于 澎，朱建生

（中國鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

基于人工神經(jīng)網(wǎng)絡(luò)的鐵路客票系統(tǒng)中轉(zhuǎn)路徑選取研究

于 澎，朱建生

（中國鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

將人工神經(jīng)網(wǎng)絡(luò)引入鐵路客票發(fā)售和預(yù)訂系統(tǒng)進(jìn)行中轉(zhuǎn)路徑的優(yōu)選，可以避免人工選擇的盲目性，同時(shí)也為售票提供方便。通過提出一種中轉(zhuǎn)路徑的人工神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)中的誤差反向傳播算法，利用換乘樣本自學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)、各神經(jīng)元之間的權(quán)重和閾值，根據(jù)應(yīng)用實(shí)例進(jìn)行旅客中轉(zhuǎn)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(luò)；中轉(zhuǎn)路徑

鐵路客票發(fā)售和預(yù)訂系統(tǒng)(以下簡稱客票系統(tǒng))的應(yīng)用使全路實(shí)現(xiàn)了計(jì)算機(jī)聯(lián)網(wǎng)售票，計(jì)算機(jī)售票方式簡單快捷，極大地方便了旅客出行。隨著鐵路客運(yùn)專線大規(guī)模建設(shè)，開行列車車次增加，旅客在購票時(shí)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(yàn)進(jìn)行選擇。將人工神經(jīng)網(wǎng)絡(luò)引入客票系統(tǒng)進(jìn)行中轉(zhuǎn)路徑的優(yōu)選，可以避免人工選擇的盲目性，同時(shí)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(luò)計(jì)算后的最優(yōu)換乘方案。

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種基于生物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型或是計(jì)算模型[1]，是一個(gè)由人工神經(jīng)元和使用關(guān)聯(lián)方法進(jìn)行信息計(jì)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(luò)是一個(gè)自適應(yīng)系統(tǒng)，可以通過外部或內(nèi)部的信息改變自身的結(jié)構(gòu)，在學(xué)習(xí)過程中這些信息從網(wǎng)絡(luò)中產(chǎn)生。人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)和實(shí)現(xiàn)方面模擬生物智能，可對并行和分布式的問題進(jìn)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(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)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(fù)雜關(guān)系，或者在數(shù)據(jù)中發(fā)現(xiàn)模式[2]。

人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)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(luò)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(luò)并對網(wǎng)絡(luò)各功能的實(shí)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(luò)可以分為前饋神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的模型有很多種，但理論上最完善、應(yīng)用最廣泛的主要是誤差反向傳播網(wǎng)絡(luò)模型(BP網(wǎng)絡(luò)模型)。BP網(wǎng)絡(luò)模型具有很好的函數(shù)逼近能力，通過對訓(xùn)練樣本的學(xué)習(xí)，能很好地反映出對象的輸入和輸出之間復(fù)雜的非線性關(guān)系。

2 客票系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型

2.1 網(wǎng)絡(luò)模型結(jié)構(gòu)

如果對于給定的上下車站之間沒有直達(dá)列車，則旅客需進(jìn)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(jìn)行分析，得到所有可以換乘的車站[3]。將上車站到中轉(zhuǎn)站的所有車次與中轉(zhuǎn)站到下車站的所有車次進(jìn)行笛卡爾計(jì)算，從而得到每個(gè)中轉(zhuǎn)站的換乘方案的笛卡爾集合，集合中的每一項(xiàng)就是一種中轉(zhuǎn)換乘方案，將方案的總歷程時(shí)間、總公里、中轉(zhuǎn)站等級、中轉(zhuǎn)站等候時(shí)間、中轉(zhuǎn)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(luò)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(jì)算換乘方案的前饋神經(jīng)網(wǎng)絡(luò)的輸入層由總歷程時(shí)間、總里程、中轉(zhuǎn)站等級、中轉(zhuǎn)站等候時(shí)間、中轉(zhuǎn)站是否為同一車站、換乘的車次是否有席位等6 個(gè)神經(jīng)元組成，每個(gè)輸入神經(jīng)元分別對應(yīng) 1 個(gè)輸入?yún)?shù)；隱含層由神經(jīng)網(wǎng)絡(luò)中間的6 個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元都與輸入層的6 個(gè)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(gè)神經(jīng)元相連。

在前饋神經(jīng)網(wǎng)絡(luò)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(quán)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。

2.2 選取換乘樣本

為了得到前饋神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元之間的權(quán)重和閾值，需要通過選擇最佳的學(xué)習(xí)樣本計(jì)算獲得。而樣本應(yīng)該選擇那些最具有代表性的，從而可以提高學(xué)習(xí)速度，還可以提高網(wǎng)絡(luò)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(jì)南→北京→烏蘭浩特。

D40次：濟(jì)南—北京南，里程 485 km，運(yùn)行時(shí)間 3 h 10 min，13:29 到。

2189次：北京—烏蘭浩特，里程 1 180 km，運(yùn)行時(shí)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(yùn)行時(shí)間 8 h 05 min，15:20 到。

K7035次：哈爾濱—黑河，里程 1885 km，運(yùn)行時(shí)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(yùn)行時(shí)間 26 h 42 min，02:23到。

K511次：株洲—三亞，里程 1 812 km，運(yùn)行時(shí)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(yùn)行時(shí)間 18 h 44 min，18:35 到。

K856次：廣元—蘭州，里程 853 km，運(yùn)行時(shí)間 15 h 03 min，20:55 開。

將所選取的4 個(gè)樣本參數(shù)化，計(jì)算每個(gè)樣本的總時(shí)間和中轉(zhuǎn)時(shí)間，并對車站等級進(jìn)行相應(yīng)定義，生成相對應(yīng)的輸入與輸出的可乘度，如表1 所示。

表1 4 個(gè)學(xué)習(xí)樣本相對應(yīng)的可乘度

2.3 學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)參數(shù)

用樣本學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)、各神經(jīng)元之間的權(quán)重和閾值，其中學(xué)習(xí)步長取 0.9，4 個(gè)樣本的輸出誤差應(yīng)小于1‰。

（1）神經(jīng)網(wǎng)絡(luò)的權(quán)重：為輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元之間的權(quán)重；為隱含層第j個(gè)神經(jīng)元與輸出層神經(jīng)元之間的權(quán)重。

（2）神經(jīng)網(wǎng)絡(luò)的閾值：θj為隱含層第j個(gè)神經(jīng)元的閾值；γ為輸出層神經(jīng)元的閾值。

3 應(yīng)用實(shí)例

以廣州—丹東的中轉(zhuǎn)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(jìn)行分析，共有18個(gè)車站被選為中轉(zhuǎn)站，可以換乘到達(dá)目的地，如表2 所示。其中，由廣州站到每個(gè)中轉(zhuǎn)站的出發(fā)列車數(shù)和由中轉(zhuǎn)站到丹東站的到達(dá)列車數(shù)并不相同。

（2）考慮以天津站作為中轉(zhuǎn)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(yùn)行時(shí)間 25 h 03 min。

T254次(廣州 17:58 — 天津 20:28)，里程 2 436 km，運(yùn)行時(shí)間 26 h 30 min。

T236/T237次(廣州東 18:25—天津 19:32)，里程 2 412 km，運(yùn)行時(shí)間 25 h 07 min。

K27次(天津 19:11—丹東 07:17)，里程995 km，運(yùn)行時(shí)間 12 h 06 min。

1206/1207次(天津 04:41—丹東 18:20)，里程995 km，運(yùn)行時(shí)間 13 h 39 min。

將發(fā)站車次與到站車次進(jìn)行笛卡爾乘積，得到6 種換乘方案，如表3所示。同時(shí)，計(jì)算出其他中轉(zhuǎn)站的換乘方案，從而得到所有可選的換乘方案。

（3）計(jì)算每種方案的總歷程時(shí)間、總里程、中轉(zhuǎn)站等級、中轉(zhuǎn)站等候時(shí)間、中轉(zhuǎn)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(luò)，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(yīng)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(dá)列車數(shù) 列/d

表3 廣州—丹東在天津中轉(zhuǎn)的換乘方案

表4 通過神經(jīng)網(wǎng)絡(luò)計(jì)算 6 種換乘方案的可乘度

4 結(jié)束語

人工神經(jīng)網(wǎng)絡(luò)在客票系統(tǒng)的中轉(zhuǎn)路徑優(yōu)選中雖然有較好的應(yīng)用，但是旅客中轉(zhuǎn)換乘的因素很多，該模型只是列舉出幾個(gè)重要的因素，在改進(jìn)模型中還可以加入每個(gè)因素的權(quán)重，使模型更加符合實(shí)際。

為了高效快速地獲取中轉(zhuǎn)站，需要對上車站和下車站的連通圖和旅客列車車次進(jìn)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(zhuǎn)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(jìn)行兩次或更多次的換乘，如何應(yīng)用人工神經(jīng)網(wǎng)絡(luò)優(yōu)化選擇中轉(zhuǎn)方案成為難點(diǎn)。在鐵路客運(yùn)系統(tǒng)中，應(yīng)進(jìn)一步實(shí)現(xiàn)旅客服務(wù)系統(tǒng)的智能化功能，為旅客提供多種出行方案，實(shí)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(luò)原理——入門與應(yīng)用[M]. 北京：北京航空航天大學(xué)出版社，1996.

[2] 史天運(yùn)，賈利民. 計(jì)算智能理論及其在RITS中的應(yīng)用[J].交通運(yùn)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(yùn)徑路生成算法優(yōu)化[J]. 中國鐵道科學(xué)，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