31547

قيمت‌گذاري پويا بليط ريلي مسافري با يادگيري ماشين-مطالعه موردي شركت فدك

كارشناسي ارشد

حمل و نقل ريلي

1400

1403/06/18

محسن پور سيد آقايي

-

راه آهن

در صنعت حمل و نقل ريلي، قيمت‌گذاري پويا به عنوان يك ابزار قدرتمند براي بهينه‌سازي درآمد و افزايش تقاضا مورد توجه قرار گرفته است. با توجه به تغييرات سريع در الگوهاي تقاضا و رقابت شديد در بازار، نياز به استفاده از روش‌هاي هوشمندانه و پويا براي تعيين قيمت بليت‌ها بيش از پيش احساس مي‌شود. قيمت‌گذاري پويا مي‌تواند به مديريت بهتر ظرفيت قطارها، بهبود تجربه مسافران و در نهايت افزايش سودآوري منجر شود. براي دستيابي به اين هدف، از الگوريتم‌ هاي يادگيري ماشين استفاده شده است . ابتدا از يك روش پيش‌بيني مناسب (MLP) براي مدل‌سازي رفتار واكنش مشتريان بر اساس داده‌هاي تاريخي آن‌ها استفاده شده است. اين مدل پيش‌بيني واكنش مشتريان به قيمت‌هاي خاص را فراهم مي‌كند. وسپس از الگوريتم شبكه عصبي عميق كيو (Deep Q-Network) به دليل قابليت يادگيري و بهينه‌سازي تصميمات پيچيده در محيط‌هاي پويا و غيرقطعي انتخاب شده است. اين پايان‌نامه به بررسي قيمت‌گذاري بليت ريلي مسافري با استفاده از الگوريتم‌ يادگيري تقويتي، به ويژه الگوريتم شبكه عصبي عميق كيو، پرداخته است. هدف اصلي اين تحقيق، بهبود درآمد و تقاضا از طريق بهينه‌سازي قيمت‌ها با استفاده از روش‌هاي يادگيري ماشين است. در اين مطالعه، داده‌هاي مربوط به دو سال متوالي (1401 و 1402) براي تحليل و مقايسه عملكرد الگوريتم يادگيري تقويتي با روش‌هاي سنتي جمع‌آوري و بررسي شده است. نتايج نشان مي‌دهد كه استفاده از الگوريتم شبكه عصبي عميق كيو (Deep Q-Network) توانسته است به طور قابل‌توجهي درآمد را افزايش دهد، اگرچه تأثيرات آن بر تقاضا متفاوت بوده است. در مقايسه با رويكرد سنتي در سال 1401، بررسي نتايج براي مسافران بيزينس و تمام نشان مي‌دهد كه روش پيشنهادي ما منجر به افزايش 1.05% در تقاضا و 54.33% در درآمد شده است. همچنين نتايج 1401 براي تمامي مسافران نشان مي‌دهد كه با وجود كاهش 30.44% تقاضا در روش پيشنهادي، درآمد 11.03% افزايش داشته است. در سال 1402، بررسي نتايج براي مسافران بيزينس و تمام نشان مي‌دهد كه روش پيشنهادي ما منجر به افزايش 242.40% در تقاضا و 595.61% در درآمد شده است. دليل اين افزايش در تقاضا و درآمد به اين علت است كه در سال 1402 شركت فدك از فروش بليت بيزينس ممانعت ورزيد و فقط در فصل بهار فروش بليت بيزينس را داشتيم. همچنين نتايج 1402 براي تمامي مسافران نشان مي‌دهد كه با وجود كاهش 28.88% تقاضا در روش پيشنهادي، درآمد 42.15% افزايش داشته است.

1403/08/28

Dynamic passenger rail ticket pricing with machine learning-Fadak railway company

9/8/2025 12:00:00 AM

In the railway transportation industry, dynamic pricing has emerged as a powerful tool for revenue optimization and demand stimulation. Given rapid changes in demand patterns and intense market competition, there is a growing need for intelligent and dynamic pricing strategies. Dynamic pricing can lead to better management of train capacities, improved passenger experience, and ultimately increased profitability. To achieve these goals, deep reinforcement learning algorithms have been employed. Deep Q-learning, known for its ability to learn and optimize complex decisions in dynamic and uncertain environments, has been selected. This thesis investigates passenger rail ticket pricing using reinforcement learning algorithms, specifically focusing on the Q-learning algorithm. The primary objective of this research is to enhance revenue and demand through optimization of prices using artificial intelligence methods. This study analyzes and compares the performance of reinforcement learning algorithms against traditional methods using data from two consecutive years (1401 and 1402). The results indicate that the Deep Q-Network (DQN) algorithm significantly increased revenue, although its impacts on demand varied. Comparing with the traditional approach in 1401, the findings for business travelers and overall passengers show that our proposed method led to a 1.05% increase in demand and a 54.33% increase in revenue. Additionally, the results for 1401 across all passengers indicate that despite a 30.44% decrease in demand with the proposed method, revenue increased by 11.03%. In 1402, the results for business travelers and overall passengers demonstrate that our proposed method resulted in a 242.40% increase in demand and a 595.61% increase in revenue. This increase in demand and revenue is attributed to specific sales restrictions by the company in 1402, where ticket sales for business class were restricted only to the spring season.

قيمت‌گذاري پويا , يادگيري ماشين , قيمت‌گذاري كرايه , مديريت درآمد

Dynamic Pricing , Machine Learning , Fare Pricing , Revenue Management

Reyhane Ahadi

Dr. Mohsen Pourseyedaghayi