基于深度学习的铁路货运量预测研究

作     者：唐龙 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：何娟

授予年度：2022年

学科分类：02[经济学] 0202[经济学-应用经济学] 

主      题：铁路货运 灰色关联分析 LSTM GRU CNN-LSTM 货运量预测 

摘      要：伴随铁路网规模的不断扩大、信息技术的飞速发展,铁路货运运营管理模式从粗放型逐步转型为精细型。精细化的铁路货运运营管理模式是铁路企业营利性目标驱动下应对愈加个性化运输服务市场的必然选择,也是铁路社会责任驱使下响应当前社会可持续绿色发展号召的首要选择。精细化的铁路货运运营管理不仅体现在运营工作流程的细化和标准化、信息系统实现数字化集成,也体现在铁路宏观路网下沉到铁路交路枢纽、铁路货站运营工作的调整和运输能力优化。因此,有必要对铁路近短期货运量进行预测,一是为铁路行车组织提供决策支持,二是为物流基础设施的配备和铁路物流服务的开展提供信息支持。考虑受外部环境影响的铁路货运量序列具有多维性、非线性、序列依赖性的特点,传统的模型难以预测。深度学习预测模型具有强大的学习能力,能较好提取关联特征并拟合货运量的非线性特性。由于铁路货运量影响因素纷繁众多,首先采用灰色关联分析求解各影响因素与货运量的关联度并根据关联度排序截取采矿业从业人数、第二产业增加值、年末总人口、当日平均运价、高速公路里程、GDP、PPI共7种主要影响因素;其次,基于选取的影响因素数据和历史货运数据定义特征矩阵,建立多变量LSTM模型、多变量GRU模型和多变量CNN-LSTM组合预测模型;最后,应用某地区2015-2019年的货运量数据验证模型预测效果,并与单变量LSTM模型、单变量GRU模型、单变量CNN-LSTM组合预测模型的预测结果进行对比。实验结果表明,由于多变量预测模型从多维度对货运量进行预测,不但解析了历史货运量的时序特征,还充分挖掘了影响因素与货运量的关联特征,因而相比单变量模型预测效果更好。此外,在多变量模型中又以多变量CNN-LSTM模型预测效果最好,其EVS、、MAE、RMSE分别为0.96、0.96、120.75、157.42。