典型文献
基于GS-LSTM模型的铁路货运量预测
文献摘要：
铁路货运量预测的准确性对铁路运输企业制定营销计划和营销决策来说是必要的,尤其是短期铁路货运量的影响至关重要.为了提高铁路货运量的预测精度,提出一种优化长短期记忆网络(Long-Short Term Memory,LSTM)参数的预测模型——GS-LSTM模型,通过利用网格搜索算法(Grid Search)对LSTM模型训练网络中最主要的参数(批量大小、隐含层神经单元个数和学习率)进行优化.基于2005年1月—2021年7月的铁路货运量月度数据,首先建立BP和LSTM模型对预测结果进行比较,LSTM模型比BP模型的MAPE降低1.55个百分点,然后分别对BP和LSTM模型的网络参数进行优化后再进行比较,优化后的2 种模型比基础模型的预测效果均有提高,而且优化后的LSTM模型比BP模型的MAPE又进一步降低0.18个百分点.实验结果显示,优化后的LSTM模型预测效果更佳,泛化能力更好,具有很好的研究和使用价值.
文献关键词：
LSTM模型;网格搜索算法;BP模型;铁路货运量;时间序列预测
中图分类号：
作者姓名：
周昌野;李程
作者机构：
上海工程技术大学航空运输学院,上海 201620
文献出处：
引用格式：
[1]周昌野;李程-.基于GS-LSTM模型的铁路货运量预测)[J].计算机与现代化,2022(10):24-28
A类：
B类：
GS,铁路货运量预测,铁路运输企业,营销决策,提高铁路,长短期记忆网络,Long,Short,Term,Memory,网格搜索算法,Grid,Search,模型训练,隐含层,学习率,月度,MAPE,百分点,网络参数,比基,基础模型,泛化能力,使用价值,时间序列预测
AB值：
0.232488
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
