5610人，最大人员密度0.356人/（m2建筑面积），平均人员密度0.23人/（m2建筑面积）；工作日平均同时在场人数为3428人，最大人员密度0.231人/（m2建筑面积），平均人员密度0.14人/（m2建筑面积）。与以往商场人员密度数据相比大大减小。与拟合数据相比，拟合程度令人满意。

将实测人员密度数据、拟合曲线和平均值线绘在一张图上见图5和图6:

图5超市7月中旬某周六人员密度分布图图6超市7月中旬某工作日人员密度分布图

人员密度逐时值与平均值的偏差随时间变化曲线见图7和图8,横坐标间隔为0.5小时：

图7超市7月中旬某周六人员密度偏差分布图图8超市7月中旬某工作日人员密度偏差分布图

事实上，调查中我们发现，卖场内不同区域人流并不均匀，收银台前人流最为密集，此外，日用品、熟食区人流相对较多，而家电区、体育用品区人流相对较少。因此，在设计空调系统时，不同区域应分别对待，可以在平均人流密度基础上附加或附减。

为了便于比较，将上海地区超市的人员密度分布的数据[2]制成图9：

比较图5～图9，可以看到哈尔滨市超市的人员密度要小于上海地区超市的人员密度。这主要是因为上海为我国第一大城市，上海人口远远大于哈尔滨市人口，且上海地区经济发达，人民生活水平较高，去超市购物的客流量远大于哈尔滨市超市的客流量。此外，上海交通便利，每日涌入的国内外游客很多，因此上海地区超市的人员密度较大。由图7还可看出，上海地区超市人员密度晚上峰值最高，而哈尔

滨市人员密度最高峰一般出现在下午，这是因为哈尔滨人与上海人的生活习惯不同，哈尔滨人习惯早睡早起，而上海人夜生活较多。通过对比可以看到人员密度随气候、商品布局、超市所处地域、顾客经济状况等因素的不同有很大不同。

4顾客在超市平均逗留时间

不同顾客在商场停留时间有长有短，我们可以通过统计调查得出顾客平均逗留时间。它是一个随季节、气候、商品布局、营业方式、建筑层数、超市所处地域、是否有自动扶梯、收银台数、收银员工作熟练程度、顾客经济状况等多个因素而变化的量，但是对于同一地域来说相差不大。

如果已知顾客平均逗留时间，就可以通过式⑶[1]得到其他超市同时在场的人数，进而得到人流密度：

⑶

式中P为同时在超市的人次数；W为日客流量的人次数；t为顾客在超市平均逗留时间，h；T为日营业时间，h。

笔者根据前面得到的人员密度值通过将式⑶变形得到的公式⑷得到顾客在超市平均逗留时间，对于其它营业时间和总客流量不同的超市，研究、设计人员就可以方便地算出人员密度。

⑷

式中各符号意义同上。

被测超市建筑面积周末客流量为34600人，营业时间为8:30~22:00，平均人员密度值为0.23人/（m2建筑面积），平均在场人数为5610；工作日客流量为24000人，营业时间为8:30~21:00，平均人员密度值为0.14人/（m2建筑面积），平均在场人数为3428。通过计算可以得到周末顾客平均停留时间为2.07h；工作日顾客平均停留时间为1.75h。

5结论

客流量是超市等商业建筑经常统计和关注的数据之一，通过调查与现场测试发现超市客流量呈三峰分布，晚饭后至关门前的客流高峰是其具有的特点之一。

与文献[1]中给出的0.6-1.0人/m2建筑面积相比，超市的人员密度已经降低到0.14～0.23人/m2建筑面积左右。这既与商场、超市的大量兴建有关，也与超市的销售方式有关。

由于我国地域辽阔，各地区的气候迥异、人们的经济条件、消费观念和生活方式又存在很多差异，客流量特点与人员密度也会不同，因此，应对不同地区大型超市的客流量进行相应的调查研究。

参考文献

客流范文篇4

关键词：粗糙集；航空客流量；连续值离散化；属性

为了识别航空客流量与其决定因素之间的关系并对前者进行预测，目前最常见的方法是建立经济计量模型。这些传统模型建立在各种统计假设的基础上，因此当变量之间相互依存、变量的概率分布未知时，那么这些模型就无法得出比较准确的结果。为此本文试图探讨一种基于粗糙集理论的航空客流量预测模型。作为计算智能方法之一的粗糙集理论（Roughsetstheo-ry,简称RS）是波兰数学家ZdzislawPawlak于1982年首次提出的。粗集理论诞生的30多年来，已成功地在许多领域中得到应用，然而在航空运输领域中还没有见到关于粗集理论的应用文献。因此，本文在这方面作一个尝试，并通过实例阐明粗集理论在航空客流量方面的应用是适合的。

1.基于粗糙集理论的方法

粗糙集理论中的知识表达方式一般采用信息表或称为信息系统的形式，信息系统可用四元有序组K=(U,A,V,ρ)，在该式中，U是一个非空有限的对象集合，U={X}1,X2⋯Xn称为论域；A是一个非空有限的属性集合，A={a}1,a2⋯an；V=∪a∈AVa是属性A所构成的值域集合，Va是属性a的值域；U中任一元素取属性a在V中有唯一确定值。ρ：U×A→V被称为信息函数，ρ：A→V，x∈U，反映了对象x在K中的完全信息，其中ρ(a)=ρ(x,a)。如果A=C∪D且C∩D=ф则信息系统又可称为决策表，其中C为条件属性集，D为决策属性集，常记为(U,C∪D，V，ρ)。在决策表中，不同的条件属性具有不同的重要程度，一些属性提供了丰富的信息，对产生决策起到至关重要的作用，而其他一些属性却似乎是可有可无的。因此，在保证决策表具有正确分类能力的同时，对条件属性进行简约，去掉不必要的属性。为了度量属性集合的不确定程度，引入精度和覆盖度两个概念，且定义为：dR(X)i=card()-aprXi/card()---aprXi（1）dR(F)=∑card()-aprXi∑card()---aprXi（2）d'R(X)i=card()---aprXi/card(U)i（3）d'R(F)=∑card()---aprXi/card(U)（4）式（1）和（2）分别为属性集合Xi的分类精度和覆盖度，式（3）和（4）分别为所有属性集合的总分类精度和总分类覆盖度。

2.粗糙集在区域航空客流量中的应用

2.1航空客流量影响因素分析。分析我国航空运输业特点，并结合相关已有的研究，本文采用六个影响因素来预测各地区航空客流量：人均GDP、人口、第一产业就业人员的比重、城市人口、国际旅游人数、与航空枢纽的距离等。这六个因素就是六个条件属性，而决策属性就是各地区的航空客流量，研究对象则是我国大陆的31个省、直辖市、自治区。每个对象由一个多值属性（即条件属性和决策属性）的集合来描述，从而形成一个二维表格，即决策表，表格的“行”与对象相对应，表格的“列”对应于对象的属性，表中为具体的属性值。条件属性中的“人均GDP”“人口数”和“第一产业人员比重”均为传统需求模型中所常用的经济变量。“城市人口数”的选取主要是考虑城市规模对航空客流量的影响。“国际旅游人数”的选取主要是考虑该属性能间接反映某地区旅游资源的多少，它能解释对于当地经济并不发达的地区（如云南）却有较多的航空客流量。关于“与航空枢纽的距离”这个属性，从我国航空运输格局来看，北京、上海和广州是三大航空枢纽，因此这三个地区的该属性值为“0”；天津离北京很近，而北京又处于河北的中心，所以天津和河北的该属性值均为“1”，表示“特近”的含义；另外，由于江苏的常州、无锡、苏州、昆山等经济重心紧靠着上海，所以其“与航空枢纽的距离”属性为“2”，表示“近”的含义；其余地区类推，数字越大的地区表示该地区与航空枢纽的距离越远。在决策时，把决策属性“地区航空客流量”分成若干等级，运用粗糙集理论得出每个“地区航空客流量”等级所对应的生成规则。2.2数据离散化。在应用粗糙集理论对实际数据进行分析和获取知识时，一般要求由实际数据构成的决策表中各个属性值必须用离散值表达。如果某些条件属性或决策属性的值域为连续的，则在处理前必须经过离散化。所以对于下表1中的连续型数据需再进一步离散化成分类数据值以适用于粗糙集的方法。对粗糙集连续属性离散化的方法一般是采用其他领域已有的离散化方法,本文采用熵方法对连续型数据进行离散化。设P⊆A，U/P={C}1,C2,⋯Ct，则U中对象x属于等价类Ci的概率为pi=||Ci/||U，I=1，2，…，t，于是定义P对U的划分得到的熵为：2.3决策规则。本文使用2012年至2015年四年共124个对象（共868个观测值），使用其中60%的对象作为训练规则用，去发现决策规则，其余的40%的对象（即50个）作为预测用，以验证规则的有效性。在使用粗糙集方法后得出了表2中的航空客流量决策规则的主要部分。第一条规则的含义是：如果某地区人均GDP小于7198元且人口数小于2642万人且第一产业就业人员比重大于等于50.5%且国际旅游人数小于44.5万人，那么该地区航空客流量就小于200万人次，其余的规则含义类推。该规则把航空客流量影响因素的定性和定量两方面很好结合在一起，另外，同样的航空客流量可以由多条规则产生，这符合实际情况。从规则中各属性出现的频次可得出各属性的重要程度，从多到少依次是“第一产业就业人员比重”“人均GDP”“人口数”“国际旅游人数”和“与航空枢纽的距离”，而“200万人口以上城市数”被约简，从未出现过。运用上述公式，对用于测试的50个地区进行拟合，得出表3中的预测结果。在被测试地区总数中，等级4的上近似集合中地区实际个数是12个，被正确预测的为10个，预测精度为83%；等级3的上近似集合中地区实际个数是19个，被正确预测的为17个，预测精度为90%；等级2的上近似集合中地区实际个数是10个，被正确预测的为8个，预测精度为80%；等级1的上近似集合中地区实际个数是8个，被正确预测的为8个，预测精度为100%；全部等级的总体精度为88%。另外，等级3中有一个地区的覆盖度为95%，从而使总体覆盖度为98%，因此粗糙集理论应用在航空客流量预测中是可行的。

本文论述应用粗糙集理论及其模型对我我国区域航空客流量进行预测，得出了一些预测规则，其预测精度较高。与许多传统模型需要建立各种统计假设基础不同，该方法仅需对属性值进行分类。区别于复杂的数学公式，该方法的分析的结果以规则形式进行描述，直观并容易理解。此外粗糙集能够使用定性数据，无须转换成数值，因此可以有效地防止信息失真。当然，针对不同时间段的航空客流量数据进行动态规则的形成是有待进一步解决的问题。

参考文献：

[1]张文修,吴伟志,梁吉业等.粗糙集理论与方法[M].北京：科学出版社,2001.

[2]张永莉,张晓全.我国城市间航空客运量影响因素的实证分析[J].经济地理,2007,4：20-24.

[3]中国民用航空局发展计划司.从统计看民航[M].北京：中国民航出版社,2012-2015.

客流范文篇5

论文内容摘要：南京都市圈各城市，从旅游业综合现状和旅游流集散能力来看，其发展具有一定程度的不平衡性。造成这一不平衡性的主要因素是各地的经济发展水平、旅游产业规模、旅游资源状况以及客源接待和盈利能力等。南京都市圈地跨江苏安徽，包括南京、镇江、扬州、淮安、马鞍山、滁州、芜湖和巢湖。本文采用定性与定量分析方法，确定了都市圈旅游发展中心城市及各层级，并着力分析以中心城市为起、止点的旅游流及其影响因子，以及中心城市目标市场层级划分。

本文采用定性与定量相结合的方法，选取2008年南京都市圈内各市旅游发展指标，运用聚类分析和相关性分析等统计方法，以SPSS17.0实现数据处理，研究圈内各市的旅游发展水平，确定圈内旅游业中心及各圈层。同时分析以中心城市为起、止点的旅游流规律及其影响因子，以及中心城市目标市场划分。

都市圈建立的意义在于打破行政界线，按经济发展趋势构筑相对完善的城镇群体空间单元。南京都市圈是江苏省着重建设的三大都市圈之一，地跨江苏安徽，目前包括南京、镇江、扬州、淮安、马鞍山、滁州、芜湖和巢湖。中心城市占据都市圈系统经济发展高地，具有最高的经济势能和地位，它通过集聚与扩散两种作用力的交互耦合，实现与周边城市旅游要素的有序流动，促进各市旅游产业规模的提升和旅游业的发展。

都市圈旅游中心城市及圈层分析

影响旅游业发展水平的因素很多，影响力各不相同。本文选取的指标有：各市GDP、人均GDP、人口数、旅游接待总人数、平均逗留天数、人均消费、旅游总收入、4A以上景点数、星级饭店数、旅行社数、距中心城市交通里程（祁秋寅、张捷，2006），数据主要来源于各市2008年《国民经济和社会发展统计公报》。通过SPSS降维处理（剔除因子载荷小于0.5的指标），最终保留的指标有GDP、旅游接待总人数、旅游总收入、4A以上景点数、星级饭店数、旅行社数。

综合以上指标对样本进行聚类分析，采用K-均值方法，设定聚类数为3，可将8个检验城市旅游业综合水平分为3个层级，第一层级为南京，第二层级为扬州和镇江，第三层级为淮安、马鞍山、芜湖、滁州和巢湖。通过ANOVA检验得到显著性水平均为中等或高度显著。可见，从旅游业发展的角度，南京是都市圈旅游发展状况优势最明显的城市，为都市圈的旅游业中心，扬州、镇江为发展相对较成熟区域，其余5市旅游业综合实力相对较弱。

中心城市旅游流分析

旅游流又称旅游客流，指旅游者从出发地到旅游目的地移动形成的客流。影响旅游流的因素有：两地距离和交通便捷度、旅游资源吸引力、经济联系、游客感知、旅游费用、接待设施等。都市圈旅游流是一个复杂系统，包括任何两个城市之间的旅游集聚和扩散流，很难形成清晰的研究思路和结论。因此本文以中心城市为视角，分别研究南京作为其它城市目的地和客源地情况下，旅游流聚散规律及其影响因素。

（一）中心城市旅游集聚流分析

本文定义中心城市集聚流比例表示从各市直接来南京的客流占南京总客流的比例，它反映了圈内各市向中心城市提供客源的能力。可得的旅游流影响指标包括各地经济水平、人口数、旅行社数、到中心城市距离、中心城市集聚流比例。本文运用双侧相关性检验，选用Pearson相关系数，得到表1。各市人口数、与南京距离这两个指标同中心城市集聚比例无显著相关，而GDP水平及旅行社数与中心城市集聚流比例在0.01水平上显著相关，结果具有高度显著性。

由此可知，各地的经济发展水平和旅游产业规模对旅游流的产生具有重大影响，而人口数，与中心城市距离并不能成为促进其它各市产生旅游流的显著因素。这表明旅游流的产生更加依赖经济发展的规模和质量。中心城市要吸引都市圈内更多的客源，除了自身发展之外，更要加强圈内各市产业的合作，从而提高各市输送客源能力，实现共赢。

距离因素在都市圈内部产生旅游流方面的作用并不显著，这与以往一般性认识有悖，随着近年来都市圈交通的日益发展和同城化进程的推进，市场对距离这一要素的敏感程度正在消减。

（二）中心城市旅游扩散流分析

中心城市扩散流比例是指直接从南京所往城市的旅游客占该城市总客流的比例。它反映了圈内各市吸引中心城市客流的能力。

如表2所示，中心城市扩散流比例与各地经济发展水平以及住宿接待条件（星级酒店数）有高度相关性，同旅行社数也有一定相关性，且前者比后者相关性更显著。这表明，由于中心城市消费能力相对较高，旅游方式多元化，游客对星级酒店的需求高于对旅行社的需求。中心城市扩散流比例还与当地旅游总收入高度相关，表明中心城市是各市旅游业重要收入来源，各市应当对中心城市这一巨大市场予以重视。同时，旅行社和星级酒店对各地旅游总收入的贡献很明显，但显然星级酒店与旅游收入相关性更大，这印证了过夜游客消费贡献更大这一观点。

中心城市旅游目标市场空间定位

由上文分析可知，中心城市的集聚流主要受都市圈各市GDP和旅行社数影响，因此选取南京周边7市GDP和旅行社数作为指标计算因子得分，按得分将南京目标市场划分为两个层级，第一层级为扬州、镇江、淮安，它们均在江苏省境内，旅游业综合水平为都市圈前三位（除南京），可将它们看成南京周边旅游目标市场的核心市场。第二层级为其他4个城市，它们均在安徽省境内，可见省际行政界线对都市圈旅游流集散有一定影响。它们的旅游业综合水平在都市圈中处于末位，旅游流产生能力尚待提高，是南京周边旅游市场的潜力市场。以上划分均是基于都市圈内部而言。

对于第一层级市场，应充分利用优势，进一步加强旅游同城化进程，将巩固高品位的传统景区与开发新旅游模式相结合，巩固市场份额。对于第二层级城市，急需打破省际和市际行政界线和经济壁垒进行区域合作，提高当地经济发展水平，促进当地旅游产业结构优化和模式升级，最终提升市场份额。

结论与对策

南京都市圈各城市，从旅游业现状和旅游流集散能力的角度来看，其发展具有一定程度的不平衡性。造成这一不平衡性的主要因素是各地的经济发展水平、旅游产业规模、旅游资源状况及客源接待能力。要提高都市圈的整体产业竞争力，需要注意以下方面：

首先，提升实力。影响旅游流的主要因素是GDP和旅游产业规模，各市要提升经济实力，优化扩大旅游产业规模，为旅游流的聚散提供可能。其次，加强内部合作。一定区域旅游经济整体水平由各城市的竞争、分工与合作决定，而区域的整体发展又影响着城市的兴衰（叶依广、周蕾，2004）。

参考文献：

1.张强.都市圈中心城市的功能组织研究[D].兰州大学，2008

2.祁秋寅，张捷.我国省际旅游经济影响因素分析[C].中国地理学会学术年会，2006

客流范文篇6

关键词:铁路交通;信息预测;数据融合;神经网络

在城市地铁交通中,各车站交通流量信息(如候乘数量、下车数量等)的准确预测有利于地铁运行高效、及时地调度,从而既达到增加效益的经济目的,又可以更好地满足人们的乘车需求。传统的预测方法有回归分析算法以及Kalman滤波等。这些方法假定过程是平稳的,系统是线性的,系统的干扰是白噪声,因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而,交通问题是有人参与的主动系统,具有非线性和扰动性强的特征,前述方法难以奏效,表现为以下缺点:①每次采样的数据变化较小时适用,数据变化大误差就大;②预测值的变化总是滞后于实测值的变化;③无法消除奇异信息的影响。基于小波分析的动态数据预测方法以小波变换后的数据进行预测,克服了传统预测方法不能消除奇异信息的缺点,有效地预测动态的流量信息[1]。但该方法只能对单个的数据序列进行处理,而事实上能够用于预测的数据可以是多方面的。

数据融合(Data2Fusion)技术起源并发展于军事领域,主要用于目标的航迹跟踪、定位与身份识别以及态势评估等[2]。传统的数据融合技术大多采用概率理论(如Bayes决策理论)对多种信息的获取与处理进行研究,从而去掉信息的无用成分,保留有用成分[3]。在信息处理中,分别运用各种体现数据不同属性特征的方法处理(如预测)后进行融合是一个有待深入研究的问题。为了充分利用各方面已有的数据,获得可靠的交通流量动态预测,本文借鉴数据融合的基本思想,提出了在数据处理方法上的融合预测方法。

1流量融合预测模型

1.1预测模型的结构

由于预测对象的复杂性,为了表现与预测对象相关联的其他对象或属性,每个关联对象(属性)用一个时间序列来表示,作为预测对象的相关序列。所有用于预测的相关序列构成预测对象的相关序列集。由于在预测中具有不同的作用,各相关序列将使用不同的处理和预测方法。在相关序列集上的地铁客流量融合预测模型结构,如图1所示。

下面针对城市地铁车站客流量的预测进行论述。

1.2构造相关序列集

为了预测车站(序号为0)在第i天t时刻的流量^F0i(t)(实测值为F0i(t)),设t时刻^F0i(t)的相关时间序列集为f(t)={fj(t),1≤j≤n}(1)式中,fj(t)为t时刻^F0i(t)的相关时间序列;n为相关时间序列数。

为了获得精确的预测,可以根据关联特性构造任意多个相关时间序列。本文意在阐明本算法的基本思想,将流量数据仅仅构造为3类相关序列:当前序列、历史序列和邻站序列。

当前序列预测时刻t之前本站最近k次流量按时间先后记录下来的数据构成的时间序列为当前序列,即

f1(t)={F0i(t-l),1≤l≤k}(2)

该序列数据的主要影响因素是时刻,同时还受人为、气温、天气等其他扰动因素的影响,数据分布的非线性特性较大,频带较宽。第l班列车的流量如图2所示。

历史序列同为工作日或同为节假日的相邻数天,其流量曲线形状相对类似,流量曲线相似的日期在预测中具有较大的参考意义。本站最近m天在时刻t的流量按日期先后记录下来的数据构成的时间序列为历史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和节假日流量差别较大,可将它们分类处理。该序列整体分布较平稳,有震荡,但频带较窄。第p个工作日在时刻t的流量如图3所示。

邻站序列图4为本站与邻近2个车站24h的流量曲线经DB2小波3层变换后的近似分量,可见各分量关联性较大。如果根据以前的数据将各邻近车站相互关系解算出来,就可以利用这种函数关系预测时刻t在本站的流量。最近m天在时刻t的流量按日期先后记录下来的各邻站历史序列为本站的邻站序列,即

qf2+q(t)={Fi-p(t),1≤p≤m,1≤q≤s}(4)

q式中,Fi-p(t)表示第q个邻近站的第(i-p)天的流量;s表示邻近站数。

1.3相关序列的预测

由于各相关序列在预测中具有不同的影响,且分布规律和特点差异较大,因而各序列使用不同的预测方法。本文对当前序列进行小波分解后用Kalman预测,对历史序列直接进行Kalman预测,对邻站序列用幂级数多项式进行拟合。

1.3.1小波分析

根据设置的分解指数η对序列进行小波N尺度分解,得到一组低频信号和N组高频信号,对这N+1组信号分别用Mallat塔式算法重构到原尺度上,得到N+1组在原始尺度上的经过分解重构处理的信号。分别对信号用Kalman滤波进行预测,得到N+1个预测值,再将这N+1个预测值用权系数合成最终的预测值。具体算法请参见文献[1]。

1.3.2Kalman滤波离散线性Kalman滤波方程为

F(t)=Φ(t-1)F(t-1)+W(t-1)(5)式中,Φ(t)为系统状态转移量;W(t)为系统误差。Kalman滤波通过t-1时刻的状态F(t-1)估计t时刻的状态F(t)。具体算法请参见文献[1]。

1.3.3多项式拟合

分别对各邻站序列用幂级数多项式拟合本站数据,拟合模型如下

n

i

p

^Fp(t)=αp,i(t)F(t)(6)

i=0

i

6式中,Fp(t)为对第p个邻站在时刻t的流量的i次i幂;αp,i(t)为Fp(t)的系数。当n=2时,上述拟合算法简化为线性回归模型。

1.4流量的融合预测设预测对象共有n个相关的时间序列fi(t),经过预处理分别为fi(t),融合预测模型可表示^F(t)在f(t)上的映射,即^F(t)=ζ(f(t))=ζ(f1(t),f2(t),fn(t))(7)式中,ζ(·)表示映射关系。特别地,式(7)可简化为如下的线性映射组合^F(t)=αi(t)ξ(fi(t))(8)i=16

式中,αi(t)为t时刻的序列fi(t)的权系数;ξ(fi(t))为以fi(t)为依据的局部预测值。为了确定上述算法中映射关系ζ(·),本文采用神经网络进行解算。

2模型的神经网络解算

神经网络是由大量简单的神经元以某种拓扑结构广泛地相互连接而成的非线性动力学系统[4]。神经网络在数据融合技术中具有无法替代的作用,通过神经网络对各相关序列的局部预测进行最终融合,具体过程如下。

2.1数据的局部处理

广州市地铁某站一个方向的流量数据是以每班列车到站上车的人数记录的(流量单位:人/班)。根据2002年5月1日2003年3月2日的流量数据,运用本文算法进行预测。按照1.2节的方法构造了4个相关序列:当前序列f1(t)、历史序列f2(t)以及相邻2个车站的邻站序列f3(t)和f4(t)。

2.2神经网络的设计

因为3层神经网络可以一致逼近任何非线性函数[5]。采用具有单隐层的3层神经网络作为模型,即输入层、隐层和输出层。

以各相关序列的局部预测值作为输入向量,实测值F(t)为期望输出,有4个输入节点,1个输出节点。隐层神经元数量关系到网络的训练速度和精度问题。对于一定数量的样本,需要一定数量的隐层神经元数,神经元少了,不能反映样本的规律;多了,则神经网络以过于复杂的非线性关系来拟合输入输出之间的关系,使得模型的学习时间大大增加。本例中,8个隐层神经元数是最好的。以误差平方和SSE(Sum2SquaredError)作为训练评价标准,SSE=pj(Ypj-Opj)2,其中Ypj和Opj分别为输出层第j个神经元的第p个样本的期望输出和实际输出(本例中j=1,p=60)。

用MATLAB的ANN工具箱构造神经网络。隐层神经元的激励函数为tansig函数(正切S型传递函数),输出层神经元的激励函数为purelin函数(线性传递函数),这样整个网络的输出可以取任意值。采取批处理学习方式和快速BP算法训练。

2.3神经网络的训练

将网络的训练标准SSE设为64(60组训练样本),利用上述样本对神经网络进行训练,训练6000次时网络的权值和阈值将达到最佳值,即达到了训练目标。神经网络训练目标接近过程,如图5所示。

从图5中可以看出,训练开始时,网络收敛速度较快,接近目标时收敛速度会减慢。可见,训练次数越多,得到的结果越好。当然,这是以训练时间的增长作为代价的。

3实验对比分析

采用本文算法和传统的Kalman算法分别对2003年3月2日的各整点时刻的流量进行预测。算法各时刻均通过训练后的神经网络预测,预测与实测结果的比较,如图6所示。

传统的Kalman滤波是直接在当前序列的基础上进行预测的,预测与实测结果的比较如图7所示。2种预测方法的误差指标对比见表1。

表1实验结果对比

比较可得,由于传统的Kalman预测方法只能以某一类序列的数据作为预测基础,无法利用其他序列信息,且对变化大的数据采样要求较高,因而具有较大的误差,而本文所述方法有效地克服了这些缺点。

4结论

通过分析城市地铁站客流量的相互关系和特点,在对流量信息进行以预测为目的相关序列集构造的基础上,提出了一种基于数据融合的预测模型。该预测模型不仅是一个多信息接收和处理的融合模型,而且还是一个动力学系统,网络的训练样本也是动态的,如果训练的次数适当,预测的精度也可以随之变化调整。实验结果表明,基于数据融合的预测与传统的预测方法相比,由于充分利用了所有预测信息,在预测的准确程度上有较大提高。

参考文献:

[1]李存军,等.基于小波分析的交通流量预测方法[J].计算机应用,2003,23(12):7—8.

[2]权太范.信息融合:神经网络模糊推理理论与应用[M].北京:国防工业出版社,2002.

[3]李洪志.信息融合技术[M].北京:国防工业出版社,1996.

客流范文篇7

论文内容摘要：南京都市圈各城市，从旅游业综合现状和旅游流集散能力来看，其发展具有一定程度的不平衡性。造成这一不平衡性的主要因素是各地的经济发展水平、旅游产业规模、旅游资源状况以及客源接待和盈利能力等。南京都市圈地跨江苏安徽，包括南京、镇江、扬州、淮安、马鞍山、滁州、芜湖和巢湖。本文采用定性与定量分析方法，确定了都市圈旅游发展中心城市及各层级，并着力分析以中心城市为起、止点的旅游流及其影响因子，以及中心城市目标市场层级划分。

本文采用定性与定量相结合的方法，选取2008年南京都市圈内各市旅游发展指标，运用聚类分析和相关性分析等统计方法，以SPSS17.0实现数据处理，研究圈内各市的旅游发展水平，确定圈内旅游业中心及各圈层。同时分析以中心城市为起、止点的旅游流规律及其影响因子，以及中心城市目标市场划分。

都市圈建立的意义在于打破行政界线，按经济发展趋势构筑相对完善的城镇群体空间单元。南京都市圈是江苏省着重建设的三大都市圈之一，地跨江苏安徽，目前包括南京、镇江、扬州、淮安、马鞍山、滁州、芜湖和巢湖。中心城市占据都市圈系统经济发展高地，具有最高的经济势能和地位，它通过集聚与扩散两种作用力的交互耦合，实现与周边城市旅游要素的有序流动，促进各市旅游产业规模的提升和旅游业的发展。

都市圈旅游中心城市及圈层分析

影响旅游业发展水平的因素很多，影响力各不相同。本文选取的指标有：各市GDP、人均GDP、人口数、旅游接待总人数、平均逗留天数、人均消费、旅游总收入、4A以上景点数、星级饭店数、旅行社数、距中心城市交通里程（祁秋寅、张捷，2006），数据主要来源于各市2008年《国民经济和社会发展统计公报》。通过SPSS降维处理（剔除因子载荷小于0.5的指标），最终保留的指标有GDP、旅游接待总人数、旅游总收入、4A以上景点数、星级饭店数、旅行社数。

综合以上指标对样本进行聚类分析，采用K-均值方法，设定聚类数为3，可将8个检验城市旅游业综合水平分为3个层级，第一层级为南京，第二层级为扬州和镇江，第三层级为淮安、马鞍山、芜湖、滁州和巢湖。通过ANOVA检验得到显著性水平均为中等或高度显著。可见，从旅游业发展的角度，南京是都市圈旅游发展状况优势最明显的城市，为都市圈的旅游业中心，扬州、镇江为发展相对较成熟区域，其余5市旅游业综合实力相对较弱。

中心城市旅游流分析

旅游流又称旅游客流，指旅游者从出发地到旅游目的地移动形成的客流。影响旅游流的因素有：两地距离和交通便捷度、旅游资源吸引力、经济联系、游客感知、旅游费用、接待设施等。都市圈旅游流是一个复杂系统，包括任何两个城市之间的旅游集聚和扩散流，很难形成清晰的研究思路和结论。因此本文以中心城市为视角，分别研究南京作为其它城市目的地和客源地情况下，旅游流聚散规律及其影响因素。

（一）中心城市旅游集聚流分析

本文定义中心城市集聚流比例表示从各市直接来南京的客流占南京总客流的比例，它反映了圈内各市向中心城市提供客源的能力。可得的旅游流影响指标包括各地经济水平、人口数、旅行社数、到中心城市距离、中心城市集聚流比例。本文运用双侧相关性检验，选用Pearson相关系数，得到表1。各市人口数、与南京距离这两个指标同中心城市集聚比例无显著相关，而GDP水平及旅行社数与中心城市集聚流比例在0.01水平上显著相关，结果具有高度显著性。

由此可知，各地的经济发展水平和旅游产业规模对旅游流的产生具有重大影响，而人口数，与中心城市距离并不能成为促进其它各市产生旅游流的显著因素。这表明旅游流的产生更加依赖经济发展的规模和质量。中心城市要吸引都市圈内更多的客源，除了自身发展之外，更要加强圈内各市产业的合作，从而提高各市输送客源能力，实现共赢。

距离因素在都市圈内部产生旅游流方面的作用并不显著，这与以往一般性认识有悖，随着近年来都市圈交通的日益发展和同城化进程的推进，市场对距离这一要素的敏感程度正在消减。

（二）中心城市旅游扩散流分析

中心城市扩散流比例是指直接从南京所往城市的旅游客占该城市总客流的比例。它反映了圈内各市吸引中心城市客流的能力。

如表2所示，中心城市扩散流比例与各地经济发展水平以及住宿接待条件（星级酒店数）有高度相关性，同旅行社数也有一定相关性，且前者比后者相关性更显著。这表明，由于中心城市消费能力相对较高，旅游方式多元化，游客对星级酒店的需求高于对旅行社的需求。中心城市扩散流比例还与当地旅游总收入高度相关，表明中心城市是各市旅游业重要收入来源，各市应当对中心城市这一巨大市场予以重视。同时，旅行社和星级酒店对各地旅游总收入的贡献很明显，但显然星级酒店与旅游收入相关性更大，这印证了过夜游客消费贡献更大这一观点。

中心城市旅游目标市场空间定位

由上文分析可知，中心城市的集聚流主要受都市圈各市GDP和旅行社数影响，因此选取南京周边7市GDP和旅行社数作为指标计算因子得分，按得分将南京目标市场划分为两个层级，第一层级为扬州、镇江、淮安，它们均在江苏省境内，旅游业综合水平为都市圈前三位（除南京），可将它们看成南京周边旅游目标市场的核心市场。第二层级为其他4个城市，它们均在安徽省境内，可见省际行政界线对都市圈旅游流集散有一定影响。它们的旅游业综合水平在都市圈中处于末位，旅游流产生能力尚待提高，是南京周边旅游市场的潜力市场。以上划分均是基于都市圈内部而言。

对于第一层级市场，应充分利用优势，进一步加强旅游同城化进程，将巩固高品位的传统景区与开发新旅游模式相结合，巩固市场份额。对于第二层级城市，急需打破省际和市际行政界线和经济壁垒进行区域合作，提高当地经济发展水平，促进当地旅游产业结构优化和模式升级，最终提升市场份额。

结论与对策

南京都市圈各城市，从旅游业现状和旅游流集散能力的角度来看，其发展具有一定程度的不平衡性。造成这一不平衡性的主要因素是各地的经济发展水平、旅游产业规模、旅游资源状况及客源接待能力。要提高都市圈的整体产业竞争力，需要注意以下方面：

首先，提升实力。影响旅游流的主要因素是GDP和旅游产业规模，各市要提升经济实力，优化扩大旅游产业规模，为旅游流的聚散提供可能。其次，加强内部合作。一定区域旅游经济整体水平由各城市的竞争、分工与合作决定，而区域的整体发展又影响着城市的兴衰（叶依广、周蕾，2004）。

参考文献：

1.张强.都市圈中心城市的功能组织研究[D].兰州大学，2008

2.祁秋寅，张捷.我国省际旅游经济影响因素分析[C].中国地理学会学术年会，2006

客流范文篇8

网状路网衔接方案特征分析

德国铁路、瑞士铁路网是网状路网的典型代表.瑞士虽然国土面积小,但其铁路运输发达,形成以伯尔尼、洛桑、苏黎世、圣加伦、巴塞尔和奥尔滕为中心的网状路网.与瑞士铁路相比,德国铁路的车站数量与线路长度远多于瑞士铁路,运输组织更复杂.网状路网列车开行特点主要表现为起讫点相同的列车具有多条列车径路.111运输组织特点1运输组织模式.瑞士铁路采用完全周期的运输组织模式,该种运输组织模式具有较好的时刻表记忆性,为周期性衔接方案的编制提供了基础.德国铁路采用周期与非周期相结合的运输组织模式.2直达与中转相结合的客流组织模式.与法国相同,瑞士铁路与德国铁路均提供直达列车与中转列车服务.瑞士铁路周期性IC、ICN列车城际列车主要服务47个车站,仅有3016%的站间客流OD提供直达服务但服务频率高,7212%的直达客流OD小时服务频率在一列以上.3列车OD具有多条径路.网状路网的优点在于列车具有多条客流径路.起讫点相同的多径路列车在不降低列车起讫点服务频率的同时,可提高列车服务节点数,例如表1显示柏林与慕尼黑之间有两条径路.112衔接方案特点瑞士、德国的列车开行周期化程度高,列车衔接方案具有优质的服务特性.1衔接列车.德国与瑞士的周期列车间基本都存在一定衔接关系,只有部分周期列车的早班列车、末班列车,由于运行时间及天窗约束,不存在衔接关系.为了提高列车衔接稳定性,瑞士铁路限制了衔接列车的衔接节点数量与衔接列车数量,一般1列车的衔接节点不超过两个、衔接列车不超过4列,过多的衔接次数容易导致列车之间的晚点传播.2衔接节点服务水平.与放射路网相比,网状路网的衔接节点布局分散,衔接节点约占铁路节点的1/4.根据衔接节点的服务频率与服务范围,衔接节点可以分为路网衔接枢纽、区域衔接枢纽、地方衔接枢纽,不同的衔接枢纽具有不同的服务水平,见表2.统计枢纽衔接服务客流OD数量时,仅考虑了衔接列车的停站,未考虑客流OD的衔接径路,统计值可能偏大,两列衔接列车的衔接服务客流OD的统计方法见下式Hhij=EmIS0i,m|Sj,nISj0,n|Siqmn1其中:H表示列车i与列车j在车站h接续服务的客流OD数量;m、n为车站;S0i为前序衔接列车i在衔接节点h前的停站集合;Sj0为后序衔接列车j在衔接节点h后的停站集合;Si、Sj分别为列车i、j的停站集合;q表示列车i与列车j在车站h接续服务的一个客流OD,取1.为避免衔接节点集中换乘,瑞士铁路根据衔接节点换乘、到发线能力、及停靠列车数量等均衡编制了衔接列车到达节点的时间分布,一般大型枢纽的衔接列车到达间隔为30min、中小型枢纽为1h.3衔接频率.衔接频率取决于列车开行频率,瑞士、德国衔接列车的周期等于列车开行周期,一般为1h或2h,德国与瑞士铁路列车衔接周期一般为2h.4衔接方式.瑞士与德国铁路一般采用通-通衔接,但瑞士更注重多列列车间的衔接,即多个方向的列车同时或前后到达衔接节点,所有衔接列车在衔接节点停车5~10min,实现各方向旅客同时换乘.德国铁路设置重联分解衔接,如柏林至科伦的周期性列车在哈姆重联分解,分别通过杜塞尔多夫、伍柏塔尔两条径路到达科伦.列车重联分解衔接对列车准点性要求较高.5衔接地点.瑞士和德国铁路一般采用同站衔接,由于不涉及检票工作,采用站台衔接或通道衔接.瑞士伯尔尼衔接节点站台衔接约占25%,通道衔接约占75%.6衔接时间.德国与瑞士的衔接时间相对较短,基本在3~20min之内,其中衔接时间在12min以内的分别占58%、79%,见表3.

放射路网衔接方案特征分析

法国高速铁路网是放射型路网的典型代表,其高速铁路主要包括东南线、大西洋线、北方线、东南延伸线、巴黎地区联络线、地中海线和东部线等7条线路,长度约1900km,结合普通铁路形成了以巴黎为中心的放射型路网.放射路网列车开行特点主要表现在以中心枢纽为始发站、向周边主要城市开行列车.211运输组织特点法国高速铁路运输组织特点主要为:1周期与非周期相结合的运输组织模式.法国主要城市间开行大量周期性列车与非周期性列车.周期列车通常始发终到中心城市,服务中心城市与其他客流较大的城市,基本周期为1h或2h,高峰小时周期缩短至30min.非周期列车主要服务于中心城市与客流较小的城市、或者两个客流较小的城市,列车服务频率较低.2中转与直达相结合的客流组织模式.法国铁路采用中转与直达相结合的客流组织模式,不同距离客流OD的换乘方案比例不同.图1显示了法国不同距离OD的直达服务方案数量与换乘出行服务比例数据来源于2011年欧洲列车时刻表,可以看出旅客换乘出行方案比例随距离明显增加,500km以下的客流OD主要以直达服务为主,900km以上的客流OD主要以换乘服务为主.图1法国高速铁路不同距离的换乘比例Fig11TransferproportionbydistanceinFrenchhigh-speedrail212列车衔接方案特点法国铁路的周期性衔接方案主要体现在路网中心节点,其他节点主要是周期列车与非周期列车的衔接.1中心节点衔接方案周期化.法国铁路的中心节点巴黎至里尔、里昂、南特、斯特拉斯堡等城市开行周期列车,各方向在巴黎节点的换乘衔接具有周期特性,旅客在巴黎节点换乘便捷.2多点换乘衔接.对于直达服务频率较低的客流OD,法国铁路根据开行列车径路在多个枢纽设计列车衔接关系提高客流OD服务频率,避免单个枢纽衔接造成换乘客流集聚,例如里尔至尼斯的旅客可以在巴黎、马赛、普罗旺斯换乘见图2.图2里尔至尼斯换乘衔接方案Fig12TrainconnectionplanofLilletoNice3同站衔接与异站衔接相结合.法国客运枢纽特点与我国类似,一个枢纽具有多个车站,各个车站连接不同方向,不同方向旅客换乘通过城市交通异站衔接,同时在衔接枢纽的临近车站设计非周期列车与非周期列车同站衔接.如里尔去往马赛方向的旅客可以在巴黎枢纽异站衔接,也可以在戴高乐机场TGV站同站衔接,但同站衔接服务频率小于异站衔接服务频率.4旅客换乘次数与衔接时间设计合理.过多的换乘次数会降低旅行舒适度,法国铁路的旅客换乘次数一般不超过两次.同站衔接时间较短,一般在30min以内;异站衔接时间较长,根据市内交通时间计算.

客运枢纽衔接组织方式

枢纽衔接组织方式与路网结构、枢纽的路网地位、区域客运径路等有密切关系.欧洲客运枢纽衔接组织方式大致可以分为4种类型:平行组织、垂直组织、放射型组织和综合组织.其中平行组织与垂直组织适用于同站衔接,放射性组织适用于异站衔接,综合组织适用于大型枢纽.1平行组织.平行组织是根据列车的速度等级、运行方向,设计部分径路重合的多列列车在换乘枢纽与相邻车站衔接.由于衔接列车部分径路重合、停站模式相同,换乘枢纽与相邻车站具有相同的衔接服务特性,避免换乘客流集中.通常采用通-通衔接,适用于地方性衔接枢纽,如比尔、温特图尔等见图3a.2垂直组织.垂直组织方式适用于两条铁路相交的客运枢纽,两条线路独立运营,列车不跨线,在衔接节点设置合理的到发时间实现两条线路间旅客换乘,常采用通-通衔接,枢纽衔接数量要远高于平行组合,该类衔接方式一般被区域性衔接枢纽采用,如奥尔滕枢纽见图3b.垂直组织有利于减少车站咽喉列车径路交叉干扰、提高通过能力.3放射型组织.放射型组织方式适用于多条线路引入的枢纽,枢纽具有多个车站,每个车站连接一个方向.枢纽作为多个方向列车的始发终到站,通过城市交通实现各个方向间的换乘衔接,通常采用始发终到衔接,如巴黎枢纽见图3c.放射型组织多为异站衔接,对城市交通的换乘效率有较高的要求,但对列车的准点性要求较低.4综合组织综合组织方式采用两种以上的组织方式设计枢纽衔接组织,常用于十字枢纽或丁字型枢纽.引入苏黎世枢纽的铁路线路为贯通线路与尽头式线路,设计的衔接组织综合了以上3种衔接组织方式.各种衔接组织方式都有其各自的特点,各个枢纽采用的衔接组织方式应根据枢纽的客流特点、换乘条件、到发线数量等因素设计.不同衔接组织方式的适用条件见表4.

对我国高速列车衔接方案编制启示

客流范文篇9

关键词：铁路客运营销决策系统应用

0引言

几年来，哈尔滨站面对客运市场的激烈竞争，依靠观念创新、管理创新和技术创新，从客流预测、市场细分、适时通报、运力配置等方面不断探索，依靠信息技术来改造传统产业，逐步建立起“超前预测、协调运作”的客运营销辅助决策系统，改变了以往传统的人工分析和经验预测的方法，为铁路充分挖掘运能潜力，实现运输效益最大化提供了科学依据。此系统以哈尔滨站局域办公网为基础平台，具有维护便利、系统稳定、信息共享的特点，自2008年投入应用以来，取得了良好的效果，成为了专兼职营销人员的有力助手。

1客运营销辅助决策系统产生的背景

由于铁路旅客运输受线路、运行图、固定、移动行车设备等影响，始终处于计划运输的状态。如果不能及时掌握客流的动态，就会出现客流高峰期，运能紧张造成客流流失；客流淡季则能力虚糜，造成运输成本增加的问题。

虽然铁路一直在努力解决运能和运量的矛盾，力争寻求最佳的零界点，但掌握市场动态的手段、方法还十分有效，不能做到超前预测、动态调整、快速反应，没有形成一套完整的战略、战术体系，大量有价值的数据信息没有被充分挖掘和提炼出来，不能很好地为管理和决策提供依据，难以满足形势不断发展的要求。营销决策的局限性在于：

1.1不能对客流进行科学的调查、分析与预测，无法准确掌握客流的特点、走势及动态，投入的运能无法完全满足客流的需求，影响了正常的站车秩序，也损害了铁路的形象。

1.2不能综合分析某一方向、某一趟列车的上座率，也就不能准确计算出合理的列车编组辆数和无座席加成系数，运输效率不高，无法实现效益最大化。

1.3传统手工统计的准确度和时效性较差。造成这个问题的原因有两个方面。一方面是车站日常分析的数据是通过客流调查、客票系统数据的采集、提炼获得，但是由于现有的客票系统提供的数据量大、分散，只能采用手工方法多次采集，不能实现自动采集。另一方面是车站数据分析人员采用的统计、分析方法不够科学，统计对比方法单一，选择数据项点少，以往只对节假日时期数据进行统计，侧重流量、流向的对比分析，准确率低，因此统计分析内容缺乏全面性、合理性，缺少说服力，并且凭经验预测的多，不能科学预测。

1.4不能实时搜集到各种信息，特别是不能及时搜集掌握公路和民航运输业迅猛发展对铁路的冲击，以及客流分布不均衡等信息，这就很容易造成客流组织工作的被动，也就是铁路运输组织仍处于比较封闭的状态，适应市场的机动性较差。

1.5不能准确地细分市场，对学生、民工、旅游等客流的组成和结构比例无法完全掌握，无法提供相应的个性化服务和能力保证。

1.6不能实现信息的互联互通，自动预测，信息资源掌握在少数专职营销人员手中，不能形成全员营销的共识，执行层抓生产存在一定的盲目性。

1.7客流调查的方式方法单一，费事、费力、费人，而调查的效果不明显。

1.8不能把铁路速度快、票价低的优势充分展示出来，对外宣传的力度不够，引流上线的作用不够明显。

为了消除营销决策凭经验、凭领导主管判断的局限性，满足营销决策科学化的内在要求，哈尔滨站自2008年以来自主研发《客运营销辅助决策系统》，从市场需求的角度出发，以追求经济和社会效益为目标，逐渐建立起完善的，以信息化平台做支持的营销辅助决策系统，为客运部门提供科学决策依据，实现客运营销决策的科学化。该系统是一个综合性分析、辅助决策支持系统，它对哈站的收入、发送量进行汇总统计，进行宏观的概括；同时对当前系统运行中所涉及的收入、发送量信息作出相关分析。该系统的开发可以使客运管理人员及时掌握全站每天的重要生产指标，也可以实现有针对性地查询客票发售情况、客运市场需求情况等信息，为客运管理人员的营销决策提供参考。

2客运营销辅助决策系统的构成

2.1硬件结构采用客户/服务器体系结构，为便于全站各级用户使用到该系统，在哈尔滨站办公系统网络中增加一台服务器，主要配置是内存1G、硬盘73G、CPU为志强3.0。该服务器通过交换机与办公网络相连，实现了全站各级用户的使用。

2.2软件结构后台应用程序采用常用的Windowsserver2000操作系统和SQLserver2000数据库，实现了数据采集整理传输等功能。前台应用程序开发工具使用ASP页面服务器程序设计系统软。

2.3功能模块

2.3.1指标走势分析模块。主要包括旅客发送量走势分析、旅客上车人数走势分析、运输收入走势分析、始发列车上座率走势分析四部分，根据历年数据形成各种图表，为优化运力资源配置、充分挖掘运能潜力提供科学依据，实现增收创效。该模块采用数据导入的方式将历年的每日、每月发人数据导入到指标走势数据库中，输入查询日期可以自动绘制出收入、发人、上车人数、上座率走势图。

2.3.2学生客流分析模块。与黑龙江省教育厅合作，专门建立哈市各院校学生数据库，通过每年对新生、毕业生数据的更新，查询、预测各个时期学生出行情况，为学生票发售工作提供科学的参考依据。该模块采用数据导入、手工添加数据的方式将历年的学生基本信息、各院校放假日、学生各方向客流量录入到学生数据库中，通过输入查询条件，能够统计、预测出学生基本情况、各院校放假日、学生各方向客流量、学生日客流量统计表，并自动绘制各方向学生客流、日客流走势图。

2.3.3春运客流分析模块。根据前三年节后旅客发送历史数据及节前各主要列车到达人数统计情况，并结合各次列车运能，通过软件分析程序，科学预测本年度节后客流情况，为申请加开临客、加挂车辆提供科学依据。该模块采用添加方式将运能基础数据、历年节前到达数据、节后发送数据录入到春运客流数据库中，通过统计、预测出节前到达数据、节后发送数据统计表，并自动绘制出节前到达数据、节后发送数据、节后运能充足走势图。

2.3.4市场信息。铁路、公路、民航市场信息，为专兼职营销人员提供参考。通过登录后台管理系统录入各种市场信息，实现网页浏览信息的功能。

2.3.5营销组织措施。车站的指标分劈、营销组织措施。通过登录后台管理系统录入营销组织措施，实现网页浏览的功能。

3客运营销辅助决策系统的应用

3.1掌握阶段客流规律，作出运输能力调整。根据学生流、民工流、短假期客流规律的不同，提高客运计划水平，通过信息处理、科学预测、编制方案、计划调节等手段，做到均衡运输，减少虚糜，达到最佳利用运能的目的。一是通过《营销辅助决策系统》，对到站、中转站进行统计，合理匹配运力，通过技术手段，进行长短途合理分工，按照运能逐日安排院校集中购票计划，并在一定程度上建议了学校放假日期，既减轻了铁路运力合理利用，又保证了学生能购买到有座车票。我们充分利用学生票发售政策，分学校送票、窗口提前发售、预售期优先发售等方式，分梯次进行学生票发售，最大限度地满足学生购票需求。还对学生返程车票业务进行了重点宣传和运作，不仅增加了运输收入，更取得了良好的社会效益。二是通过《营销辅助决策系统》，对春季民工流集中到哈中转，冬季民工流集中返乡时期进行预测，在农民工集中到达和返程时，了解农民工客流情况，提供农民工绿色通道、预留票额、专口售票等服务，并设计开行管内农民工专列。三是通过《营销辅助决策系统》，从第一个清明长周末开始，不断积累总结经验，掌握客流基本规律。形成了窗口开关时间、数量、临客加开、始发列车超员率上限设定等成型方案，体现出组织的科学性。四是通过《营销辅助决策系统》，对团体客流进行规范组织。重新修订了《哈尔滨站团体票管理办法》，实施大客户战略，引入准入机制。对旅行社资质、信誉、运量和淡旺季办票情况进行综合评估，确定了22家协议团体大客户，通过给予票额倾斜、开辟绿色通道等优惠政策，确立了战略合作伙伴关系。从而坚定了这些旅行机构组织铁路旅游团的信心，也从另一个侧面宣传了铁路扶持旅游市场的举措，在互惠互利基础上实现了合作共赢。

3.2掌握市场运输信息，作出营销策略调整。通过对民航、公路运输信息的分析，我们适时调整营销策略，与之展开客流竞争。一是争夺高端长距客流。先后还行动车组4对，8个小时到达北京、天津，4个小时到达沈阳。以其快速、准点吸引客流。在最高峰期实行重联编组运行，扩充运输能力。二是争夺旅游客流。通过预测和建议，在原有基础上，开通了直达武昌、青岛、南昌、太原的列车，争夺了部分航空旅游流，成为经济旅行的首选。三是争夺城际客流。牢牢抓住哈大齐工业走廊丰富的客源，不断增加运输能力，平均1小时有一趟该方向快车，还专门开行2对一站直达快车，与公路汽运展开激烈的竞争，以其舒适、快捷、价廉、安全的优势，在竞争中占据最大的份额。

3.3掌握旅客出行需求，作出服务措施调整。从旅客需求出发，从完善售前、售中、售后服务出发，坚持服务创新，用优质服务为客运营销提供保证。一是实行窗口弹性用工。为解决固定班制造成的旺季人员不足，淡季人员富余，整体劳动效率不高的问题。借鉴外局先进经验，打破了原有班制，分为了一部分四班倒、一部分上午班、一部分下午班、一部分日勤、一部分补班等灵活的班制，做到与窗口购票客流最大限度的匹配。还对窗口功能进行划分，分为城际快车、当日、三日、预售十日等功能，进行合理分工，更加方便旅客购票，减少排队购票时间。二是扩充问询电话容量。我站95105688问事电话升级使用以来，以其方便快捷的问询服务、大容量的资讯，受到了公众的好评，知名度、应用度不断提高，现有8个人工座席已不能满足问事的需要。针对这个问题，我们及时与合作方铁通公司协商，由铁通公司组织再次升级问询电话容量，由8个服务席位扩充到16个，通过问事服务的改进，当好公众的出行参谋。三是升级网上资讯服务系统。与《东北网》达成了合作意向，利用主流门户网站的技术实力，把网上铁路资讯做大做强。四是开办电话订票业务。与电信公司达成了合作协议，由电信公司提供设备，提供订票电话，前期设立20个轮选台，预定9天以内“公用”网内的各次列车车票。五是增设高校代售点。与省教育厅达成合作协议，拟在哈市院校内设立铁路经营的代售点。由院校提供场地，电话线，电源，由铁路提供售票设备和人员，减少学生集中到车站窗口购票的人数。

4客运营销辅助决策系统的使用效果

4.1资源共享更加高效。建立了日、月、季、年分析制度，由专职营销人员对运输收入、旅客发送量等进行汇总分析，不仅有数据说明，还有文字说明，具体分析运输进款、发送量增加、减少的原因，形成分析报表后，导入《营销辅助决策系统》，供全站共享。相应的专兼职人员，根据分析报表，各取所需，不断调整营销措施。

4.2市场反应更加快速。通过该系统，哈尔滨站能够及时对客运市场作出快速的反应，达到阶段性客流提前1个月以上提出预测，客流突增24小时内作出反应，在能力上、购票上、候车上提供保证，最大限度地防止客流流失和列车虚糜。

4.3决策支持更加准确。通过该系统，哈尔滨站改变了以往营销组织凭经验的状况，在数据统计、分析上更加准确。所有预测全部建立在数据模型的基础上，做到科学、高效。

4.4信息传递更加迅速。通过该系统，全站各个端口可以随意查阅资料和了解市场信息，数据调用实现了资源共享、电脑查询、自动生成，传递的时效性得到了极大提高，为专兼职营销人员作出快速决策赢得了时间和时机。

4.5劳动效率更加提高。通过该系统，在营销分析上，每天1人就可完成数据导入、预测分析的，而以往则需要多个车间、多个部门4—6人才能完成，实现了岗位的整合和优化，工作的质量和效率得到了明显的提高。

客流范文篇10

关键词：铁路客运营销决策系统应用

0引言

几年来，哈尔滨站面对客运市场的激烈竞争，依靠观念创新、管理创新和技术创新，从客流预测、市场细分、适时通报、运力配置等方面不断探索，依靠信息技术来改造传统产业，逐步建立起“超前预测、协调运作”的客运营销辅助决策系统，改变了以往传统的人工分析和经验预测的方法，为铁路充分挖掘运能潜力，实现运输效益最大化提供了科学依据。此系统以哈尔滨站局域办公网为基础平台，具有维护便利、系统稳定、信息共享的特点，自2008年投入应用以来，取得了良好的效果，成为了专兼职营销人员的有力助手。

1客运营销辅助决策系统产生的背景

由于铁路旅客运输受线路、运行图、固定、移动行车设备等影响，始终处于计划运输的状态。如果不能及时掌握客流的动态，就会出现客流高峰期，运能紧张造成客流流失；客流淡季则能力虚糜，造成运输成本增加的问题。虽然铁路一直在努力解决运能和运量的矛盾，力争寻求最佳的零界点，但掌握市场动态的手段、方法还十分有效，不能做到超前预测、动态调整、快速反应，没有形成一套完整的战略、战术体系，大量有价值的数据信息没有被充分挖掘和提炼出来，不能很好地为管理和决策提供依据，难以满足形势不断发展的要求。营销决策的局限性在于：

1.1不能对客流进行科学的调查、分析与预测，无法准确掌握客流的特点、走势及动态，投入的运能无法完全满足客流的需求，影响了正常的站车秩序，也损害了铁路的形象。

1.2不能综合分析某一方向、某一趟列车的上座率，也就不能准确计算出合理的列车编组辆数和无座席加成系数，运输效率不高，无法实现效益最大化。

1.3传统手工统计的准确度和时效性较差。造成这个问题的原因有两个方面。一方面是车站日常分析的数据是通过客流调查、客票系统数据的采集、提炼获得，但是由于现有的客票系统提供的数据量大、分散，只能采用手工方法多次采集，不能实现自动采集。另一方面是车站数据分析人员采用的统计、分析方法不够科学，统计对比方法单一，选择数据项点少，以往只对节假日时期数据进行统计，侧重流量、流向的对比分析，准确率低，因此统计分析内容缺乏全面性、合理性，缺少说服力，并且凭经验预测的多，不能科学预测。

1.4不能实时搜集到各种信息，特别是不能及时搜集掌握公路和民航运输业迅猛发展对铁路的冲击，以及客流分布不均衡等信息，这就很容易造成客流组织工作的被动，也就是铁路运输组织仍处于比较封闭的状态，适应市场的机动性较差。

1.5不能准确地细分市场，对学生、民工、旅游等客流的组成和结构比例无法完全掌握，无法提供相应的个性化服务和能力保证。

1.6不能实现信息的互联互通，自动预测，信息资源掌握在少数专职营销人员手中，不能形成全员营销的共识，执行层抓生产存在一定的盲目性。

1.7客流调查的方式方法单一，费事、费力、费人，而调查的效果不明显。

1.8不能把铁路速度快、票价低的优势充分展示出来，对外宣传的力度不够，引流上线的作用不够明显。

为了消除营销决策凭经验、凭领导主管判断的局限性，满足营销决策科学化的内在要求，哈尔滨站自2008年以来自主研发《客运营销辅助决策系统》，从市场需求的角度出发，以追求经济和社会效益为目标，逐渐建立起完善的，以信息化平台做支持的营销辅助决策系统，为客运部门提供科学决策依据，实现客运营销决策的科学化。该系统是一个综合性分析、辅助决策支持系统，它对哈站的收入、发送量进行汇总统计，进行宏观的概括；同时对当前系统运行中所涉及的收入、发送量信息作出相关分析。该系统的开发可以使客运管理人员及时掌握全站每天的重要生产指标，也可以实现有针对性地查询客票发售情况、客运市场需求情况等信息，为客运管理人员的营销决策提供参考。

2客运营销辅助决策系统的构成

2.1硬件结构采用客户/服务器体系结构，为便于全站各级用户使用到该系统，在哈尔滨站办公系统网络中增加一台服务器，主要配置是内存1G、硬盘73G、CPU为志强3.0。该服务器通过交换机与办公网络相连，实现了全站各级用户的使用。

2.2软件结构后台应用程序采用常用的Windowsserver2000操作系统和SQLserver2000数据库，实现了数据采集整理传输等功能。前台应用程序开发工具使用ASP页面服务器程序设计系统软。

2.3功能模块

2.3.1指标走势分析模块。主要包括旅客发送量走势分析、旅客上车人数走势分析、运输收入走势分析、始发列车上座率走势分析四部分，根据历年数据形成各种图表，为优化运力资源配置、充分挖掘运能潜力提供科学依据，实现增收创效。该模块采用数据导入的方式将历年的每日、每月发人数据导入到指标走势数据库中，输入查询日期可以自动绘制出收入、发人、上车人数、上座率走势图。

2.3.2学生客流分析模块。与黑龙江省教育厅合作，专门建立哈市各院校学生数据库，通过每年对新生、毕业生数据的更新，查询、预测各个时期学生出行情况，为学生票发售工作提供科学的参考依据。该模块采用数据导入、手工添加数据的方式将历年的学生基本信息、各院校放假日、学生各方向客流量录入到学生数据库中，通过输入查询条件，能够统计、预测出学生基本情况、各院校放假日、学生各方向客流量、学生日客流量统计表，并自动绘制各方向学生客流、日客流走势图。

2.3.3春运客流分析模块。根据前三年节后旅客发送历史数据及节前各主要列车到达人数统计情况，并结合各次列车运能，通过软件分析程序，科学预测本年度节后客流情况，为申请加开临客、加挂车辆提供科学依据。该模块采用添加方式将运能基础数据、历年节前到达数据、节后发送数据录入到春运客流数据库中，通过统计、预测出节前到达数据、节后发送数据统计表，并自动绘制出节前到达数据、节后发送数据、节后运能充足走势图。

2.3.4市场信息。铁路、公路、民航市场信息，为专兼职营销人员提供参考。通过登录后台管理系统录入各种市场信息，实现网页浏览信息的功能。

2.3.5营销组织措施。车站的指标分劈、营销组织措施。通过登录后台管理系统录入营销组织措施，实现网页浏览的功能。

3客运营销辅助决策系统的应用

3.1掌握阶段客流规律，作出运输能力调整。根据学生流、民工流、短假期客流规律的不同，提高客运计划水平，通过信息处理、科学预测、编制方案、计划调节等手段，做到均衡运输，减少虚糜，达到最佳利用运能的目的。一是通过《营销辅助决策系统》，对到站、中转站进行统计，合理匹配运力，通过技术手段，进行长短途合理分工，按照运能逐日安排院校集中购票计划，并在一定程度上建议了学校放假日期，既减轻了铁路运力合理利用，又保证了学生能购买到有座车票。我们充分利用学生票发售政策，分学校送票、窗口提前发售、预售期优先发售等方式，分梯次进行学生票发售，最大限度地满足学生购票需求。还对学生返程车票业务进行了重点宣传和运作，不仅增加了运输收入，更取得了良好的社会效益。二是通过《营销辅助决策系统》，对春季民工流集中到哈中转，冬季民工流集中返乡时期进行预测，在农民工集中到达和返程时，了解农民工客流情况，提供农民工绿色通道、预留票额、专口售票等服务，并设计开行管内农民工专列。三是通过《营销辅助决策系统》，从第一个清明长周末开始，不断积累总结经验，掌握客流基本规律。形成了窗口开关时间、数量、临客加开、始发列车超员率上限设定等成型方案，体现出组织的科学性。四是通过《营销辅助决策系统》，对团体客流进行规范组织。重新修订了《哈尔滨站团体票管理办法》，实施大客户战略，引入准入机制。对旅行社资质、信誉、运量和淡旺季办票情况进行综合评估，确定了22家协议团体大客户，通过给予票额倾斜、开辟绿色通道等优惠政策，确立了战略合作伙伴关系。从而坚定了这些旅行机构组织铁路旅游团的信心，也从另一个侧面宣传了铁路扶持旅游市场的举措，在互惠互利基础上实现了合作共赢。

3.2掌握市场运输信息，作出营销策略调整。通过对民航、公路运输信息的分析，我们适时调整营销策略，与之展开客流竞争。一是争夺高端长距客流。先后还行动车组4对，8个小时到达北京、天津，4个小时到达沈阳。以其快速、准点吸引客流。在最高峰期实行重联编组运行，扩充运输能力。二是争夺旅游客流。通过预测和建议，在原有基础上，开通了直达武昌、青岛、南昌、太原的列车，争夺了部分航空旅游流，成为经济旅行的首选。三是争夺城际客流。牢牢抓住哈大齐工业走廊丰富的客源，不断增加运输能力，平均1小时有一趟该方向快车，还专门开行2对一站直达快车，与公路汽运展开激烈的竞争，以其舒适、快捷、价廉、安全的优势，在竞争中占据最大的份额。

3.3掌握旅客出行需求，作出服务措施调整。从旅客需求出发，从完善售前、售中、售后服务出发，坚持服务创新，用优质服务为客运营销提供保证。一是实行窗口弹性用工。为解决固定班制造成的旺季人员不足，淡季人员富余，整体劳动效率不高的问题。借鉴外局先进经验，打破了原有班制，分为了一部分四班倒、一部分上午班、一部分下午班、一部分日勤、一部分补班等灵活的班制，做到与窗口购票客流最大限度的匹配。还对窗口功能进行划分，分为城际快车、当日、三日、预售十日等功能，进行合理分工，更加方便旅客购票，减少排队购票时间。二是扩充问询电话容量。我站95105688问事电话升级使用以来，以其方便快捷的问询服务、大容量的资讯，受到了公众的好评，知名度、应用度不断提高，现有8个人工座席已不能满足问事的需要。针对这个问题，我们及时与合作方铁通公司协商，由铁通公司组织再次升级问询电话容量，由8个服务席位扩充到16个，通过问事服务的改进，当好公众的出行参谋。三是升级网上资讯服务系统。与《东北网》达成了合作意向，利用主流门户网站的技术实力，把网上铁路资讯做大做强。四是开办电话订票业务。与电信公司达成了合作协议，由电信公司提供设备，提供订票电话，前期设立20个轮选台，预定9天以内“公用”网内的各次列车车票。五是增设高校代售点。与省教育厅达成合作协议，拟在哈市院校内设立铁路经营的代售点。由院校提供场地，电话线，电源，由铁路提供售票设备和人员，减少学生集中到车站窗口购票的人数。

4客运营销辅助决策系统的使用效果

4.1资源共享更加高效。建立了日、月、季、年分析制度，由专职营销人员对运输收入、旅客发送量等进行汇总分析，不仅有数据说明，还有文字说明，具体分析运输进款、发送量增加、减少的原因，形成分析报表后，导入《营销辅助决策系统》，供全站共享。相应的专兼职人员，根据分析报表，各取所需，不断调整营销措施。

4.2市场反应更加快速。通过该系统，哈尔滨站能够及时对客运市场作出快速的反应，达到阶段性客流提前1个月以上提出预测，客流突增24小时内作出反应，在能力上、购票上、候车上提供保证，最大限度地防止客流流失和列车虚糜。

4.3决策支持更加准确。通过该系统，哈尔滨站改变了以往营销组织凭经验的状况，在数据统计、分析上更加准确。所有预测全部建立在数据模型的基础上，做到科学、高效。

4.4信息传递更加迅速。通过该系统，全站各个端口可以随意查阅资料和了解市场信息，数据调用实现了资源共享、电脑查询、自动生成，传递的时效性得到了极大提高，为专兼职营销人员作出快速决策赢得了时间和时机。

4.5劳动效率更加提高。通过该系统，在营销分析上，每天1人就可完成数据导入、预测分析的，而以往则需要多个车间、多个部门4—6人才能完成，实现了岗位的整合和优化，工作的质量和效率得到了明显的提高。