1調(diào)查區(qū)域基本情況

哈爾濱吸引區(qū)總?cè)丝?064.5萬人，交通工具主要為鐵路、公路和民航。截止到2014年底，吸引區(qū)人均全年出行頻次12.3次/年，鐵路出行頻次3.6次/年，公路出行頻次7.8次/年，民航出行頻次0.6次/年。

22014年哈爾濱公路客流情況

哈市現(xiàn)有南崗、道外、三棵樹、哈西、公路大橋五個公路客運站。其中公路大橋客運站主要運輸賓縣、蘭西方向無軌站客流，不對鐵路形成競爭。哈西公路客運站是新建成的現(xiàn)代化客運站，目前，哈西客運站主要開行的是車程在三小時左右的肇東方向以及雙城及周邊農(nóng)村方向，該客運站日均發(fā)人3000人，年發(fā)送旅客110萬人。南崗客運站日發(fā)車為25個方向，每日發(fā)車約500趟，日均發(fā)人約1.3萬人，年發(fā)送旅客約476萬人。該客運站到站方向大部分為有軌站，與鐵路有較強的競爭力。道外客運站日發(fā)車最高能力為600個班次，可發(fā)送旅客13600人次?，F(xiàn)有147條發(fā)車線路，其中大部分為無軌站。年發(fā)送旅客約237.5萬人。三棵樹客運站緊鄰哈爾濱東站，每天固定發(fā)車172余趟，其中大部分為無軌站。日均運量約為4845人，全年運能為177萬人/年。

3吸引區(qū)交通方式客運市場占有率分析

2014年1-6月三種交通方式客運市場總量為6426.3萬人。其中，民航290.7萬人，占有率4.5%；公路4196萬人，占有率65.3%；鐵路1939.6萬人，占有率30.2%。公路運輸對鐵路運輸沖擊加大。表1為2009年以來哈爾濱客運市場占有率走勢情況。從5年來走勢看，公路、民航逐年遞增，鐵路逐年遞減。

本文作者：趙紫胭工作單位：長安大學(xué)

預(yù)測思路分析

客運量預(yù)測是公路運輸樞紐規(guī)劃最重要。最基礎(chǔ)的工作。做好客運量預(yù)測是規(guī)劃的重要內(nèi)容，同時也是科學(xué)、準確、合理的確定樞紐及站場規(guī)模的重要依據(jù)。預(yù)測主要根據(jù)大量歷史資料，結(jié)合未來客運量發(fā)展特征及變化趨勢進行?？刹捎孟嚓P(guān)分析法進行預(yù)測，同時對預(yù)測結(jié)果進行修正。

預(yù)測模型

公路客運量預(yù)測有很多可以使用的方法。經(jīng)過研究，根據(jù)項目的要求和目的，并結(jié)合我國社會與公路客運的發(fā)展情況，適合采用三次指數(shù)平滑法、增長率法、定性分析法等方法進行預(yù)測。使用多種的預(yù)測模型進行預(yù)測，可能會得到不同的結(jié)果，而為了讓預(yù)測結(jié)果更加接近實際的數(shù)值，就需要應(yīng)用組合預(yù)測方法對結(jié)果進行修正。增長率法增長率法是根據(jù)預(yù)測對象的預(yù)計增長速度進行預(yù)測的方法。其步驟是：①分析歷史年度預(yù)測對象增長率的變化規(guī)律；②根據(jù)對相關(guān)因素發(fā)展變化的分析，確定預(yù)測期增長率；③進行未來值的預(yù)測。其一般式為：Q1=Q0（1+a）t式中：Q1———預(yù)測值；Q0———基年值；a———確定的增長率；t———預(yù)測年限。增長率法的關(guān)鍵在于確定增長率，但增長率隨著選擇年限的不同而存在較大的差異。所以增長率法一般僅適合于增長率變化不大，且增長趨勢穩(wěn)定的情況。其特點是計算簡單，但預(yù)測結(jié)果粗略，較適于近期預(yù)測。由于人口發(fā)展受政策性影響較強，所以常常應(yīng)用增長率法進行人口預(yù)測。三次指數(shù)平滑法指數(shù)平滑法認為，對象指標(biāo)未來的發(fā)展與它過去的和現(xiàn)今的狀況密切相關(guān)，故可以用它的歷史數(shù)據(jù)預(yù)測它未來的值。在用歷史數(shù)據(jù)進行預(yù)測時，對各個時間階段的數(shù)據(jù)并不同等看待，而是賦予近期數(shù)據(jù)較大的權(quán)值。①三次指數(shù)平滑模型為：Yt+L=at+btL+ctL2式中：Yt+L———預(yù)測目標(biāo)；t———時間序列；L———未來的單位時間段；at———一次指數(shù)平滑系數(shù)；bt———二次指數(shù)平滑系數(shù)；ct———三次指數(shù)平滑系數(shù)。②平滑系數(shù)的確定：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———平滑系數(shù)，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———對象指標(biāo)的第t期的觀測值。④初值的確定：二次指數(shù)平滑法是對一次指數(shù)平滑值再進行一次平滑，三次指數(shù)平滑法是對二次指數(shù)平滑值再進行一次平滑。St=αXt+α（1-α）St-1（1）+α（1-α）2St-2（1）+……α（1-α）tS0（1）遞推公式表明，觀測值的期數(shù)離t越近，權(quán)重就越大。上式的最后一項S0(1)叫“初始條件”，一般可取S0(3)=S0(2)=S0(1)＝X1。3.3組合預(yù)測組合預(yù)測就是對同一個預(yù)測對象進行預(yù)測的時候使用兩種或者兩種以上不同的預(yù)測，對于各個預(yù)測出的結(jié)果進行適當(dāng)加權(quán)，之后取得平均值。這種預(yù)測方法對于未來的變化會有比較強的適應(yīng)力，也能夠降低預(yù)測的風(fēng)險，并提高預(yù)測精確度。本報告采用組合模型預(yù)測，將不同模型的計算結(jié)果結(jié)合起來，相互取長補短，從而達到提高預(yù)測精度和增加預(yù)測結(jié)果可靠性的效果，組合預(yù)測的要點是如何恰當(dāng)?shù)卮_定單個預(yù)測方法結(jié)果的權(quán)重系數(shù)。組合預(yù)測模型為：Y贊=ni=1Σwi×yi式中：Y贊———組合預(yù)測值；wi———第i種預(yù)測模型被賦予的權(quán)重系數(shù)，ni=1Σwi=1；yi———第i種預(yù)測模型的預(yù)測值；n———預(yù)測模型的數(shù)目。通過上述論證分析最終得出以下幾點結(jié)論：①從客運需求預(yù)測是建設(shè)規(guī)模、站址選擇與投資評價等的基礎(chǔ)，因此做好客運量預(yù)測對客運站建設(shè)項目至關(guān)重要。②隨著社會經(jīng)濟的發(fā)展，客運站建設(shè)必須超前考慮，在預(yù)測時可以選擇十年甚至更長的時間作為達產(chǎn)年，從而可以更有效的滿足客運市場的需求。③在用預(yù)測結(jié)果指導(dǎo)規(guī)模設(shè)計時，必須不斷的反饋，進一步修改預(yù)測結(jié)果，使得預(yù)測結(jié)果更好的為投資分析及經(jīng)濟評價服務(wù)。

摘要：超市的客流量及人員密度分布規(guī)律是確定建筑空調(diào)冷負荷、新風(fēng)量、排風(fēng)量、產(chǎn)塵量、CO2產(chǎn)生量以及產(chǎn)菌量、氣流組織、空氣過濾方法等的重要依據(jù)。調(diào)查統(tǒng)計了哈爾濱某大型超市夏季客流量，得到了周末和工作日全天人員密度的逐時變化曲線，與其他公共建筑人員密度呈雙峰狀的曲線相比，該曲線為獨特的三峰分布。提出了大型超市人員密度的計算方法，并給出了大型超市客流量及人員密度分布規(guī)律，得到了顧客平均逗留時間，為其他超市人流密度的估算提供了參考。分析結(jié)果表明，目前超市人員密度為0.14～0.23人/m2建筑面積，大大低于以往數(shù)據(jù)，顧客平均逗留時間為1.75-2.07小時。

關(guān)鍵詞：超市客流量人員密度

1引言

中國已經(jīng)成為了世貿(mào)組織的成員國，隨著人民生活水平的提高，越來越多的國際、國內(nèi)大型連鎖超市開始營業(yè)。超市以其低廉的價格和名目繁多的商品，吸引了大量的顧客。超市客流量是一個隨季節(jié)、氣候、貨源、人們經(jīng)濟狀況以及商家促銷手段等多種因素變化的量。對超市的客流量及人員密度分布規(guī)律的研究結(jié)果可以作為確定新風(fēng)量、排風(fēng)量、產(chǎn)塵量、CO2產(chǎn)生量以及產(chǎn)菌量、氣流組織、空氣過濾方法等的重要依據(jù)，同時也可以使我們更準確地計算超市建筑的冷負荷以及安全疏散路線。

20世紀80年代中期，我國部分高等院校和設(shè)計院對上海、北京、天津、武漢等地大型商場的客流量進行過實地統(tǒng)計,結(jié)果表明,峰值人流量一般為1～1.7人/m2,平均人流量為0.6～1.0人/m2。大、中商場人員密度實際調(diào)查統(tǒng)計表見表1[1]。

表1人員密度估計表項目

摘要：鑒于在航空運輸領(lǐng)域中應(yīng)用經(jīng)濟計量模型預(yù)測航空客流量存在一定的局限性，為此本文運用粗糙集理論分析區(qū)域航空客流量。在選擇影響區(qū)域航空客流量因素的基礎(chǔ)上，形成了我國31個地區(qū)航空客流量的決策表，進而對決策表運用粗糙集的有關(guān)方法得出了我國31個地區(qū)的航空客流量生成規(guī)則，最后采用這些規(guī)則對區(qū)域航空客流量進行預(yù)測，取得比較好的預(yù)測結(jié)果。

關(guān)鍵詞：粗糙集；航空客流量；連續(xù)值離散化；屬性

為了識別航空客流量與其決定因素之間的關(guān)系并對前者進行預(yù)測，目前最常見的方法是建立經(jīng)濟計量模型。這些傳統(tǒng)模型建立在各種統(tǒng)計假設(shè)的基礎(chǔ)上，因此當(dāng)變量之間相互依存、變量的概率分布未知時，那么這些模型就無法得出比較準確的結(jié)果。為此本文試圖探討一種基于粗糙集理論的航空客流量預(yù)測模型。作為計算智能方法之一的粗糙集理論（Roughsetstheo-ry,簡稱RS）是波蘭數(shù)學(xué)家ZdzislawPawlak于1982年首次提出的。粗集理論誕生的30多年來，已成功地在許多領(lǐng)域中得到應(yīng)用，然而在航空運輸領(lǐng)域中還沒有見到關(guān)于粗集理論的應(yīng)用文獻。因此，本文在這方面作一個嘗試，并通過實例闡明粗集理論在航空客流量方面的應(yīng)用是適合的。

1.基于粗糙集理論的方法

粗糙集理論中的知識表達方式一般采用信息表或稱為信息系統(tǒng)的形式，信息系統(tǒng)可用四元有序組K=(U,A,V,ρ)，在該式中，U是一個非空有限的對象集合，U={X}1,X2⋯Xn稱為論域；A是一個非空有限的屬性集合，A={a}1,a2⋯an；V=∪a∈AVa是屬性A所構(gòu)成的值域集合，Va是屬性a的值域；U中任一元素取屬性a在V中有唯一確定值。ρ：U×A→V被稱為信息函數(shù)，ρ：A→V，x∈U，反映了對象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則信息系統(tǒng)又可稱為決策表，其中C為條件屬性集，D為決策屬性集，常記為(U,C∪D，V，ρ)。在決策表中，不同的條件屬性具有不同的重要程度，一些屬性提供了豐富的信息，對產(chǎn)生決策起到至關(guān)重要的作用，而其他一些屬性卻似乎是可有可無的。因此，在保證決策表具有正確分類能力的同時，對條件屬性進行簡約，去掉不必要的屬性。為了度量屬性集合的不確定程度，引入精度和覆蓋度兩個概念，且定義為：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）分別為屬性集合Xi的分類精度和覆蓋度，式（3）和（4）分別為所有屬性集合的總分類精度和總分類覆蓋度。

2.粗糙集在區(qū)域航空客流量中的應(yīng)用

論文關(guān)鍵詞：南京都市圈旅游客流市場定位

論文內(nèi)容摘要：南京都市圈各城市，從旅游業(yè)綜合現(xiàn)狀和旅游流集散能力來看，其發(fā)展具有一定程度的不平衡性。造成這一不平衡性的主要因素是各地的經(jīng)濟發(fā)展水平、旅游產(chǎn)業(yè)規(guī)模、旅游資源狀況以及客源接待和盈利能力等。南京都市圈地跨江蘇安徽，包括南京、鎮(zhèn)江、揚州、淮安、馬鞍山、滁州、蕪湖和巢湖。本文采用定性與定量分析方法，確定了都市圈旅游發(fā)展中心城市及各層級，并著力分析以中心城市為起、止點的旅游流及其影響因子，以及中心城市目標(biāo)市場層級劃分。

本文采用定性與定量相結(jié)合的方法，選取2008年南京都市圈內(nèi)各市旅游發(fā)展指標(biāo)，運用聚類分析和相關(guān)性分析等統(tǒng)計方法，以SPSS17.0實現(xiàn)數(shù)據(jù)處理，研究圈內(nèi)各市的旅游發(fā)展水平，確定圈內(nèi)旅游業(yè)中心及各圈層。同時分析以中心城市為起、止點的旅游流規(guī)律及其影響因子，以及中心城市目標(biāo)市場劃分。

都市圈建立的意義在于打破行政界線，按經(jīng)濟發(fā)展趨勢構(gòu)筑相對完善的城鎮(zhèn)群體空間單元。南京都市圈是江蘇省著重建設(shè)的三大都市圈之一，地跨江蘇安徽，目前包括南京、鎮(zhèn)江、揚州、淮安、馬鞍山、滁州、蕪湖和巢湖。中心城市占據(jù)都市圈系統(tǒng)經(jīng)濟發(fā)展高地，具有最高的經(jīng)濟勢能和地位，它通過集聚與擴散兩種作用力的交互耦合，實現(xiàn)與周邊城市旅游要素的有序流動，促進各市旅游產(chǎn)業(yè)規(guī)模的提升和旅游業(yè)的發(fā)展。

都市圈旅游中心城市及圈層分析

影響旅游業(yè)發(fā)展水平的因素很多，影響力各不相同。本文選取的指標(biāo)有：各市GDP、人均GDP、人口數(shù)、旅游接待總?cè)藬?shù)、平均逗留天數(shù)、人均消費、旅游總收入、4A以上景點數(shù)、星級飯店數(shù)、旅行社數(shù)、距中心城市交通里程（祁秋寅、張捷，2006），數(shù)據(jù)主要來源于各市2008年《國民經(jīng)濟和社會發(fā)展統(tǒng)計公報》。通過SPSS降維處理（剔除因子載荷小于0.5的指標(biāo)），最終保留的指標(biāo)有GDP、旅游接待總?cè)藬?shù)、旅游總收入、4A以上景點數(shù)、星級飯店數(shù)、旅行社數(shù)。

摘要:為了更加準確地預(yù)測城市地鐵交通中動態(tài)變化的客流量,通過分析城市地鐵交通客流量的特點,提出了一種基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的預(yù)測方法。這種方法根據(jù)預(yù)測數(shù)據(jù)各屬性的特點,將采集的數(shù)據(jù)提取出多個相關(guān)序列。在此基礎(chǔ)上對各序列采取不同的處理、預(yù)測方法,再利用神經(jīng)網(wǎng)絡(luò)進行融合。這種方法可用于數(shù)據(jù)動態(tài)預(yù)測的各種領(lǐng)域。實驗表明,采用這種方法可以有效地改善數(shù)據(jù)預(yù)測的誤差。

關(guān)鍵詞:鐵路交通;信息預(yù)測;數(shù)據(jù)融合;神經(jīng)網(wǎng)絡(luò)

在城市地鐵交通中,各車站交通流量信息(如候乘數(shù)量、下車數(shù)量等)的準確預(yù)測有利于地鐵運行高效、及時地調(diào)度,從而既達到增加效益的經(jīng)濟目的,又可以更好地滿足人們的乘車需求。傳統(tǒng)的預(yù)測方法有回歸分析算法以及Kalman濾波等。這些方法假定過程是平穩(wěn)的,系統(tǒng)是線性的,系統(tǒng)的干擾是白噪聲,因此在線性系統(tǒng)平穩(wěn)的隨機時間序列預(yù)測中能夠獲得滿意的結(jié)果。然而,交通問題是有人參與的主動系統(tǒng),具有非線性和擾動性強的特征,前述方法難以奏效,表現(xiàn)為以下缺點:①每次采樣的數(shù)據(jù)變化較小時適用,數(shù)據(jù)變化大誤差就大;②預(yù)測值的變化總是滯后于實測值的變化;③無法消除奇異信息的影響。基于小波分析的動態(tài)數(shù)據(jù)預(yù)測方法以小波變換后的數(shù)據(jù)進行預(yù)測,克服了傳統(tǒng)預(yù)測方法不能消除奇異信息的缺點,有效地預(yù)測動態(tài)的流量信息[1]。但該方法只能對單個的數(shù)據(jù)序列進行處理,而事實上能夠用于預(yù)測的數(shù)據(jù)可以是多方面的。

數(shù)據(jù)融合(Data2Fusion)技術(shù)起源并發(fā)展于軍事領(lǐng)域,主要用于目標(biāo)的航跡跟蹤、定位與身份識別以及態(tài)勢評估等[2]。傳統(tǒng)的數(shù)據(jù)融合技術(shù)大多采用概率理論(如Bayes決策理論)對多種信息的獲取與處理進行研究,從而去掉信息的無用成分,保留有用成分[3]。在信息處理中,分別運用各種體現(xiàn)數(shù)據(jù)不同屬性特征的方法處理(如預(yù)測)后進行融合是一個有待深入研究的問題。為了充分利用各方面已有的數(shù)據(jù),獲得可靠的交通流量動態(tài)預(yù)測,本文借鑒數(shù)據(jù)融合的基本思想,提出了在數(shù)據(jù)處理方法上的融合預(yù)測方法。

1流量融合預(yù)測模型

1.1預(yù)測模型的結(jié)構(gòu)

論文關(guān)鍵詞：南京都市圈;旅游客流;市場定位

論文內(nèi)容摘要：南京都市圈各城市，從旅游業(yè)綜合現(xiàn)狀和旅游流集散能力來看，其發(fā)展具有一定程度的不平衡性。造成這一不平衡性的主要因素是各地的經(jīng)濟發(fā)展水平、旅游產(chǎn)業(yè)規(guī)模、旅游資源狀況以及客源接待和盈利能力等。南京都市圈地跨江蘇安徽，包括南京、鎮(zhèn)江、揚州、淮安、馬鞍山、滁州、蕪湖和巢湖。本文采用定性與定量分析方法，確定了都市圈旅游發(fā)展中心城市及各層級，并著力分析以中心城市為起、止點的旅游流及其影響因子，以及中心城市目標(biāo)市場層級劃分。

本文采用定性與定量相結(jié)合的方法，選取2008年南京都市圈內(nèi)各市旅游發(fā)展指標(biāo)，運用聚類分析和相關(guān)性分析等統(tǒng)計方法，以SPSS17.0實現(xiàn)數(shù)據(jù)處理，研究圈內(nèi)各市的旅游發(fā)展水平，確定圈內(nèi)旅游業(yè)中心及各圈層。同時分析以中心城市為起、止點的旅游流規(guī)律及其影響因子，以及中心城市目標(biāo)市場劃分。

都市圈建立的意義在于打破行政界線，按經(jīng)濟發(fā)展趨勢構(gòu)筑相對完善的城鎮(zhèn)群體空間單元。南京都市圈是江蘇省著重建設(shè)的三大都市圈之一，地跨江蘇安徽，目前包括南京、鎮(zhèn)江、揚州、淮安、馬鞍山、滁州、蕪湖和巢湖。中心城市占據(jù)都市圈系統(tǒng)經(jīng)濟發(fā)展高地，具有最高的經(jīng)濟勢能和地位，它通過集聚與擴散兩種作用力的交互耦合，實現(xiàn)與周邊城市旅游要素的有序流動，促進各市旅游產(chǎn)業(yè)規(guī)模的提升和旅游業(yè)的發(fā)展。

都市圈旅游中心城市及圈層分析

影響旅游業(yè)發(fā)展水平的因素很多，影響力各不相同。本文選取的指標(biāo)有：各市GDP、人均GDP、人口數(shù)、旅游接待總?cè)藬?shù)、平均逗留天數(shù)、人均消費、旅游總收入、4A以上景點數(shù)、星級飯店數(shù)、旅行社數(shù)、距中心城市交通里程（祁秋寅、張捷，2006），數(shù)據(jù)主要來源于各市2008年《國民經(jīng)濟和社會發(fā)展統(tǒng)計公報》。通過SPSS降維處理（剔除因子載荷小于0.5的指標(biāo)），最終保留的指標(biāo)有GDP、旅游接待總?cè)藬?shù)、旅游總收入、4A以上景點數(shù)、星級飯店數(shù)、旅行社數(shù)。

本文作者：郭根材聶磊賀振歡付慧伶冷暖暖工作單位：北京交通大學(xué)

網(wǎng)狀路網(wǎng)銜接方案特征分析

德國鐵路、瑞士鐵路網(wǎng)是網(wǎng)狀路網(wǎng)的典型代表.瑞士雖然國土面積小,但其鐵路運輸發(fā)達,形成以伯爾尼、洛桑、蘇黎世、圣加倫、巴塞爾和奧爾滕為中心的網(wǎng)狀路網(wǎng).與瑞士鐵路相比,德國鐵路的車站數(shù)量與線路長度遠多于瑞士鐵路,運輸組織更復(fù)雜.網(wǎng)狀路網(wǎng)列車開行特點主要表現(xiàn)為起訖點相同的列車具有多條列車徑路.111運輸組織特點1運輸組織模式.瑞士鐵路采用完全周期的運輸組織模式,該種運輸組織模式具有較好的時刻表記憶性,為周期性銜接方案的編制提供了基礎(chǔ).德國鐵路采用周期與非周期相結(jié)合的運輸組織模式.2直達與中轉(zhuǎn)相結(jié)合的客流組織模式.與法國相同,瑞士鐵路與德國鐵路均提供直達列車與中轉(zhuǎn)列車服務(wù).瑞士鐵路周期性IC、ICN列車城際列車主要服務(wù)47個車站,僅有3016%的站間客流OD提供直達服務(wù)但服務(wù)頻率高,7212%的直達客流OD小時服務(wù)頻率在一列以上.3列車OD具有多條徑路.網(wǎng)狀路網(wǎng)的優(yōu)點在于列車具有多條客流徑路.起訖點相同的多徑路列車在不降低列車起訖點服務(wù)頻率的同時,可提高列車服務(wù)節(jié)點數(shù),例如表1顯示柏林與慕尼黑之間有兩條徑路.112銜接方案特點瑞士、德國的列車開行周期化程度高,列車銜接方案具有優(yōu)質(zhì)的服務(wù)特性.1銜接列車.德國與瑞士的周期列車間基本都存在一定銜接關(guān)系,只有部分周期列車的早班列車、末班列車,由于運行時間及天窗約束,不存在銜接關(guān)系.為了提高列車銜接穩(wěn)定性,瑞士鐵路限制了銜接列車的銜接節(jié)點數(shù)量與銜接列車數(shù)量,一般1列車的銜接節(jié)點不超過兩個、銜接列車不超過4列,過多的銜接次數(shù)容易導(dǎo)致列車之間的晚點傳播.2銜接節(jié)點服務(wù)水平.與放射路網(wǎng)相比,網(wǎng)狀路網(wǎng)的銜接節(jié)點布局分散,銜接節(jié)點約占鐵路節(jié)點的1/4.根據(jù)銜接節(jié)點的服務(wù)頻率與服務(wù)范圍,銜接節(jié)點可以分為路網(wǎng)銜接樞紐、區(qū)域銜接樞紐、地方銜接樞紐,不同的銜接樞紐具有不同的服務(wù)水平,見表2.統(tǒng)計樞紐銜接服務(wù)客流OD數(shù)量時,僅考慮了銜接列車的停站,未考慮客流OD的銜接徑路,統(tǒng)計值可能偏大,兩列銜接列車的銜接服務(wù)客流OD的統(tǒng)計方法見下式Hhij=EmIS0i,m|Sj,nISj0,n|Siqmn1其中:H表示列車i與列車j在車站h接續(xù)服務(wù)的客流OD數(shù)量;m、n為車站;S0i為前序銜接列車i在銜接節(jié)點h前的停站集合;Sj0為后序銜接列車j在銜接節(jié)點h后的停站集合;Si、Sj分別為列車i、j的停站集合;q表示列車i與列車j在車站h接續(xù)服務(wù)的一個客流OD,取1.為避免銜接節(jié)點集中換乘,瑞士鐵路根據(jù)銜接節(jié)點換乘、到發(fā)線能力、及?？苛熊嚁?shù)量等均衡編制了銜接列車到達節(jié)點的時間分布,一般大型樞紐的銜接列車到達間隔為30min、中小型樞紐為1h.3銜接頻率.銜接頻率取決于列車開行頻率,瑞士、德國銜接列車的周期等于列車開行周期,一般為1h或2h,德國與瑞士鐵路列車銜接周期一般為2h.4銜接方式.瑞士與德國鐵路一般采用通-通銜接,但瑞士更注重多列列車間的銜接,即多個方向的列車同時或前后到達銜接節(jié)點,所有銜接列車在銜接節(jié)點停車5~10min,實現(xiàn)各方向旅客同時換乘.德國鐵路設(shè)置重聯(lián)分解銜接,如柏林至科倫的周期性列車在哈姆重聯(lián)分解,分別通過杜塞爾多夫、伍柏塔爾兩條徑路到達科倫.列車重聯(lián)分解銜接對列車準點性要求較高.5銜接地點.瑞士和德國鐵路一般采用同站銜接,由于不涉及檢票工作,采用站臺銜接或通道銜接.瑞士伯爾尼銜接節(jié)點站臺銜接約占25%,通道銜接約占75%.6銜接時間.德國與瑞士的銜接時間相對較短,基本在3~20min之內(nèi),其中銜接時間在12min以內(nèi)的分別占58%、79%,見表3.

放射路網(wǎng)銜接方案特征分析

法國高速鐵路網(wǎng)是放射型路網(wǎng)的典型代表,其高速鐵路主要包括東南線、大西洋線、北方線、東南延伸線、巴黎地區(qū)聯(lián)絡(luò)線、地中海線和東部線等7條線路,長度約1900km,結(jié)合普通鐵路形成了以巴黎為中心的放射型路網(wǎng).放射路網(wǎng)列車開行特點主要表現(xiàn)在以中心樞紐為始發(fā)站、向周邊主要城市開行列車.211運輸組織特點法國高速鐵路運輸組織特點主要為:1周期與非周期相結(jié)合的運輸組織模式.法國主要城市間開行大量周期性列車與非周期性列車.周期列車通常始發(fā)終到中心城市,服務(wù)中心城市與其他客流較大的城市,基本周期為1h或2h,高峰小時周期縮短至30min.非周期列車主要服務(wù)于中心城市與客流較小的城市、或者兩個客流較小的城市,列車服務(wù)頻率較低.2中轉(zhuǎn)與直達相結(jié)合的客流組織模式.法國鐵路采用中轉(zhuǎn)與直達相結(jié)合的客流組織模式,不同距離客流OD的換乘方案比例不同.圖1顯示了法國不同距離OD的直達服務(wù)方案數(shù)量與換乘出行服務(wù)比例數(shù)據(jù)來源于2011年歐洲列車時刻表,可以看出旅客換乘出行方案比例隨距離明顯增加,500km以下的客流OD主要以直達服務(wù)為主,900km以上的客流OD主要以換乘服務(wù)為主.圖1法國高速鐵路不同距離的換乘比例Fig11TransferproportionbydistanceinFrenchhigh-speedrail212列車銜接方案特點法國鐵路的周期性銜接方案主要體現(xiàn)在路網(wǎng)中心節(jié)點,其他節(jié)點主要是周期列車與非周期列車的銜接.1中心節(jié)點銜接方案周期化.法國鐵路的中心節(jié)點巴黎至里爾、里昂、南特、斯特拉斯堡等城市開行周期列車,各方向在巴黎節(jié)點的換乘銜接具有周期特性,旅客在巴黎節(jié)點換乘便捷.2多點換乘銜接.對于直達服務(wù)頻率較低的客流OD,法國鐵路根據(jù)開行列車徑路在多個樞紐設(shè)計列車銜接關(guān)系提高客流OD服務(wù)頻率,避免單個樞紐銜接造成換乘客流集聚,例如里爾至尼斯的旅客可以在巴黎、馬賽、普羅旺斯換乘見圖2.圖2里爾至尼斯換乘銜接方案Fig12TrainconnectionplanofLilletoNice3同站銜接與異站銜接相結(jié)合.法國客運樞紐特點與我國類似,一個樞紐具有多個車站,各個車站連接不同方向,不同方向旅客換乘通過城市交通異站銜接,同時在銜接樞紐的臨近車站設(shè)計非周期列車與非周期列車同站銜接.如里爾去往馬賽方向的旅客可以在巴黎樞紐異站銜接,也可以在戴高樂機場TGV站同站銜接,但同站銜接服務(wù)頻率小于異站銜接服務(wù)頻率.4旅客換乘次數(shù)與銜接時間設(shè)計合理.過多的換乘次數(shù)會降低旅行舒適度,法國鐵路的旅客換乘次數(shù)一般不超過兩次.同站銜接時間較短,一般在30min以內(nèi);異站銜接時間較長,根據(jù)市內(nèi)交通時間計算.

客運樞紐銜接組織方式

摘要：哈爾濱站從客流預(yù)測、市場細分、適時通報、運力配置等方面不斷探索，依靠信息技術(shù)來改造傳統(tǒng)產(chǎn)業(yè)，逐步建立起“超前預(yù)測、協(xié)調(diào)運作”的客運營銷輔助決策系統(tǒng)，改變了以往傳統(tǒng)的人工分析和經(jīng)驗預(yù)測的方法，為鐵路充分挖掘運能潛力，實現(xiàn)運輸效益最大化提供了科學(xué)依據(jù)。

關(guān)鍵詞：鐵路客運營銷決策系統(tǒng)應(yīng)用

0引言

幾年來，哈爾濱站面對客運市場的激烈競爭，依靠觀念創(chuàng)新、管理創(chuàng)新和技術(shù)創(chuàng)新，從客流預(yù)測、市場細分、適時通報、運力配置等方面不斷探索，依靠信息技術(shù)來改造傳統(tǒng)產(chǎn)業(yè)，逐步建立起“超前預(yù)測、協(xié)調(diào)運作”的客運營銷輔助決策系統(tǒng)，改變了以往傳統(tǒng)的人工分析和經(jīng)驗預(yù)測的方法，為鐵路充分挖掘運能潛力，實現(xiàn)運輸效益最大化提供了科學(xué)依據(jù)。此系統(tǒng)以哈爾濱站局域辦公網(wǎng)為基礎(chǔ)平臺，具有維護便利、系統(tǒng)穩(wěn)定、信息共享的特點，自2008年投入應(yīng)用以來，取得了良好的效果，成為了專兼職營銷人員的有力助手。

1客運營銷輔助決策系統(tǒng)產(chǎn)生的背景

由于鐵路旅客運輸受線路、運行圖、固定、移動行車設(shè)備等影響，始終處于計劃運輸?shù)臓顟B(tài)。如果不能及時掌握客流的動態(tài)，就會出現(xiàn)客流高峰期，運能緊張造成客流流失；客流淡季則能力虛糜，造成運輸成本增加的問題。雖然鐵路一直在努力解決運能和運量的矛盾，力爭尋求最佳的零界點，但掌握市場動態(tài)的手段、方法還十分有效，不能做到超前預(yù)測、動態(tài)調(diào)整、快速反應(yīng)，沒有形成一套完整的戰(zhàn)略、戰(zhàn)術(shù)體系，大量有價值的數(shù)據(jù)信息沒有被充分挖掘和提煉出來，不能很好地為管理和決策提供依據(jù)，難以滿足形勢不斷發(fā)展的要求。營銷決策的局限性在于：

摘要：哈爾濱站從客流預(yù)測、市場細分、適時通報、運力配置等方面不斷探索，依靠信息技術(shù)來改造傳統(tǒng)產(chǎn)業(yè)，逐步建立起“超前預(yù)測、協(xié)調(diào)運作”的客運營銷輔助決策系統(tǒng)，改變了以往傳統(tǒng)的人工分析和經(jīng)驗預(yù)測的方法，為鐵路充分挖掘運能潛力，實現(xiàn)運輸效益最大化提供了科學(xué)依據(jù)。

關(guān)鍵詞：鐵路客運營銷決策系統(tǒng)應(yīng)用

0引言

幾年來，哈爾濱站面對客運市場的激烈競爭，依靠觀念創(chuàng)新、管理創(chuàng)新和技術(shù)創(chuàng)新，從客流預(yù)測、市場細分、適時通報、運力配置等方面不斷探索，依靠信息技術(shù)來改造傳統(tǒng)產(chǎn)業(yè)，逐步建立起“超前預(yù)測、協(xié)調(diào)運作”的客運營銷輔助決策系統(tǒng)，改變了以往傳統(tǒng)的人工分析和經(jīng)驗預(yù)測的方法，為鐵路充分挖掘運能潛力，實現(xiàn)運輸效益最大化提供了科學(xué)依據(jù)。此系統(tǒng)以哈爾濱站局域辦公網(wǎng)為基礎(chǔ)平臺，具有維護便利、系統(tǒng)穩(wěn)定、信息共享的特點，自2008年投入應(yīng)用以來，取得了良好的效果，成為了專兼職營銷人員的有力助手。

1客運營銷輔助決策系統(tǒng)產(chǎn)生的背景

由于鐵路旅客運輸受線路、運行圖、固定、移動行車設(shè)備等影響，始終處于計劃運輸?shù)臓顟B(tài)。如果不能及時掌握客流的動態(tài)，就會出現(xiàn)客流高峰期，運能緊張造成客流流失；客流淡季則能力虛糜，造成運輸成本增加的問題。