高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,...高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,通过主要影响因素识别,筛选出货运工作量类、货运组织水平类、货车运用属性类3类主要影响指标,并通过滑动窗口划分方法构造为模型输入。随后,构建基于PG-ConvLSTM(convolutional long short-term memory,ConvLSTM)网络的铁路运用车分配预测模型。模型以卷积长短期记忆神经网络作为主体框架,基于运用车分配的先验规律设计物理不一致项构造物理引导损失函数,并使用Hyperband算法优化模型网络层数与物理不一致项权重2项超参数。最后,使用MAE、RMSE与MAPE作为评价指标,并选用BP、CNN-LSTM、CNN-GRU与ConvLSTM网络模型作为对比,基于运用车分配实际数据进行实例分析。结果表明,PG-ConvLSTM模型评价指标MAE为0.0028,RMSE为0.0034,MAPE为7.22%,相比其他神经网络模型均为最优。PG-ConvLSTM模型得益于时空关联特征的同步提取机制,有效避免时空特征经卷积后再输入循环神经网络而丢失关键信息,从而具备更优的预测性能。物理引导损失函数对预测精度提升也具有积极作用。PG-ConvLSTM模型能够高效且准确地对运用车分配方案进行预测,可为实际运营中月度计划期运用车分配方案的制定提供参考。展开更多
文摘高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,通过主要影响因素识别,筛选出货运工作量类、货运组织水平类、货车运用属性类3类主要影响指标,并通过滑动窗口划分方法构造为模型输入。随后,构建基于PG-ConvLSTM(convolutional long short-term memory,ConvLSTM)网络的铁路运用车分配预测模型。模型以卷积长短期记忆神经网络作为主体框架,基于运用车分配的先验规律设计物理不一致项构造物理引导损失函数,并使用Hyperband算法优化模型网络层数与物理不一致项权重2项超参数。最后,使用MAE、RMSE与MAPE作为评价指标,并选用BP、CNN-LSTM、CNN-GRU与ConvLSTM网络模型作为对比,基于运用车分配实际数据进行实例分析。结果表明,PG-ConvLSTM模型评价指标MAE为0.0028,RMSE为0.0034,MAPE为7.22%,相比其他神经网络模型均为最优。PG-ConvLSTM模型得益于时空关联特征的同步提取机制,有效避免时空特征经卷积后再输入循环神经网络而丢失关键信息,从而具备更优的预测性能。物理引导损失函数对预测精度提升也具有积极作用。PG-ConvLSTM模型能够高效且准确地对运用车分配方案进行预测,可为实际运营中月度计划期运用车分配方案的制定提供参考。
