唐慧敏，谭 雪，张小强，梁 越

不确定需求下铁路集装箱动态定价研究

唐慧敏1，谭 雪1，张小强1，梁 越2

（1. 西南交通大学，交通运输与物流学院，成都 611756；2. 交通与城市规划设计研究院，中铁二院工程集团有限责任公司，成都 610031）

针对铁路集装箱运输需求的不确定性，本文将传统线性需求模型、多元logit需求模型与基于LSTM神经网络的深度学习需求模型进行对比，以铁路承运企业利润最大为目标函数建立集装箱动态定价模型。首先，提取与集装箱运输需求相关的特征向量，采用梯度下降算法标定线性模型、多元logit模型参数和监督式学习方法训练LSTM神经网络。需求模型实验显示，与线性、多元logit模型相比，LSTM深度学习模型对集装箱运输需求的拟合精度更高。在此基础上，设计精英选择策略遗传算法结合LSTM网络的动态定价反馈机制求解集装箱动态定价模型。实例结果表明，基于LSTM网络的铁路集装箱动态定价模型能有效提升铁路货运企业收益。

铁路运输；动态定价；需求模型；收益管理；长短期记忆网络；

0 引 言

2019年我国铁路集装箱发送量同比增长30%，但运输收入增幅仅为13%[1]，铁路集装箱运输在现有需求下有较大盈利空间。我国铁路货运价格长期以来一直遵循政府定价制度，公路运价则相对灵活，因此公路运输在激烈的市场竞争下拥有更强的盈利能力。为推动铁路市场化改革，我国发布的《关于调整铁路货运价格进一步完善价格形成机制的通知》中指出应适当调整铁路货运价格，并建立运价上下浮动机制。……