基于GRU深度网络的铁路短期货运量预测

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、DP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.

关键词：铁路运输、深度学习、短期货运量预测、GRU深度网络

所属期刊栏目：42

分类号：U294.13(铁路运输管理工程)

资助基金：国家铁路局科技开发项目KF2019-010-B

在线出版日期：2021-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：28-35