原文传递
基于集成学习的多式联运货运量预测模型构建
| 题名： | 基于集成学习的多式联运货运量预测模型构建 |
| 作者： | 韩振鑫;温旭丽;殷世松;武莹莹;张人杰 |
| 作者单位： | 南京理工大学;东南大学成贤学院 |
| 关键词： | 多式联运;货运预测;集成学习;BP神经网络;时间特征 |
| 摘要： | 货运量精准预测是多式联运网络高效协同发展的重要基础,货运量时变性强、数据多样性缺失是实现精准货运量预测的问题所在。基于此,通过挖掘货物运输量(集装箱)的时间变化特征,构建初始相关时间特征输入集,结合斯皮尔曼相关性系数分布,采用Bagging+BP集成学习方法训练多个弱分类器,最终组合获取高精度的强学习模型。以南京龙潭港为例,对自回归移动平均模型(ARIMA)、Bagging+BP集成学习网络以及长短时记忆神经网络(LSTM)三种模型进行评价,实验结果表明,相比于其他模型,提出的Bagging+BP集成学习网络预测性能良好,有一定的实用价值。 |
| 期刊名称： | 物流技术 |
| 出版年： | 2021 |
| 期： | 02 |
| 页码： | 75-78 |
检索历史
应用推荐
