訂票曲線預測分析對於收益管理進行旅客需求預測是一個相當重要的課題。文獻顯示使用旅客事先訂票資料進行需求預測可以有較佳的預測績效。實施收益管理系統之前，掌握確切的旅運需求是相當重要的事情。收益管理的基礎所在就是預約系統，預約系統提供顧客做事先預約的動作，也提供企業保障。因此為了要有效地應用收益管理系統，必須使用過去需求的樣本資訊，才能夠建構良好的收益管理系統。
準確的需求預測系統是收益管理系統之核心，文獻中顯示改善20%的預測績效可以增加1%的收益。它提供了艙位配置、超額訂位以及價格調整之依據。需求預測的基礎所在就是預約系統，預約系統提供顧客做事先預約的動作，也提供企業保障。為了有效地應用收益管理系統，必須使用過去需求的樣本資訊。本研究針對訂票曲線進行預測分析。
資料分析共分為三個部分。第一部分為旅客使用訂票系統之行為分析，有總體訂票資料，包括旅客購票、取消和現場購票之人數比例，發現有73.91%的票會被預訂。另外針對語音網路訂票取消取票行為進行分析。第二部分為訂票曲線、售票曲線與取消曲線之建構與分析。第三部分針對本研究訂票曲線進行探討，找出影響訂票曲線之變數，包括出發時間、座位配額、星期特性、特殊假日與寒暑假變數，作為模式建構之依據。另以1037車次之訂票曲線，以群集分析方法來驗證訂票曲線之影響變數。研究結果發現，每群訂票曲線之型態均不盡相同，其中以星期特性最為顯著。
本研究預測模式資料有三種，一為未受限制訂票曲線、二為受限制訂票曲線、三為調整後受限制訂票曲線。預測方法主要以收益管理需求預測中常用之四種方法與本研究發展之新模式進行預測。分別以下三個部分：第一部分為使用最終訂票數之歷史資料來建構模式，為單一訂票點預測，包括簡單最終訂票數平均模式與簡單指數平滑模式。第二部分為使用訂票曲線兩個訂票點的資料進行預測，包括簡單線性迴歸模式與收集增量模式。第三部分為嶄新的概念所發展出之k個鄰近模式(k-nearest neighbor model)，使用了更多訂票點資訊。
預測結果發現本研究發展之k個鄰近模式，於未受限制資料中，在選取較佳的個數k之下，可改善模式之5%預測誤差，顯示使用更多訂票點資訊可以增加模式的準確度。而在其他兩種資料中，k個鄰近模式也有與兩個訂票點模式相似的預測績效。

Booking curve is mostly used in Revenue management forecasting. Demand forecast is the core of revenue management. In literature review, improving 20% forecasting accuracy can increase 1% revenue. The objective of this research is to develop and test new models of train demand using advanced booking data.
Train service offers several kinds of ticket sale including internet ticketing service, voice ticketing service, window ticketing service and instant ticketing sales. The research analyzes the way people book tickets in long trip. There are 73% tickets booked in advance but cancelled a lot. Many variables affect the pattern of booking curves including departure time, booking limit, day of week, holidays, and special days. Booking curves are different and the day of week affects the pattern of booking curves mostly.
We use three kinds of data including unconstrained data, constrained data, and changed constrained data. In addition to the widely used models in revenue management including exponential smoothing model, mean of final bookings, simple linear regression, and pickup model, we develop several k-nearest neighbor models. According to the empirical analysis using Taiwan Railway Administration booking data, the proposed method provides promising results, e.g. the method improves the forecasting accuracy by 5% MAPE for the case of risk seeking.

1.台灣鐵路管理局，台灣鐵路統計年報，2001年至2005年。
2.汪進財、張喜美，不確定需求下鐵路列車座位之管理－台鐵訂位系統之分析，運輸，26期，pp.1-19，1994年12月。
3.林昭輝，台鐵售票曲線之型態分析，國立成功大學交通管理學系研究所碩士論文，2004年6月。
4.張有恆，航空業經營與管理，華泰文化事業公司，2002年
5.陳欣欣，台鐵旅運需求與預測之研究，國立成功大學交通管理學系研究所碩士論文，2001年6月。
6.賴泰元，利用時間數列模式探討台鐵旅運需求~以高雄站為例，國立成功大學交通管理科學研究所碩士論文，1999年6月。
7.蔡宗憲，短期列車旅運需求預測~類神經網路模式之應用，國立成功大學交通管理科學系研究所碩士論文，2001年6月。
8.鄭錦珠，台鐵客運需求之分析與預測，台鐵資料月刊，頁39-73，1995年。
9.Belobaba, P. P. and Wilson, J. L. “Impacts of yield management in competitive airline markets”, Journal of Air Transport Management, 3, 1, 3-9, 1997.
10.Clark, S. “Traffic prediction using multivariate nonparametric regression.” Journal of Transportation Engineering, 129, 2, 161–168, 2003.
11.Cover, T. M. and Hart, P. E. “Nearest neighbor pattern classification” IEEE Transactions on Information Theory, 13, 21–27, 1967.
12.Enz, C. A. and Withiam, G. “The”4-C”strategy for yield management” The Center for Hospitality Research at Cornell University, 2001.
13.Johnson, D. E. Applied Multivariate Methods for Data Analysis, Brooks/Cole Publishing Company, California, 1998.
14.Kimes, S. E. “Yield management: a tool for capacity- constrained service firms” Journal of Operations Management, 8, 4, 348-363, 1989.
15.Kambour, E. and Cramer, R. “DCPs in forecasting” AGIFORS Yield Management Study Group, 2003.
16.Plt, S. “Revenue Management Tutorial” AGIFORS Yield Management Study Group, 2002.
17.Rannou, B. and Melli, D. “Measuring the impact if revenue management” Journal of Revenue and Pricing Management, ABI/INFORM Global Jul, 2, 3, 261-270, 2003.
18.Sarle, W. S. “Cubic clustering criterion” SAS Technical ReportA-108. Cary, NC: SAS Institute Inc, 1983.
19.Smith, B. C., Leimkuhler, J. F. and Darrow, R. M. “Yield management at American Airlines” Interfaces, 22, 1, 8-31, 1992.
20.Smith, B. L., Williams, B. M. and Oswald, R. K. “Comparison of parametric and nonparametric models for traffic flow forecasting” Transportation Research Part C, 10, 303–321, 2002.
21.Talluri, K.T. and Ryzin, G. V. The Theory and Practice of Revenue Management, Kluwer Academic Publishers, 2004.
22.Tominaga, Y. “Comparative study of class data analysis with PCA-LDA, SIMCA, PLS, ANNs, and k-NN” Chemometrics and Intelligent Laboratory Systems, 49, 105–115, 1999.
23.Turochy, R. E. “Enhancing short-term traffic forecasting with traffic condition Information” Journal of Transportation Engineering, 132, 6, 469–474, 2006.
24.Viswanathan, V. A. “Demand forecasting” AGIFORS Yield Management Study Group, 1999.
25.Weatherford, L. R. “Forecasting issues in revenue management, Part II” AGIFORS Yield Management Study Group, 1998.
26.Weatherford, L. R. and Kimes, S. E. “A comparison of forecasting method for hotel revenue management” International Journal of Forecasting, 19, 401–415, 2003.
27.Weatherford, L. R. and Plt, S. “Better Unconstraining of Airline Demand Data for Improved Forecast Accuracy and Greater Revenues” AGIFORS Yield Management Study Group, 2002.
28.Wickham, R. R. Evaluation of Forecasting Techniques for Short-term Demand of AirTtransportation. Master of Science, Massachusetts institute of technology, 1995.