Применение нейронных сетей для краткосрочного прогнозирования пассажиропотоков

Искусственная нейронная сеть (ИНС), (от англ. – neural network), представляет собой математическую модель, которая опирается на упрощенную модель мозга. В отличие от реальных компьютеров, в которых информация хранится для последующего использования, искусственные нейронные сети способны запомнить вес связей между отдельными слоями и, в дальнейшем, использовать их [1, с. 1]. Нейросеть – это обучаемая система. Она действует не только в соответствии с заданным алгоритмом и формулами, но и на основании прошлого опыта, тем самым, в последующих действиях совершая меньше ошибок. Искусственные сети обучаются путем предоставления набора входных данных для того, чтобы отрегулировать вес отдельных нейронов и вес всей системы. ИНС постоянно проходит обучение путем корректировки веса определенного нейрона в общей сети. Основная цель обучения состоит в том, чтобы составить связь между входными и выходными данными. ИНС имеет три типа слоев (layers): входной (input), выходной (output) и скрытый (hidden), как на рисунке 1. Входной слой получает информацию от внешних источников. Входной и выходной связаны через скрытый слой, который существует в сети, является «невидимым» для вводящего информацию [2, с. 1]. Выходной слой передает информацию за пределы сети, то есть исследователю. Каждый из подслоев посылает сигналы различной силы в связанный с ним соседний слой, к которому он подключен. В соответствии с основными принципами ИНС каждый слой связан с функцией (f), которая выполняет перемещение информации из входного слоя к выходному. ИНС способна изменять свое поведение в зависимости от разнообразных условий, которые формируются входными данными. Эта особенность значительно повлияли на ее широкое применение в различных отраслях науки, в том числе и железнодорожной.

Рисунок 1. Схема простейшей нейронной сети

Современные технологии развиваются крайне стремительно и скорость этого развития, чаще всего, зависит от скорости обработки информации. Для того, чтобы успешно использовать новые методы работы и технологические инновации необходимо уметь работать с большими объемами информации. Поэтому, новые алгоритмы обучения, позволяющие обрабатывать большие объёмы информации – это одна из главных движущих сил. Современные разработки в области компьютерного зрения и алгоритмов машинного обучения могут быстро принимать решения с точностью не хуже, чем профессионально обученные люди. Краткосрочное прогнозирование пассажиропотоков является важным компонентом транспортных систем, которое может быть использовано для тонкой настройки систем анализа поведения пассажиров. Что поможет повысить качество обслуживания, удовлетворить текущий спрос в транспорте и сопутствующей инфраструктуре, сократить количество недостаточно востребованных рейсов, а также повысить доходность пассажирских перевозок. Результаты прогнозирования краткосрочного пассажирского потока могут быть применены для усовершенствования систем эксплуатации и управления транспортным комплексом, в частности, таких процессов как план формирования поездов, планирование работы станции, регулирование пассажиропотоков и управления финансовыми потоками.

Высокоскоростные железные дороги развиваются во многих странах, в том числе и в России, став новой тенденцией транспортной модернизации во всем мире. В конкуренции с авиационными и автомобильными перевозками, высокоскоростные железные дороги являются более безопасными, удобными и эффективными с точки зрения использования территории и энергоресурсов. С точки зрения экономики, ВСМ и процесс её эксплуатации достаточно дороги. И, именно поэтому, экономическая целесообразность ВСМ остро зависит от пассажирских потоков. Используя результаты прогнозирования краткосрочного пассажиропотока, сделанные посредством нейронных сетей, высокоскоростных железных дорог, ИНС помогут грамотнее рассчитывать и управлять эксплуатационными и текущими расходами. Точное планирование очень важный аспект для устойчивой и экономически выгодной работы ВСМ.

В статье будет описана работа ИНС на основе частного случая, а именно, пример работы системы по анализу краткосрочного прогнозирования пассажиропотока, с целью планирования необходимого количества поездов на строящемся участке Москва Курская ВСМ – Нижний Новгород. Объектом исследования выбрано именно это железнодорожное направление в связи с тем, что Россия получила право на проведение крупнейшего спортивного мероприятия: Чемпионат Мира по футболу 2018 года. Этот турнир пройдет в июне 2018 года 11 городах нашей страны, а крупнейшие матчи пройдут в Москве и Санкт-Петербурге. Также стоит отметить, что Москва и Нижний Новгород популярны не только среди болельщиков, но и среди туристов, что выделяет эти города из числа остальных, где будет проходить турнир. Все эти критерии, бесспорно, повлияют на величину пассажиропотока между этими городами. Очевидно, что интерес пассажиров будет прикован к ВСМ, как к альтернативе авиасообщению и автобусному транспорту. Поэтому важно обеспечить должное и более гибкое планирование ожидаемой загруженности транспортной системы этого региона именно в тот промежуток времени для обеспечения максимально комфортного сервиса для пассажиров и экономически выгодного для компании.

Искусственные нейронные сети, как правило, используются для следующих четырех типов задач: 1) Классификация; 2) Прогнозирование; 3) Идентификация; 4) Оптимизация [3, с. 1]. Задача, которую может решить нейронная сеть – это прогнозирование. Для того чтобы ИНС сделала точный прогноз необходимо строго задать входные данные в определенном диапазоне. В систему вводятся следующие технико-эксплуатационные и экономические данные, относящиеся к железной дороге: 1) Наличное расписание движения; 2) Количество совершенных рейсов в этом направлении за сутки (пассажирских поездов); 3) Количество совершенных рейсов в этом направлении за сутки (ВСМ); 4) Дата отправления; 5) Количество вагонов в составе; 6) Количество вагонов «эконом», «бизнес», «1-го класса» (Классность вагонов); 7) Количество мест. Относящиеся к турниру: 1) Дата и время старта продаж билетов; 2) Стоимость билета; 3) Изменение спроса на билеты; 4) Данные фанатских объединений; 5) Данные билетных касс. Специфические (событийные) данные: 1) Стадия турнира; 2) Количество матчей в конкретном городе; 3) Посещаемость матчей; 4) Коэффициент популярности играющих команд¹. ¹Для того, чтобы получить данный коэффициент предлагается составить таблицу актуальной популярности команд, участвующих в турнире, на основе: положения в мировом рейтинге, число болельщиков, получивших визу в РФ, число местных болельщиков, территориальная близость страны (с учетом уровня благосостояния), положение на турнире, наличие громких информационных поводов. Предлагается присваивать аналитическим методом каждому критерию балл от 1.0 до 10.0, при этом, предложенные данные могут быть гибко изменены и доработаны в условиях практического применения.

Существует обширный список публикаций по анализу краткосрочного прогнозирования пассажиропотоков. Наиболее распространенным подходом, для того чтобы справиться с краткосрочными проблемами прогнозирования является метод экстраполяции. Обычно применяется множество различных моделей прототипов, однако, их можно разделить на три категории: параметрические и непараметрические методы и различные гибриды из них. Параметрические и непараметрические методы относят к функционально зависящим от принятых независимых и независимых переменных. В ходе исследования было установлено, что наилучший способ получения достоверного прогноза достигается при использовании параметрического метода. Классификация коэффициентов, которые необходимо использовать в разработке нейросетевой математической модели были выявлены ранее.

В заключении, необходимо уточнить, что целостность нейросетевой системы и, в конечном счете, правильный прогноз зависит во многом от количества и качества вводимых данных. Используя коммерческие корпоративные данные ОАО «РЖД», возможно создать действительно работающий механизм краткосрочного прогнозирования пассажиропотоков. На нынешнем этапе, в рамках данной работы, сформирована концепция и обусловлены возможности применения нейронных сетей на железной дороге, что в дальнейшем, открывает целый спектр тем для новых исследований