ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЕ ПОДХОДЫ К ДИНАМИЧЕСКОМУ ЦЕНООБРАЗОВАНИЮ В ПАССАЖИРСКИХ ПЕРЕВОЗКАХ

INFORMATION AND ANALYTICAL APPROACHES TO DYNAMIC PRICING IN PASSENGER TRANSPORTATION

Bogomaz Kirill Sergeevich

Master's Student, Faculty of Computer Systems and Networks, Belarusian State University of Informatics and Radioelectronics,

Minsk, Belarus

АННОТАЦИЯ

В статье рассматривается применение информационно-аналитических подходов к динамическому ценообразованию в пассажирских перевозках. Основное внимание уделено роли исторических данных, моделей машинного обучения и методов сетевого управления вместимостью при формировании тарифных решений. Показано, что интеллектуальная информационная система динамического ценообразования должна объединять прогнозирование спроса, анализ загрузки транспортных средств, учет времени до отправления и ограничения ценовой справедливости. Предложенный подход может быть использован как элемент цифровой трансформации транспортного предприятия.

ABSTRACT

The article considers information and analytical approaches to dynamic pricing in passenger transportation. The focus is on historical data, machine learning models and network capacity management methods used for tariff decision support. The paper shows that an intelligent dynamic pricing information system should combine demand forecasting, vehicle load analysis, time-to-departure factors and price fairness constraints. The proposed approach can be applied as an element of digital transformation in transport enterprises.

Ключевые слова: динамическое ценообразование, пассажирские перевозки, машинное обучение, прогнозирование спроса, информационная система, транспортная логистика.

Keywords: dynamic pricing, passenger transportation, machine learning, demand forecasting, information system, transport logistics.

Информационные данные и факторы динамического ценообразования

В научной литературе выделяются два важных эффекта, определяющих изменение цены. Первый связан с вместимостью: при росте загрузки транспортного средства оставшиеся места становятся более ценными, поскольку их целесообразно резервировать для пассажиров с более высокой готовностью платить. Второй эффект связан со временем: по мере приближения даты отправления цена может увеличиваться для поздних покупок либо снижаться, если существует риск отправления транспорта с не занятыми местами [1, c. 9].

Отдельная сложность пассажирских перевозок состоит в сетевой структуре маршрутов. Один проданный билет может занимать место сразу на нескольких участках пути. Например, билет на длинный маршрут ограничивает возможность продажи этого же места пассажирам на промежуточных участках. Следовательно, задача ценообразования не сводится к простой продаже одного места, а требует учета взаимосвязей между сегментами маршрута и применения методов сетевого управления доходностью [2, с. 18–20].

Модели прогнозирования спроса

Центральным элементом информационно-аналитической системы является модуль прогнозирования спроса. Для этой задачи могут применяться как ансамблевые модели машинного обучения, так и нейросетевые архитектуры. Методы Random Forest и XGBoost эффективны при наличии большого количества разнородных признаков: типа маршрута, дня недели, глубины бронирования, уровня загрузки и исторической частоты покупок. Такие алгоритмы хорошо выявляют нелинейные зависимости и могут использоваться в качестве практичного инструмента для первичного внедрения динамического ценообразования.

Для анализа временной структуры спроса более перспективны рекуррентные нейронные сети, в том числе LSTM-модели. Их преимущество состоит в способности учитывать долгосрочные зависимости в последовательностях продаж и пассажиропотока. В транспортных задачах это важно, поскольку спрос меняется не только из-за текущей загрузки, но и вследствие устойчивых календарных закономерностей, сезонных пиков, групповых поездок и изменений расписания [3, c. 7–8].

Наиболее сложные сценарии связаны с учетом пространственной структуры транспортной сети. В этом случае целесообразно применять гибридные модели, объединяющие обработку временных рядов и графовое представление маршрутов. Например, комбинация ConvLSTM и графовых сверточных сетей позволяет рассматривать остановки и станции как узлы графа, а участки маршрута как связи между ними [3, c. 7–8]. Такая архитектура лучше отражает реальную природу пассажирских перевозок, где спрос на одном направлении может зависеть от соседних участков сети и внешних факторов [4, c. 12–18].

При выборе модели важно учитывать не только точность, но и вычислительную сложность, интерпретируемость и требования к данным. Модель может давать очень точный прогноз, но делать это крайне долго. В некоторых отраслях оперативность принятия решения играет ключевую роль в его эффективности. Поэтому при выборе модели, важно учитывать не только ее точность, но и скорость работы.

Ценовая справедливость и ограничения алгоритмов

Несмотря на экономическую привлекательность динамических тарифов, их применение требует учета реакции пассажиров. Слишком резкие или непрозрачные изменения цены могут восприниматься как несправедливые и приводить к снижению доверия к перевозчику. Поэтому интеллектуальная система должна быть ориентирована не только на максимизацию краткосрочной выручки, но и на поддержание долгосрочной лояльности клиентов.

Для этого в алгоритм могут включаться ограничения: максимальная величина изменения цены за определенный период, допустимый диапазон тарифов, запрет на дискриминационные признаки, контроль аномальных рекомендаций и возможность ручного подтверждения решения. Современные исследования показывают, что модели, учитывающие показатели справедливости, способны сохранять приемлемый уровень доходности и одновременно снижать риск репутационных потерь [5, с. 120–135]. Следовательно, задача динамического ценообразования должна рассматриваться не только как математическая оптимизация, но и как задача проектирования доверенной информационной системы.

Заключение

Информационно-аналитический подход к динамическому ценообразованию в пассажирских перевозках предполагает объединение исторических данных, моделей машинного обучения и алгоритмов сетевого управления вместимостью. Наиболее важными входными данными являются показатели загрузки, глубина бронирования, календарные признаки, маршрутные характеристики и сведения о предыдущих продажах.

Таким образом, ценность динамического ценообразования заключается в повышении обоснованности тарифных решений, увеличении адаптивности управления спросом и поддержке цифровой трансформации транспортного предприятия при сохранении прозрачности и ценовой справедливости для пассажиров.

Список литературы:

1. Branda F., Marozzo F., Talia D. Ticket Sales Prediction and Dynamic Pricing Strategies in Public Transport // Big Data and Cognitive Computing. 2020. Vol. 4, № 4. Art. 36.
2. Barz C., Laumer S., Freyschmidt M., Martínez-Blanco J. Discrete dynamic pricing and application of network revenue management for FlixBus // Journal of Revenue and Pricing Management. 2023. Vol. 22. P. 16–33.
3. Boateng A., Adams C.A., Akowuah E.K. Estimating Passenger Demand Using Machine Learning Models: A Systematic Review // E3S Web of Conferences. 2023. Vol. 418. Art. 03002.
4. Khalesian M., Furno A., Leclercq L. Improving deep-learning methods for area-based traffic demand prediction via hierarchical reconciliation // Transportation Research Part C: Emerging Technologies. 2024. Vol. 159. Art. 104410.
5. Maestre R., Duque J., Rubio A., Arevalo J. Reinforcement Learning for Fair Dynamic Pricing // Intelligent Systems and Applications: proceedings of the 2018 Intelligent Systems Conference. 2019. Vol. 1. P. 120–135.