Коэффициенты стоимости жд билетов 2018: Билеты на поезд РЖД — как узнать наличие мест и стоимость билетов в 2019 году

Билеты на поезд РЖД — как узнать наличие мест и стоимость билетов в 2019 году

Содержание:

Лето — особенно активный период для путешествий, в том числе и старым добрым способом по железной дороге. Российский железнодорожный монополист — компания РЖД — не стоит на месте, и билеты на поезда давно можно приобрести в интернете, выбрав себе не только удобные места, но и удобный с точки зрения времени отправления и прибытия поезд, а также наиболее выгодный с точки зрения финансов вариант поездки. Как купить билеты на поезд РЖД онлайн, узнать наличие мест и стоимость билетов в 2019 году — подробнее на портале newsment.ru.

Как быстро узнать наличие свободных мест и стоимость билетов на поезда РЖД онлайн

Для того, чтобы уточнить расписание поездов до нужного города, наличие свободных мест и цену на билеты, можно воспользоваться следующей формой поиска билетов РЖД.

В форме достаточно указать города отправления и прибытия, а также дату поездки. Система подберет все варианты поездки и предоставит вам следующую информацию о каждом из подходящих поездов:

  • номер поезда,
  • наличие возможности электронной регистрации — если такая возможность есть, достаточно будет распечатать билет дома на принтере и предъявить его вместе с паспортом проводнику при посадке,
  • время отправления и прибытия,
  • продолжительность поездки,
  • наличие свободных мест и их количество,
  • стоимость билетов различных типов (сидячие, плацкарт, купе и т. д.).

Помимо этого, вы даже сможете прочитать отзывы пассажиров о конкретном поезде.

Эта информация будет особенно полезной, поскольку вы будете заранее представлять, что вас ждет. Насколько вежливый персонал в поезде, насколько чисто в вагонах и туалетах,в каком состоянии находятся сами вагоны. Всё это имеет большое значение, и при наличии нескольких вариантов имеет смысл выбрать поезд РЖД с более высоким рейтингом.

Выбрав тип вагона, вы сможете ознакомиться со свободными местами и подобрать те, что вам подойдут лучше всего (например, нижнее место в купе поближе к титану с кипятком). В некоторых случаях даже можно узнать о том, кто будет вашим попутчиком, откуда и куда будут ехать ваши соседи.

От чего зависит стоимость билетов на поезда РЖД в 2019 году

Один из самых важных факторов, которые влияют на стоимость билетов РЖД — это сезон. В зависимости от конкретной даты цена билета на поезд может отличаться на 20 и более процентов. В некоторых случаях билеты дорожают на 20% буквально за один день. Поэтому выбирать дату поездки, если есть такая возможность, стоит особенно внимательно, ориентируясь на сезонные коэффициенты РЖД.

Таблица сезонных коэффициентов, влияющих на стоимость поездки железной дорогой по России, для плацкартных и общих вагонов в 2019 году выглядит следующим образом:

Период Кол-во дней Коэффициент
01 января – 08 января 8 1,10 (+10% от базовой цены)
09 января – 21 февраля 44 0,88 (-12% от базовой цены)
22 февраля – 25 февраля 4 1,10 (+10% от базовой цены)
26 февраля – 06 марта 9 0,90 (-10% от базовой цены)
07 марта – 10 марта 4 1,10 (+10% от базовой цены)
11 марта – 25 апреля 46 0,88 (-12% от базовой цены)
26 апреля – 05 мая 10 0,95 (-5% от базовой цены)
06 мая – 13 июня 39 1,05 (+5% от базовой цены)
14 июня – 01 сентября 80 1,20 (+20% от базовой цены)
02 сентября – 15 сентября 14 1,10 (+10% от базовой цены)
16 сентября – 30 сентября 15 1,00 (базовая цена)
01 октября – 31 октября 31 0,90 (-10% от базовой цены)
01 ноября – 04 ноября 4 1,10 (+10% от базовой цены)
05 ноября – 19 декабря 45 0,85 (-15% от базовой цены)
20 декабря – 26 декабря 7 1,00 (базовая цена)
27 декабря – 30 декабря 4 1,15 (+15% от базовой цены)
31 декабря 1 1,00 (базовая цена)

Самый высокий коэффициент, как видим, действует в течение всего лета — с 14 июня по 1 сентября включительно.

Лето — самое популярное время для поездок, поэтому реагируя на высокий спрос, РЖД устанавливает и высокую стоимость билетов. Впрочем, в этот же самый период, до конца лета, напомним, действуют сезонные скидки для школьников, благодаря которым семейные поездки обойдутся дешевле. Дети от 10 до 17 лет в течение лета могут путешествовать так же, как в учебный год — со скидкой в 50%.

Что касается детей до 10 лет, то для них скидка в течение всего года составляет все 65%, а дети до 5 лет и вовсе могут ездить в поездах РЖД бесплатно, если не занимают отдельного места.

Для вагонов купе и СВ таблица сезонных коэффициентов отличается совсем незначительно:

Период Кол-во дней Коэффициент
01 января – 08 января 8 1,10 (+10% от базовой цены)
09 января – 21 февраля 44 0,90 (-10% от базовой цены)
22 февраля – 25 февраля 4 1,10 (+10% от базовой цены)
26 февраля – 06 марта 9 0,90 (-10% от базовой цены)
07 марта – 10 марта 4 1,10 (+10% от базовой цены)
11 марта – 25 апреля 46 0,90 (-12% от базовой цены)
26 апреля – 05 мая 10 0,95 (-5% от базовой цены)
06 мая – 13 июня 39 1,05 (+5% от базовой цены)
14 июня – 01 сентября 80 1,20 (+20% от базовой цены)
02 сентября – 15 сентября 14 1,05 (+5% от базовой цены)
16 сентября – 30 сентября 15 1,00 (базовая цена)
01 октября – 31 октября 31 0,90 (-10% от базовой цены)
01 ноября – 04 ноября 4 1,10 (+10% от базовой цены)
05 ноября – 19 декабря 45 0,85 (-15% от базовой цены)
20 декабря – 26 декабря 7 1,00 (базовая цена)
27 декабря – 30 декабря 4 1,15 (+15% от базовой цены)
31 декабря 1 1,00 (базовая цена)

Однако, стоит иметь в виду, что эти тарифы актуальны только для небольшого процента билетов в СВ и купе. Примерно 95% таких билетов РЖД продаёт по системе динамического ценообразования.

Что такое система динамического ценообразования стоимости билетов на поезда РЖД

Эта система означает, что стоимость билета на поезд не фиксирована, она зависит от наличия мест, популярности маршрута, времени отправления и прибытия поезда и т.д. Чем меньше спрос на поезд и больше свободных мест, тем ниже цена билетов в вагоны купе и СВ на него.

Также имеет значение, когда вы покупаете билеты. Чем ближе дата отправления, тем дороже будет билет, цена которого формируется динамически.

Благодаря системе динамического ценообразования билеты в вагоны купе фактически можно купить немногим дороже, чем билеты в плацкартные вагоны того же поезда.

Понравился материал? Расскажите о нём друзьям!

 

в какие дни самые дешевые билеты на поезда — Деньги — tsn.ua

Стоимость проезда зависит от дней недели и праздничных периодов.

До конца года «Укрзализныця» планирует повысить стоимость билетов еще на 12%. Таким образом, за 2018-й цены вырастут на 25%.

В то же время на цену билета также влияет период поездки, день недели. Скажем, самые дорогие билеты в пятницу и воскресенье – когда люди едут куда-то на выходные и возвращаются домой. Дешевле ездить в будни. Летом билеты стоят дороже на 7% — к стоимости применяется коэффициент 1,07. Об этом сообщила «Укрзализныця», пишет УНИАН.

Также читайте

Незначительно повышать стоимость билетов без согласования различных министерств и Государственной регуляторной службы «Укрзализныця» может благодаря приказу Министерства инфраструктуры Украины от 23 марта 2012 года. Им определено 13 различных календарных периодов, которые будут влиять на стоимость проезда.

Коэффициенты индексации стоимости билетов на поезда в зависимости от праздников и времени года

9 мая

1 июня – 31 августа

25-30 декабря

31 декабря

Коэффициент 0,8

Коэффициент 1,07

Коэффициент 1,1

Коэффициент 0,7

Коэффициенты индексации стоимости билетов на поезда в зависимости от дня недели

Типы поездов

Коэффициент 1,0

Коэффициент 0,9

Коэффициент 1,1

Все категории вагонов, кроме пригородных поездов

понедельник, четверг, суббота

вторник, среда

пятница, воскресенье

«Интерсити+»

понедельник, вторник, среда

четверг, суббота

пятница, воскресенье

Напомним, «Укрзализныця» с 30 мая повысила тарифы на пассажирские перевозки на 12%. Следующее повышение, также на 12%, запланировано с 1 октября. В целом уровень индексации тарифов на перевозки пассажиров в декабре 2018-го относительно декабря предыдущего года составит 25%.

Исследовательский подход к интеллектуальному анализу данных

На этой странице

РезюмеВведениеДоступность данныхКонфликты интересовБлагодарностиСсылкиАвторское правоСтатьи по теме

Использование пропускной способности поезда (TCU), обычно представляемое коэффициентом пассажирской загрузки (PLF), является важным показателем эффективности железнодорожных операций. В литературе обычно предпринимаются усилия по улучшению использования пропускной способности путем оптимизации стратегий эксплуатации и управления железной дорогой. Сравнительно мало внимания уделяется анализу факторов, влияющих на TCU, и пониманию стоящих за ним моделей поведения. В этой статье методы исследовательского интеллектуального анализа данных применяются к 3-месячным реальным данным о работе поездов высокоскоростной железной дороги Пекин-Шанхай. Анализ основных компонентов (PCA) проводится для поиска основных компонентов, которые могут эффективно представлять собранные данные. Затем применяются методы кластеризации, чтобы понять уникальные характеристики, влияющие на PLF и схему перемещения. Выводы могут быть использованы в дальнейшем для руководства планированием движения поездов и облегчения принятия более эффективных решений.

1. Введение

Из-за большой протяженности территории и огромного спроса на перевозки в Китае железнодорожный транспорт играет все более важную роль в экономике Китая. В целом китайские высокоскоростные железные дороги предпочтительнее других видов транспорта, особенно для поездок на дальние расстояния. В течение последних пяти лет объем железнодорожных пассажирских перевозок в Китае увеличивался с годовым темпом роста 10%. Согласно статистическим данным за 2016 год, пассажиропоток китайских железных дорог составляет 2,8 миллиарда человек, что на 11% больше, чем в 2015 году. Несмотря на непрерывный рост железнодорожных перевозок в Китае, установлено, что пропускная способность некоторых пассажирских линий недоиспользуется, особенно во время непиковые сезоны. Например, средний коэффициент пассажирской загрузки скоростных поездов в Китае составляет около 60-70%. В крайних случаях число составляет менее 40%. И это побудило исследователей транспорта разработать методы сокращения таких потерь мощности. Оптимизация использования пропускной способности поездов (TCU) является сложной задачей. Проблемы в основном двоякие: (i) схемы пассажирских перевозок весьма случайны и непредсказуемы; (ii) многие факторы могут влиять на TCU, и причинно-следственные связи трудно уловить. Чтобы преодолеть эти проблемы, стало настоятельной задачей выяснить факторы, влияющие на TCU, и выявить поведенческие модели, стоящие за этим.

Вообще говоря, есть два подхода к пониманию и улучшению использования пропускной способности поездов. Одним из них является подход, основанный на моделях, который применяет аналитические модели для изучения влияния стратегий эксплуатации поездов и управления (например, составление расписаний и продажа билетов) на использование пропускной способности поездов. Второй — это подход интеллектуального анализа данных, который эмпирически анализирует TCU и взаимосвязь между TCU и влиятельными факторами.

Подход, основанный на модели, обычно предполагает наличие причинно-следственных связей и количественных взаимосвязей между выбором железнодорожных пассажиров и факторами эксплуатации/управления поездом. Например, ценообразование и продажа билетов часто рассматриваются как основные стратегии управления, напрямую влияющие на TCU. Для этого исследователи разработали оптимальные модели ценообразования для более эффективного использования поездов и получения дохода. Чжан и др. [1] представил метод дискриминационного ценообразования для улучшения TCU. Вы [2] сформулировали модель нелинейного целочисленного программирования с ограничениями для распределения мест на поезде. Шибата и др. [3], Парк и др. [4] и Бао [5] разработали модели назначения классов мест для увеличения коэффициента использования междугородной железной дороги. Ван и др. [6] изучали проблему распределения мест для оптимизации TCU с учетом поведения пассажиров при случайном выборе. Другая часть исследований направлена ​​​​на улучшение TCU за счет оптимизации эксплуатационных факторов поезда, таких как расписание поездов и расписание движения. Жа [7], Лан [8] и Ши и др. [9] разработали модели оптимизации движения поездов для максимального использования пропускной способности поездов. Басик и др. [10] предложили новый метод оптимизации плана движения поездов за счет минимизации количества пересадочных рейсов. Zhou et al. также изучали методы улучшения TCU и получения доходов. [11], Кадарсо и соавт. [12], а Робенек и соавт. [13]. В этих исследованиях обычно предполагается, что количество пассажиров и решения о поездках известны и фиксированы. Такие предположения, хотя и идеалистические, довольно распространены в литературе, в основном из-за отсутствия реальных данных (что часто верно для исследований железнодорожных перевозок в Китае).

В отличие от первого подхода, эмпирический подход применяет методы интеллектуального анализа данных для распознавания образов и извлечения знаний из реальных данных о работе железных дорог. Хотя подходы интеллектуального анализа данных широко применяются во многих транспортных приложениях (например, Zheng et al. [14]; Xie et al. [15]; Anand et al. [16]), такие исследования редки в области железнодорожного транспорта. , в основном из-за отсутствия данных. В литературе можно найти лишь несколько таких примеров. Например, Сюй и др. [17] использовали методы интеллектуального анализа данных для анализа временной последовательности и пространственного влияния совершения поездок и представили новый подход к прогнозированию поездок. Лю и др. [18] применили модель нечеткой кластеризации для анализа поведения пассажиров при поездках и ключевых факторов, влияющих на уровень обслуживания. Чжэн и др. [14] использовали подход интеллектуального анализа данных для анализа пассажиропотока поездов и разработали модель для прогнозирования пассажиропотока. Насколько авторы понимают, ранее не проводилось никакой работы по анализу факторов, влияющих на TCU.

В статье представлены два аспекта. (i) Методы исследовательского интеллектуального анализа данных применяются к набору данных, содержащему 3-месячные реальные данные о работе поездов высокоскоростной железной дороги Пекин-Шанхай. Такая информация обычно хранится у железнодорожных компаний и недоступна для широкой публики и научных кругов. (ii) Выявляются и дополнительно анализируются уникальные характеристики, влияющие на PLF и лежащие в их основе модели поведения.

Остальная часть статьи организована следующим образом. В разделе 2 мы кратко опишем источник данных, использованный в исследовании. В разделе 3 представлены ключевые методологии, используемые для интеллектуального анализа данных и извлечения знаний из данных о работе поездов. Эксперимент и численные результаты представлены в разделе 4, а заключительные замечания — в разделе 5.

2. Описание данных

Информационная система управления пассажирскими перевозками на железнодорожном транспорте — это официальная система управления железнодорожными перевозками, поддерживаемая Китайской железнодорожной корпорацией (CRC). Набор данных, использованный для этого исследования, был получен из системы, которая содержит информацию о работе высокоскоростной железной дороги Пекин-Шанхай за 3 месяца. Эта железнодорожная линия является важнейшим транспортным коридором, соединяющим два крупнейших города Китая. Железнодорожная линия имеет общую длину 1318 км и проходит через 24 станции. Эти 24 станции можно дополнительно разделить на категории в зависимости от их административного уровня, как показано в таблице 1. В целом, более высокий уровень указывает на более высокую численность населения и более высокий социально-экономический статус. Набор данных был дополнительно обработан для извлечения 33 репрезентативных операционных признаков. Описание функций можно найти в таблице 2.

Эксплуатационные характеристики включают коэффициент пассажирской загрузки (PLF), который непосредственно указывает на загрузку поезда, дату, стратегию продажи билетов (TS), продолжительность рейса (RDR), время отправления (DT), тип поезда (TT), количество остановки (NS), расстояние пробега (RDI), расписание остановок (SS), скорость движения (RS) и коэффициенты нагрузки (LCs) для всех участков вдоль железнодорожного пути. Авторам известно о других факторах, таких как цели поездки и социально-экономический статус пассажиров, которые также могут повлиять на TCU, но такая информация отсутствует в базе данных CRC. Поскольку цены на билеты остаются стабильными в течение исследуемого периода, ценообразование не считается важным фактором в исследовании.

В литературе PLF используется для оценки TCU, а коэффициенты нагрузки используются для оценки использования мощности секций. В этом исследовании важными характеристиками считаются как PLF, так и коэффициенты нагрузки. Пусть C обозначает вместимость поезда (т. е. количество мест), D — пробег, S — количество станций. PLF можно выразить как (1). Аналогичное определение можно найти у Bao et al. [19, 20] .

Здесь и указывают объем пассажирского ОД и длину участка между станциями и соответственно. Поскольку OD для пассажиров недоступен из набора данных, эквивалентно, мы можем использовать секционные пассажиропотоки (для расчета PLF, как в

Обратите внимание, что коэффициент нагрузки сечения известен как согласно [21]. Таким образом, мы можем вывести следующую взаимосвязь между PLF и коэффициентами секционной нагрузки, как в

На рисунке 1 мы сначала показываем агрегированную статистику собранных данных. На рис. 1(а) показано распределение PLF и линия тренда. На рис. 1(б) показаны средние коэффициенты нагрузки восходящего и нисходящего поездов. Можно обнаружить, что средний PLF снижается в течение всего периода исследования, а схема передвижения может характеризоваться двумя сегментами поездок, включая s1(BJS)-s12(XZE) и s12(XZE)-s24(SHHQ).

3. Методология

В контексте статистического анализа и интеллектуального анализа данных исследовательский анализ данных (EDA) представляет собой процесс детективной работы, который не требует проверки заранее определенной гипотезы. Скорее, роль EDA состоит в том, чтобы исследовать данные всеми возможными способами, пока не будет найдена правдоподобная «история» данных. Формальные определения EDA и исследовательского интеллектуального анализа данных можно найти у Tukey [22] и Yu [23]. В этом разделе применяются исследовательские подходы к интеллектуальному анализу данных, чтобы получить представление о структуре данных и лежащих в их основе схемах поездок. Во-первых, анализ основных компонентов (PCA) используется для выбора наиболее важных функций (называемых основными компонентами) для представления данных о работе поезда. Во-вторых, мы используем методы кластеризации, чтобы обнаружить внутреннюю связь между TCU и основными компонентами.

3.1. Анализ главных компонентов

PCA — широко используемый метод уменьшения размерности и выбора признаков [24]. Здесь мы используем PCA для поиска низкоранговой аппроксимации эксплуатационных данных поезда. На этом этапе исходные 33 функции движения поезда преобразуются в меньший набор новых переменных, называемых главными компонентами (PC), которые, по идее, сохраняют аналогичный объем вариаций, присутствующих в исходном наборе данных. ПК являются некоррелированными переменными, упорядоченными по их дисперсии от наибольшей дисперсии до наименьшей.

Предположим, что матрица объектов с нулевым центром содержит наборы образцов (называемые точками данных) и p=33 объектов, помеченных как . — дисперсионно-ковариационная матрица. Обозначим и как ранжированные собственные значения и связанные с ними собственные векторы , где и . Цель PCA состоит в том, чтобы определить новый набор репрезентативных переменных , каждая из которых рассматривается как линейная комбинация исходных признаков, как в и

где коэффициенты линейных преобразований и . Максимизируя дисперсию переменных, можно легко показать, что и . Переменные называются ПК. Далее определите уровень вклада как , который представляет собой процент вариации, объясняемый выбранными ПК. Таким образом, мы можем получить разумное представление исходных данных (например, с уровнем вклада 80%) всего с несколькими ПК. Можно провести корреляционный анализ, чтобы увидеть корреляции между ПК и исходными функциями.

3.2. Кластерный анализ

Кластеризация нечетких c-средних (FCM; см. [25]) затем используется для обнаружения взаимосвязи между главными компонентами (PC) и коэффициентом пассажирской загрузки (PLF). Цель кластеризации состоит в том, чтобы поместить «похожие» образцы в одну и ту же группу и изучить закономерности, отражаемые разными группами. Пусть , — преобразованные образцы поездов, каждый из которых имеет особенности; т.е. FCM используется для разделения этих выборок на кластеры; каждый кластер характеризуется своим средним значением выборки, называемым центроидом. Этот подход является стандартным и широко используемым подходом к интеллектуальному анализу данных и доказал свою эффективность для извлечения знаний из многомерного набора данных [26]. FCM не требует, чтобы каждая точка данных принадлежала ровно одному кластеру; поэтому он обычно превосходит методы жесткой кластеризации (например, K-средних) для перекрывающихся наборов данных. Задачей FCM является минимизация суммирования взвешенных расстояний между каждой выборкой и центроидом каждого кластера, как в формулировке (6), т. е. минимизация различий выборок внутри одного кластера.

Нечеткий коэффициент, определяющий нечеткий вес результатов кластеризации; – степень принадлежности к кластеру; и является центроидом кластера в -мерном пространстве признаков. Обратите внимание, что расстояние между каждым образцом и центроидом каждого кластера измеряется евклидовой нормой, как в (7), где представляет -й признак i -го преобразованного образца и обозначает положение центроида в k — й размер.

Нечеткое разбиение выполняется путем итеративной оптимизации целевой функции, показанной в (6), с обновленной степенью принадлежности, рассчитанной с использованием

Центр тяжести кластера можно обновить, используя

Итеративный алгоритм завершается, когда , где ε — критерий остановки. — матрица центроида кластера на итерации . Эта процедура также по крайней мере сходится к точке локального минимума . Примечательно, что в вышеупомянутой процедуре не указывается количество кластеров; оптимальное количество кластеров определяется на основе коэффициента Се-Бени [27] и коэффициента разделения [28] в эксперименте.

4. Эксперимент и численные результаты

Сначала мы разделяем образцы на восходящие и нисходящие потоки. Затем к этим двум наборам данных применяются методы PCA и кластеризации. В результате разведочного анализа данных сделано несколько интересных выводов, которые обсуждаются в этом разделе.

4.1. Нисходящие поезда

Нисходящие поезда представляют собой поезда, следующие из Южного Пекина (s1) в Шанхай Хунцяо (s24). PCA был впервые применен к набору данных. Совокупный уровень вклада (по отношению к ПК) показан на рисунке 2 (а). Установлено, что ПК1-ПК3 составляют более 80% общей изменчивости. На рисунке 2(b) показано, что PC1 сильно коррелирует (степень корреляции > 0,6) с несколькими характеристиками, включая продолжительность пробега (RDR), расстояние пробега (RDI), схему остановки (SS) и секционную нагрузку. коэффициенты , от станции Jinan West (JNW) до станции Shanghai Hongqiao (SHHQ). Некоторые другие функции, такие как дата и скорость выполнения (RS), не сильно коррелируют с PC1. Это указывает на то, что PC1 и сильно коррелированные признаки объясняют наибольшую вариацию данных.

В следующем эксперименте мы используем PC1 и PLF для нечеткой кластеризации c-средних. Найдены два оптимальных кластера, которые представлены на рис. 3(а). Можно заметить, что более высокий PLF связан с более высоким PC1. Поскольку PC1 положительно коррелирует с RDR, RDI, SS и , , можно также сделать вывод, что большее расстояние пробега/время в пути, более высокий уровень схемы остановок (т. е. меньше остановок) и более высокие коэффициенты секционной нагрузки от станции JNW до SZN станции связаны с поездами более высокого PLF. Такой вывод можно подтвердить, построив распределение этих исходных признаков для каждого кластера, как показано на рисунках 3(b), 3(c), 3(d) и 4.

Также замечено, что кластер B в На рис. 3(а) показаны разветвленные линии с разным наклоном, представляющие разные скорости PLF к PC1. Для дальнейшего анализа шаблона мы использовали RDI в качестве суррогата PC1 и применили модель кластеризации, используя PLF/RDI в качестве единственной функции. Результаты на рисунке 5 показали пять кластеров, которые соответствуют пяти линейным линиям, показанным на рисунке 3 (а). Результаты показывают, что предельный эффект RDI постепенно уменьшается; т. е. замена поездов ближнего следования на поезда средней дальности представляется более выгодной (с точки зрения прироста PLF) по сравнению с заменой поездов средней дальности на поезда дальнего следования. Этот вывод можно использовать для планирования расписания поездов.

4.2. Восходящие поезда

Совокупный уровень вклада каждого ПК показан на рисунке 6(a) для восходящих поездов из Шанхая Хунцяо (s24) в Южный Пекин (s1). Затем мы провели кластерный анализ с использованием PLF, PC1 и PC2. Установлено, что оптимальное количество кластеров равно 3, как показано на рис. 6(б) .

На рис. 7 показаны исходные признаки, сильно коррелирующие с ПК1 и ПК2. В частности, установлено, что , RDI и SS сильно коррелируют с PC1; LC () и время отправления (DT) сильно коррелируют с PC2. Для восходящих поездов можно сделать несколько выводов о схеме движения TCU и пассажиров.

Как видно на рис. 6(b), по сравнению с образцами с более низким PLF (кластер B), поезда с более высоким PLF (кластер A) связаны с большим PC1, что указывает на то, что более высокий SS (меньше остановок), более длинный RDI и более высокий LC приводят к лучшему использованию пропускной способности поезда. Это дополнительно подтверждается на рисунках 8(a), 8(b) и 8(c). Такой вывод согласуется с нисходящими поездами.

Результат на рисунке 6(b) также показывает, что кластер C, отделенный от двух других кластеров, имеет большие различия в размерности PC2. При дальнейшем анализе распределений DT (суррогата PC2) обнаружено, что кластер C связан с образцами, которые имеют более раннее время отправления (как показано на рисунке 8 (d)) и проходят меньшее количество участков/более короткое расстояние (как показано на рис. 8(d)). показано на рисунках 8(b) и 8(c)). Эти выборки соответствуют дополнительным (временным) поездам ближнего следования, которые отправляются рано утром. Затем мы повторно запускаем модели PCA и кластеризации только для образцов кластера C, чтобы дополнительно изучить закономерности этих дополнительных поездов. Результаты показаны на рисунке 9..

Показано, что PLF и LCs () сильно коррелируют с PC1; дата, DT и LC () сильно коррелируют с PC2. Как и на рисунке 9(а), кластер C-2 и кластер C-3 находятся в более высокой области PC1; кластер C-1 находится в нижней области PC1. Обнаружено, что начало этого квартала и раннее DT связаны с более высоким PLF с более высокими LC (), как показано кластером C-2; конец этого квартала и относительно позднее DT также приводят к более высокому PLF с более высокими LC. Примечательно, что начало квартала соответствует «Золотой неделе» (китайскому национальному празднику), а конец квартала близок к Новому году. Таким образом, дополнительные поезда с ранним или поздним временем отправления лучше используются в праздничные сезоны по сравнению с другими сезонами.

Тщательно изучив рисунок 8(с), мы обнаружили, что основной достопримечательностью поездов группы А является Пекин (поскольку коэффициент загрузки высок на участке 1), а основной достопримечательностью поездов группы В является город Сюйчжоу (станция XZE), город среднего уровня. Комбинируя закономерности на рисунках 8(a) и 8(c), можно сделать вывод, что пассажиров, направляющихся в Пекин, предпочитают выбирать поезда с меньшим количеством остановок, скорее всего, из-за более высокой ценности времени.

В этом документе предлагается исследовательский подход к интеллектуальному анализу данных для выявления влиятельных особенностей TCU и понимания моделей движения с использованием реальных данных о работе поездов. В статье сообщалось о нескольких интересных выводах, которые кратко изложены ниже. (1) Установлено, что дистанция пробега и схема остановки тесно связаны с TCU. Согласно конкретному набору данных, поезда с более длинным пробегом и меньшим количеством остановок приводят к более высокому TCU. (2) Предельный эффект расстояния поездки уменьшается с точки зрения прироста TCU. Преобразование поездов ближнего следования в поезда средней дальности более выгодно, чем преобразование поездов средней дальности в поезда дальнего следования. — пиковые сезоны используются не так хорошо. (4) Пассажиры крупных городов предпочитают поезда с меньшим количеством остановок. Такой поведенческий паттерн можно объяснить их ценностью во времени.

Эти выводы, хотя и относящиеся к конкретному случаю, показали, что предлагаемый подход является полезным инструментом для интеллектуального анализа данных и извлечения знаний из эксплуатационных данных поезда, и его можно использовать для облегчения принятия более разумных решений для эксплуатации поезда и управления им.

Доступность данных

Данные, использованные для поддержки результатов этого исследования, можно получить у соответствующего автора по запросу.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Первый и четвертый авторы поддерживаются Национальной ключевой программой исследований и разработок Китая (проект № 2017YFB1200701).

Ссылки
  1. Чжан X. М., Чжао Д. М. и Вэнь С. Д., «Управление доходами от железнодорожных билетов», Железнодорожный транспорт и экономика , том. 28, нет. 7, стр. 7–9, 2006.

    Посмотреть по адресу:

    Google Scholar

  2. P.-S. Вы, «Эффективный вычислительный подход к задачам бронирования билетов на поезд», Европейский журнал операционных исследований , том. 185, нет. 2, стр. 811–824, 2008 г.

    Посмотреть по адресу:

    Сайт издателя | ученый Google | MathSciNet

  3. Ж.-Ю. Ли, Дж.-Х. Чанг и Б. Сон, «Анализ времени разрешения инцидентов на корейских автострадах с использованием модели структурного уравнения», Журнал Восточноазиатского общества транспортных исследований , том. 8, pp. 1850–1863, 2010.

    Посмотреть по адресу:

    Google Scholar

  4. C. Park и J. Seo, «Управление запасами мест для последовательных нескольких рейсов с поведением выбора клиента», Компьютеры и промышленное проектирование , том. 61, нет. 4, стр. 1189–1199, 2011.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  5. Ю. Бао, Теория и методы управления запасами мест на железнодорожном транспорте , Пекинский университет Цзяотун, 2014.

  6. X. Ван, Х. Ван и X. Чжан, «Стохастические модели распределения мест» для пассажирских железнодорожных перевозок по выбору клиента», Transportation Research Part E: Logistics and Transportation Review , том. 96, стр. 95–112, 2016 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  7. У. С. Чжа и З. Фу, «Исследование метода оптимизации плана сквозного пассажирского поезда», Журнал Китайского железнодорожного общества , том. 22, нет. 5, стр. 1–6, 2000.

    Посмотреть по адресу:

    Google Scholar

  8. С. М. Лан, «Исследование плана пассажирского поезда для высокоскоростной железной дороги Пекин-Шанхай», Железнодорожный транспорт и экономика , том. 24, нет. 5, стр. 31–34, 2002.

    Посмотреть по адресу:

    Google Scholar

  9. Ф. Ши, Л.-Б. Дэн, X.-Х. Ли и К.-Г. Фанг, «Исследование планов пассажирских поездов для выделенных линий пассажирского движения», Журнал Китайского железнодорожного общества , том. 26, нет. 2, pp. 16–20, 2004.

    Просмотр по адресу:

    Google Scholar

  10. М. Р. Бассик, Т. Линднер и М. Е. Люббекке, «Быстрый алгоритм для оптимальных планов линий с близкими затратами», Математические методы исследования операций , вып. 59, нет. 2, стр. 205–220, 2004.

    Посмотреть по адресу:

    Сайт издателя | ученый Google | MathSciNet

  11. W. -L. Чжоу, Ф. Ши, Ю. Чен и Л.-Б. Дэн, «Метод комплексной оптимизации плана и схемы движения поездов для сети выделенных пассажирских линий», Tiedao Xuebao/Journal of the China Railway Society , vol. 33, нет. 2, стр. 1–7, 2011.

    Посмотреть по адресу:

    Google Scholar

  12. Л. Кадарсо, А. Марин, Дж. Л. Эспиноса-Аранда и Р. Гарсия-Роденас, «Расписание поездов на высокоскоростных железных дорогах: учет конкурентных эффектов», Procedia — Social and Behavioral Sciences , vol. 162, стр. 51–60, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  13. Т. Робенек, С. Шариф Азаде, Ю. Макнун и М. Бирлер, «Гибридная цикличность: сочетание преимуществ циклического и нециклического расписания», Transportation Research Part C: Emerging Technologies , том. 75, стр. 228–253, 2017.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  14. Д. Чжэн, Ю. Ван, П. З. Тан и Ю. П. Ву, «Применение интеллектуального анализа данных в прогнозировании пассажиропотока на железной дороге», Advanced Materials Research , vol. 834–836, стр. 958–961, 2013 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  15. X.-L. Се и X.-Ф. Гу, «Исследование модели интеллектуального анализа данных интеллектуального транспорта на основе гранулярных вычислений», Международный журнал безопасности и ее приложений , том. 10, нет. 7, стр. 281–286, 2016.

    Просмотр по адресу:

    Google Scholar

  16. С. Ананд, П. Падманабхам, А. Говардхан и Р. Х. Кулкарни, «Обширный обзор методов интеллектуального анализа данных и моделей кластеризации». для интеллектуальной транспортной системы», Journal of Intelligent Systems , vol. 27, нет. 2, стр. 263–273, 2018 г.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

  17. В. Сюй, Х. К. Хуан и Ю. Цинь, «Исследование метода прогнозирования пассажиропотока на железнодорожном транспорте на основе пространственно-временного анализа данных», Журнал Северного университета Цзяотун , стр. 401–405, 2004.

    Посмотреть по адресу:

    Google Scholar

  18. Дж. Лю и Н. Чжан, «Эмпирическое исследование поведения пассажиров междугородних высокоскоростных поездов на основе модели нечеткой кластеризации», Jiaotong Yunshu Xitong Gongcheng Yu Xinxi/Journal of Transportation Системная инженерия и информационные технологии , том. 12, нет. 6, pp. 100–105, 2012.

    Посмотреть по адресу:

    Google Scholar

  19. Ю. Бао, Дж. Лю, М.-С. Ма и Л.-Ю. Мэн, «Подход к управлению вложенными местами для высокоскоростных поездов», Tiedao Xuebao/Journal of the China Railway Society , vol. 36, нет. 8, pp. 1–6, 2014.

    Посмотреть по адресу:

    Google Scholar

  20. Ю. Бао, Дж. Лю, М.-С. Ма и Л.-Ю. Мэн, «Методы управления количеством мест для пассажирских железных дорог Китая», Журнал Центрального Южного Университета , том. 21, нет. 4, стр. 1672–1682, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  21. С. Г. Арул, «Методы монетизации колебаний коэффициента загрузки и выбросов парниковых газов на пассажиро-милю авиакомпаний», Transportation Research Part D: Transport and Environment , vol. 32, стр. 411–420, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  22. Дж. В. Тьюки, Исследовательский анализ данных , Аддисон-Уэсли, Бостон, Массачусетс, США, 1977.

  23. К. Хо Ю, «Исследовательский анализ данных в контексте интеллектуального анализа данных и повторной выборки», Международный журнал психологических исследований , об. 3, нет. 1, с. 9, 2010.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  24. Х. Абди и Л. Дж. Уильямс, «Анализ основных компонентов», Междисциплинарные обзоры Wiley: вычислительная статистика , том. 2, нет. 4, стр. 433–459, 2010.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  25. Дж. К. Данн, «Нечеткий родственник процесса ISODATA и его использование для обнаружения компактных хорошо разделенных кластеров», Journal of Cybernetics , vol. 3, нет. 3, стр. 32–57, 1973.

    Посмотреть по адресу:

    Сайт издателя | ученый Google | MathSciNet

  26. К. В. Ван и Дж. Х. Дженг, «Сжатие изображений с использованием PCA с кластеризацией», Международный симпозиум по интеллектуальным системам обработки сигналов и связи , vol. 41, нет. 11, стр. 458–462.

    Посмотреть по адресу:

    Google Scholar

  27. X. L. Xie и G. Beni, «Мера достоверности для нечеткой кластеризации», IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 13, нет. 8, стр. 841–847, 1991.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  28. Н. Захид, М. Лимури и А. Эссаид, «Новая кластерная достоверность для нечеткой кластеризации», Распознавание образов , том. 32, нет. 7, стр. 1089–1097, 1999.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

Copyright

Copyright © 2018 Fanxiao Liu et al. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.

Реальная стоимость проезда — ДВ — 29.08.2018

Природа и окружающая среда

Том Уиллс | Gianna-Carina Grün

29 августа 2018 г.

Авиаперелеты часто кажутся самым быстрым и дешевым вариантом путешествия. Это не так, как показывают визуализации данных DW. Принимая во внимание время в пути и ущерб окружающей среде, вот как можно оценить реальную стоимость поездки.

https://p.dw.com/p/33h5K

Реклама

Прочтите эту статью на немецком или русском языках.

Сколько стоит билет на самолет из Лондона в Париж? Ответ находится только в Интернете, и все больше и больше европейцев соблазняются дешевыми ценами, чтобы совершить короткие рейсы для отдыха, семейных визитов или бизнеса. Это достаточно быстро для поездки на выходные и может стоить намного меньше, чем поезд.

Многие из нас совершают эти путешествия, зная, что есть скрытые расходы. В конце концов, авиация выбрасывает парниковые газы, которые ускоряют изменение климата.

Чтобы рассчитать реальную стоимость проезда, DW собрал тысячи цен на билеты, времени в пути и показателей выбросов CO2 для поездов и самолетов на шести прямых маршрутах между европейскими городами: Берлин-Варшава, Мюнхен-Будапешт, Лондон-Амстердам, Лондон-Марсель, Париж-Барселона и Цюрих-Милан.

Наш анализ показывает, на каких маршрутах поезд опережает самолет, и показывает, как изменились бы цифры, если бы нас заставили платить за экологические последствия путешествия.

Цены на билеты

Для каждого из наших маршрутов мы выбрали цены на билеты за шесть недель до отправления. Мы написали компьютерную программу для поиска авиабилетов в Google Flights и железнодорожных билетов в Trainline, оба из которых предоставляют цены от целого ряда операторов. На приведенной ниже диаграмме показаны лучшие цены в среднем за день для прямых поездок на поезде и самолете.

На половине маршрутов билет на самолет дешевле, чем на поезд. На большинстве маршрутов чем раньше вы покупаете билет, тем меньше разница в цене.

Для маршрутов, на которых работают бюджетные авиакомпании, неудивительно, что перелеты дешевле поездов. Однако на трех наших маршрутах поезда предлагают скидки. А если вам нужно уехать в последнюю минуту — на следующей неделе — разница в цене между самолетом и поездом может быть меньше.

Время в пути

Путешествие на поезде может показаться устрашающим по сравнению с быстрым временем в пути, указанным авиакомпаниями. Но это не совсем корректное сравнение. Поезда обычно курсируют из центра города в центр города, и, за исключением маршрутов, проходящих через Великобританию, вы можете прибыть на станцию ​​за несколько минут до отправления. Добраться до аэропорта, пройти контроль безопасности, подождать у выхода на посадку и покинуть аэропорт назначения легко увеличивает время полета на три часа. Поезд начинает сравниваться более выгодно.

Некоторые из наших маршрутов выиграли от инвестиций в железнодорожную инфраструктуру в последние годы. Например, поезд Цюрих-Милан следует через Готтардский базовый туннель, кратчайший путь через швейцарские Альпы стоимостью 11 миллиардов евро, что на полчаса меньше предыдущего времени в пути. Eurostar запустила прямые рейсы из Лондона в Амстердам в начале этого года. А поездка Париж-Барселона занимала 12 часов, пока в 2013 году не открылась новая высокоскоростная линия через французско-испанскую границу.

Выбросы углерода

Если вы летали бюджетной авиакомпанией, вы почти наверняка обнаружили неожиданные дополнительные услуги, которые могут увеличить стоимость. Поездка в аэропорт, регистрация багажа и выбор места могут превышать первоначальную стоимость билета. Но как мы можем измерить скрытую экологическую стоимость наших путешествий?

Когда речь заходит о парниковых газах, DW использовала данные IFEU, экологической консалтинговой фирмы, которая управляет EcoPassenger, веб-сайтом, который оценивает выбросы на одного путешественника для любой конкретной поездки.

Первой задачей при расчете экологических издержек полета является определение выбросов парниковых газов, производимых самолетом. Чтобы дать представление о масштабах, бак Боинга 747 вмещает более 200 000 литров (52 000 галлонов) керосина, когда он полный — примерно столько же топлива, сколько 4000 небольших автомобилей. Взлет и набор высоты в начале полета являются наиболее топливоемкими этапами. Это означает, что для перелета на короткие расстояния потребуется больше топлива на километр пути, чем для перелета на дальние расстояния: например, 75 граммов керосина на километр (примерно 4 унции на милю) на пассажира на рейс в 250 километров (150 миль). по сравнению с 33 граммами на километр при полете на 1000 километров, по данным IFEU.

Подробнее: Летать или не летать: экологические издержки авиаперелетов

Рассчитать, сколько углекислого газа выделяется при сжигании керосина, довольно просто. Но есть одна сложность: реактивные двигатели также выделяют другие вредные для окружающей среды вещества — часто на большой высоте — и ученые не уверены в том, насколько они вредны для окружающей среды. Дополнительное воздействие оксидов азота, озона, водяного пара, сажи и серы, выбрасываемых самолетами, называется индексом радиационного воздействия. Модель IFEU предполагает, что этот дополнительный эффект глобального потепления проявляется при полете на высоте 9километров и выше.

Высокоскоростные поезда работают на электричестве, поэтому IFEU оценивает их выбросы парниковых газов на основе выбросов, связанных с производством электроэнергии. Они различаются в зависимости от страны: например, в 2015 году Польша производила 89 процентов своей электроэнергии за счет угля, газа или нефти, тогда как в Германии этот показатель составлял 58 процентов.

Цены на билеты с дополнительными социальными затратами на выбросы углерода

Нетрудно понять, сколько времени и денег уходит на поездку. Но как мы должны решить, являются ли 248 килограммов (546 фунтов) углекислого газа разумной ценой для нашего мини-перерыва на выходных?

Введите социальную стоимость углерода. Экономисты работали над этой идеей в течение многих лет. Теория проста: если мы можем оценить стоимость изменения климата для общества — а мы знаем, что парниковые газы приводят к изменению климата — мы можем установить цену на выбросы углерода. Основная цель — помочь правительствам решить, стоит ли тратить деньги на меры по сокращению выбросов углерода. Но мы также можем применить к нашим путешествиям социальную стоимость углерода.

Академический консенсус относительно того, какой должна быть социальная стоимость углерода, отсутствует. В Соединенных Штатах федеральное агентство по охране окружающей среды подсчитало, что в 2020 году она составит 42 доллара за метрическую тонну CO2, увеличившись до 69 долларов.в 2050 году. Но некоторые исследователи говорят, что эти цифры не отражают потенциальных последствий катастрофического изменения климата, и число должно быть как минимум в 10 раз выше. Итак, для наших расчетов DW использовал цифру в 574 доллара (489 евро), основанную на исследовании, опубликованном Ирландским институтом экономических и социальных исследований. Это представляет собой верхний предел оценок социальной стоимости углерода.

Добавление социальной стоимости углерода к нашим ценам на билеты на поезд и самолет означает, что все начинает выглядеть совершенно по-другому:

Самолеты дешевле на трех маршрутах. Если вы добавите социальную стоимость углерода, фактическая цифра будет намного выше, особенно для самолетов, которые становятся намного более дорогим вариантом для путешествий.

Мы представили все данные на одной диаграмме, показывающей стоимость билета, время в пути и выбросы углекислого газа для каждого маршрута. Меньшие треугольники обозначают более дешевые, быстрые и/или более экологичные поездки.

Принимая во внимание все вышеперечисленные аспекты, диаграмма показывает, что общая стоимость поездки на поезде теперь ниже, чем стоимость полета почти для всех поездок.

Меньшие треугольники обозначают поездки, которые дешевле, быстрее и/или более экологичны. При более реалистичной оценке времени в пути и учета социальных издержек, связанных с углеродом, стоимость проезда на поезде обычно ниже, чем стоимость авиаперелета, при этом синий треугольник почти полностью находится внутри красного треугольника.

Налог на выбросы углерода

Конечно, это всего лишь эксперимент, и у ученых нет единого мнения относительно того, насколько велики социальные издержки выбросов углерода и является ли это правильным подходом к принятию экологически безопасных решений. Но добавление сбора к ценам на билеты в зависимости от выбросов — налога на выбросы углерода — может стать эффективным способом уменьшить вклад потребительских авиаперевозок в изменение климата и побудить людей находить более экологически безопасные способы передвижения.

Дэвид Ходжкинсон, адъюнкт-профессор права Университета Западной Австралии, утверждает, что налог на выбросы углерода необходим, особенно учитывая сложность других трансграничных стратегий сокращения выбросов. «Люди это понимают, — сказал он. «Им это может не нравиться, но они понимают свойства налога… Большинство людей, и даже представители авиационной отрасли, согласятся с тем, что авиационные выбросы должны взиматься в той или иной форме».

Подробнее: Купите право на загрязнение

Ходжкинсон критически относится к существующим инициативам по борьбе с авиационными выбросами, включая модель компенсации выбросов углерода, разработанную Международной организацией гражданской авиации. «Государства подписались под ним, и авиакомпании присоединились к нему, но он не решит по существу проблему выбросов. Выбросы, вероятно, будут увеличиваться из года в год», — сказал он. «Для некоторых [авиакомпаний] ничего не произойдет до 2030 года, и никто не знает, как мир будет выглядеть в 2030 году с точки зрения выбросов».

Роджер Тайерс, ученый-бихевиорист, исследовавший подходы к компенсации выбросов углерода в Университете Саутгемптона, считает, что одного только увеличения затрат может быть недостаточно для снижения спроса на авиаперелеты. «Полеты настолько укоренились в поведении людей, что цены вряд ли смогут отпугнуть людей», — сказал он. «Те, кто летает, вероятно, будут — в глобальном смысле — богатыми, и они, вероятно, примут на себя удар».

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *