客流范文10篇

1调查区域基本情况

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。

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。

摘要：超市的客流量及人员密度分布规律是确定建筑空调冷负荷、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。调查统计了哈尔滨某大型超市夏季客流量，得到了周末和工作日全天人员密度的逐时变化曲线，与其他公共建筑人员密度呈双峰状的曲线相比，该曲线为独特的三峰分布。提出了大型超市人员密度的计算方法，并给出了大型超市客流量及人员密度分布规律，得到了顾客平均逗留时间，为其他超市人流密度的估算提供了参考。分析结果表明，目前超市人员密度为0.14～0.23人/m2建筑面积，大大低于以往数据，顾客平均逗留时间为1.75-2.07小时。

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

摘要：鉴于在航空运输领域中应用经济计量模型预测航空客流量存在一定的局限性，为此本文运用粗糙集理论分析区域航空客流量。在选择影响区域航空客流量因素的基础上，形成了我国31个地区航空客流量的决策表，进而对决策表运用粗糙集的有关方法得出了我国31个地区的航空客流量生成规则，最后采用这些规则对区域航空客流量进行预测，取得比较好的预测结果。

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

论文关键词：南京都市圈旅游客流市场定位

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。

摘要:为了更加准确地预测城市地铁交通中动态变化的客流量,通过分析城市地铁交通客流量的特点,提出了一种基于神经网络数据融合的预测方法。这种方法根据预测数据各属性的特点,将采集的数据提取出多个相关序列。在此基础上对各序列采取不同的处理、预测方法,再利用神经网络进行融合。这种方法可用于数据动态预测的各种领域。实验表明,采用这种方法可以有效地改善数据预测的误差。

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

论文关键词：南京都市圈;旅游客流;市场定位

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。

本文作者：郭根材聂磊贺振欢付慧伶冷暖暖工作单位：北京交通大学

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

摘要：哈尔滨站从客流预测、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。

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：

摘要：哈尔滨站从客流预测、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。

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。