發(fā)布時間：2020-07-09 07:48

【摘要】：公路運輸是現(xiàn)代運輸?shù)闹饕绞街?在整個運輸體系中占有重要的地位并發(fā)揮著越來越重要的作用。公路貨物運輸量是體現(xiàn)公路運輸發(fā)展成果,反映公路運輸發(fā)展情況的核心指標。開展公路運輸貨物量的預測研究工作對于實現(xiàn)公路運輸行業(yè)的進一步發(fā)展具有重要的意義,預測的結果不僅可以作為公路運輸路網(wǎng)規(guī)劃的參考,還可以為運輸部門的相關決策提供一定的數(shù)據(jù)支持。當前關于公路貨物運輸量的預測主要通過時間序列分析預測方法實現(xiàn),在準確性方面存在著一定的不足。因此,本文將深度學習的方法應用到公路貨物運輸量的預測研究過程中,嘗試獲取更好的預測效果。本文首先結合公路貨物運輸量的特點進行貨運需求產(chǎn)生的根源的分析,指出進行貨物運輸量預測理論和方法發(fā)展完善的必要性,并概述貨物運輸量預測的相關方法,包括傳統(tǒng)的常用的預測方法以及本文所涉及的新的方法,即深度學習的方法。選取2005年至2017年的北京市公路貨物運輸量月度數(shù)據(jù)作為原始數(shù)據(jù),分別采用傳統(tǒng)的時間序列法,基于深度學習的LSTM模型以及ARMA-LSTM組合模型實現(xiàn)公路貨物運輸量的預測過程并得出預測結果。其中基于深度學習的LSTM模型的預測分為兩個部分實現(xiàn),首先考慮到貨物運輸量可能受到季節(jié)性因素的影響,將貨運量數(shù)據(jù)按月度分類,利用各月度貨物運輸量的數(shù)據(jù)信息分別實現(xiàn)每個月份的貨運量數(shù)據(jù)預測。其次是將季節(jié)性因素的影響忽略不計,利用所有的貨物運輸量歷史數(shù)據(jù)實現(xiàn)對于2017年月度貨物運輸量的預測。組合模型則是通過將兩種模型同時應用到一次完整的預測過程中實現(xiàn)貨物運輸量的預測。本文借助Matlab平臺實現(xiàn)深度學習中LSTM模型的預測過程,通過選取預測效果評價指標均方根誤差(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輸量預測為例對模型的預測加以驗證,研究結果表明,ARMA-LSTM組合模型在公路貨物運輸量的預測中,可以充分地反映貨物運輸量數(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輸量預測中,為有效的分析公路貨物運輸量發(fā)展趨勢提供支撐。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F542
【圖文】：

圖 2.1 深度學習的實現(xiàn)流程度學習在過去很長一段時間的發(fā)展過程中，充分的借鑒了相關統(tǒng)計學以及的知識，實現(xiàn)了很好的發(fā)展。近年來，隨著計算機功能的愈加強大，使得的同時深層網(wǎng)絡訓練的技術也實現(xiàn)了一定的提升，為深度學習的進一步發(fā)了很好的外部環(huán)境。這一切都使得深度學習的普及性以及適用性得到了一深度學習常用模型度學習包括受限玻爾茲曼機，自編碼器，深層信念網(wǎng)絡，深層玻爾茲曼機積神經(jīng)網(wǎng)絡，深層堆積網(wǎng)絡，循環(huán)神經(jīng)網(wǎng)絡以及長短時記憶網(wǎng)絡九種類型較為常用的深度學習模型包括自編碼模型，深層信念網(wǎng)絡，卷積神經(jīng)網(wǎng)絡網(wǎng)絡[46]。各種模型的基本介紹如表 2.2 所示：表 2.2 常用的深度學習模型

圖 3.2 循環(huán)神經(jīng)網(wǎng)絡的記憶消失LSTM 模型概述1）LSTM 的定義及算法短時記憶網(wǎng)絡（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)絡層，在這一模塊僅層。LSTM 模型結構圖中，每一條線都代表著信息在節(jié)點之間的傳輸，圓某個節(jié)點的集合，矩形表示矩陣，是實現(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（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的功能。如圖 3.3 復模塊包含了四個相互交換的層，而 RNN 是單一的網(wǎng)絡層，在這一模塊僅互層。LSTM 模型結構圖中，每一條線都代表著信息在節(jié)點之間的傳輸，在某個節(jié)點的集合，矩形表示矩陣，是實現(xiàn)信息組合并向前繼續(xù)作用的過

【參考文獻】

相關期刊論文 前10條

1 堯姚;陶靜;李毅;;基于ARIMA-BP組合模型的民航旅客運輸量預測[J];計算機技術與發(fā)展;2015年12期

2 譚娟;王勝春;;基于深度學習的交通擁堵預測模型研究[J];計算機應用研究;2015年10期

3 安然;華光;董娜;;基于BP神經(jīng)網(wǎng)絡的南寧市公路貨運量預測[J];交通運輸研究;2015年02期

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

5 劉建偉;劉媛;羅雄麟;;深度學習研究進展[J];計算機應用研究;2014年07期

6 蔣林利;;基于主成分分析和RBF神經(jīng)網(wǎng)絡的公路貨運量預測模型[J];長春教育學院學報;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)域公路貨物運輸量統(tǒng)計指標排序模型[J];武漢理工大學學報(交通科學與工程版);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量預測方法[J];交通運輸工程學報;2012年03期

9 吳汪友;孫秋高;;曲線擬合度分析法在公路貨運回歸預測中的應用[J];海南大學學報(自然科學版);2011年01期

10 孫敬;g靶

本文編號：2747168