基于GRU深度网络的铁路短期货运量预测

被引：20

作者：

谭雪 ^{[1
]}

张小强 ^{[1
,2
,3
]}

机构：

[1] 西南交通大学交通运输与物流学院

[2] 综合交通大数据应用技术国家工程实验室

[3] 综合交通运输智能化国家地方联合工程实验室

来源：

铁道学报 | 2020年 / 42卷 / 12期

关键词：

铁路运输; 深度学习; 短期货运量预测; GRU深度网络;

D O I：

暂无

中图分类号：

U294.13 [];

学科分类号：

摘要：

铁路短期货运需求的预测是制定货运计划和进行运输组织的基础和重要条件。短期(月/日)货运量具有高度非线性、不确定性和序列依赖性的特征,难以预测。深度神经网络对时序数据有强大的学习能力,能较好拟合短期货运量的非线性特性。研究结构简单且具有高效记忆功能的门控循环单元(Gated Recurrent Unit,GRU)深度网络,分别建立单步和多步预测模型。最后应用某铁路局2011—2017年的货运量数据验证模型预测效果。结果表明,GRU单步模型对月度货运量预测的准确率达到98.87%,对日货运量预测的准确率达到94.56%,相比支持向量机回归、BP神经网络和LSTM等模型在准确率和均方根误差指标上更优、效果更好。

引用

页码：28 / 35

页数：8

共 15 条

[1] 基于特征选择和神经网络的铁路货运量预测
段力
王开鹏
刘聪健
王孙超
[J]. 物流技术, 2018, 37 (09) : 52 - 57
[2] 基于深度学习的交通流量预测
刘明宇
吴建平
王钰博
何磊
[J]. 系统仿真学报 , 2018, (11) : 4100 - 4105+4114
[3] RBF神经网络在铁路货运量预测中的应用
宋苏民
旷文珍
许丽
常峰
[J]. 铁路计算机应用, 2017, 26 (01) : 47 - 51
[4] 基于灰色关联分析的LS-SVM铁路货运量预测
耿立艳
张天伟
赵鹏
[J]. 铁道学报, 2012, (03) : 1 - 6
[5] AdaBoostP神经网络在铁路货运量预测中的应用
李松
解永乐
王文旭
[J]. 计算机工程与应用, 2012, (06) : 233 - 234+248
[6] 基于广义回归神经网络的货运量预测
赵闯
刘凯
李电生
[J]. 铁道学报, 2004, (01) : 12 - 15
[7] 基于支持向量机的铁路运量预测方法研究[D]. 艾洪舟.西南交通大学. 2013
[8] Real-Time Prediction of Taxi Demand Using Recurrent Neural Networks
Xu, Jun
Rahmatizadeh, Rouhollah
Boloni, Ladislau
Turgut, Damla
[J]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2018, 19 (08) : 2572 - 2581
[9] Short-term forecasting of passenger demand under on-demand ride services: A spatio-temporal deep learning approach[J] . Jintao Ke,Hongyu Zheng,Hai Yang,Xiqun (Michael) Chen. Transportation Research Part C . 2017
[10] Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J] . Xiaolei Ma,Zhimin Tao,Yinhai Wang,Haiyang Yu,Yunpeng Wang. Transportation Research Part C . 2015

← 1 2 →