论文部分内容阅读
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。