基于累积前景理论的城际列车分时定价研究

城际客流具有时段分布不均衡特点,表现为高峰时段一票难求而低峰时段客座率低。为均衡客流、提高城际高铁收益,选取客运通道内不同时段车次进行差别定价。考虑旅客选择行为的差异性和有限理性,采用潜在类别分析对旅客进行分类,选取票价和时段价值两个影响因素, 建立双参照点的旅客平行车次产品效用模型,以累积前景值刻画异质旅客对平行车次的出行效用。基于累积前景值构建以铁路企业收益最大,旅客广义出行费用最小的分时定价双层规划模型,设计基于灵敏度分析的启发式算法求解。最后以南宁-北海为例对高峰、非高峰时段平行列车进行实例分析,结果表明,本文提出的分时定价方法能提升收益约2.5%,且高峰、非高峰时段的客流更加均衡。     

车货供需匹配模型与算法研究综述

随着货车保有量及货运需求的迅速增长,车货供需匹配问题成为了货运电子商务平台的核心和热点。本文主要针对车货供需匹配问题从模型和算法两个方面对现有文献进行梳理和总结。在车货供需匹配模型方面,考虑的优化目标主要包括满意度、公平性和稳定性三个方面的评价指标,根据应用场景,将车货供需匹配模型分为一对一、一对多和多对多三类,其中一对一车货供需匹配模型针对整车运输,其他两种则对应零担运输。随着三种应用场景的模型复杂程度越来越高,相应求解难度、求解时间也呈现递增趋势。在车货供需匹配算法方面,根据货运需求数据的结构与特点可以划分为最优化算法、人工智能算法、推荐算法以及其他算法四类：对于小规模、时效性要求不高的货运需求,可以根据模型的特点与特性设计最优化求解算法;对于大数据、交互性数据或实时性要求高的货运需求,人工智能算法和推荐算法则是车货供需匹配问题的有效途径,其中人工智能算法通过预测车主行为或匹配结果实现匹配任务,而推荐算法可以针对车货需求大数据实现有效的召回并推荐。最后,本文总结了现有研究的不足之处,并从中归纳出三个值得进一步研究的方向：一是结合实际业务场景和车货信息大数据背景,提高车货供需匹配方法...