计算机论文范文栏目提供最新计算机论文范文格式、计算机论文范文硕士论文范文。详情咨询QQ:1847080343(论文辅导)

铁路货运量智能预测模型与算法思考

日期:2021年07月19日 编辑:ad201107111759308692 作者:无忧论文网 点击次数:629
论文价格:150元/篇 论文编号:lw202107082021173391 论文字数:33633 所属栏目:计算机论文范文
论文地区:中国 论文语种:中文 论文用途:硕士毕业论文 Master Thesis

本文是一篇计算机论文范文,本文的主要工作和结论如以下几点:(1)分析国内外研究现状,总结归纳出目前铁路货运量预测模型存在的一些问题:影响指标选取不充分、模型结构单一、参数最优取值存在困难。(2)介绍我国铁路运输现状,对铁路货运量影响因素从宏观经济因素、市场供需、物流环境和铁路运输自身四个方面进行定性分析收集,通过粗糙集理论的属性约简对其进行定量筛选。


第一章 绪论


1.1 研究背景及意义

1.1.1 研究背景

中国疆域幅员辽阔,物产丰富,但自然资源因复杂的地理环境和多样的气候变化而分布不均,区域化差异显著。例如,东部地区的石油、盐、矿产等资源具有传统优势;中部地区的能源金属等矿物资源丰富,煤矿产量占据全国的百分之八十;西部地区干旱寒冷,环境较为恶劣,不利于生产和居住。改革开放以来,中央政府号召全国各地在结合自身优势发展经济的同时,各地之间还要形成资源互补,相互协作的全国范围内大流通。这一重大举措使得物流运输业成为推动中国经济发展的支柱型产业之一,并逐步形成了独有的“物流经济”,而铁路运输自建国以来一直都是运输业中的主力军。铁路运输是我国物流业运输的重要载体,具有运距长、运输速度快、成本低、运量大等优势,同时铁路经济也成为反映国民经济的重要指标之一。在大宗货物的运输上,例如原煤、粗钢、水泥、金属矿石等[1],铁路货运方式占据了运输业的半壁江山,为我国国民经济的高速发展做出了巨大贡献。改革开放后,国家更是持续加大了对铁路建设方面的投入,目前我国铁路干线“八横八纵”遍布整个内陆,形成了互联互通、高效有力、功能完善的现代化铁路运输保障体系。

近年来,随着我国“一带一路”战略目标的逐步实施,我国先后与全球六十五个沿线国家和地区成功签署合作文件,文件中涵盖把铁路作为基础设施建设的重点项目,通过铁路连接各国各地区,凝聚各国力量,共同发展世界经济,打造人类命运共同体,使古老的丝绸之路重新焕发生机。时至今日已建成中老、中俄、中欧班列、蒙内铁路、中巴铁路、雅万高铁、两洋铁路等多条干线,可以预见随着新建铁路的不断增加,中国与各国的货运运输量将成倍激增,运输速度亦将日益加快,中国铁路正逐步走出国门,走向世界,成为全球合作的“新亮点”[2]。“一带一路”战略不仅促进了各国人民之间的交流与合作,同时也推动了沿线各国各地区铁路货运的快速发展[3]。然而就目前来看,国际铁路货物运输仍存在诸如运输途径不合理、货物聚集效应低下、运输形态破碎化[4]等问题,因此优化国际铁路运输的协调能力,提升国际铁路运输协作效率势在必行。

.........................


1.2 国内外研究现状

国外学者对交通流和货运领域的研究较早,早在 20 世纪 70 年代,学者 Rao[6]就通过研究投入产出系数和国民总支出构成的变化对加拿大铁路货物运输量和运输里程数的影响,来量化结构改变的影响。Kirby[7]等人讨论了时间序列模型和神经网络模型在短期交通流预测中的优劣,Yun[8]在此基础上进行验证,将人工神经网络引入交通运量预测领域。Smith[9]等人通过研究认为在交通流预测中,当条件无法满足季节性 ARIMA 模型的实施时,使用非参数回归和启发式算法相结合的方法预测效果更好。21 世纪初,有学者通过使用多元回归模型实现了印度铁路[10]和爱沙尼亚铁路[11]运输的需求预测。Ha[12]等人结合铁路物流相关特性,建立起提高货运站功能调整效果的指标及流程,并分析了货运站功能调整对于货运效率的影响变化。

相比国外学者,国内研究人员对于铁路货运量的预测研究更为丰富,随着预测方法的演变,正逐渐形成一定的体系。根据预测的结果形式可以将铁路货运量预测分为定性预测和定量预测两种方向。定性预测主要包括专家会议法、德尔菲法、头脑风暴法等,需要运用丰富的知识与经验,直接分析预测对象特征规律并给出预测结果。这种方式灵活性较强,但是常受到专业和心理因素的局限,会给出过于主观或片面的结论,可靠性较差。定量研究则通过收集相关历史数据,结合铁路货运自身规律和特点建立相应的模型来研究因素变量与预测变量之间的关系,结果更为可靠。

..........................


第二章 深度学习相关理论


2.1 深度学习

深度学习通过模拟人脑对复杂数据的处理机制,自动对重要数据特征进行提取,映射到不同维度的空间中,以便根据不同层次上的信息表达做出相应的解释与分析。深度学习是机器学习的一个进阶分支,相比于传统机器学习方法中需要人工控制数据的输入特征表达和权重优化,深度学习可以实现数据的自动分布式特征表达,近年来在信息提取、图像识别、自然语言处理领域均取得显著成果。

20 世纪 80 年代末提出的反向传播算法,其本质上是一种含有少量隐含层的浅层神经网络。浅层神经网络是一种将输入信息映射到特征空间的结构,一般由输入层、隐藏层和输出层组成。常见的模型包括单隐层网络、隐马尔可夫模型[42]、支持向量机等[43],这类模型大多用于解决具有良好约束的问题,但面对一些复杂条件时,存在着高维函数表达能力有限、泛化能力不足等局限。

2006 年 Hinton 教授提出的深度学习是继神经网络后的又一突破。深度学习中的“深度”指的是模型结构,一般要求模型的隐含节点超过三层,这种多层非线性函数特征具有更好拟合复杂函数问题的能力。深度学习中的“学习”则强调了特征学习的重要性,深度学习可以从大量的数据中进行识别分析,实现模型的无监督特征学习[44]。从本质上来说,深度学习就是通过多隐层网络结构对大量原始数据样本进行非线性处理,实现面向各个领域的特征表达或其他任务的一种方法。

图2.4 LSTM 内部结构

图2.4 LSTM 内部结构

......................


2.2 神经网络模型

2.2.1 循环神经网络

循环神经网络(Recurrent Neural Network, RNN)通过引入定向循环单元,使所有循环单元之间存在连接形成闭合回路,接收的时间序列数据可以逐层通过每一神经元实现循环训练。循环神经网络具有记忆性,当前层的神经元不止与当前的输入有关,还受到以往神经元的输出影响,同时该层的输出作为下一层的输入,按照这种形式传递下去,体现数据之间的隐含联系。

循环神经网络结构如图 2.3 所示,可将其看作是同一神经网络结构反复复制的结果,因此循环神经网络具有权值矩阵共享特性,在每个时间步上的权重系数W 、U 、V 都相同,可以在一定程度上对每个循环单元实现公平的处理,使不同长度的输入序列具有相对稳定的学习过程。同时权重共享可以减少待求参数的引入,提高神经网络的泛化能力。

图 2.3 循环神经网络结构

图 2.3 循环神经网络结构

.............................


第三章 铁路货运量影响因素特征提取...................15

3.1 铁路货运量影响因素分析 ......................15

3.1.1 我国铁路货运特征...................15

3.1.2 铁路货运量影响因素定性分析............................16

第四章 基于窥视孔连接 BILSTM 的铁路货运量预测.......................21

4.1 基于小波变换的数据去噪处理 .................... 21

4.1.1 小波变换理论概述 ........................... 21

4.1.2 多分辨分析................... 22

第五章 基于改进粒子群优化神经网络的铁路货运量预测..................37

5.1 粒子群优化算法 .......................... 37

5.1.1 算法描述 ...................... 38

5.1.2 参数介绍 .......................... 38


第五章 基于改进粒子群优化神经网络的铁路货运量预测


5.1 粒子群优化算法

神经网络预测模型的训练过程基于梯度下降函数,从初始点开始不断迭代最终找到误差最小的结果,该结果与相关参数的设置有很大关系,因此神经网络对于初始参数的设置是十分敏感的,需要根据预测指标结果不断调整模型参数获取到最优值。如果参数设置不当可能会造成模型预测精度低,即使训练次数达到足够多时也可能会错过极值点,模型预测效率极低。同时网络参数的调整会产生较大规模的计算量,不利于模型收敛,导致性能变差。为解决这一问题,本章中将智能参数搜索算法——粒子群优化算法引入到神经网络模型中,实现各参数的自主寻优过程,神经网络模型与粒子群优化算法具有较强的互补性,构建出结构精简、性能优良的铁路货运量预测模型。

粒子群优化算法是 1995 年 Kennedy 博士等人提出的群体智能算法[53],仿生角度源于鸟群捕食行为,通过模拟鸟群觅食的行为轨迹进行信息共享来获得整个群体在觅食过程中群体协作达到最优的结果。

粒子群优化算法利用无质量粒子来代替鸟群中的鸟,仅考虑粒子移动的速度和方向,在搜索空间中寻找个体粒子的最优值,并与其他粒子相互共享信息。将所有粒子中最优值作为全局求解空间的最优解,其余粒子根据这个最优解调整自己的移动速度和方向,最终实现求解空间中从无序到有序的推演过程。由于粒子群优化算法具有较少需调整的参数,因此是一种便于实现、精度较高的有效寻优方法,常与神经网络模型结合[54-56],实现训练过程的优化。

.........................


第六章 总结与展望


6.1 本文总结

铁路货运量预测是铁路组织合理有效进行项目建设规划的参考基础,也是提升铁路货运方式在市场占比的重要研究内容。因此实现铁路货运量的科学、准确、高效预测是十