CC BY
84
УДК 338.27
ПРОГНОЗИРОВАНИЕ ПАССАЖИРОПОТОКА НА КРУИЗНОМ МОРСКОМ ТРАНСПОРТЕ С ПОМОЩЬЮ СОЗДАНИЯ ИСКУСТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ
Переверзев А.В., аспирант кафедры «Управление на транспорте» ФГБОУ ВПО «Государственный университет управления»; ведущий специалист круизной компании «Инфофлот», e-mail: pereverzev_a@inbox.ru
В статье раскрывается актуальность развития морской круизной отрасли на основе ее положительного влияния на развитие смежных отечественных отраслей и экономики страны в целом. Определяется актуальность совершенствования существующих методов прогнозирования на морском транспорте для круизной отрасли, рассматривается зарубежный опыт прогнозирования с помощью создания искусственных нейронных сетей (ИНС). Формулируются базовые принципы работы ИНС, приводится алгоритм решения задачи прогнозирования пассажиропотока. Описываются теоретические принципы обучения нейронных сетей, рассматривается простейший пример. Дается оценка научной проработанности подхода создания ИНС, случаев возможного его применения в индустрии морских круизов. Определяется актуальность применения ИНС в прогнозировании при нынешнем состоянии отечественных круизных морских перевозок, возможность применения в других транспортных задачах.
Ключевые слова: круизный морской транспорт, искусственные нейронные сети, речной флот.
CRUISE PASSENGER TRAFFIC ON MARITIME TRANSPORT PREDICTION BY CREATING ARTIFICIAL NEURAL NETWORK
Pereverzev A., the post-graduate student, Transport Management chair, FSEIHPE «State University of Management»; lead specialist of the
cruise company «Infoflot», e-mail: pereverzev_a@inbox.ru
The article deals with the relevance of the development of marine cruise industry on the basis of its positive impact on the development of related domestic industries and the economy as a whole. The urgency of improving the existing forecasting methods in maritime transport to the cruise industry, considered foreign experience of forecasting by creating artificial neural networks (ANN). Formulated the basic principles of the INS, the algorithm for solving the problem of forecasting passenger. It describes the theoretical principles of learning neural networks, consider the simplest example. The evaluation of the scientific elaboration of the approach of creating ANN possible cases of its application in the industry of sea cruises. The relevance of the application of ANN in predicting the present state of the domestic cruise shipping, the possibility of using other transport tasks are determined.
Keywords: cruise maritime transport, artificial neural networks, river fleet.
Водному транспорту во все времена уделялось особое значение. Важнейшая роль речного транспорта предопределялась расположением значимых городов вдоль реки. Поэтому по сей день развитие речного флота открывает большой потенциал страны для одновременного развития и других смежных отраслей, образованию синергетического эффекта, который подобно драйверу придаст экономике большего движения, прибавит темпы работы отечественной индустрии. Морской транспорт служил связующим звеном между городами и странами, осуществляя перевозку грузов и пассажиров, развивая внешнеэкономическую деятельность, портовые города и их регионы. Потенциал морского транспорта России на сегодняшний день также до конца не раскрыт. Как заметил
Развитие науки,
техники,
образования
Развитие регионов, создание рабочих мест
т
д.э.н., профессор П.В. Метелкин в работе [2]: «Морской транспорт существенно ослаблен в результате распада транспортной системы СССР. Крайне нерациональна существующая структура морского флота России, сложившаяся в результате раздела транспортной системы бывшего Союза».
В условиях конкуренции с другими видами транспорта, на повестку дня по развитию флота и водной инфраструктуры встают во многом другие вопросы, чем несколько десятков лет назад. Водный транспорт начинает специализироваться, искать для себя пригодные ниши. Особенно характерно это наблюдается на пассажирском флоте, который часто используется в современных условиях для туристских целей - круизов [3].
Инвест, привлекательность
Рис. 1. Круизы, как «локомотив» для развития смежных отраслей
Структура ИНС состоит из простых процессов - искусственных нейронов, распределенных по трем слоям: входные нейроны, промежуточный (скрытый) слой, выходной слой (см. рис. 2).
Задачами искусственных нейронов являются:
• для нейронов входного слоя - обработать входящую информацию;
• для нейронов скрытого слоя - непосредственно выполнять операцию, на которую направлено построение нейросети (проводить анализ).
• для нейронов выходного слоя - предоставлять нужную информацию в нужном виде.
Процесс анализа в ИНС происходит по следующей схеме (см. рис. 3):
Рис. 2. Структура ИНС
Одно из фундаментальных воззрений на важнейшую роль возрождение круизного флота России дал специалист по туристскому маркетингу, член совета Гильдии маркетологов Д.В. Иванюшин на III Международной научно-практической конференции «Маркетинг России» и заседании Гильдии маркетологов. Согласно его докладу, отечественные круизы могут быть «локомотивом» для экономического развития смежных отраслей, что в конечном итоге приведет к развитию науки, техники, образования, и, как следствие - инвестиционной привлекательности, развитию регионов, созданию новых рабочих мест, формированию туристской привлекательности (см. рис. 1) [8].
Тем не менее, даже при нахождении пригодных ниш, существует ряд проблем, связанных как с техническим состоянием круизного флота и его существованием в принципе, так и с наличием подходящих для круизной отрасли подходов и методов принятия управленческих решений, как на макро, так и на микро уровнях. Применительно к морскому транспорту, острой видится проблема отсутствия круизного сообщения между российскими портами. Маршруты, существовавшие в советское время, ушли в историю при переходе нашей страны на рыночные рельсы, а попытки их возрождения в современных условиях не увенчались успехом [7].
Одним из важнейших факторов, на котором основано принятие грамотного управленческого решения, является адекватное прогнозирование пассажиропотока [1]. В последнее время постановке и решению транспортных вопросов методологии прогнозирования, планирования и определения эффективности перевозок занимались отечественные ученые: П.В. Метелкин, В.А. Персианов, С.В. Милос-лавская, А.А. Степанов, А.В. Курбатова, А.Д. Чудновский и другие. Среди зарубежных ученых можно выделить Dr. Murat Cuhadar, Iclal Cogurcu, Ceyda Kukrer, Ivana Pavlic, специализирующихся конкретно на круизных перевозках.
В зарубежных исследованиях по прогнозированию пассажиропотока иногда используется инновационный подход с созданием искусственных нейронных сетей (ИНС). В работе «Моделирование и прогнозирование круизного пассажиропотока в Измир при помощи различных архитектур искусственных нейронных сетей» показан способ выявления прогнозируемых параметров (количества пассажиропотоков по месяцам в г. Измир) с использованием и сравнением следующих топологий: многослойного перцептрона (multi-layer perception - MLP), сети радиально-базисных функций (radial basis function neural network - RBF), обобщенная регрессия нейронной сети (generalized regression neural network - GRNN) [4].
Создатели подхода ИНС используют алгоритм работы нейронов мозга живых существ при решении задач классификации, прогнозирования, кластеризации и проч. на основе математической модели.
Рис. 3. Процесс анализа в ИНС
где:
xj x2 x. - искусственные нейроны;
wj w2 w. - коэффициенты весов;
b. - порог, характеризуемый как тип соединения произведения искусственных нейронов с их весами и постоянной ненулевой величины, работающий по формуле:
n
u1 = У wixi + b1
1 ^ } ] 1
J=j (2.9)
функция активации - механизм трансформации входных сигналов в выходные для каждого элемента, представлен в виде:
y1 = f (u1)
Jl J v 1J (2.10)
u. - трансформированная сумма.
Алгоритмом решения задачи прогнозирования пассажиропотока при использовании ИНС является:
1. Выявление входных и выходных данных в задаче. Под входными и выходными данными понимаются данные пассажиропотока;
2. Подбор топологии нейронной сети. Наиболее универсальной является многослойный перцептрон (MLP);
3. Нормализация данных под выбранную сеть;
4. Экспериментальный подбор параметров;
5. Обучение нейронной сети;
6. Проверка качества работы (количество ошибок на общее число проверок).
Процесс обучения нейронной сети фактически представляет собой многопараметрическую задачу нелинейной оптимизации. Технически обучение заключается в нахождении коэффициентов связей между нейронами. Обучение сети разделяется на два основных вида: с учителем (с указанием параметров выходного сигнала) и без учителя (без указания параметров выходного сигнала) [5]. Применительно к прогнозированию пассажиропотока на период t, при обучении с учителем, разработчик нейросети подает на вход
Таблица 1. Примерные показатели пассажиропотока первого полугодия 2013-2015 гг, тыс.чел
Годы Январь Февраль Март Апрель Май Июнь
Обучение 2013t_;,: 125 130 127 131 140 138
2014,.,: 135 145 143 149 155 152
2015,.,: 154 160 156 163 170 167
Прогноз 2016,: - - - - -
данные пассажиропотока 1-3 и 1-2, которая должна соответствовать на выходе данным 1-1.
Например, имеется следующая статистика пассажиропотока за первое полугодие периодов 2013-2015 гг (см. табл. 1), а в качестве задачи стоит прогноз данных на 2016 год. Для того чтобы ИНС умела прогнозировать показатели на 2016 год, ее необходимо научить прогнозировать на 2015 год, данные по которому учителю уже известны.
Таким образом, когда учитель подает данные за январь на вход (125 и 135), он сообщает ИНС, что на выходе необходимо получить 154. Аналогичный принцип применяется к другим месяцам, при необходимости вводятся дополнительные параметры.
При обучении без учителя, в нейронную сеть не вводятся требуемые выходные показатели, выводы сеть делает самостоятельно исходя из той информации, которую в нее подал разработчик. Обучение без учителя слабо применимо при прогнозировании и чаще используется при задачах классификации, а также при сверхбольших объемах исходной информации.
В настоящий момент подход с использованием ИНС полностью научно не изучен. Остается не известным математический принцип работы скрытого слоя. Образно работу с ИНС сейчас можно представить в виде «черного ящика», в который поступают входные данные, до конца не понятным образом преобразуются и выводятся с необходимым результатом. Это связано с тем, что использование ИНС в основном связано с задачами, где участвует большое количество данных, взаимное взаимодействие которых досконально нет возможности изучить, подобно проблеме изучения всех закономерностей процессов человеческого мозга. Вся суть воздействия на скрытый слой заключается лишь в обучении нейронной сети, которая подобно живому организму в дальнейшем способна анализировать и выдавать точные или приближенные к действительности результаты решения задач. Как правило, после обучения ИНС создается компьютерная программа с готовым алгоритмом под конкретные требования. Одним из примеров может служить программа «№иго8о1иИош», созданная компанией «№игоОш1ешюп» [6].
Как показал анализ, использование ИНС, подобно известным методам экстраполяции и регрессионного анализа, требует наличие ретроспективных данных. Применительно к российскому круизному
рынку создание ИНС может быть актуально для прогнозирования пассажиропотока на речном транспорте. В случае с морским флотом, ретроспективных данных не достаточно, что требует совершенствования иных подходов, подходящих именно для круизных перевозок. На практике, при отсутствии статистических данных, часто используются методы экспертного подхода, доработка которых под круизную специфику научно пока не решена.
Литература:
1. Колбасникова, М. А. Прогнозирование перевозок в проектах и программах развития транспорта: Дис. ... канд. экон. наук / М. А. Колбасникова - М.: Государственный университет управления, 2015. - С. 142.
2. Метелкин, П. В. Управление развитием и использованием производственных мощностей портовых комплексов России: Дис. ... докт. экон. наук / П. В. Метелкин - М.: Государственный университет управления, 2001. - С. 346.
3. Шпилько, С. П. Морские круизы. Теория и практика / С. П. Шпилько, Н. В. Андронова, Р. В. Чударев - М: Советский спорт, 2012. - С. 22 - ISBN: 978-5-9718-0573-1.
4. Cuhadar, M. Modelling and Forecasting Cruise Tourism Demand to Izmir by Different Artificial Neural Network Architectures / M. Cuhadar, I. Cogurcu, C. Kukrer // International Journal of Business and Social Research - 2014 - P. 16.
5. Алгоритмы обучения искусственных нейронных сетей [Электронный ресурс]. Режим доступа: http://neuronus.com/nn/38-theory/240-algoritmy-obucheniya-iskusstvennykh-nejronnykh-setej. html (дата обращения: 20.11.2015).
6. Официальный сайт «NeuroSolutions» [Электронный ресурс]. Режим доступа: http://www.neurosolutions.com/ (дата обращения: 20.11.2015).
7. Признаки возрождения круизной Крымско-Кавказской линии [Электронный ресурс]. Режим доступа: http://portsukraine.com/ node/3256 (дата обращения: 20.11.2015).
8. Россия туристическая будет сильна регионами [Электронный ресурс]. Режим доступа: http://travel.vesti.ru/article_13320 (дата обращения: 20.11.2015).
