上海局高铁智能化配餐分析和对策研究

张剑霞 中国铁路上海局集团有限公司上海华铁旅客服务有限公司

1 现状分析

1.1 背景描述

近些年，中国的高铁发展迅猛，得到提升的不仅仅是出行速度，还有旅程的数字化、信息化程度。同时，随着生活水平的不断提高，人们对于出行方式的快速便捷化要求也越来越高，乘坐高铁出行已经成为了大多数人的出行首选，而高铁盒饭则为不少旅客解决了出行途中的“吃”问题。

2017年7月18日，中国铁路总公司推出了“12306网上订餐”服务，在动车上只要拿出你的手机，登录12306网站或者手机APP，就可以预定自己路过地方的当地美食，美食做好将提前送到车站，列车一到站由工作人员送到车厢。此外，列车还陆续推出了“高铁点外卖服务”、“高铁扫码选餐服务”等，让旅客在座位上享受一键下单、美食即刻到身边的便捷服务。

1.2 问题分析

目前，高铁不同车次盒饭的配餐数都是根据以往数据和业务经验来制定的，大都是主观判断，缺少科学依据，且不同价位、不同口味、不同供应商、不同交路、季节变化等因素都需要综合考虑，相关业务人员工作量很大。

2 总体设计

2.1 目标

通过系统实现智能化预测不同线路、不同车次、不同价位和不同口味的个性化配餐需求，完成列车配餐的智能化决策。

2.2 总体思路

（1）高铁点餐服务的便捷性和多样化，使得高铁餐饮数据随着列车里程的不断积累越来越丰富，因此我们可以通过这些海量销售数据进行深度分析挖掘，找出旅客餐食需求的变化趋势和规律特征，从而实现智能化配餐的目标。

（2）在算法选择上，可以采用已经成熟的大数据智能分析算法，如RBF神经网络、BP神经网络、时间序列模型、先知模型等对数据进行智能化分析预测。

3 系统设计

3.1 数据采集

（1）对列车运行过程中产生的实时销售数据进行实时采集，主要包括列车乘务员的手持终端以及扫码点餐的移动端APP的数据等进行实时抽取对接。

（2）采集方式：存放实时数据的关系型数据库，如MySQL，与高铁配餐智能化预测大数据平台做实时数据同步。

3.2 数据处理

利用智能算法处理异常记录、缺失数据等。常用的数据预处理的技术主要包括缺失值填充技术、数据抽样技术、变量处理技术、数据重构技术、数据无量纲处理技术等。

3.2.1 缺失数据处理

缺失值填充是针对带有缺失值的数据进行处理，因为有的分析算法在进行数据分析前要求数据是无缺失的，所以数据的缺失值填充是非常关键的一步，对后续的分析影响很大。一般的缺失值填充方法见表1。

表1 缺失值填充方法列表

本系统根据数据特征进行缺失值填充处理，主要采用线性插值法进行填充处理。

3.2.2 异常值处理

异常值处理用来发现“小的模式”(相对于聚类而言)，即数据集中显著不同于其它数据的对象，也称为孤立点。

Hawkins(1980)给出孤立点（outlier）的定义：孤立点是在数据集中与众不同的数据，使人怀疑这些数据并非随机孤立点，而是产生于完全不同的机制。孤立点可能在聚集运行或者检测的时候被发现，比如一个人的年龄是999，这在对数据库进行检测的时候就会被发现。还有就是outlier可能是本身就固有的，而不是一个错误，比如CEO的工资就比一般员工的工资高出很多。

孤立点算法是基于距离的：设Dk（p）表示点p和它的第k个最近邻居的距离。直观地看，Dk（p）越大，p越有可能成为孤立点。给定d维空间中包含N个点的数据集、参数n（孤立点个数）和k（偏差距离），如果满足Dk（p'）＞Dk（p）的点p'不超过n-1个，那么称p为Dnk孤立点。如果对所有数据点根据其Dk（p）距离进行从大到小排序，那么前n个点就被看作是孤立点。

最后，我们可以根据数据特征将异常值进行剔除。

3.2.3 预测建模

将神经网络模型、时间序列模型与先知模型分别带入该预测模型中，根据模型精度进行优化调整参数，并选取预测精度最高的作为本次建模的算法。

按照实际训练效果，采用先知模型的效果最好，模型精度最高。

Prophet模型是指将经济社会增长与节假日等影响因素加入到模型中，具体模型如下：

g（t）用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化。

（1）逻辑增长模型

其中，C是饱和值，k是增长率，m是偏执参数。

因为C是随时间t变化的，且k也会随着一些其他不确定因素发生改变。故该模型需做一些改进。

在时间序列中设置若干个转变点Sj，j=1，2...，S，在这些转变点上k的值会发生改变。改变量为σj表示在时间tj处的变化量，构建出向量a（t）∈｛0，1｝s

则增长率在时间t的表达式变为：

当增长率发生变化时，偏执参数m也应随之做出相应的调整，来连接时间片段的尾部。在转折点j处对偏执参数的调整量如下:

因此得到分段logistic趋势模型：

逻辑增长模型适合有增长趋势的预测问题，而对于没有增长趋势的预测问题时，线性增长率模型则更加有效：

同理，k是增长率，σ是增长率的调整值，m是偏执参数，γj设置为-sjσj来使得函数连续。

（2）s（t）周期变化（每周/每年的季节性）

本研究主要依靠傅里叶级数来构造灵活的周期性模型，可以设置p为我们想要的时间序列的规则周期长度，这样就得到了任意平滑周期效应的估算值：

为了拟合周期性，需要估计这 2N 个参数β=[a1，b1，...，aN，bN]。这是通过对历史上和未来的每个t值构建一个季节性向量矩阵来实现的。

在我们的生成模型中，我们采用β～Normal（0，δ2）来对季节性施加一个先验分布。

将傅里叶级数的项数N进行截断相当于对季节性施加了一个低通过滤波器，增加N能够提高拟合效率，但可能会出现过拟合。这些参数的选择能够通过模型选择程序来自动实现。

（3）h（t）非规律变化的节假日效应

整理出这种非规律变化的节假日或事件（过去和未来），认为它们的作用是独立的，并考虑进模型中。对于每个节假日i，让Di设置为过去和未来节假日的集合，添加一个指示函数来表明时间t是否在节假日i中，并对每一个节假日设定一个参数ki来对应出预测中变化。与季节性模型处理方法类似，生成一个回归元的矩阵：

与季节性模型类似，采用先验k～Normal（0，δ2），ε为误差项，用来反映未在模型中体现的异常变动。

3.3 数据源

（1）数据源的来源

基于大数据、云计算等技术，构建高铁智能化配餐云平台，采集配餐业务相关的各种数据源，主要分为三部分：一是ERP系统数据，包括销售数据、库存数据、退损数据、供应商数据等；二是手持终端数据，包括列车乘务员手持设备的实时销售数据、扫码点餐数据等；三是其它数据，包括客流数据、天气、宏观经济等外部数据。

（2）利用数据源构建服务引擎

我们可以利用马克威的算法引擎服务对配餐数据进行分析挖掘，建模预测。算法引擎主要包括机器学习算法、数据挖掘算法、统计分析算法、数据处理算法等。

（3）可视化展示数据分析结果

配餐预测模型结果进行可视化的展示，既可以提供传统的饼状图、柱状图、折线图及数据表结合等展现形式，还可以提供包括决策树、地图分布、驾驶舱、仪表盘、全景视图和多维立方体等大数据分析的展现方式。

3.4 模型的应用

以G2车次数据为例：将导出的G2总盒饭数TOTAL输入模型，调整预测周期，得到G2总盒饭数的预测值，图1为预测周期为2周的预测值。

图1 对G2进行2周预测的预测值

模型将预测值写入数据库里的G02_FORECAST表中，将实际值写入G02_TOTAL表中便于查看对比，高铁配餐智能化预测系统WEB界面将直接调用这两个值做出曲线图，图2即为WEB界面实际值与预测值曲线图。

图2 WEB界面实际值与预测值曲线图

4 结束语

本文利用大数据智能算法模型，通过大量的统计数据对高铁配餐的现状进行了系统化的分析，努力实现高铁智能化配餐的目标。智能化的目标主要体现以下几个方面：

（1）预测多样化的需求

预测不同线路、不同车次的冷链类盒饭的需求，并根据季节、假日、突发情况等因素对列车盒饭进行合理调配，努力满足不同旅客的多样化需求，同时降低配送成本。

（2）实现精细化管理

提高精细化管理能力和精准化服务水平，为高铁配餐计划的制订和管理提供数据支持，为旅客提供贴近实际需求的餐饮供应。

（3）提供决策支持

提高模型预测能力，实现提前预知预警，为高铁配餐提供决策支持，实现高铁配餐业务的有的放矢，既满足旅客需求又避免了浪费。

（4）提高管理水平

对高铁配餐作业数据进行收集、保存、处理，提供配餐在线预测系统，自动生成预测报表，进一步提高高铁配餐管理效率和水平。