Resumen

La previsión eficaz de los volúmenes de contenedores puede proporcionar apoyo a la toma de decisiones para la programación y el funcionamiento de los puertos. En este trabajo, mediante el aprendizaje profundo del conjunto de datos históricos, se utiliza la red neuronal recurrente (RNN) de memoria a corto plazo (LSTM) para predecir los volúmenes diarios de contenedores que entrarán en el patio de almacenamiento. El conjunto de datos brutos de volúmenes diarios de contenedores en un puerto determinado se elige como conjunto de entrenamiento y se preprocesa con box plot. A continuación, se establece el modelo LSTM con Python y el framework Tensorflow. La comparación entre LSTM y otros métodos de predicción como el modelo ARIMA y la red neuronal BP también se proporciona en este estudio, y la brecha de predicción de LSTM es menor que otros métodos. Es prometedor que la LSTM propuesta sea útil para predecir los volúmenes diarios de contenedores.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:lstm, volúmenes diarios, volúmenes diarios de contenedores, otros métodos de predicción, red neuronal recurrente, contenedores, modelo arima, modelo lstm, marco tensorflow, box plot
• Keywords:lstm, daily volumes, daily container volumes, other prediction methods, recurrent neural network, containers, arima model, lstm model, tensorflow framework, box plot