據(jù)國家郵政局?jǐn)?shù)據(jù)顯示,我國快遞業(yè)發(fā)展迅猛,已經(jīng)連續(xù)6年保持50%左右的爆發(fā)式增長,為我國的經(jīng)濟(jì)增長注入了強(qiáng)大的活力。然而高速發(fā)展的同時也面臨著越來越多的問題,比如快遞爆倉、亂堆放、暴力分揀、延時配送等,導(dǎo)致很多快遞遭到毀壞、錯送、耽擱。特別是在雙十一、春節(jié)前后等異于平常的日期,由于對快遞業(yè)務(wù)量、物流人員、分揀人員、派件人員、倉庫容量等估計不準(zhǔn),往往造成服務(wù)消費(fèi)體驗差。為更好的預(yù)估快遞業(yè)需要的各種資源,最根本是對快遞業(yè)務(wù)量實現(xiàn)精準(zhǔn)預(yù)測,從而為優(yōu)化資源配置提供決策支持。為解決上述問題,本文首次提出多特征下基于LSTM的快遞業(yè)務(wù)量時序預(yù)測模型,根據(jù)各個節(jié)日的特點構(gòu)造節(jié)日特征,并同基于無特征LSTM和ARIMA的快遞業(yè)務(wù)量時序預(yù)測模型在平常日、春節(jié)、國慶節(jié)、雙十一重大節(jié)假日等不同時間點分別進(jìn)行對比實驗。同時,本文還建立了灰色關(guān)聯(lián)度分析模型,并以此模型進(jìn)一步探究快遞業(yè)務(wù)量的影響因素。通過實驗驗證得知,在MSE、RMSE、MAE、R-Square四項指標(biāo)下均表明,基于LSTM的快遞業(yè)務(wù)量時序預(yù)測模型遠(yuǎn)遠(yuǎn)優(yōu)于基于ARIMA的快遞業(yè)務(wù)量時序預(yù)測模型,且在加入相關(guān)節(jié)日特征后,多特征LSTM模型也更能精細(xì)...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＲＮＮ模型結(jié)構(gòu)示例??如公式（２－１０）所示，５＆與上一層有關(guān)，從而也會與ｓｔ＿ｆｃ產(chǎn)生聯(lián)系，但是由??

?（２－１０）??值得注意的是，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，連接只會發(fā)生在層與層之間，而每一個??網(wǎng)絡(luò)層內(nèi)是無連接的，即層內(nèi)參數(shù)是不共享的。然而在ＲＮＮ中，如圖２－１所示，??所有層次均共享同樣的參數(shù)（Ｕ，Ｖ，Ｗ），這就表達(dá)一種觀點，就是相同的層在每??一個時間步都是在做相同的事情，只是每....

圖２－２?ＬＳＴＭ模型結(jié)構(gòu)示例??－，

為了與前面的信息產(chǎn)生聯(lián)系，每個時間步之間的祌經(jīng)網(wǎng)絡(luò)是鏈?zhǔn)降�，即所�??ＲＮＮ都會有一＂重復(fù)模塊。而且這個重復(fù)模塊只有像一個ｓｉｇｍｏｉｄ層或者ｔａｎｈ??層一樣的簡單結(jié)構(gòu)。如圖２－２所示，ＬＳＴＭ是一個重復(fù)的結(jié)構(gòu)，但是結(jié)構(gòu)與傳統(tǒng)??ＲＮＮ是不一樣的。ＬＳＴＭ有四個結(jié)構(gòu)，它們以一種....

圖2-3LSTM的輸入格式布局

第二章相關(guān)理論及技術(shù)介紹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并沒有輸入特以往數(shù)據(jù)之間的關(guān)系，輸入永遠(yuǎn)是１維的。然而現(xiàn)實情受到各種情況的影響，比如節(jié)日、天氣、政治活動以及偶ＡＲ１ＭＡ的簡....

圖２－４?ＤＬ４Ｊ生態(tài)及各模塊所處位置??下面將分別介紹ＤＬ４Ｊ中各個模塊的詳細(xì)功能

ＤＬ４Ｊ不僅是一個深度學(xué)習(xí)庫，它也擁有完整的生態(tài)，允許你從各種類型的??淺層網(wǎng)絡(luò)出發(fā)去設(shè)計深層神經(jīng)網(wǎng)絡(luò)。這種靈活性給了用戶極大的便利，在工業(yè)水??平上，基于分布式的ＣＰＵ和ＧＰＵ，ＤＬ４Ｊ可以Ｓｐａｒｋ、Ｈａｄｏｏｐ協(xié)同工作。如圖２－??４是ＤＬ４Ｊ的整個生態(tài)以及各個模塊所處的位....

本文編號：3941067