基于鐵路客票的旅客目的地出行服務本體模型構建

北京交通大學 羅 王瑩

基于鐵路客票的旅客目的地出行服務本體模型構建

北京交通大學 羅 王瑩

1 引言

我國鐵路客運承載了全國大部分的人口流動，隨著鐵路的建設發展，鐵路客運量也逐年攀升。2014年鐵路發送旅客23.57億人，2015年為25億人次，20160年達27.7億人次，連續三年實現10%增長。與此同時，鐵路客運的電子化、信息化建設也在不斷進行，如12306電子票務網站、鐵路主數據管理平臺等。利用旅客的客票信息構造模型，能夠為旅客提供諸如酒店推薦、餐飲店推薦等有針對性的目的地出行服務，同時也可提供交通查詢、景區推薦等功能。

目前，對鐵路客票的研究集中在通過客票數據分析旅客的客票選擇行為，從而為客運產品提供參考，以及制定客票的營銷策略，尚未延伸到其他產品或服務。在高速鐵路的旅客出行情況中，路途相對較短的客票，不同車種、席別之間價格差距小，旅客的價格敏感度不高。隨著路途里程增加，由車種、席別帶來的價格差距擴大，旅客的價格敏感度則相應增加；在更廣泛的客運專線中，對票務數據進行分析，同樣發現客票里程的長短與票價的影響程度成正比。

為了向旅客推薦同等消費水平的酒店與餐飲店，以路段及車種席別兩個維度對旅客的消費水平進行衡量。1～200km為短途，200km～500km為中途，500km以上為長途；根據《中華人民共和國鐵路客運》，篩選出載客量大并具有模型構建意義的客運車種為高速動車組列車、城際動車組列車、動車組列車、直達特快列車、特快列車和快速列車，并確定列車相應的席別，車種席別等級高且里程長的則具有相應高的消費水平。酒店的消費水平參考攜程、去哪兒網的方法，以星級進行劃分；參考《餐飲業消費的人群特征及趨勢研究數據報告》，餐飲店以人均消費為標準進行劃分為高中低檔。

2 模型構建

目前最被人們接受的本體概念是“共享概念模型的明確的形式化規范說明”，即對現實世界的特定對象進行抽象，得到明確定義的概念模型，并能被計算機識別、可共享。通過對本體模型中類、屬性、實例的規則編輯，可以實現模型的推理功能。選擇本體作為構造模型的方式，可以使知識共享并重用，提高系統通訊、互操作、可靠性的能力。

以本體編輯工具protege4.3建立模型。

2.1 建立類

根據模型需要，抽象出如下概念：酒店、餐飲店、景區、城市、乘客、客票、公共交通、客運車站、車種、席別。在抽象概念的基礎上建立類，并將酒店五星、四星、三星、二星與經濟型酒店；餐飲店按人均消費水準劃分為四類；客票也根據路途和車種席別兩個維度劃分為四類；公共交通分為地鐵與公交；根據所選車種，席別子類包括特等座、商務座、一等座、二等座、高級軟臥、軟臥、硬臥、軟座、硬座以及無座。

2.2 建立對象屬性

對象屬性用于描述類與類之間的關系，抽象出的關系屬性如表1所示。

表1 抽象出的關系屬性

2.3 建立數據屬性

數據屬性用于描述類自身的數據特征，建立數據屬性如下：

hasAdmissionFee為景區屬性，描述景區的門票費用，類型為整數；hasDepartureDate為客票屬性，描述客票上的列車始發日期與時間；hasDistance為客票屬性，描述從客票始發站距離客票到達站的里程，類型為整型；hasGender為乘客屬性，描述乘客性別，類型為字符串；hasLocationInfo為酒店、餐飲店、景區屬性，描述地點位置，類型為字符串；hasPerCapitaConsumption為餐飲店屬性，描述餐飲店人均消費。

2.4 建立規則

在protege中，規則的建立采用SWRL（Semantic Web Rule Language），以語義方式表達規則。如hasPerant(?a,?b) -> hasChild(?b,?a)，箭頭前半部分為推理條件，hasPerant為屬性，表達的意思為a有家長b，后半部分為推理結果，意思為b有孩子a。

模型中共建立四類規則，分別表達了酒店推薦、餐飲店推薦、景區推薦和交通查詢的邏輯推理。

（1）酒店推薦規則。ticket_type_1(?x), (five_star or four_star) (?z), has_bought(?a, ?x), has_destination_city(?x, ?y), is_located_in(?z, ?y) -> is_recommended_for(?z, ?a)。

（2）餐飲店推薦規則。catering_type_3(?x), ticket_type_3(?z), has_bought(?a, ?z), has_destination_city(?z, ?y), is_located_in(?x, ?y) -> is_recommended_for(?x, ?a)。

（3）景區推薦規則。attraction(?b), has_bought(?a, ?x), has_destination_city(?x, ?y), is_located_in(?b, ?y) -> is_recommended_for(?b, ?a)。

（4）交通查詢規則。has_bought(?a, ?b), is_available_to(?y, ?x), is_bound_for_station(?b, ?x) -> can_take_public_transit(?a, ?y)。

2.5 添加實例

添加實例，即為抽象的概念創建個體。假設乘客從上海虹橋站出發，乘坐G18次列車二等車席到達北京南站，并為北京的酒店、餐飲店、景區、交通分別添加實例：

城市類添加實例北京、上海；客運車站添加上海虹橋站和北京南站；客票添加ticket1客票；車種添加G18次高鐵列車；席別添加G18次07車5排F座；乘客添加王小明；公共交通添加北京4號線和14號線北京南站，6號線平安里站以及20路公交車；酒店添加北京市西城區某二星級酒店；餐飲店添加北京市西城區某人均消費為114元的餐廳。

實例添加完成后，補充各實例的對象屬性和數據屬性。

2.6 推理

Protege4.3自帶HermiT 1.3.8推理機可運行SWRL規則并實現推理。啟動推理機后，查看客票以及餐飲店實例，發現客票實例已根據車種、席別、里程劃分了客票類別，餐飲店實例根據人均消費劃分了餐飲店類別。

查看乘客實例王小明的推理結果，發現已實現對王小明的餐飲店、酒店、景區推薦（may_be_interested_in推理結果），并顯示目的地車站可搭乘的公共交通（can_take_public_transit推理結果）。

同樣地，在酒店、餐飲店、景區、公共交通實例的推理結果中，也顯示了推薦給乘客實例王小明的相應逆向結果。

3 模型分析

模型需要輸入的主要信息為：客票信息，包括客票車種席別、始發站、到達站、始發城市、到達城市、站間里程、出發日期時間；乘客與客票之間的購票關系；酒店信息，包括所處城市、星級及附近公共交通；餐飲店信息，包括所處城市、人均消費和附近公共交通；風景區信息，包括所處城市和門票費用；客運車站公共交通信息。

從乘客的角度，輸出的信息為推薦的酒店、餐飲店、景區及到達車站的公共交通，如果點擊進入推薦的酒店、餐飲店、景區等實例，可進一步查看酒店的星級、地址和交通，餐飲店的人均消費、地址與交通，以及景區地址、門票費用和交通信息；從酒店、餐飲店、景區的角度，可以了解自己被推薦給了哪些乘客。

模型輸入信息為各類下實例的基本信息，輸出信息為實例之間的關系，對于不同的主體，還包括可查詢的輸出信息。

4 討論與展望

（1）本文模型為輕量型，只構建了初步的思路和包含了大致的模型元素，還可以擴充數據來源，如訂票網站中旅客填寫的個人信息、在旅行網站中預定的產品等，達到添加拓展更多概念的目的，從而豐富模型中的類及關系屬性。同時，每個類也具有豐富的數據屬性可拓展性。如在模型分析部分所討論的，不同的實例主體可查看與自己有相應關系的實例主體信息。乘客在酒店的推薦結果中，除了可以查看酒店的地址、星級及公共交通信息，還應能夠查看酒店的聯系方式、評價等信息，從而為乘客提供更多的決策參考信息。對于酒店方面，還可另外查看乘客的出發日期時間以及到達日期時間，為酒店的準備工作安排提供參考信息。

（2）模型從車種席別及旅客行程的里程兩個角度劃分旅客類型，為了使劃分結果更加精確有保障，還可增加劃分旅客類型的維度與方式：利用旅客出行時間，可劃分為春節、寒暑假、勞動節、清明節等假期出行以及非假期的平日出行；根據民族、籍貫等因素帶來的不同民俗文化與風俗習慣，可以進一步對旅客進行分類；同時，旅客的職業、年齡、性別等因素也可幫助對旅客在消費習慣和消費水平方面的細分。

（3）對營銷產品也可進行對維度的劃分及進一步細分。酒店的分類可增加好評度、酒店風格、酒店平均價格等因素；餐飲店可增加口味、好評度等因素。同時還可增加營銷產品的種類。

（4）在本文中，對客票數據的利用是一次性的，而我國鐵路客運售票系統每日有多達300萬余條的客票數據存儲在鐵路系統的各級數據庫中，鐵路客票年銷售量超過20億，這些歷史數據都非常有價值。通過大數據的分析方法，可以更為準確地定位每位旅客，從而更準確地實現精準營銷。通過旅客客票的歷史數據可以分析旅客的購票習慣和消費習慣，以及歷史出行軌跡與出行時間等方面的出行習慣；同時可利用客票之間的關聯性，分析旅客的家庭關系網，為當前出行給予家庭導向性的產品營銷。

[1]駱泳吉,劉軍,馬敏書．客票數據“受限”條件下旅客選擇偏好估計[D]．北京:北京交通大學,2015．

[2]劉高原．基于客票特征數據的我國高速鐵路旅客出行行為分析研究[D]．北京:北京交通大學,2012．

[3]裴志遠,劉萬明．用模糊綜合評價方法分析旅客城際出行的選擇行為[J]．交通運輸工程與信息學報,2004,2(1):86-91．

[4]王瑩,韓寶明,唐寶剛．基于既有線客票數據的客運專線旅客選擇行為研究[J]．鐵道運輸與經濟,2008,30(12):35-39．

[5]餐飲業消費的人群特征及趨勢研究數據報告[DB/OL]．https:// wenku．baidu．com/view/237a167eb52acfc788ebc939．html．

本文受基金項目“中國鐵路總公司科技研究開發計劃課題（課題編號：2016X004-E）；山東省社科基金（基金編號：14CGLJ20）”資助。