基于VMD-GWO-LSTM深度学习模型的区域物流需求预测

董萍; 邵舒羽

doi:10.16454/j.cnki.issn.1001-0564.2025.03.010

北京服装学院学报（自然科学版） ›› 2025, Vol. 45 ›› Issue (03) : 80 -87. DOI: 10.16454/j.cnki.issn.1001-0564.2025.03.010

基于VMD-GWO-LSTM深度学习模型的区域物流需求预测

董萍, 邵舒羽

作者信息 +

Author information +

文章历史 +

PDF

摘要

为了提高区域物流需求的预测准确率，解决传统方法存在的复杂度高、精度低、错误率高等问题，本文提出一种新的方法。该方法利用变分模态分解(VMD)算法将原始时间序列的区域物流分解为有限个子序列，并组合灰狼算法优化长短时记忆神经网络(GWO-LSTM),构建子序列的训练和预测模型。为验证该方法的有效性，以北京市1981—2024年的物流货运量作为研究对象进行了实证分析。结果表明：该模型在测试集上的均方根误差(RMSE)为500.537 4,平均绝对误差(MAE)为373.650 1,平均绝对百分比误差(MAPE)为1.36%,同时在2011—2024年的平均预测准确率达到了94.60%。该模型具有数据分解精度高、鲁棒性强、准确率高等优点，可以有效降低物流需求的局部突变带来的预测误差。