基于SLSTM模型的公路貨運智能預測研究

摘要 針對公路貨運預測問題，提出一種季節(jié)預處理技術(shù)，并結(jié)合長短期記憶網(wǎng)絡(luò)模型（long-short term memory，LSTM）構(gòu)建SLSTM智能預測模型。以江西省季度公路貨運量和貨運周轉(zhuǎn)量為例，與持續(xù)模型、灰色模型、自回歸模型、LSTM模型相比，提出的SLSTM模型能夠有效降低預測誤差約40.2%～74.4%，旨在為公路交通規(guī)劃提供一定參考。

關(guān)鍵詞 公路貨運；深度學習；季節(jié)預處理；智能預測

中圖分類號 U491 文獻標識碼 A 文章編號 2096-8949（2024）18-0001-03

0 引言

公路貨運預測是指在市場調(diào)研基礎(chǔ)之上預測未來一段時間公路貨運量和貨運周轉(zhuǎn)量的變化情況，它不僅有利于企業(yè)發(fā)揮市場作用、助力企業(yè)制定經(jīng)營目標和決策、強化企業(yè)管理、提升企業(yè)經(jīng)濟效益，而且是公路交通基礎(chǔ)設(shè)施建設(shè)的基礎(chǔ)，對于交通運輸規(guī)劃管理具有重要指導意義。

張曉延等[1]采用灰色模型（grey model，GM）針對港口的貨運量進行了預測，并分析了運河效益。常志宏等[2]利用皮爾遜相關(guān)系數(shù)分析了公路貨運量的影響因素，構(gòu)建各影響因素與公路貨運量之間的非線性回歸預測模型。張婷[3]采用指數(shù)平滑法預測了西安市地鐵客運量的市場份額。張楠等[4]利用回歸模型和彈性系數(shù)法，建立了貨運量和GDP之間的關(guān)系，以實現(xiàn)京杭運河貨運量的預測。類似地，王寅生[5]建立了鐵路客貨運量與GDP的三次多項式關(guān)系式，基于此預測未來的客貨運量。秦孝敏[6]和李逸飛等[7]分別探討了川渝東出鐵路貨運量和蘇州北站客運量的預測情況。馬周等[8]先利用GM模型預測客貨運量，然后基于彈性系數(shù)法建立客貨運量與GDP之間的預測解析式，最后對二者取平均。隨著人工智能算法的發(fā)展，大量學者利用深度學習算法開展了深度學習智能預測研究[9]。康家明[10]先利用灰色預測模型進行初步預測，然后引入長短期記憶網(wǎng)絡(luò)模型（long-short term memory，LSTM）預測殘差序列，由此構(gòu)建了組合預測方法，相比單一模型通常具有更佳的預測性能。

綜上，已有研究大多是針對年度客貨運量，鮮有研究分析客貨運量的季度特征并展開預測。該文針對公路貨運預測問題，提出了一種季節(jié)預處理技術(shù)，然后結(jié)合歸一化處理和LSTM模型，構(gòu)建了SLSTM組合預測模型，可為公路交通規(guī)劃提供及時指導。

1 理論方法

1.1 公路貨運智能預測流程

該文提出的公路貨運SLSTM智能預測模型主要包括3步：

（1）統(tǒng)計季度公路貨運量和貨運周轉(zhuǎn)量，引入季節(jié)預處理技術(shù)，考慮季節(jié)周期特征和整體發(fā)展趨勢，針對各季度分別建立線性模型，然后進行去均值、歸一化處理，得到預處理序列。

（2）針對預處理序列建立LSTM模型，確定模型的超參數(shù)，并進行序列智能預測。

（3）將預處理序列的智能預測結(jié)果反算得到季度公路貨運量和貨運周轉(zhuǎn)量的預測值。

1.2 季節(jié)預處理技術(shù)

1.3 LSTM模型

1.4 誤差評估指標

2 江西省公路貨運量和貨運周轉(zhuǎn)量預測

2.1 統(tǒng)計數(shù)據(jù)分析

該文以2019年1季度～2024年1季度的江西省公路貨運量和貨運周轉(zhuǎn)量為例，繪制其季度趨勢如圖1所示。數(shù)據(jù)的前18組為訓練集，用于建立預測模型，后3組為測試集，用于驗證預測模型的精度。

2.2 預測模型定義

為全面評估預測模型的性能，將其與持續(xù)模型（persistence model，PM）、GM模型、自回歸模型（autoregressive，AR）、LSTM模型進行對比。

2.3 公路貨運量預測分析

2.3.1 預測結(jié)果

各模型季度公路貨運量預測結(jié)果如圖2所示?？梢园l(fā)現(xiàn)，GM和LSTM均未預測出其公路貨運量的變化趨勢，這是因為這兩種模型難以將季節(jié)性因素考慮在內(nèi)。而PM、AR、SLSTM模型能一定程度預測其變化趨勢，其中PM模型預測結(jié)果整體偏低。因為此處的PM模型采用了往年同季度的值作為預測值，一定程度考慮了季節(jié)周期性，但同時忽略了季節(jié)增長趨勢。AR模型選用了8階，將前兩年的數(shù)據(jù)均考慮在內(nèi)，有效捕捉了數(shù)據(jù)的季節(jié)周期性。從時程序列來看，提出的SLSTM模型與實際值最吻合。

2.3.2 誤差分析

為量化評估各模型的預測精度，繪制季度公路貨運量預測誤差柱狀圖如圖3所示?？梢钥闯?，GM和LSTM模型的效果較差，而PM、AR、SLSTM模型的精度較高。以PM模型為基準，AR和SLSTM模型的MAE誤差分別降低了16.4%和74.4%，RMSE誤差分別降低了-6.0%和70.0%。整體而言，該文提出的SLSTM預測精度最高，MAPE誤差為1.8%。

2.4 公路貨運周轉(zhuǎn)量預測分析

2.4.1 預測結(jié)果

各模型季度公路貨運周轉(zhuǎn)量的預測結(jié)果如圖4所示。與公路貨運量類似，PM、AR、SLSTM模型的預測性能較好，該文提出的SLSTM模型預測結(jié)果與實測最接近。

2.4.2 誤差分析

各模型季度公路貨運周轉(zhuǎn)量預測的誤差，如圖5所示。以PM模型為基準，AR和SLSTM模型的MAE誤差分別降低了24.6%和42.0%，RMSE誤差分別降低了5.2%和40.2%。整體而言，該文提出的SLSTM模型預測精度最高，MAPE誤差為3.0%。

3 結(jié)論

（1）該文提出了一種考慮公路貨運季節(jié)周期性和變化趨勢的預處理技術(shù)，構(gòu)建了基于SLSTM模型的公路貨運智能預測理論方法，可為公路交通規(guī)劃提供參考。

（2）以公路貨運量為例，與PM、GM、AR、LSTM模型相比，提出的SLSTM模型能夠降低預測誤差約70.0%～74.4%。

（3）以公路貨運周轉(zhuǎn)量為例，與PM、GM、AR、LSTM模型相比，提出的SLSTM模型能夠降低預測誤差約40.2%～42.0%。

參考文獻

[1]張曉延，朱芳陽.平陸運河直接腹地港口貨運量預測及運河效益分析[J].商業(yè)經(jīng)濟，2024（5）：93–96.

[2]常志宏，崔建，康傳剛，等.公路貨運量影響因素分析及趨勢預測模型研究[J].中國交通信息化，2024（S1）：448–452.

[3]張婷.基于指數(shù)平滑法的地鐵客運市場份額預測研究——以西安市為例[J].運輸經(jīng)理世界，2023（36）：71–73.

[4]張楠，陳乾陽，張毅濠.京杭運河黃河以北山東段航道貨運量預測[J].山東交通科技，2024（1）：145–148.

[5]王寅生.云南省客貨運周轉(zhuǎn)量的分析與預測[J].中國市場，2023（26）：187–192.

[6]秦孝敏.川渝東出鐵路通道分工及鐵路貨運量預測[J].交通企業(yè)管理，2023（5）：47–50.

[7]李逸飛，陳芋如，許祺，等.蘇州北站擴建后客運量預測與總體定位研究[J].四川建材，2024（1）：246–248.

[8]馬周，徐曉冬，馬高涵，等.基于灰色預測法和彈性系數(shù)法的甘肅客貨運量預測探究[J].中國公路，2024（4）：114–117.

[9]Hu W， Cheng B， Yang Q， et al. A novel two-layer hybrid model for ultra-short-term wind speed prediction based on SSP and BO-LSTM[J]. Wind and Structures， 2023（5）：293–305.

[10]康家明.基于GM（1，1）-LSTM模型的東莞市公路貨運量預測[J].交通科技與管理，2024（9）：25–27.