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GRU深度网络的铁路短期货运量预测
被引量：
23
1
作者
谭雪
张小强
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第12期28-35,共8页
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...
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。
展开更多
关键词
铁路运输
深度学习
短期货运量预测
GRU深度网络
在线阅读
下载PDF
职称材料
题名
基于GRU深度网络的铁路短期货运量预测
被引量：
23
1
作者
谭雪
张小强
机构
西南交通大学交通运输与物流学院
综合交通大数据应用技术国家工程实验室
综合交通运输智能化国家地方联合工程实验室
出处
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第12期28-35,共8页
基金
国家铁路局科技开发项目(KF2019-010-B)。
文摘
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
Keywords
railway transportation
deep learning
freight demand forecasting
GRU deep neural network
分类号
U294.13 [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GRU深度网络的铁路短期货运量预测
谭雪
张小强
《铁道学报》
EI
CAS
CSCD
北大核心
2020
23
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
