期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于STL分解与N-BEATS的铁路货运站短期装车量组合预测模型
1
作者
马亮
陈奕霖
+2 位作者
郭进
胡宸瀚
金福才
《中国铁道科学》
北大核心
2025年第3期216-228,共13页
针对铁路货运站短期装车量的波动性与随机性特征导致其时序特征较难提取的问题,提出基于STL分解方法与N-BEATS神经网络模型的组合预测模型STL-N-BEATS。先通过STL分解方法将原始数据分解为趋势序列、周期序列和剩余项序列,再利用N-BEAT...
针对铁路货运站短期装车量的波动性与随机性特征导致其时序特征较难提取的问题,提出基于STL分解方法与N-BEATS神经网络模型的组合预测模型STL-N-BEATS。先通过STL分解方法将原始数据分解为趋势序列、周期序列和剩余项序列,再利用N-BEATS模型对各分量分别建模并重构预测结果,最后基于某铁路运输企业的4个货运站546 d的历史装车数据,对比所提模型与其他6种模型的预测性能。结果表明:A站测试集下,其他6种模型的预测均有一定滞后性,而所提模型可以较好地拟合真实值曲线,计算得到的对称平均绝对百分比误差、平均绝对误差和均方根误差3项指标均最低,这是由于所提模型分解时序特征后得到的趋势序列和周期序列主导了预测结果,降低了整体数据的不确定性和波动性;预测步长分别为3和7 d时,在B,C,D这3个货运站日装车量预测和D站不同去向、不同品名日装车量预测场景下,所提模型的3项指标仍均最低,标志着其具有良好的预测性能和泛化能力。
展开更多
关键词
铁路货运
短期装车量预测
深度学习
STL分解方法
N-BEATS模型
在线阅读
下载PDF
职称材料
题名
基于STL分解与N-BEATS的铁路货运站短期装车量组合预测模型
1
作者
马亮
陈奕霖
郭进
胡宸瀚
金福才
机构
西南交通大学信息科学与技术学院
四川省列车运行控制技术工程研究中心
中国铁道科学研究院集团有限公司电子计算技术研究所
出处
《中国铁道科学》
北大核心
2025年第3期216-228,共13页
基金
中国国家铁路集团有限公司科技研究开发计划系统性重大项目(P2024X003)
中国铁道科学研究院集团有限公司科研开发基金资助项目(2022YJ217)。
文摘
针对铁路货运站短期装车量的波动性与随机性特征导致其时序特征较难提取的问题,提出基于STL分解方法与N-BEATS神经网络模型的组合预测模型STL-N-BEATS。先通过STL分解方法将原始数据分解为趋势序列、周期序列和剩余项序列,再利用N-BEATS模型对各分量分别建模并重构预测结果,最后基于某铁路运输企业的4个货运站546 d的历史装车数据,对比所提模型与其他6种模型的预测性能。结果表明:A站测试集下,其他6种模型的预测均有一定滞后性,而所提模型可以较好地拟合真实值曲线,计算得到的对称平均绝对百分比误差、平均绝对误差和均方根误差3项指标均最低,这是由于所提模型分解时序特征后得到的趋势序列和周期序列主导了预测结果,降低了整体数据的不确定性和波动性;预测步长分别为3和7 d时,在B,C,D这3个货运站日装车量预测和D站不同去向、不同品名日装车量预测场景下,所提模型的3项指标仍均最低,标志着其具有良好的预测性能和泛化能力。
关键词
铁路货运
短期装车量预测
深度学习
STL分解方法
N-BEATS模型
Keywords
Railway freight
Short-term car loading volume prediction
Deep learning
STL decomposition method
N-BEATS model
分类号
U294.1 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于STL分解与N-BEATS的铁路货运站短期装车量组合预测模型
马亮
陈奕霖
郭进
胡宸瀚
金福才
《中国铁道科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
