基于大规模快递数据的时序分析研究与实现

发布时间：2024-03-28 05:24

　　据国家邮政局数据显示,我国快递业发展迅猛,已经连续6年保持50%左右的爆发式增长,为我国的经济增长注入了强大的活力。然而高速发展的同时也面临着越来越多的问题,比如快递爆仓、乱堆放、暴力分拣、延时配送等,导致很多快递遭到毁坏、错送、耽搁。特别是在双十一、春节前后等异于平常的日期,由于对快递业务量、物流人员、分拣人员、派件人员、仓库容量等估计不准,往往造成服务消费体验差。为更好的预估快递业需要的各种资源,最根本是对快递业务量实现精准预测,从而为优化资源配置提供决策支持。为解决上述问题,本文首次提出多特征下基于LSTM的快递业务量时序预测模型,根据各个节日的特点构造节日特征,并同基于无特征LSTM和ARIMA的快递业务量时序预测模型在平常日、春节、国庆节、双十一重大节假日等不同时间点分别进行对比实验。同时,本文还建立了灰色关联度分析模型,并以此模型进一步探究快递业务量的影响因素。通过实验验证得知,在MSE、RMSE、MAE、R-Square四项指标下均表明,基于LSTM的快递业务量时序预测模型远远优于基于ARIMA的快递业务量时序预测模型,且在加入相关节日特征后,多特征LSTM模型也更能精细...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图２－１?ＲＮＮ模型结构示例??如公式（２－１０）所示，５＆与上一层有关，从而也会与ｓｔ＿ｆｃ产生联系，但是由??

?（２－１０）??值得注意的是，传统的神经网络中，连接只会发生在层与层之间，而每一个??网络层内是无连接的，即层内参数是不共享的。然而在ＲＮＮ中，如图２－１所示，??所有层次均共享同样的参数（Ｕ，Ｖ，Ｗ），这就表达一种观点，就是相同的层在每??一个时间步都是在做相同的事情，只是每....

图２－２?ＬＳＴＭ模型结构示例??－，

为了与前面的信息产生联系，每个时间步之间的祌经网络是链式的，即所有??ＲＮＮ都会有一＂重复模块。而且这个重复模块只有像一个ｓｉｇｍｏｉｄ层或者ｔａｎｈ??层一样的简单结构。如图２－２所示，ＬＳＴＭ是一个重复的结构，但是结构与传统??ＲＮＮ是不一样的。ＬＳＴＭ有四个结构，它们以一种....

图2-3LSTM的输入格式布局

第二章相关理论及技术介绍ｏｔ?＝?ｏ（Ｗ〇?＊?［ｈｔ＾．Ｘｔ］?＋?ｂ〇）ｈｔ?—?ｏｔ?＊?ｔａｎｈ（Ｃｔ）相比于ＡＲＩＭＡ算法有很大的不同。ＡＲＩＭＡ并没有输入特以往数据之间的关系，输入永远是１维的。然而现实情受到各种情况的影响，比如节日、天气、政治活动以及偶ＡＲ１ＭＡ的简....

图２－４?ＤＬ４Ｊ生态及各模块所处位置??下面将分别介绍ＤＬ４Ｊ中各个模块的详细功能

ＤＬ４Ｊ不仅是一个深度学习库，它也拥有完整的生态，允许你从各种类型的??浅层网络出发去设计深层神经网络。这种灵活性给了用户极大的便利，在工业水??平上，基于分布式的ＣＰＵ和ＧＰＵ，ＤＬ４Ｊ可以Ｓｐａｒｋ、Ｈａｄｏｏｐ协同工作。如图２－??４是ＤＬ４Ｊ的整个生态以及各个模块所处的位....

本文编号：3941067