论文部分内容阅读
通过研究欧美发达国家运输业发展历史,发现相比于其他传统的公铁水独立运输,运输形式为集装箱的多式联运最经济的运输方式。集装箱多式联运节约资源减少成本且运输载体的利用率高,这主要是因为公铁水运输信息交流通畅,服务便捷。中国的集装箱运输发展空间大,铁路集装箱运输随着大量大能力通道以及18个集装箱物流中心的建成而高速发展。但是存在缺乏联合公铁水的集装箱多式联运信息系统,存在运输实体的信息交流闭塞导致空跑率高等问题。本文研究的问题是全国和某区域铁路集装箱运量需求预测,为以后集装箱站点动态调配发展提供决策支持。通过对铁路集装箱运量数据研究,发现铁路集装箱运量数据具有明显的时间序列特征,且受发货站所在地区物品产量及相关国家政策影响大。本文通过对铁路集装箱运量时间序列分析得ARIMA(Auto-Regressive Integrated Moving Average,ARIMA)拟合预测模型,并在国家统计局网站采集相关影响因素数据,通过计算这些相关影响因素与铁路集装箱运量的Spearman秩相关系数,取得与铁路集装箱运量相关程度高的影响因素作为训练预测铁路集装箱运量的DBN(Deep Belief Networks,DBN)输入数据然后,并通过改进的粒子群算法Sigmoid-OAPSO得到预测铁路集装箱运量的DBN模型结构,再通过铁路集装箱运量ARIMA模型与DBN模型组成混合模型,并得到对应在混合模型中的占比系数,此时该混合模型在训练数据集上的RMSE最小,再将子模型ARIMA和DBN的系数做ARIMA拟合,并预测未来15个月的系数,并在测试集上检验预测准确度。本文的创新点和贡献主要如下:(1)提出了一种改进的粒子群优化算法(Sigmoid-OAPSO)。引入Sigmoid随机变量而不是均匀分布的随机变量来逃避局部最小,计算了粒子的新速度和新位置同时结合了三个策略得到改进粒子群优化算法。(2)提出了一种将ARIMA和DBN模型算法相混合的方法。ARIMA和DBN都作为最终预测模型混合模型的子模型,且其在混合模型的占比系数通过分析也是具有时间序列特征,所以再通过ARIMA拟合,并在测试集上试验,并得证本文提出的混合模型预测准确度高,运算速度快。(3)通过分析铁路集装箱智能化、信息化发展的需求,并将依照需求得出铁路集装箱运输需求预测系统的需求分析,并做该系统的开发与实现本文拟针对上述方法进行对比实验来证明混合模型的准确性和高效性,为铁路集装箱运输智能化,信息化发展提供帮助。