陆云峰，朱佳琪 （中国铁路北京局集团有限公司，北京100024）

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

0 引 言

长期以来，运输结构不优不仅降低了运输效率、推高了物流成本，也加重了环境污染、提升了安全风险。2019 年起，铁路部门秉承“交通强国、铁路先行”的历史使命，紧随国家优先发展“公转铁”的相关政策，进行了一系列尝试。

“公转铁”，即未来大宗商品的公路运输将逐步转化为铁路运输。2018 年，国务院公开发布的《打赢蓝天保卫战三年行动计划》中明确提出要大力发展铁路货运。从公路到铁路意味着运输结构的优化，积极调整运输结构是发展绿色交通体系的必由之路，现阶段京津冀及周边地区的钢铁、矿石、焦炭等大宗货物已经全面禁止汽运，改由铁路运输至集疏港。运输结构的变革，使得铁路货运中期升势明显[1]。本文以北京局集团有限公司管辖的大红门站为研究对象，预测未来几个月大红门站的公转铁业务运量。公转铁业务作为一项新兴业务，对其运量的准确预测可以帮助大红门站合理分配相关车辆人员、规划线路使用，从而提高运输及调度效率，做好配套衔接工作，更好地提升铁路货运服务质量[2]。

影响公转铁业务的因素有很多，本文以铁路货物运输量、铁路货物周转量、公路货物运输量、公路货物周转量为主要相关因素[3]。

1 BP 神经网络模型

BP 神经网络是由输入层、隐含层以及输出层构成的，每一层有N个神经元。每一层与层之间通过权值相互连接，同一层的神经元相互无连接。使用一组初始样本通过神经网络开始学习，神经元的激活值一层一层的进行传播，在输出层获得响应，接着按照使实际输出与目标输出的误差达到最小的目标进行不断的学习和训练，从输出层反方向反馈到输入层，逐层修正权值，从而实现预测的效果[4]。

本文初步建立的BP 神经网络，其输入层是和公转铁业务辆数相关联的数据，输出层为公转铁业务解体辆数以及编组辆数的实际值，通过学习以及训练，使神经网络达到最优的效果。当训练好BP 神经网络后，再用灰色GM （1,1 ）模型对自变量的预测值作为模型的输入值，通过模型输出公转铁的预测量[5]。图1 为具体步骤流程图。

2 预测实例

大红门火车站始建于1958 年，为一等站，是丰双线中的一个重要枢纽，位于北京市丰台区南苑乡境内，中心里程位于丰双线12KM+619M 处，位于大李线0KM+000M 处，隶属北京局集团有限公司双桥站管辖。大红门站按技术性质为中间站，按业务性质为货运站，不办理客运业务，承担着货运、军运、装卸任务和列车到发会让、摘挂列车的解体编组以及货场、专用线的取送任务，主要办理整列、整车、集装箱、笨重货物、超大型货物到发工作，是京津冀区地区首个铁路绿色物流配送基地。2019 年，为了响应国家号召，大红门站开展了公转铁业务。

图1 BP 神经网络预测模型结构

本文选取2019 年8 月至2020 年2 月大红门站的公转铁业务编组辆数以及解体辆数为原始数据来验证BP 神经网络模型对于公转铁业务预测的可行性。表1 为这7 个月大红门站公转铁业务编组辆数以及解体辆数与相关因素。

表1 大红门站公转铁辆数与相关因素

通过建立GM （1,1 ）模型[6]，基于表1 中的数据进行运算。

表2 GM （1,1 ）模型下大红门站公转铁业务编组辆数预测值及误差

表3 GM （1,1 ）模型下大红门站公转铁业务解体辆数预测值及误差

由表2、表3 来看，预测值有比较大的误差。

现在使用灰色BP 神经网络模型进行预测，训练参数为：迭代步数为1 000 次，误差限为0.001，学习参数为0.5，训练样本为2019 年8 月至2020 年2 月与大红门站公转铁业务编组辆数以及解体辆数相关的因素。大红门站公转铁业务编组辆数以及解体辆数作为神经网络的输出，采用Levenberg-Marquardt 为训练方法，对网络进行学习训练[7]。采用MATLAB 编程进行BP 神经网络算法的学习训练，最终得到最优化的BP 神经网络结构。对2019 年8 月至2020 年2 月的大红门站公转铁业务编组辆数以及解体辆数进行模拟得到表4、表5。

表4 BP 神经网络模型下大红门站公转铁业务编组辆数预测值及误差

表5 BP 神经网络模型下大红门站公转铁业务解体辆数预测值及误差

从表4 和表5 可以看出，使用BP 神经网络的预测精度高于GM （1,1 ）模型。现采用GM （1,1 ）模型对未来5 个月大红门站的铁路货物运输量、铁路货物周转量、公路货物运输量、公路货物周转量进行预测，以此作为BP 神经网络的输入，从而对2020年3 月至7 月该站的公转铁业务编组及解体辆数进行预测。

从数据来看，编组辆数和解体辆数与1 月2 月相比都有不同程度的提升，主要原因还是出了春节假期之后，无论是铁路货运量还是公路货运量都恢复了正常的运输量，所以也使得公转铁的业务量恢复到了一个正常的数值，由此也可得知大红门公转铁业务在未来几个月会有所提升。

表6 BP 网络模型预测结果

3 结束语

本文选取铁路货物运输量、铁路货物周转量、公路货物运输量、公路货物周转量作为BP 神经网络模型的输入，构建了最优BP 神经网络模型，对未来5 个月大红门站的公转铁业务编组辆数及解体辆数进行预测，从精确度上来看具有可行性，能够对今后大红门站公转铁业务的运量安排、装卸工作以及线路规划产生一定指导意义，同时也可为相应规模的其他车站开展公转铁业务提供参考。但任何一种预测模型都不可能做到完全精确，影响预测的因素有很多，如社会、环境、自然等因素的变化都会对预测结果产生巨大影响。本文使用的影响因素对于大红门站公转铁业务有着直接的影响，但还是有其相对狭隘性，一些不可控的因素对预测结果也会造成一定影响。公转铁作为大红门站一项新的业务，历史数据的缺乏也会给预测带来很多困难，使得预测结果不尽如人意。对于公转铁编组解体量数的预测是一个较为复杂的过程，希望各位学者对这一领域进行进一步探索。