文章详情

摘要

短途运输作为现代城市物流体系的重要组成部分，其货量变化直接影响运力调度与整体运营效率。针对货量数据中存在的剧烈波动与非线性特性，文章设计了一种结合自回归滑动平均模型（ARIMA）与长短期记忆神经网络（LSTM）的复合预测框架。通过对历史货量数据的时间序列特性进行分析，先进行平稳性检验并建立初步趋势模型，采用ARIMA模型捕捉线性动态特征，再利用LSTM网络对建模残差中的复杂非线性结构进行学习与修正。基于真实物流线路数据的实验验证表明，该组合预测模型在趋势拟合与误差控制方面均优于传统单模型，能够为短途运输环节中的资源配置与调度决策提供更加精准的数据支撑。

关键词

ARIMA；LSTM；货物量预测；短途运输；时间序列；组合模型

参考文献

1. [1] 周浩洋，马鲁豫，戴泽宇.电商物流网络包裹应急调运与结构优化问题 [J].现代商贸工业，2024，45（20）：42-44.
2. [2] 李思琪，俞琨，陈宇皓.基于ARIMA和LSTM的高性能计算平台资源使用的预测研究 [J/OL].计算机科学，2025：1-11[2025-04-26].http://kns.cnki.net/kcms/detail/50.1075.TP.20250226.1825.010.html.
3. [3] 李娟，于婧，李大鹏.基于不同数据颗粒度的机组功率特性研究 [C]//第十届中国风电后市场交流合作大会.大连：[出版者不详]，2023：267-274.
4. [4] 胡衍坤，王宁，刘枢，等.时间序列模型和LSTM模型在水质预测中的应用研究 [J].小型微型计算机系统，2021，42（8）：1569-1573.
5. [5] 翁紫霞.基于ARIMA模型的股价分析与预测——以建设银行为例 [J].现代信息科技，2023，7（14）：137-141.
6. [6] 柴和平，沈雪，季英杰，等.基于货量预测与优化调度的电商物流网络问题研究 [J].科技创新与生产力，2024，45（10）：22-27.
7. [7] 王健，王建，薛念明，等.基于超参数优化轻量化深度神经网络的安全围栏图像分割技术 [J].现代信息科技，2024，8（16）：123-126.
8. [8] 王安琪，易民，赵含雪，等.基于LSTM神经网络模型的河道洪水反流向演算 [J/OL].水文，2025：1-11[2025-04-26].https://doi.org/10.19797/j.cnki.1000-0852.20240148.
9. [9] 王磊，马驰骋，齐俊艳，等.基于ARIMA-LSTM的矿区地表沉降预测方法 [J].计算机工程，2025，51（1）：98-105.
10. [10] 林云.基于Transformer多头注意力机制的文本分类模型 [J].现代信息科技，2025，9（6）：100-104.

作者简介

刘梦聪（2004—），女，汉族，河北保定人，本科在读，研究方向：神经网络、深度学习和脉象信号处理；通信作者：郭协潮（1979—），男，汉族，陕西富平人，副教授，博士，研究方向：深度学习、图神经网络和生物信息；王伟任（2004—），男，满族，辽宁丹东人，本科在读，研究方向：深度学习和运动训练科学。