典型文献
基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测
文献摘要：
短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型—–ARIMA;浅层机器学习模型—–支持向量回归和BP神经网络;深度学习模型—–LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM.
文献关键词：
短时物流需求;集成经验模态分解;局部均值分解;长短期记忆网络;局部误差校正;预测
中图分类号：
作者姓名：
冉茂亮;陈彦如;杨新彪
作者机构：
西南交通大学经济管理学院,成都610031;服务科学与创新四川省重点实验室,成都610031
文献出处：
引用格式：
[1]冉茂亮;陈彦如;杨新彪-.基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测)[J].控制与决策,2022(10):2513-2523
A类：
短时物流需求,局部误差校正
B类：
EEMD,LMD,LEC,深度学习模型,物流需求预测,智慧物流,物流系统,需求数据,非平稳性,随机性,精确预测,集成经验模态分解,局部均值分解,长短期记忆网络,特征分解,机变,预测误差,校正模型,绝对误差,误差均值,决定系数,对比模型,数理统计,统计模型,ARIMA,机器学习模型,支持向量回归,组合模型,深度置信网络
AB值：
0.170091
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。
