張劍霞 中國鐵路上海局集團有限公司上海華鐵旅客服務有限公司

1 現(xiàn)狀分析

1.1 背景描述

近些年，中國的高鐵發(fā)展迅猛，得到提升的不僅僅是出行速度，還有旅程的數(shù)字化、信息化程度。同時，隨著生活水平的不斷提高，人們對于出行方式的快速便捷化要求也越來越高，乘坐高鐵出行已經(jīng)成為了大多數(shù)人的出行首選，而高鐵盒飯則為不少旅客解決了出行途中的“吃”問題。

2017年7月18日，中國鐵路總公司推出了“12306網(wǎng)上訂餐”服務，在動車上只要拿出你的手機，登錄12306網(wǎng)站或者手機APP，就可以預定自己路過地方的當?shù)孛朗常朗匙龊脤⑻崆八偷杰囌?，列車一到站由工作人員送到車廂。此外，列車還陸續(xù)推出了“高鐵點外賣服務”、“高鐵掃碼選餐服務”等，讓旅客在座位上享受一鍵下單、美食即刻到身邊的便捷服務。

1.2 問題分析

目前，高鐵不同車次盒飯的配餐數(shù)都是根據(jù)以往數(shù)據(jù)和業(yè)務經(jīng)驗來制定的，大都是主觀判斷，缺少科學依據(jù)，且不同價位、不同口味、不同供應商、不同交路、季節(jié)變化等因素都需要綜合考慮，相關業(yè)務人員工作量很大。

2 總體設計

2.1 目標

通過系統(tǒng)實現(xiàn)智能化預測不同線路、不同車次、不同價位和不同口味的個性化配餐需求，完成列車配餐的智能化決策。

2.2 總體思路

（1）高鐵點餐服務的便捷性和多樣化，使得高鐵餐飲數(shù)據(jù)隨著列車里程的不斷積累越來越豐富，因此我們可以通過這些海量銷售數(shù)據(jù)進行深度分析挖掘，找出旅客餐食需求的變化趨勢和規(guī)律特征，從而實現(xiàn)智能化配餐的目標。

（2）在算法選擇上，可以采用已經(jīng)成熟的大數(shù)據(jù)智能分析算法，如RBF神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡、時間序列模型、先知模型等對數(shù)據(jù)進行智能化分析預測。

3 系統(tǒng)設計

3.1 數(shù)據(jù)采集

（1）對列車運行過程中產(chǎn)生的實時銷售數(shù)據(jù)進行實時采集，主要包括列車乘務員的手持終端以及掃碼點餐的移動端APP的數(shù)據(jù)等進行實時抽取對接。

（2）采集方式：存放實時數(shù)據(jù)的關系型數(shù)據(jù)庫，如MySQL，與高鐵配餐智能化預測大數(shù)據(jù)平臺做實時數(shù)據(jù)同步。

3.2 數(shù)據(jù)處理

利用智能算法處理異常記錄、缺失數(shù)據(jù)等。常用的數(shù)據(jù)預處理的技術主要包括缺失值填充技術、數(shù)據(jù)抽樣技術、變量處理技術、數(shù)據(jù)重構技術、數(shù)據(jù)無量綱處理技術等。

3.2.1 缺失數(shù)據(jù)處理

缺失值填充是針對帶有缺失值的數(shù)據(jù)進行處理，因為有的分析算法在進行數(shù)據(jù)分析前要求數(shù)據(jù)是無缺失的，所以數(shù)據(jù)的缺失值填充是非常關鍵的一步，對后續(xù)的分析影響很大。一般的缺失值填充方法見表1。

表1 缺失值填充方法列表

本系統(tǒng)根據(jù)數(shù)據(jù)特征進行缺失值填充處理，主要采用線性插值法進行填充處理。

3.2.2 異常值處理

異常值處理用來發(fā)現(xiàn)“小的模式”(相對于聚類而言)，即數(shù)據(jù)集中顯著不同于其它數(shù)據(jù)的對象，也稱為孤立點。

Hawkins(1980)給出孤立點（outlier）的定義：孤立點是在數(shù)據(jù)集中與眾不同的數(shù)據(jù)，使人懷疑這些數(shù)據(jù)并非隨機孤立點，而是產(chǎn)生于完全不同的機制。孤立點可能在聚集運行或者檢測的時候被發(fā)現(xiàn)，比如一個人的年齡是999，這在對數(shù)據(jù)庫進行檢測的時候就會被發(fā)現(xiàn)。還有就是outlier可能是本身就固有的，而不是一個錯誤，比如CEO的工資就比一般員工的工資高出很多。

孤立點算法是基于距離的：設Dk（p）表示點p和它的第k個最近鄰居的距離。直觀地看，Dk（p）越大，p越有可能成為孤立點。給定d維空間中包含N個點的數(shù)據(jù)集、參數(shù)n（孤立點個數(shù)）和k（偏差距離），如果滿足Dk（p'）＞Dk（p）的點p'不超過n-1個，那么稱p為Dnk孤立點。如果對所有數(shù)據(jù)點根據(jù)其Dk（p）距離進行從大到小排序，那么前n個點就被看作是孤立點。

最后，我們可以根據(jù)數(shù)據(jù)特征將異常值進行剔除。

3.2.3 預測建模

將神經(jīng)網(wǎng)絡模型、時間序列模型與先知模型分別帶入該預測模型中，根據(jù)模型精度進行優(yōu)化調(diào)整參數(shù)，并選取預測精度最高的作為本次建模的算法。

按照實際訓練效果，采用先知模型的效果最好，模型精度最高。

Prophet模型是指將經(jīng)濟社會增長與節(jié)假日等影響因素加入到模型中，具體模型如下：

g（t）用于擬合時間序列中的分段線性增長或邏輯增長等非周期變化。

（1）邏輯增長模型

其中，C是飽和值，k是增長率，m是偏執(zhí)參數(shù)。

因為C是隨時間t變化的，且k也會隨著一些其他不確定因素發(fā)生改變。故該模型需做一些改進。

在時間序列中設置若干個轉變點Sj，j=1，2...，S，在這些轉變點上k的值會發(fā)生改變。改變量為σj表示在時間tj處的變化量，構建出向量a（t）∈｛0，1｝s

則增長率在時間t的表達式變?yōu)椋?/p>

當增長率發(fā)生變化時，偏執(zhí)參數(shù)m也應隨之做出相應的調(diào)整，來連接時間片段的尾部。在轉折點j處對偏執(zhí)參數(shù)的調(diào)整量如下:

因此得到分段logistic趨勢模型：

邏輯增長模型適合有增長趨勢的預測問題，而對于沒有增長趨勢的預測問題時，線性增長率模型則更加有效：

同理，k是增長率，σ是增長率的調(diào)整值，m是偏執(zhí)參數(shù)，γj設置為-sjσj來使得函數(shù)連續(xù)。

（2）s（t）周期變化（每周/每年的季節(jié)性）

本研究主要依靠傅里葉級數(shù)來構造靈活的周期性模型，可以設置p為我們想要的時間序列的規(guī)則周期長度，這樣就得到了任意平滑周期效應的估算值：

為了擬合周期性，需要估計這 2N 個參數(shù)β=[a1，b1，...，aN，bN]。這是通過對歷史上和未來的每個t值構建一個季節(jié)性向量矩陣來實現(xiàn)的。

在我們的生成模型中，我們采用β～Normal（0，δ2）來對季節(jié)性施加一個先驗分布。

將傅里葉級數(shù)的項數(shù)N進行截斷相當于對季節(jié)性施加了一個低通過濾波器，增加N能夠提高擬合效率，但可能會出現(xiàn)過擬合。這些參數(shù)的選擇能夠通過模型選擇程序來自動實現(xiàn)。

（3）h（t）非規(guī)律變化的節(jié)假日效應

整理出這種非規(guī)律變化的節(jié)假日或事件（過去和未來），認為它們的作用是獨立的，并考慮進模型中。對于每個節(jié)假日i，讓Di設置為過去和未來節(jié)假日的集合，添加一個指示函數(shù)來表明時間t是否在節(jié)假日i中，并對每一個節(jié)假日設定一個參數(shù)ki來對應出預測中變化。與季節(jié)性模型處理方法類似，生成一個回歸元的矩陣：

與季節(jié)性模型類似，采用先驗k～Normal（0，δ2），ε為誤差項，用來反映未在模型中體現(xiàn)的異常變動。

3.3 數(shù)據(jù)源

（1）數(shù)據(jù)源的來源

基于大數(shù)據(jù)、云計算等技術，構建高鐵智能化配餐云平臺，采集配餐業(yè)務相關的各種數(shù)據(jù)源，主要分為三部分：一是ERP系統(tǒng)數(shù)據(jù)，包括銷售數(shù)據(jù)、庫存數(shù)據(jù)、退損數(shù)據(jù)、供應商數(shù)據(jù)等；二是手持終端數(shù)據(jù)，包括列車乘務員手持設備的實時銷售數(shù)據(jù)、掃碼點餐數(shù)據(jù)等；三是其它數(shù)據(jù)，包括客流數(shù)據(jù)、天氣、宏觀經(jīng)濟等外部數(shù)據(jù)。

（2）利用數(shù)據(jù)源構建服務引擎

我們可以利用馬克威的算法引擎服務對配餐數(shù)據(jù)進行分析挖掘，建模預測。算法引擎主要包括機器學習算法、數(shù)據(jù)挖掘算法、統(tǒng)計分析算法、數(shù)據(jù)處理算法等。

（3）可視化展示數(shù)據(jù)分析結果

配餐預測模型結果進行可視化的展示，既可以提供傳統(tǒng)的餅狀圖、柱狀圖、折線圖及數(shù)據(jù)表結合等展現(xiàn)形式，還可以提供包括決策樹、地圖分布、駕駛艙、儀表盤、全景視圖和多維立方體等大數(shù)據(jù)分析的展現(xiàn)方式。

3.4 模型的應用

以G2車次數(shù)據(jù)為例：將導出的G2總盒飯數(shù)TOTAL輸入模型，調(diào)整預測周期，得到G2總盒飯數(shù)的預測值，圖1為預測周期為2周的預測值。

圖1 對G2進行2周預測的預測值

模型將預測值寫入數(shù)據(jù)庫里的G02_FORECAST表中，將實際值寫入G02_TOTAL表中便于查看對比，高鐵配餐智能化預測系統(tǒng)WEB界面將直接調(diào)用這兩個值做出曲線圖，圖2即為WEB界面實際值與預測值曲線圖。

圖2 WEB界面實際值與預測值曲線圖

4 結束語

本文利用大數(shù)據(jù)智能算法模型，通過大量的統(tǒng)計數(shù)據(jù)對高鐵配餐的現(xiàn)狀進行了系統(tǒng)化的分析，努力實現(xiàn)高鐵智能化配餐的目標。智能化的目標主要體現(xiàn)以下幾個方面：

（1）預測多樣化的需求

預測不同線路、不同車次的冷鏈類盒飯的需求，并根據(jù)季節(jié)、假日、突發(fā)情況等因素對列車盒飯進行合理調(diào)配，努力滿足不同旅客的多樣化需求，同時降低配送成本。

（2）實現(xiàn)精細化管理

提高精細化管理能力和精準化服務水平，為高鐵配餐計劃的制訂和管理提供數(shù)據(jù)支持，為旅客提供貼近實際需求的餐飲供應。

（3）提供決策支持

提高模型預測能力，實現(xiàn)提前預知預警，為高鐵配餐提供決策支持，實現(xiàn)高鐵配餐業(yè)務的有的放矢，既滿足旅客需求又避免了浪費。

（4）提高管理水平

對高鐵配餐作業(yè)數(shù)據(jù)進行收集、保存、處理，提供配餐在線預測系統(tǒng)，自動生成預測報表，進一步提高高鐵配餐管理效率和水平。