于 澎,朱建生
(中國鐵道科學研究院 電子計算技術研究所,北京 100081)
基于人工神經(jīng)網(wǎng)絡的鐵路客票系統(tǒng)中轉路徑選取研究
于 澎,朱建生
(中國鐵道科學研究院 電子計算技術研究所,北京 100081)
將人工神經(jīng)網(wǎng)絡引入鐵路客票發(fā)售和預訂系統(tǒng)進行中轉路徑的優(yōu)選,可以避免人工選擇的盲目性,同時也為售票提供方便。通過提出一種中轉路徑的人工神經(jīng)網(wǎng)絡模型,運用人工神經(jīng)網(wǎng)絡中的誤差反向傳播算法,利用換乘樣本自學習網(wǎng)絡結構、各神經(jīng)元之間的權重和閾值,根據(jù)應用實例進行旅客中轉換乘最優(yōu)方案的合理性判斷。
鐵路;客票系統(tǒng);人工神經(jīng)網(wǎng)絡;中轉路徑
鐵路客票發(fā)售和預訂系統(tǒng)(以下簡稱客票系統(tǒng))的應用使全路實現(xiàn)了計算機聯(lián)網(wǎng)售票,計算機售票方式簡單快捷,極大地方便了旅客出行。隨著鐵路客運專線大規(guī)模建設,開行列車車次增加,旅客在購票時若不明確指定車次,售票員一般是對出行車次、換乘車次憑借經(jīng)驗進行選擇。將人工神經(jīng)網(wǎng)絡引入客票系統(tǒng)進行中轉路徑的優(yōu)選,可以避免人工選擇的盲目性,同時也為售票提供方便。售票員只需輸入發(fā)到站,系統(tǒng)將提供經(jīng)過人工神經(jīng)網(wǎng)絡計算后的最優(yōu)換乘方案。
人工神經(jīng)網(wǎng)絡是一種基于生物神經(jīng)網(wǎng)絡的數(shù)學模型或是計算模型[1],是一個由人工神經(jīng)元和使用關聯(lián)方法進行信息計算的處理過程所共同組成的互聯(lián)群體。在多數(shù)情況下,人工神經(jīng)網(wǎng)絡是一個自適應系統(tǒng),可以通過外部或內(nèi)部的信息改變自身的結構,在學習過程中這些信息從網(wǎng)絡中產(chǎn)生。人工神經(jīng)網(wǎng)絡在結構和實現(xiàn)方面模擬生物智能,可對并行和分布式的問題進行處理,解決一些傳統(tǒng)方法無法處理或效果較差的問題。在實際應用中,神經(jīng)網(wǎng)絡是非線性分析數(shù)據(jù)模型工具,可以用來模型化輸入和輸出之間的復雜關系,或者在數(shù)據(jù)中發(fā)現(xiàn)模式[2]。
人工神經(jīng)網(wǎng)絡是由大量簡單的神經(jīng)元廣泛地互相連接而形成的復雜網(wǎng)絡系統(tǒng),在某種程度上模擬人腦神經(jīng)系統(tǒng)的工作過程。其中,神經(jīng)元可以分為 3 種類型:輸入單元、輸出單元和隱含單元。輸入單元從外界環(huán)境接受信息;輸出單元則給出神經(jīng)網(wǎng)絡系統(tǒng)對外界環(huán)境的作用;隱含單元處于兩者之間,調(diào)節(jié)網(wǎng)絡并對網(wǎng)絡各功能的實現(xiàn)起重要的作用。根據(jù)連接方式的不同,人工神經(jīng)網(wǎng)絡可以分為前饋神經(jīng)網(wǎng)絡、反饋神經(jīng)網(wǎng)絡和自組織神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡的模型有很多種,但理論上最完善、應用最廣泛的主要是誤差反向傳播網(wǎng)絡模型(BP網(wǎng)絡模型)。BP網(wǎng)絡模型具有很好的函數(shù)逼近能力,通過對訓練樣本的學習,能很好地反映出對象的輸入和輸出之間復雜的非線性關系。
如果對于給定的上下車站之間沒有直達列車,則旅客需進行換乘??推毕到y(tǒng)對所有經(jīng)由上車站和下車站的列車車次與路網(wǎng)進行分析,得到所有可以換乘的車站[3]。將上車站到中轉站的所有車次與中轉站到下車站的所有車次進行笛卡爾計算,從而得到每個中轉站的換乘方案的笛卡爾集合,集合中的每一項就是一種中轉換乘方案,將方案的總歷程時間、總公里、中轉站等級、中轉站等候時間、中轉站是否為同一車站、換乘的車次是否有席位等因素作為人工神經(jīng)網(wǎng)絡的輸入信息,最終得到換乘方案的可乘度。其中,可乘度最高的為最優(yōu)方案。
計算換乘方案的前饋神經(jīng)網(wǎng)絡的輸入層由總歷程時間、總里程、中轉站等級、中轉站等候時間、中轉站是否為同一車站、換乘的車次是否有席位等6 個神經(jīng)元組成,每個輸入神經(jīng)元分別對應 1 個輸入?yún)?shù);隱含層由神經(jīng)網(wǎng)絡中間的6 個神經(jīng)元組成,每個神經(jīng)元都與輸入層的6 個神經(jīng)元相連;與可乘度參數(shù)相連的神經(jīng)元組成輸出層,輸出神經(jīng)元與隱含層中的6 個神經(jīng)元相連。
在前饋神經(jīng)網(wǎng)絡中輸入層與隱含層、隱含層與輸出層的神經(jīng)元之間的連線上的權重用W表示,隱含層神經(jīng)元的閾值用θ表示,輸出層神經(jīng)元的閾值用γ表示。
為了得到前饋神經(jīng)網(wǎng)絡中各神經(jīng)元之間的權重和閾值,需要通過選擇最佳的學習樣本計算獲得。而樣本應該選擇那些最具有代表性的,從而可以提高學習速度,還可以提高網(wǎng)絡的推廣泛化能力。以下是最具代表性的4 種換乘樣本。
(1)樣本一:濟南→北京→烏蘭浩特。
D40次:濟南—北京南,里程 485 km,運行時間 3 h 10 min,13:29 到。
2189次:北京—烏蘭浩特,里程 1 180 km,運行時間 19 h 19 min,15:30 開。
(2)樣本二:北京→哈爾濱→黑河。
D25次:北京—哈爾濱,里程 1 249 km,運行時間 8 h 05 min,15:20 到。
K7035次:哈爾濱—黑河,里程 1885 km,運行時間 9 h 47 min,21:10 開。
(3)樣本三:太原→株洲→三亞。
K237次:太原—株洲,里程 1 843 km,運行時間 26 h 42 min,02:23到。
K511次:株洲—三亞,里程 1 812 km,運行時間 23 h 05 min,23:12 開。
(4)樣本四:攀枝花→廣元→蘭州。
K166次:攀枝花—廣元,里程 1 068 km,運行時間 18 h 44 min,18:35 到。
K856次:廣元—蘭州,里程 853 km,運行時間 15 h 03 min,20:55 開。
將所選取的4 個樣本參數(shù)化,計算每個樣本的總時間和中轉時間,并對車站等級進行相應定義,生成相對應的輸入與輸出的可乘度,如表1 所示。
表1 4 個學習樣本相對應的可乘度
用樣本學習網(wǎng)絡的結構、各神經(jīng)元之間的權重和閾值,其中學習步長取 0.9,4 個樣本的輸出誤差應小于1‰。
(1)神經(jīng)網(wǎng)絡的權重:為輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元之間的權重;為隱含層第j個神經(jīng)元與輸出層神經(jīng)元之間的權重。
(2)神經(jīng)網(wǎng)絡的閾值:θj為隱含層第j個神經(jīng)元的閾值;γ為輸出層神經(jīng)元的閾值。
以廣州—丹東的中轉換乘方案為例,其徑路如圖1 所示。
圖1 廣州—丹東徑路示意圖
(1)對廣州站的所有車次和路網(wǎng)進行分析,共有18個車站被選為中轉站,可以換乘到達目的地,如表2 所示。其中,由廣州站到每個中轉站的出發(fā)列車數(shù)和由中轉站到丹東站的到達列車數(shù)并不相同。
(2)考慮以天津站作為中轉站,則有 3 列廣州—天津的旅客列車,有2列天津—丹東的旅客列車。
T124/T121次(廣州 19:04—天津 20:07),里程 2 404 km,運行時間 25 h 03 min。
T254次(廣州 17:58 — 天津 20:28),里程 2 436 km,運行時間 26 h 30 min。
T236/T237次(廣州東 18:25—天津 19:32),里程 2 412 km,運行時間 25 h 07 min。
K27次(天津 19:11—丹東 07:17),里程995 km,運行時間 12 h 06 min。
1206/1207次(天津 04:41—丹東 18:20),里程995 km,運行時間 13 h 39 min。
將發(fā)站車次與到站車次進行笛卡爾乘積,得到6 種換乘方案,如表3所示。同時,計算出其他中轉站的換乘方案,從而得到所有可選的換乘方案。
(3)計算每種方案的總歷程時間、總里程、中轉站等級、中轉站等候時間、中轉站是否為同一車站、換乘的車次是否有席位,并輸入前饋神經(jīng)網(wǎng)絡,得出最優(yōu)換乘方案。通過輸入 6 種換乘方案的具體數(shù)值,從而獲得各種換乘方案相對應的可乘度,如表4所示,規(guī)定可乘度為 0~1之間的數(shù),越接近 1 則換乘方案越好。由于第 2 種換乘方案的可乘度數(shù)值最大,因此該換乘方案最優(yōu)。
表2 廣州—丹東可換乘車站的出發(fā)、到達列車數(shù) 列/d
表3 廣州—丹東在天津中轉的換乘方案
表4 通過神經(jīng)網(wǎng)絡計算 6 種換乘方案的可乘度
人工神經(jīng)網(wǎng)絡在客票系統(tǒng)的中轉路徑優(yōu)選中雖然有較好的應用,但是旅客中轉換乘的因素很多,該模型只是列舉出幾個重要的因素,在改進模型中還可以加入每個因素的權重,使模型更加符合實際。
為了高效快速地獲取中轉站,需要對上車站和下車站的連通圖和旅客列車車次進行分析,然而路網(wǎng)的變化和列車的增減等不確定因素,都增加了獲取中轉站的難度。隨著人們生活水平的提高,對于多種多樣的旅客出行需求,在上車站和下車站之間進行兩次或更多次的換乘,如何應用人工神經(jīng)網(wǎng)絡優(yōu)化選擇中轉方案成為難點。在鐵路客運系統(tǒng)中,應進一步實現(xiàn)旅客服務系統(tǒng)的智能化功能,為旅客提供多種出行方案,實現(xiàn)客票系統(tǒng)按旅客的需求發(fā)售車票,從而最大限度地提高售票質(zhì)量。
:
[1] 王 偉. 人工神經(jīng)網(wǎng)絡原理——入門與應用[M]. 北京:北京航空航天大學出版社,1996.
[2] 史天運,賈利民. 計算智能理論及其在RITS中的應用[J].交通運輸系統(tǒng)工程與信息,2002(1):10-15.
[3] 呂曉艷,劉春煌,單杏花,等. 基于車次徑路約束下的客運徑路生成算法優(yōu)化[J]. 中國鐵道科學,2007,28(3):122-125.
Research on the Selection of Transfer Route Model in Railway Ticketing System base on Artifi cial Neural Network
YU Peng,ZHU Jian-sheng
(Institute of Computing Technologies,China Academy of Railway Sciences,Beijing 100081,China)
This paper introduces the artificial neural network into Railway Ticketing and Reservation System(TRS)to optimize the selection of transfer routes,and this could avoid blindness of artificial selection and provide convenient ticket selling. Firstly,the paper puts forward an artificial neutral network model of transfer route,then by using the BP algorithm of artificial neural network,and the self-learning network structure of transfer samples,weights and thresholds among neurons,the reasonableness of the optimal transfer route model is defi ned according to application cases.
Railways; Ticketing System; Artifi cial Neural Network;Transfer Route
1003-1421(2010)03-0042-05
U293.2+21;TP183
A
2010-01-25
林 欣