基于深度学习的公路货物运输量预测方法研究

发布时间：2020-07-09 07:48

【摘要】：公路运输是现代运输的主要方式之一,在整个运输体系中占有重要的地位并发挥着越来越重要的作用。公路货物运输量是体现公路运输发展成果,反映公路运输发展情况的核心指标。开展公路运输货物量的预测研究工作对于实现公路运输行业的进一步发展具有重要的意义,预测的结果不仅可以作为公路运输路网规划的参考,还可以为运输部门的相关决策提供一定的数据支持。当前关于公路货物运输量的预测主要通过时间序列分析预测方法实现,在准确性方面存在着一定的不足。因此,本文将深度学习的方法应用到公路货物运输量的预测研究过程中,尝试获取更好的预测效果。本文首先结合公路货物运输量的特点进行货运需求产生的根源的分析,指出进行货物运输量预测理论和方法发展完善的必要性,并概述货物运输量预测的相关方法,包括传统的常用的预测方法以及本文所涉及的新的方法,即深度学习的方法。选取2005年至2017年的北京市公路货物运输量月度数据作为原始数据,分别采用传统的时间序列法,基于深度学习的LSTM模型以及ARMA-LSTM组合模型实现公路货物运输量的预测过程并得出预测结果。其中基于深度学习的LSTM模型的预测分为两个部分实现,首先考虑到货物运输量可能受到季节性因素的影响,将货运量数据按月度分类,利用各月度货物运输量的数据信息分别实现每个月份的货运量数据预测。其次是将季节性因素的影响忽略不计,利用所有的货物运输量历史数据实现对于2017年月度货物运输量的预测。组合模型则是通过将两种模型同时应用到一次完整的预测过程中实现货物运输量的预测。本文借助Matlab平台实现深度学习中LSTM模型的预测过程,通过选取预测效果评价指标均方根误差(RMSE)和平均绝对误差百分比(MAPE)来评价模型的有效性。以北京市公路货物运输量预测为例对模型的预测加以验证,研究结果表明,ARMA-LSTM组合模型在公路货物运输量的预测中,可以充分地反映货物运输量数据的变化规律,具备良好的可靠性和有效性。可以尝试将该方法推广至其他省份的公路货物运输量预测中,为有效的分析公路货物运输量发展趋势提供支撑。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F542
【图文】：

信念网络,自编码,学习模型,学习包

图 2.1 深度学习的实现流程度学习在过去很长一段时间的发展过程中，充分的借鉴了相关统计学以及的知识，实现了很好的发展。近年来，随着计算机功能的愈加强大，使得的同时深层网络训练的技术也实现了一定的提升，为深度学习的进一步发了很好的外部环境。这一切都使得深度学习的普及性以及适用性得到了一深度学习常用模型度学习包括受限玻尔兹曼机，自编码器，深层信念网络，深层玻尔兹曼机积神经网络，深层堆积网络，循环神经网络以及长短时记忆网络九种类型较为常用的深度学习模型包括自编码模型，深层信念网络，卷积神经网络网络[46]。各种模型的基本介绍如表 2.2 所示：表 2.2 常用的深度学习模型

循环神经网络

图 3.2 循环神经网络的记忆消失LSTM 模型概述1）LSTM 的定义及算法短时记忆网络（Long Short-Term Memory, LSTM）是一种特殊的 RNN 形长期依赖信息的记忆，对于长期信息的记忆是其默认的功能。如图 3.3 所模块包含了四个相互交换的层，而 RNN 是单一的网络层，在这一模块仅层。LSTM 模型结构图中，每一条线都代表着信息在节点之间的传输，圆某个节点的集合，矩形表示矩阵，是实现信息组合并向前继续作用的过

模型结构

图 3.2 循环神经网络的记忆消失 LSTM 模型概述（1）LSTM 的定义及算法长短时记忆网络（Long Short-Term Memory, LSTM）是一种特殊的 RNN 形现长期依赖信息的记忆，对于长期信息的记忆是其默认的功能。如图 3.3 复模块包含了四个相互交换的层，而 RNN 是单一的网络层，在这一模块仅互层。LSTM 模型结构图中，每一条线都代表着信息在节点之间的传输，在某个节点的集合，矩形表示矩阵，是实现信息组合并向前继续作用的过

【参考文献】