基于BP神經網絡模型的大紅門站公轉鐵運量預測

陸云峰，朱佳琪 （中國鐵路北京局集團有限公司，北京100024）

LU Yunfeng, ZHU Jiaqi (China Railway Beijing Bureau Group Co., Ltd, Beijing 100024, China)

0 引 言

長期以來，運輸結構不優不僅降低了運輸效率、推高了物流成本，也加重了環境污染、提升了安全風險。2019 年起，鐵路部門秉承“交通強國、鐵路先行”的歷史使命，緊隨國家優先發展“公轉鐵”的相關政策，進行了一系列嘗試。

“公轉鐵”，即未來大宗商品的公路運輸將逐步轉化為鐵路運輸。2018 年，國務院公開發布的《打贏藍天保衛戰三年行動計劃》中明確提出要大力發展鐵路貨運。從公路到鐵路意味著運輸結構的優化，積極調整運輸結構是發展綠色交通體系的必由之路，現階段京津冀及周邊地區的鋼鐵、礦石、焦炭等大宗貨物已經全面禁止汽運，改由鐵路運輸至集疏港。運輸結構的變革，使得鐵路貨運中期升勢明顯[1]。本文以北京局集團有限公司管轄的大紅門站為研究對象，預測未來幾個月大紅門站的公轉鐵業務運量。公轉鐵業務作為一項新興業務，對其運量的準確預測可以幫助大紅門站合理分配相關車輛人員、規劃線路使用，從而提高運輸及調度效率，做好配套銜接工作，更好地提升鐵路貨運服務質量[2]。

影響公轉鐵業務的因素有很多，本文以鐵路貨物運輸量、鐵路貨物周轉量、公路貨物運輸量、公路貨物周轉量為主要相關因素[3]。

1 BP 神經網絡模型

BP 神經網絡是由輸入層、隱含層以及輸出層構成的，每一層有N個神經元。每一層與層之間通過權值相互連接，同一層的神經元相互無連接。使用一組初始樣本通過神經網絡開始學習，神經元的激活值一層一層的進行傳播，在輸出層獲得響應，接著按照使實際輸出與目標輸出的誤差達到最小的目標進行不斷的學習和訓練，從輸出層反方向反饋到輸入層，逐層修正權值，從而實現預測的效果[4]。

本文初步建立的BP 神經網絡，其輸入層是和公轉鐵業務輛數相關聯的數據，輸出層為公轉鐵業務解體輛數以及編組輛數的實際值，通過學習以及訓練，使神經網絡達到最優的效果。當訓練好BP 神經網絡后，再用灰色GM （1,1 ）模型對自變量的預測值作為模型的輸入值，通過模型輸出公轉鐵的預測量[5]。圖1 為具體步驟流程圖。

2 預測實例

大紅門火車站始建于1958 年，為一等站，是豐雙線中的一個重要樞紐，位于北京市豐臺區南苑鄉境內，中心里程位于豐雙線12KM+619M 處，位于大李線0KM+000M 處，隸屬北京局集團有限公司雙橋站管轄。大紅門站按技術性質為中間站，按業務性質為貨運站，不辦理客運業務，承擔著貨運、軍運、裝卸任務和列車到發會讓、摘掛列車的解體編組以及貨場、專用線的取送任務，主要辦理整列、整車、集裝箱、笨重貨物、超大型貨物到發工作，是京津冀區地區首個鐵路綠色物流配送基地。2019 年，為了響應國家號召，大紅門站開展了公轉鐵業務。

圖1 BP 神經網絡預測模型結構

本文選取2019 年8 月至2020 年2 月大紅門站的公轉鐵業務編組輛數以及解體輛數為原始數據來驗證BP 神經網絡模型對于公轉鐵業務預測的可行性。表1 為這7 個月大紅門站公轉鐵業務編組輛數以及解體輛數與相關因素。

表1 大紅門站公轉鐵輛數與相關因素

通過建立GM （1,1 ）模型[6]，基于表1 中的數據進行運算。

表2 GM （1,1 ）模型下大紅門站公轉鐵業務編組輛數預測值及誤差

表3 GM （1,1 ）模型下大紅門站公轉鐵業務解體輛數預測值及誤差

由表2、表3 來看，預測值有比較大的誤差。

現在使用灰色BP 神經網絡模型進行預測，訓練參數為：迭代步數為1 000 次，誤差限為0.001，學習參數為0.5，訓練樣本為2019 年8 月至2020 年2 月與大紅門站公轉鐵業務編組輛數以及解體輛數相關的因素。大紅門站公轉鐵業務編組輛數以及解體輛數作為神經網絡的輸出，采用Levenberg-Marquardt 為訓練方法，對網絡進行學習訓練[7]。采用MATLAB 編程進行BP 神經網絡算法的學習訓練，最終得到最優化的BP 神經網絡結構。對2019 年8 月至2020 年2 月的大紅門站公轉鐵業務編組輛數以及解體輛數進行模擬得到表4、表5。

表4 BP 神經網絡模型下大紅門站公轉鐵業務編組輛數預測值及誤差

表5 BP 神經網絡模型下大紅門站公轉鐵業務解體輛數預測值及誤差

從表4 和表5 可以看出，使用BP 神經網絡的預測精度高于GM （1,1 ）模型。現采用GM （1,1 ）模型對未來5 個月大紅門站的鐵路貨物運輸量、鐵路貨物周轉量、公路貨物運輸量、公路貨物周轉量進行預測，以此作為BP 神經網絡的輸入，從而對2020年3 月至7 月該站的公轉鐵業務編組及解體輛數進行預測。

從數據來看，編組輛數和解體輛數與1 月2 月相比都有不同程度的提升，主要原因還是出了春節假期之后，無論是鐵路貨運量還是公路貨運量都恢復了正常的運輸量，所以也使得公轉鐵的業務量恢復到了一個正常的數值，由此也可得知大紅門公轉鐵業務在未來幾個月會有所提升。

表6 BP 網絡模型預測結果

3 結束語

本文選取鐵路貨物運輸量、鐵路貨物周轉量、公路貨物運輸量、公路貨物周轉量作為BP 神經網絡模型的輸入，構建了最優BP 神經網絡模型，對未來5 個月大紅門站的公轉鐵業務編組輛數及解體輛數進行預測，從精確度上來看具有可行性，能夠對今后大紅門站公轉鐵業務的運量安排、裝卸工作以及線路規劃產生一定指導意義，同時也可為相應規模的其他車站開展公轉鐵業務提供參考。但任何一種預測模型都不可能做到完全精確，影響預測的因素有很多，如社會、環境、自然等因素的變化都會對預測結果產生巨大影響。本文使用的影響因素對于大紅門站公轉鐵業務有著直接的影響，但還是有其相對狹隘性，一些不可控的因素對預測結果也會造成一定影響。公轉鐵作為大紅門站一項新的業務，歷史數據的缺乏也會給預測帶來很多困難，使得預測結果不盡如人意。對于公轉鐵編組解體量數的預測是一個較為復雜的過程，希望各位學者對這一領域進行進一步探索。