汽车试验场在场车辆总数趋势预测

摘要：

为了对某试验场3年的在场车辆总数数据进行分析,并希望对其未来1年的趋势进行预测,对在场车辆总数数据先采用ARIMA和Fbprophet方法进行简单分析,发现该类传统统计方法不能识别车辆总数数据中的疏远点,且在长时预测上不太适用.分别使用机器学习中基于长短期记忆网络(Long Short-term Memory,LSTM)及门控循环单元(Gated Recurrent Unit,GRU)的方法对在场车辆总数进行训练,发现损失函数(loss)均能快速收敛.利用训练好的模型进行测试,测试结果表明LSTM和真实值的差异率更低,最后分别使用两种方法进行了预测.

关键词：汽车试验场、车辆总数、趋势预测、LSTM、GRU

所属期刊栏目：8

分类号：U467.5+1(汽车工程)

资助基金：工信部2016年工业强基工程0714-EMTC02-5593/20

在线出版日期：2018-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：182-188