Accurate forecasts of daily arrivals are of essential to allocate seat resources for transportation companies. Most studies addressed the issue from conventional time series aspects to retrieve historical arrival patterns and project future numbers. This study aims to utilize railway reservation records instead of arrival data to construct self-evolutionary advanced booking models and compare with three benchmarks. In addition, the proposed model involved the spirit of one prototype with multiple versions to pursue accuracy improvement. A family of eight sibling versions based on the curve similarity model, differentiating from the evaluation of similarities among booking curves, was established. The results showed that the constructed sibling versions perform differently with respect to individual data series. In other words, the way of similarity evaluation did affect the predictive performance. Although there was no single version outperforming the others, the selection based on the lowest validation errors was verified to be a good strategy to attain promising out-of-sample performance. Overall speaking, maintaining the family of sibling models for booking data with distinctive characteristics can achieve at least 4.5% and at most 23% improvement of accuracy if comparing with one specific version to all data series. In addition, the proposed sibling models can also outperform popular advanced booking benchmarks such as pick up, regression, and conventional curve similarity approach up to 36%, 32%, and 35%, respectively.

每天准确的到站预测对于为运输公司分配座位资源至关重要。大多数研究从常规时间序列方面解决了该问题，以检索历史到达模式和项目未来数量。本研究旨在利用铁路预订记录而非到达数据来构建自我进化的高级预订模型，并与三个基准进行比较。另外，所提出的模型涉及具有多个版本的一个原型的精神，以追求准确性的提高。建立了基于曲线相似性模型的八个同级版本，与预订曲线之间的相似性评估有所不同。结果表明，所构建的同级版本相对于单个数据序列的执行情况有所不同。换一种说法，相似性评估的方式确实影响了预测性能。尽管没有哪个版本比其他版本好，但是基于最低验证错误的选择被证明是实现有希望的样本外性能的好策略。总体而言，与所有数据系列的一个特定版本相比，维护具有独特特征的预订数据的同级模型系列可以实现至少4.5％的准确性提高，最多可提高23％的准确性。此外，建议的同级模型还可以胜过流行的高级预订基准，例如拾取，回归和常规曲线相似性方法，分别高达36％，32％和35％。经过验证，基于最低验证误差的选择是获得有希望的样本外性能的良好策略。总体而言，与所有数据系列的一个特定版本相比，维护具有独特特征的预订数据的同级模型系列可以实现至少4.5％的准确性提高，最多可提高23％的准确性。此外，建议的同级模型还可以胜过流行的高级预订基准，例如拾取，回归和常规曲线相似性方法，分别高达36％，32％和35％。经过验证，基于最低验证误差的选择是获得有希望的样本外性能的良好策略。总体而言，与所有数据系列的一个特定版本相比，维护具有独特特征的预订数据的同级模型系列可以实现至少4.5％的准确性提高，最多可提高23％的准确性。此外，建议的同级模型还可以胜过流行的高级预订基准，例如拾取，回归和常规曲线相似性方法，分别高达36％，32％和35％。与所有数据系列的一个特定版本相比，准确性提高了5％，最多提高了23％。此外，建议的同级模型还可以胜过流行的高级预订基准，例如拾取，回归和常规曲线相似性方法，分别高达36％，32％和35％。与所有数据系列的一个特定版本相比，准确性提高了5％，最多提高了23％。此外，建议的同级模型还可以胜过流行的高级预订基准，例如拾取，回归和常规曲线相似性方法，分别高达36％，32％和35％。