控制与决策

作者：杨新彪,陈彦如,秦娟,冉茂亮

单位：西南交通大学 经济管理学院,成都 610031,,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,,西南交通大学 经济管理学院,成都 610031,,西南交通大学 经济管理学院,成都 610031,

关键词：超短时物流需求;多步预测;串行数据分解;量子加权;深度学习模型;TPE参数优化

基金：国家自然科学基金项目(71771190).

超短时物流需求预测是企业物流资源智能调度的重要基础,然而,超短时物流需求数据具有强随机性、高波动性、非平稳性等特征,进行多步精确预测较为困难.基于此,构建基于串行数据分解和量子加权深度网络的超短时物流需求多步预测模型.首先,通过变分模态分解(VMD)和经验小波变换(EWT)的串行分解方法对超短时物流需求数据的时序特征进行有效提取,以剥离噪声信号,降低原始数据的非平稳性和随机性;然后,构建量子加权长短期记忆神经网络(QWLSTM)深度学习模型,设计多输入多输出策略对分解后的模态分量进行多步预测,并基于树形Parzen评估器(TPE)对QWLSTM的超参数组进行优化;最后,对各模态分量的预测结果进行重构.实验结果表明,所提出模型在平均绝对值误差(MAE)、均方误差(MSE)、加权平均绝对百分比误差(WMAPE)、校正决定系数(R\textsuperscript{2

来源：2024年第6期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第6期