典型文献
基于xDeepFM的铁路货物运输时间预测
文献摘要：
铁路货物运输时间会影响物流交付、列车调度等,准确的铁路货物运输时间预测是合理制定运输组织方案的关键.货物列车的运营受很多复杂因素的耦合影响,而既有研究普遍缺乏对各因素特征交互的深入探索,为了探索铁路货物运输时间预测新的特征融合机制、提高整体预测效果,本文创新性地将智能推荐算法领域的xDeepFM算法引入货运时间预测问题.基于该算法的因子分解机、深度学习等思想构建了货运时间预测模型,设计了数据预处理、特征映射及参数寻优模块,利用模型能自动高效学习复杂因素的显式和隐式高维特征交互关系来提升预测效果,为解决铁路货物运输时间预测问题提供了新思路.在案例研究中,本文选取2种经典机器学习模型(LSSVM、随机森林模型)和3种新颖深度学习模型(DNN、CNN、LSTM)作为对比模型.实验结果表明:本文所建的xDeepFM模型的预测误差MSE为0.4991,MAPE为3.473％,相较于对比模型,xDeepFM模型具有更高的预测准确度,适合运营环境复杂的货物运输预测问题,能够实现较好的预测效果.
文献关键词：
铁路运输;xDeepFM;深度学习;时间预测;神经网络
中图分类号：
作者姓名：
蒋哲远;葛承宇;陈超;米希伟
作者机构：
北京交通大学,交通运输学院,北京100044
文献出处：
引用格式：
[1]蒋哲远;葛承宇;陈超;米希伟-.基于xDeepFM的铁路货物运输时间预测)[J].交通运输工程与信息学报,2022(01):39-46,97
A类：
xDeepFM
B类：
铁路货物运输,运输时间,交付,列车调度,运输组织方案,货物列车,耦合影响,特征交互,特征融合,融合机制,智能推荐算法,入货,货运,因子分解机,时间预测模型,数据预处理,特征映射,参数寻优,高效学习,显式,隐式,高维特征,交互关系,在案,机器学习模型,LSSVM,随机森林模型,深度学习模型,DNN,对比模型,预测误差,MSE,MAPE,预测准确度,运营环境,环境复杂,铁路运输
AB值：
0.336307
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。
