【摘要】：公路運(yùn)輸是現(xiàn)代運(yùn)輸?shù)闹饕绞街?在整個運(yùn)輸體系中占有重要的地位并發(fā)揮著越來越重要的作用。公路貨物運(yùn)輸量是體現(xiàn)公路運(yùn)輸發(fā)展成果,反映公路運(yùn)輸發(fā)展情況的核心指標(biāo)。開展公路運(yùn)輸貨物量的預(yù)測研究工作對于實(shí)現(xiàn)公路運(yùn)輸行業(yè)的進(jìn)一步發(fā)展具有重要的意義,預(yù)測的結(jié)果不僅可以作為公路運(yùn)輸路網(wǎng)規(guī)劃的參考,還可以為運(yùn)輸部門的相關(guān)決策提供一定的數(shù)據(jù)支持。當(dāng)前關(guān)于公路貨物運(yùn)輸量的預(yù)測主要通過時間序列分析預(yù)測方法實(shí)現(xiàn),在準(zhǔn)確性方面存在著一定的不足。因此,本文將深度學(xué)習(xí)的方法應(yīng)用到公路貨物運(yùn)輸量的預(yù)測研究過程中,嘗試獲取更好的預(yù)測效果。本文首先結(jié)合公路貨物運(yùn)輸量的特點(diǎn)進(jìn)行貨運(yùn)需求產(chǎn)生的根源的分析,指出進(jìn)行貨物運(yùn)輸量預(yù)測理論和方法發(fā)展完善的必要性,并概述貨物運(yùn)輸量預(yù)測的相關(guān)方法,包括傳統(tǒng)的常用的預(yù)測方法以及本文所涉及的新的方法,即深度學(xué)習(xí)的方法。選取2005年至2017年的北京市公路貨物運(yùn)輸量月度數(shù)據(jù)作為原始數(shù)據(jù),分別采用傳統(tǒng)的時間序列法,基于深度學(xué)習(xí)的LSTM模型以及ARMA-LSTM組合模型實(shí)現(xiàn)公路貨物運(yùn)輸量的預(yù)測過程并得出預(yù)測結(jié)果。其中基于深度學(xué)習(xí)的LSTM模型的預(yù)測分為兩個部分實(shí)現(xiàn),首先考慮到貨物運(yùn)輸量可能受到季節(jié)性因素的影響,將貨運(yùn)量數(shù)據(jù)按月度分類,利用各月度貨物運(yùn)輸量的數(shù)據(jù)信息分別實(shí)現(xiàn)每個月份的貨運(yùn)量數(shù)據(jù)預(yù)測。其次是將季節(jié)性因素的影響忽略不計,利用所有的貨物運(yùn)輸量歷史數(shù)據(jù)實(shí)現(xiàn)對于2017年月度貨物運(yùn)輸量的預(yù)測。組合模型則是通過將兩種模型同時應(yīng)用到一次完整的預(yù)測過程中實(shí)現(xiàn)貨物運(yùn)輸量的預(yù)測。本文借助Matlab平臺實(shí)現(xiàn)深度學(xué)習(xí)中LSTM模型的預(yù)測過程,通過選取預(yù)測效果評價指標(biāo)均方根誤差(RMSE)和平均絕對誤差百分比(MAPE)來評價模型的有效性。以北京市公路貨物運(yùn)輸量預(yù)測為例對模型的預(yù)測加以驗(yàn)證,研究結(jié)果表明,ARMA-LSTM組合模型在公路貨物運(yùn)輸量的預(yù)測中,可以充分地反映貨物運(yùn)輸量數(shù)據(jù)的變化規(guī)律,具備良好的可靠性和有效性�？梢試L試將該方法推廣至其他省份的公路貨物運(yùn)輸量預(yù)測中,為有效的分析公路貨物運(yùn)輸量發(fā)展趨勢提供支撐。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F542
【圖文】：

圖 2.1 深度學(xué)習(xí)的實(shí)現(xiàn)流程度學(xué)習(xí)在過去很長一段時間的發(fā)展過程中，充分的借鑒了相關(guān)統(tǒng)計學(xué)以及的知識，實(shí)現(xiàn)了很好的發(fā)展。近年來，隨著計算機(jī)功能的愈加強(qiáng)大，使得的同時深層網(wǎng)絡(luò)訓(xùn)練的技術(shù)也實(shí)現(xiàn)了一定的提升，為深度學(xué)習(xí)的進(jìn)一步發(fā)了很好的外部環(huán)境。這一切都使得深度學(xué)習(xí)的普及性以及適用性得到了一深度學(xué)習(xí)常用模型度學(xué)習(xí)包括受限玻爾茲曼機(jī)，自編碼器，深層信念網(wǎng)絡(luò)，深層玻爾茲曼機(jī)積神經(jīng)網(wǎng)絡(luò)，深層堆積網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)以及長短時記憶網(wǎng)絡(luò)九種類型較為常用的深度學(xué)習(xí)模型包括自編碼模型，深層信念網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)[46]。各種模型的基本介紹如表 2.2 所示：表 2.2 常用的深度學(xué)習(xí)模型

圖 3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶消失LSTM 模型概述1）LSTM 的定義及算法短時記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）是一種特殊的 RNN 形長期依賴信息的記憶，對于長期信息的記憶是其默認(rèn)的功能。如圖 3.3 所模塊包含了四個相互交換的層，而 RNN 是單一的網(wǎng)絡(luò)層，在這一模塊僅層。LSTM 模型結(jié)構(gòu)圖中，每一條線都代表著信息在節(jié)點(diǎn)之間的傳輸，圓某個節(jié)點(diǎn)的集合，矩形表示矩陣，是實(shí)現(xiàn)信息組合并向前繼續(xù)作用的過

圖 3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶消失 LSTM 模型概述（1）LSTM 的定義及算法長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）是一種特殊的 RNN 形現(xiàn)長期依賴信息的記憶，對于長期信息的記憶是其默認(rèn)的功能。如圖 3.3 復(fù)模塊包含了四個相互交換的層，而 RNN 是單一的網(wǎng)絡(luò)層，在這一模塊僅互層。LSTM 模型結(jié)構(gòu)圖中，每一條線都代表著信息在節(jié)點(diǎn)之間的傳輸，在某個節(jié)點(diǎn)的集合，矩形表示矩陣，是實(shí)現(xiàn)信息組合并向前繼續(xù)作用的過

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 堯姚;陶靜;李毅;;基于ARIMA-BP組合模型的民航旅客運(yùn)輸量預(yù)測[J];計算機(jī)技術(shù)與發(fā)展;2015年12期

2 譚娟;王勝春;;基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J];計算機(jī)應(yīng)用研究;2015年10期

3 安然;華光;董娜;;基于BP神經(jīng)網(wǎng)絡(luò)的南寧市公路貨運(yùn)量預(yù)測[J];交通運(yùn)輸研究;2015年02期

4 徐照;;基于多元回歸模型預(yù)測區(qū)域貨運(yùn)量——以無錫市市區(qū)貨運(yùn)量預(yù)測為例[J];企業(yè)改革與管理;2014年22期

5 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計算機(jī)應(yīng)用研究;2014年07期

6 蔣林利;;基于主成分分析和RBF神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測模型[J];長春教育學(xué)院學(xué)報;2013年04期

7 吳彪;戴彤焱;齊曉杰;;基于重要性和可行性的區(qū)域公路貨物運(yùn)輸量統(tǒng)計指標(biāo)排序模型[J];武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版);2012年05期

8 趙建有;周孫鋒;崔曉娟;王高青;;基于模糊線性回歸模型的公路貨運(yùn)量預(yù)測方法[J];交通運(yùn)輸工程學(xué)報;2012年03期

9 吳汪友;孫秋高;;曲線擬合度分析法在公路貨運(yùn)回歸預(yù)測中的應(yīng)用[J];海南大學(xué)學(xué)報(自然科學(xué)版);2011年01期

10 孫敬;g靶

本文編號：2747168