文献笔记10

该研究通过建立基于LSTM网络的预测模型,对比ARIMA和BP神经网络,展示在铁路货运量预测中的优势。LSTM模型在月和日货运量预测上表现出高精度,尤其在处理时间序列变化时,其动态调整的自循环权重避免了梯度问题。
摘要由CSDN通过智能技术生成

一、文章信息

作者:程肇 张小强 梁越

单位:西南交通大学交通运输与物流学院; 综合交通大数据应用技术国家工程实验室; 综合交通运输智能化国家地方联合工程实验室

期刊:铁道学报

题目:基于LSTM网络的铁路货运量预测

二、背景、目的、结论

背景:铁路货物运输长期以来扮演着国民经济发展中的重要角色,但随着公路、航空等运输网络的逐步完善以及顾客运输需求的变化,铁路货物运输正面临其他运输方式的激烈竞争。铁路运输企业需要制定灵活的运输计划和营销策略以改善铁路货物运输的局面,这就需要铁路运输部门准确预测并掌握计划期内的货运量。

目的:准确预测铁路货运量对铁路货运组织工作的开展极为重要,特别是短期(月、日)货运量数据直接关系到铁路各项运输计划的编制。

结论:考虑不同时期货运数据的特点分别建立基于月货运量数据的LSTM多变量预测模型和基于日货运量数据的LSTM时间序列模型。基于广铁2010—2017年的货运量数据,运用所建模型预测各月和每日的货运发送量,并与ARIMA模型预测方法和BP神经网络方法的预测结果相比较。结果表明,LSTM网络预测效果更佳。

三、结果与讨论

LSTM的优势说明:RNN的两种传统算法——基于时间的反向传播算法(Back-propagation Throu

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值