人工神經(jīng)網(wǎng)絡在鐵路客票票票中的應用

人工神經(jīng)網(wǎng)絡在鐵路客票票票中的應用

鐵路票的銷售和預訂系統(tǒng)（以下簡稱票系統(tǒng)）的應用已經(jīng)實現(xiàn)了計算機在線門票的全路應用。計算機發(fā)票的類型簡單快速，充分發(fā)揮了很大的興趣。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(zhuǎn)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,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。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。2輸入系統(tǒng)的人工神經(jīng)網(wǎng)絡模型2.1神經(jīng)網(wǎng)絡構建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。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行笛卡爾計算,從而得到每個中轉(zhuǎn)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(zhuǎn)換乘方案,將方案的總歷程時間、總公里、中轉(zhuǎn)站等級、中轉(zhuǎn)站等候時間、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(zhuǎn)站等級、中轉(zhuǎn)站等候時間、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。2.2運行時間3.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485km,運行時間3h10min,13:29到。2189次:北京—烏蘭浩特,里程1180km,運行時間19h19min,15:30開。(2)樣本二:北京→哈爾濱→黑河。D25次:北京—哈爾濱,里程1249km,運行時間8h05min,15:20到。K7035次:哈爾濱—黑河,里程1m885km,運行時間9h47min,21:10開。(3)樣本三:太原→株洲→三亞。K237次:太原—株洲,里程1843km,運行時間26h42min,02:23到。K511次:株洲—三亞,里程1812km,運行時間23h05min,23:12開。(4)樣本四:攀枝花→廣元→蘭州。K166次:攀枝花—廣元,里程1068km,運行時間18h44min,18:35到。K856次:廣元—蘭州,里程853km,運行時間15h03min,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(zhuǎn)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。2.3神經(jīng)網(wǎng)絡的權重用樣本學習網(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:Wij(1)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;Wj(2)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。3不同乘車方案的比選以廣州—丹東的中轉(zhuǎn)換乘方案為例,其徑路如圖1所示。(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(zhuǎn)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(zhuǎn)站的出發(fā)列車數(shù)和由中轉(zhuǎn)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(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2404km,運行時間25h03min。T254次(廣州17:58—天津20:28),里程2436km,運行時間26h30min。T236/T237次(廣州東18:25—天津19:32),里程2412km,運行時間25h07min。K27次(天津19:11—丹東07:17),里程995km,運行時間12h06min。1206/1207次(天津04:41—丹東18:20),里程995km,運行時間13h39min。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(zhuǎn)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(zhuǎn)站等級、中轉(zhuǎn)站等候時間、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,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)。4增強網(wǎng)絡模型,提高模型的科學性。我國傳統(tǒng)網(wǎng)絡人工神經(jīng)網(wǎng)絡在客票系統(tǒng)的中轉(zhuǎn)路徑優(yōu)選中雖然有較好的應用,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(zhuǎn)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