[发明专利]一种基于LSTM网络的多变量物流货运量预测方法

权利要求书

1.一种基于LSTM网络的多变量物流货运量预测方法，其特征在于：该方法包括以下步骤：

(1)选取被预测对象的m个影响因素X′₁,X′₂,…,X′_m作为预测模型评价指标，进行相关性分析后筛选评价指标，确定评价指标中的自变量X₁,X₂,…,X_n，因变量物流货运量Y，m＞n；获取筛选后的评价指标对应的数据集；

(2)对数据集中自变量X₁,X₂,…,X_n和因变量Y的原始数据序列中包含的错误数据或数据缺失情况进行更正，对更正后的数据进行预处理；将数据集划分训练集和测试集；

(3)确定用于物流货运量预测的LSTM模型结构，设置LSTM模型初始参数值；使用训练集对LSTM模型进行训练，得到训练后的LSTM模型；

(4)使用测试集对训练后的LSTM模型进行预测效果评估，当误差满足预期或达到模型训练迭代次数，停止训练，确定模型参数；否则，继续训练模型直至满足预期；

(5)模型训练完毕后，输出残差曲线及物流货运量当前的真实值和测试拟合值数据信息，对数据进行反归一化，将预测结果数据转换为与原始数据相同数量级的预测值。

2.根据权利要求1所述的一种基于LSTM网络的多变量物流货运量预测方法，其特征在于：所述步骤(1)，影响因素基于预测对象社会发展现状进行选择，分为物流发展常规相关因素，推动物流发展因素，延缓物流发展因素三类；所述物流发展常规相关因素包括地区经济总量、进出口总额；所述推动物流发展因素包括基础设施投资额；所述延缓物流发展因素包括自然灾害损失额。

3.根据权利要求1所述的一种基于LSTM网络的多变量物流货运量预测方法，其特征在于：所述步骤(2)，更正后数据预处理过程具体如下：

(2a)将数据集中时间序列数据Y(u-1),X₁(u-1),X₂(u-1),…,X_n(u-1)转化为监督学习格式的时间序列Y_k(u)，u表示年份，u∈[u_min,u_max]，u_min,u_max分别为最小与最大年份；

(2b)对监督学习格式的时间序列Y_k(u)进行归一化处理，将数据序列映射到[0,1]区间，得到归一化后的时间序列Y_k′(u)；

(2c)以模型训练速度最快或预测精度最高为模型训练目标，将归一化后的数据集Y_k′(u),u∈[u_min,u_max]划分为训练集和测试集。