基于ARIMA-LSTM组合模型的短途运输货物量预测研究OA

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。