Prediction model for daily surplus of freight transportation based on machine learning regression algorithm
-
摘要:
针对承运制清算对铁路局集团公司货物运输（简称：货运）收入及营业收入的影响，为贯彻落实 “以承运盈余目标为导向”的货运经营理念，实现货运经营效益最大化，文章运用多种机器学习回归算法，针对每项货运承运费用分别构建预测模型，并根据不同算法模型在测试集上的多项评估指标的表现，选定一种最佳模型，进行货运承运运费和承运对外付费每日按票预测，从而提前掌握每日承运盈余结果。研究表明，极端森林回归（ETR ，Extra Trees Regressor）算法多项评估指标均表现最好，运用其构建的模型可更为精准地实现货运承运日盈余预测。截至2024年4月，该预测模型共完成约
1033 万张货票相关承运费用的预测，整体预测误差率在1.7%以下，充分发挥了数据要素价值，为货运效益分析及经营决策等提供数据支撑。Abstract:In order to implement the freight management concept of "surplus oriented transportation" and maximize the efficiency of freight management, this paper used multiple machine learning regression algorithms to construct prediction models for each freight transportation cost, and selected the best model based on the performance of different algorithm models on multiple evaluation indicators on the test set, predicted freight charges and external payments by ticket on a daily basis, in order to gain an early understanding of the daily shipping surplus results. The research results indicate that the Extra Trees Regression (ETR) algorithm performs the best in multiple evaluation indicators, and the model constructed using it can implement more accurate prediction of daily freight earnings. As of April 2024, the prediction model has completed predictions for approximately 10.33 million freight bills related to transportation costs, with an overall prediction error rate of less than 1.7%. It fully utilizes the value of data elements and provides data support for freight benefit analysis and business decision-making.
-
铁路大桥作为铁路线路防护重点区域，存在非法穿越、员工误入等人员侵入界限（简称：侵限）行为，给铁路运营带来严重的事故隐患，因此，亟需对铁路大桥的人员入侵情况进行实时监测，保障列车安全运行[1-2]。
目前，针对铁路大桥，多采用人员巡检和护栏布设等手段防止人员入侵，监测的时空范围和防护能力有限。部分铁路桥梁虽然布设了摄像头等监测设备，仍存在误报频繁、依赖人工辨识等问题，检测精度和智能化水平有待进一步提高。针对铁路侵限监测，相关研究人员提出了电网检测[3]、光纤光栅检测[4]、超声波检测[5]、红外线检测[6]、视频检测[7-8]、激光雷达检测[9]等方法，相较之下，视频检测法技术更加成熟，具有检测范围大、检测精度高、获取信息量大等优点[10]。
随着智能视频分析技术的快速发展，基于深度学习的目标检测模型被广泛应用于铁路周界入侵监测[11-12]。作为智能视觉领域重要研究方向，目标检测可以找出图像中所有感兴趣目标，并对之进行定位和分类。作为当前主流的目标检测模型，YOLOv5已在京张（北京—张家口）铁路等轨道交通场景开展了实际应用[13]，具有强鲁棒性和高泛化能力。
光学相机及人工智能技术的快速发展，使得智能视频分析的检测方法被广泛应用于铁路安全保障领域，并取得良好的监测效果。基于此，本文研究铁路大桥人员入侵智能检测技术，构建基于智能视觉的铁路大桥人员入侵防护系统（简称：铁路大桥人员入侵防护系统），实现对入侵人员的实时精准监测，提升铁路大桥人员入侵检测精度和防护水平，有效保障铁路运输安全。
1 系统设计
1.1 系统组成及功能
铁路大桥人员入侵防护系统由视频平台、智能视觉平台及业务管理平台组成，如图1所示。
1.1.1 视频平台及其功能
视频平台主要由视频监测摄像头、数据前端处理模块、数据传输模块等组成。视频监测摄像头由云台、枪机等高清摄像头组成，用于现场数据的采集；数据前端处理模块主要负责图像数据的预处理和暂时存储；数据传输模块主要负责监测数据的回传，包括网口有线传输和4G无线回传等传输模式。视频平台支持相机注册接入及数据采集功能，支持远程视频查看、视频存储及回放等功能。
1.1.2 智能视觉平台及其功能
智能视觉平台通过实时流传输协议（RTSP，Real Time Streaming Protocol）接收视频平台的数据，通过运行深度学习模型，实时监测桥面情况；当检测到人员入侵时，产生告警信息并发送至业务管理平台。
智能视觉平台架构如图2所示。该平台主要提供对图像与视频的智能分析能力，针对铁路海量视频与图像数据，综合运用深度神经网络技术、图像处理技术、视频流分发存储技术，实现数据的智能视觉分析与应用；以组件化的形式提供视频采集、解码、预处理、推理、跟踪、渲染、编码输出等功能，其核心是提供面向铁路场景的视频分析算法库和模型库，及推理加速能力。
1.1.3 业务管理平台及其功能
业务管理平台支持告警信息实时查看、处理，以及历史告警信息查询、结果统计分析、数据查询等操作。
图3所示为业务管理平台告警时抓拍记录的图片，红色线条表示绘制的危险区域，当人员进入该区域时产生告警，便于人工复核，进一步确认入侵情况。
1.2 检测流程
铁路大桥人员入侵防护系统的检测流程如图4所示。
（1） 设置相机预置位与守望位，避免人为移动相机后检测位置不准确；
（2） 配置相机参数，如昼夜参数转换、分辨率、帧率、定时重启等，满足检测基本要求；
（3） 配置检测区域与检测时间，当特定时间段内进入特定区域时产生告警信息；
（4） 配置系统运行参数后开始识别，实时上报告警信息，并通知相关业务人员及时处理。
1.3 系统特点
铁路大桥人员入侵防护系统具有以下特点。
（1）灵活性高：支持自定义危险区域绘制，灵活设置重点关注区域位置。
（2）全天候检测：采用深度学习算法进行人员检测，可适应不同光照条件下的检测。
（3）检测精度高：支持不同远近、不同大小人体目标检测。
（4）响应速度快：连续帧实时目标检测，当有人员进入危险区域时，在1 s内即可产生报警。
（5）可靠性高：采用连续滑窗动态检测，当在一定时间段内持续入侵时，才进行实时检测入侵情况，避免单帧误检引起的误报。
2 关键技术
桥面人员入侵检测的实时性和准确性是制约智能视频检测技术应用的关键问题。本文采用YOLOv5目标检测模型进行人员入侵检测，该模型的网络结构主要由主干（Backbone）网络、颈部（Neck）网络和头部（Head）网络组成。
采用Backbone网络对图像特征进行提取；采用注意力机制（Focus）+跨阶段局部（CSP，Cross Stage Partial）网络模块，以提升图像特征提取速度和检测实时性；采用Neck网络对不同网络层的特征图进行融合，获取图像更丰富的特征信息，以提升检测的准确性；由Head网络层输出检测结果，通过检测框的平移和校准，进一步提升检测的准确性。
2.1 Backbone网络
Backbone网络用于提取图像特征，供后续网络结构使用。YOLOv5的Backbone网络中使用了Focus模块，并设计了2种CSP结构，在保证模型精度的同时大幅提高推理速度；同时，使用空间金字塔池化（SPP，Spatial Pyramid Polling）模块获取不同尺度信息，提高模型性能。
2.1.1 Focus模块
图像输入主干网络之前，先由Focus模块对其进行切片操作，将高分辨率图像拆分成多个低分辨率图像。以一个像素为4×4×3的输入图像为例，对输入特征图进行间隔采样，并将采样结果在通道维度进行拼接，将通道数扩充为原来的4倍，输出像素为2×2×12的特征图，后续的网络层都在新的特征图上进行卷积操作。
假设图像像素为640×640×3，将其输入到YOLOv5中，经过Focus层进行切片操作之后得到像素为320×320×12的特征图，再与通道数为32的卷积层进行卷积操作，最后得到像素为320×320×32的特征图。利用Focus切片操作将图像的平面信息转换为通道维度，可以在确保图像信息无损的前提下实现两倍下采样操作，有效提升网络推理速度。
2.1.2 CPS结构
针对网络优化时，因存在梯度重复计算而导致的推理计算量过大问题，YOLOv5借鉴CSPNet思想，设计了2种CSP模块。其中，CSP1_X用于主干网络，该模块将特征图按通道拆分为两部分，一部分进行标准卷积操作，另一部分利用残差网络思想构建残差组件。最后将这两部分合并得到新的特征图，以避免重复计算梯度值，提高模型推理速度。此外，CSP结构在反向传播过程中可以增强梯度值，当主干网络的层数较深时，可以缓解梯度消失的问题，增强网络的特征提取能力。CSP2_X则用于Neck网络，模块使用卷积层代替残差组件，将输入的特征图分为两部分，分别计算之后再融合，以保留更多图像信息。研究表明，引入CSP模块可有效增强模型的学习能力，能在大幅减少模型计算量的同时保证检测精度。
2.1.3 SPP模块
SPP模块的主要思想是将不同大小的池化层叠加在一起，每个池化层大小与感受野大小成正比，最终获取不同大小的感受野。SPP模块将特征图并行输入到卷积核像素为5×5、9×9和13×13的最大池化层，得到3个最大池化后的特征图，再将4个感受野不同的特征图（分别为输入特征图及3个最大池化后的特征图）拼接到一起。
2.2 Neck网络
针对随着网络层数增加而出现的图像局部信息消失问题，YOLOv5利用Neck网络融合不同像素的特征图，以获取更丰富的图像特征信息，通过将这些经过处理后的特征输入到Head层，更好地分类和定位目标。
在YOLOv5中，Neck网络首先接收Backbone网络的3个不同像素的特征图，将其作为输入，采用特征金字塔网络（FPN，Feature Pyramid Network）结构对深层特征图采样后与浅层特征图融合；再采用PAN（Pyramid Attention Network）结构增加一个自底向上的特征金字塔，对浅层特征图采样后与深层特征图融合。YOLOv5结合FPN和PAN结构，这种设计方式既能自顶向下传递强语义信息，又能自底向上传达强边缘信息，可以有效提高模型性能。
2.3 Head网络
YOLOv5在进行目标检测任务时，首先将图像输入到Backbone网络并提取特征，将Backbone网络提取的特征输入到Neck网络进行加工处理，最后由Head网络层输出目标类别。Head网络层主要负责根据预测的位置偏移量修正候选框的位置，进而得到更加精准的检测结果。
3 现场测试
本文提出的铁路大桥人员入侵防护系统在包神铁路集团有限公司（简称：包神铁路公司）万南站区黄河大桥进行了部署和测试。
3.1 硬件部署
在包神铁路公司万南站区黄河大桥对铁路大桥人员入侵防护系统的硬件设备进行了安装、部署。黄河大桥全长856 m，南北走向。为实现桥面人员入侵检测，在大桥的南、中、北这3个位置分别安装双摄像头，共6个摄像头，如图5所示，实现桥面无死角监控。采用深度学习服务器部署智能视觉平台及业务管理平台，服务器参数如表1所示。
表 1 铁路大桥人员入侵防护系统服务器参数处理器 Intel Xeon Silver 4214R 2.4G/12Core/16.5M/100W/Tray 内存模块 32GB DDR4-2933 ECC REG 存储模块 Seagate ST2000NM0008 2TB/128M/7200RPM/SATA/3.5" GPU NVIDIA Tesla T4 GPU 75W 16GB LP Passive 900-2G183-0000-00 网络 双万兆以太网端口 操作系统 Ubuntu18.04 3.2 模型训练
3.2.1 数据集与数据预处理
在黄河大桥现场，使用桥面相机采集入侵人员图像数据。该数据集覆盖不同时间段、不同天气等各种场景，包含铁路大桥人员入侵的多数情况。通过图像标注软件Labelmg对入侵人员进行标定，共包含27 200张图像数据。按照9 : 1的比例划分训练集与测试集，即24 480张图像用来训练，2 720张用来测试。部分数据集样本如图6所示。
铁路桥梁类型多样，桥梁人员侵限的种类复杂，而基于有限数据进行模型训练的结果具有泛化能力差、场景适应度低等问题，这也是制约人员入侵检测精度的又一关键问题。为提高模型的泛化能力，本文采用随机裁剪、随机翻转、色彩抖动、高斯噪声、Mosaic等图像数据增强技术，增强原始图像数据，解决训练样本不足和样本类型单一的问题，有助于 YOLOv5目标检测模型学习到更多图像特征，提升该模型的泛化能力和场景适应能力。
3.2.2 数据集与数据预处理
表 2 实验环境环境配置 名称 信息 硬件配置 GPU NVIDIA TITAN V CPU Intel Core i7-11800H 内存 16G 显存 12G 软件环境 操作系统 Ubuntu18.04 Python 3.8.0 Pytorch 1.8.0 CUDA 11.1 cuDNN 8.1.0 表 3 超参数设置名称 数值 输入图像分辨率 640×640×3 迭代运行次数 300 批处理大小 4 优化器 SGD 初始学习率 0.01 周期学习率 0.01 学习率动量 0.99 权重衰减系数 0.0001 3.2.3 性能评估
使用训练集数据对YOLOv5目标检测模型进行训练，在每个训练周期（epoch）结束后计算模型损失，并更新模型参数，训练过程Loss变化曲线如图7所示；在训练过程中，从训练集中选择一部分数据作为验证集，用来评估 YOLOv5 目标检测模型的性能，计算该模型在不同指标下的精度和召回率等指标；使用测试集数据测试YOLOv5目标检测模型，评估该模型在新数据上的性能。测试结果为：在测试集上人员检测的准确率为95.3%；在NVIDIA Tesla T4设备上，单张图片平均测试时间为2 ms；人员检测的准确率与实时性均满足工程实际应用要求。
4 结束语
本文设计了基于智能视觉的铁路大桥人员入侵防护系统。采用YOLOV5目标检测模型和多种图像数据增强技术，提升入侵人员检测的准确率和实时性，确保模型的泛化能力与场景适应能力。该系统在包神铁路集团万南站区黄河大桥进行了部署和测试，验证了该系统的有效性和可靠性，实现了高可靠、高精度准确率、全天候实时入侵检测。
本系统可在以下方面持续优化。
（1）工作服区分法：在正常的天窗施工期间，也会有人员告警，大多数为铁路施工人员。未来，可优化深度学习模型，通过工作服区分是否为工作人员，避免误报。
（2）自适应检测区域法：由于桥面相机为多专业共用，会出现人为移动位置的情况，导致绘制的检测区域出现偏差。未来，可通过轨道区域检测等方法，自动调整危险区域，避免漏报。
-
表 1 部分数值型数据项的分布特征基本指标
平均数 中位数 最小值 最大值 标准差 偏态系数 峰态系数 总里程 1516.50/km 711/km 4.00/km 5739.00/km 1445.49/km 0.79 −0.86 计费重量 60.60/t 64/t 0.00 3780.00/t 84.20/t 37.69 1482.58 计费重量合计 358.46/t 64/t 0.00 68200.00/t 3542.40/t 12.46 164.53 总重量 83.55/t 86.2/t 10.89/t 5105.50/t 111.59/t 38.58 1530.24 货物总重量 60355.94/kg 64000/kg 0.00 3780000.00/kg 84251.92/kg 37.63 1479.70 国铁运费 7475.50/元 4556.1/元 0.00 538075.96/元 8720.41/元 10.05 406.90 地铁运费 2437.35/元 1860.46/元 0.00 131927.34/元 3028.91/元 6.34 165.98 运费合计 9915.32/元 5583.58/元 11.30/元 670003.30/元 10589.48/元 10.54 433.33 
下载: 导出CSV
表 2 部分费用在5类模型上的WMAPE
费用类型 RFR GBR ETR XGBR stack 线路使用费 17.311‰ 22.950‰ 16.694‰ 17.949‰ 16.577‰ 线路使用费_对外 17.366‰ 20.322‰ 16.679‰ 17.650‰ 16.749‰ 车辆服务费 0.047‰ 0.319‰ 0.021‰ 0.251‰ 0.045‰ 车辆服务费_对外 3.282‰ 6.405‰ 1.861‰ 2.153‰ 1.911‰ 基准运费 0.040‰ 0.033‰ 0.012‰ 1.569‰ 0.077‰ 平均数 7.609‰ 10.006‰ 7.053‰ 7.914‰ 7.072‰
下载: 导出CSV
表 3 部分费用在5类模型上的R2
费用类型 RFR GBR ETR XGBR stack 线路使用费 0.9807 0.9730 0.9810 0.9814 0.9810 线路使用费_对外 0.9856 0.9791 0.9864 0.9863 0.9864 车辆服务费 0.9915 0.9913 0.9915 0.9911 0.9913 车辆服务费_对外 0.9910 0.9900 0.9914 0.9912 0.9912 基准运费 0.9879 0.9864 0.9881 0.9879 0.9881 平均数 0.9873 0.9840 0.9877 0.9876 0.9876
下载: 导出CSV
表 4 本文预测模型在实际应用中的预测结果
费用项目 实际值/万元 预测值/万元 WMAPE 承运盈余 163392.36 163154.04 1.459‰ 承运运费 330079.23 330038.87 0.122‰ 基准运费 321777.96 321788.11 0.032‰ 高出归己 4876.72 4890.57 2.84‰ 高出归局 3424.55 3360.18 18.794‰ 承运付费（全付费） 260678.86 262755.55 7.966‰ 车辆服务费 48930.37 48945.97 0.319‰ 到达服务费 10316.04 10313.10 0.285‰ 机车牵引费 106734.26 107672.30 8.789‰ 线路使用费 72356.24 73564.10 16.694‰ 综合服务费 22341.95 22260.09 3.664‰ 承运付费（对外付费） 166686.87 166884.83 1.188‰ 车辆服务费 29177.35 29246.11 2.357‰ 到达服务费 5694.49 5628.75 11.545‰ 机车牵引费 66192.92 65747.93 6.723‰ 线路使用费 43280.16 44001.94 16.677‰ 综合服务费 22341.95 22260.09 3.664‰
下载: 导出CSV
-
[1] 中国铁路总公司. 铁路货物运输进款清算办法(试行):铁总财[2017]333号[R]. 北京:中国铁路总公司,2017. [2] 赵 晨,吕成文,唐恩斌. 基于总线原理的铁路货运承运清算模型构建与应用[J]. 铁道经济研究,2023(2):12-16. [3] 马长青. 铁路局集团公司级货运清算收入测算分析模型的构建与应用[J]. 铁道运输与经济,2023,45(10):148-155. [4] 谢大锋,安 腾,霍鹏敏. 基于大数据的未到达货票清算预测平台研究[J]. 铁路计算机应用,2019,28(10):35-38. [5] 中国铁路总公司. 中国铁路总公司关于修订《铁路货物运输进款清算办法(试行)》部分内容的通知:铁总财[2019]19号[Z]. 北京:中国铁路总公司,2019. [6] 中国国家铁路集团有限公司. “十四五”铁路网络安全和信息化规划:铁科信[2022]16号[Z]. 北京:中国国家铁路集团有限公司,2022. [7] 中国国家铁路集团有限公司. 数字铁路规划:铁科信[2023]105号[Z]. 北京:中国国家铁路集团有限公司,2023. [8] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI: 10.1023/A:1010933404324
[9] Friedman J H. Greedy function approximation: a gradient boosting machine[J]. The Annals of Statistics, 2001, 29(5): 1189-1232. DOI: 10.1214/aos/1013203450
[10] Geurts P, Ernst D, Wehenkel L. Extreme gradient boosting for regression and time series forecasting[J]. Machine Learning, 2006, 64(1): 41-64.
[11] Chen TQ, Guestrin C. XGBoost: a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13-17 August, 2016, San Francisco, USA. New York, USA: ACM, 2016. 785-794.
-
期刊类型引用(5)
1. 于孔燕. 大型桥梁支座板铸造工艺及低温性能研究. 现代制造技术与装备. 2024(09): 127-129 . 
百度学术
2. 刘敖然. 城市轨道交通桥梁支座更换施工技术探讨. 科技创新与生产力. 2023(04): 131-133 . 百度学术
3. 王保宪，刘聪，李义强，赵维刚. 基于多桥支座振动信号联合分析的列车荷载类型识别方法. 铁道科学与工程学报. 2023(07): 2582-2593 . 百度学术
4. 李森. 高速公路桥梁支座病害检测及维修处治分析. 工程技术研究. 2023(22): 217-219 . 百度学术
5. 朱峰，毕超. 基于传感器数据的高速公路桥梁支座位移检测方法. 装备制造技术. 2023(11): 202-204 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 61
- HTML全文浏览量: 11
- PDF下载量: 21
- 被引次数: 9
