基于双长短期记忆网络组合的网络货运平台成交定价预测模型

doi:10.11772/j.issn.1001-9081.2021030504

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (5): 1616-1623.DOI: 10.11772/j.issn.1001-9081.2021030504

基于双长短期记忆网络组合的网络货运平台成交定价预测模型

李由之, 胡志华(), 陈春, 杨培蓓, 董雅静

上海海事大学物流研究中心，上海 201306

收稿日期:2021-04-02 修回日期:2021-07-07 接受日期:2021-07-07 发布日期:2022-06-11 出版日期:2022-05-10
通讯作者: 胡志华
作者简介:李由之（1998—），女，湖南娄底人，硕士研究生，主要研究方向：供应链管理、机器学习
胡志华（1977—），男，湖南长沙人，教授，博士，主要研究方向：物流管理 541847747@qq.com
陈春（1994—），男，安徽安庆人，硕士研究生，主要研究方向：物流管理
杨培蓓（1996—），女，江苏南通人，硕士研究生，主要研究方向：物流管理
董雅静（1998—），女，浙江台州人，硕士研究生，主要研究方向：博弈论。
基金资助:
国家自然科学基金资助项目(71871136)

Prediction model of transaction pricing in internet freight transport platform based on combination of dual long short-term memory networks

Youzhi LI, Zhihua HU(), Chun CHEN, Peibei YANG, Yajing DONG

Logistics Research Center，Shanghai Maritime University，Shanghai 201306，China

Received:2021-04-02 Revised:2021-07-07 Accepted:2021-07-07 Online:2022-06-11 Published:2022-05-10
Contact: Zhihua HU
About author:LI Youzhi， born in 1998，M. S. candidate. Her research interestsinclude supply chain management，machine learning.
HU Zhihua， born in 1977， Ph. D.， professor. His researchinterests include logistics management.
CHEN Chun， born in 1994， M. S. candidate. His researchinterests include logistics management.
YANG Peibei， born in 1996， M. S. candidate. Her researchinterests include logistics management.
DONG Yajing， born in 1998，M. S. candidate. Her researchinterests include game theory.
Supported by:
National Natural Science Foundation of China(71871136)

摘要/Abstract

摘要：

网络货运平台运输服务订单的成交定价的预测结果是平台运营策略和承运人决策的直接体现，显著影响平台效益和承运人市场健康发展。以顺丰速递网络货运平台为例，通过缺失值处理和类别型数据转换进行数据预处理。针对网络货运平台成交定价预测精度问题，设计了基于双长短期记忆网络（LSTM）组合的网络货运平台成交定价预测模型，并采用K-means聚类分析预测结果。双LSTM组合模型相较于LSTM、支持向量回归（SVR）、两者相融合的LSTM-SVR以及基于灰色GM（1，1）和反向传播（BP）组合（GM（1，1）-BP）等模型，平均绝对误差（MAE）、均方误差（MSE）、平均绝对百分比误差（MAPE）最低且R²最高，分别为9.90、402.54、1.48和0.999 97。而K-means聚类分析对预测的订单成交定价进行评级的结果与实际情况一致。实验结果表明，所提出的双LSTM组合模型具备有效性和准确的网络货运平台成交定价预测效果。

关键词: 网络货运平台, 定价策略, 长短期记忆网络, K-means聚类分析, 物流管理

Abstract:

Prediction results of transaction pricing of transport service orders in internet freight transport platform are the direct reflections of both platform operation strategy and carrier decision， and influences both platform benefits and the healthy development of carrier market significantly. Taking internet freight transport platform of SF Express network as an example， the data were preprocessed through missing value processing and categorical data conversion. Aiming at the prediction precision problem of transaction pricing in internet freight transport platform， a new prediction model of transaction pricing in internet freight transport platform based on combination of dual Long Short-Term Memory networks（LSTM） was designed， and the prediction results were analyzed by K-means clustering. Compared with the models such as LSTM， Support Vector Regression （SVR）， Long Short-Term-Memory combined with Support Vector Regression （LSTM-SVR）， and combination of grey GM（1，1） and Back Propagation （BP）（GM（1，1）-BP）， the combination model of dual LSTM has the lowest Mean Absolute Error （MAE）， Mean Square Error （MSE）， Mean Absolute Percentage Error （MAPE） and highest R square （R²）， which is 9.90， 402.54， 1.48 and 0.999 97 respectively. The evaluation results of predicted order transaction pricing by using K-means clustering analysis are consistent with the actual values. Experimental results indicate that， the proposed combination model of dual LSTM has effectiveness and precise prediction effect of transaction pricing in internet freight transport platform.

Key words: internet freight transport platform, pricing strategy, Long Short-Term Memory network (LSTM), K-means clustering analysis, logistics management

中图分类号:

TP183

李由之, 胡志华, 陈春, 杨培蓓, 董雅静. 基于双长短期记忆网络组合的网络货运平台成交定价预测模型[J]. 计算机应用, 2022, 42(5): 1616-1623.

Youzhi LI, Zhihua HU, Chun CHEN, Peibei YANG, Yajing DONG. Prediction model of transaction pricing in internet freight transport platform based on combination of dual long short-term memory networks[J]. Journal of Computer Applications, 2022, 42(5): 1616-1623.

图/表 11

图1 LSTM模型的结构

Fig. 1 Structure of LSTM model

图2 LSTM神经元的单元结构

Fig. 2 Unit structure of LSTM neuron

图3 双LSTM组合模型

Fig. 3 Combination model of dual LSTM

表1 预处理后的部分平台历史订单数据集

Tab. 1 Partial platform dataset of historical orders after preprocessing

订单序号	任务id	总里程/km	线路总成本/元	线路不含税指导价/元	交易对象 $B$	…	线路不含税成交价格/元
1	4 713	45	281.82	282	1	…	238
2	4 721	144	672.47	672	1	…	1 010
3	4 722	144	681.23	681	1	…	1 100
4	4 724	144	681.23	681	1	…	1 100

表1 预处理后的部分平台历史订单数据集

Tab. 1 Partial platform dataset of historical orders after preprocessing

订单序号	任务id	总里程/km	线路总成本/元	线路不含税指导价/元	交易对象 $B$	…	线路不含税成交价格/元
1	4 713	45	281.82	282	1	…	238
2	4 721	144	672.47	672	1	…	1 010
3	4 722	144	681.23	681	1	…	1 100
4	4 724	144	681.23	681	1	…	1 100

表2 双LSTM组合模型的参数设置

Tab. 2 Parameter setting of combination model of dual LSTM

参数	值
输入张量（input_shape）	（1，163）
输入层神经元数	24
输入层激活函数	tanh
隐藏层	2
隐藏层神经元数	12
输出层神经元数	1
训练轮次（epochs）	100
批量大小（batch_size）	8

图4 双LSTM组合模型预测值与实际值对比

Fig. 4 Comparison of predicted values by dual LSTM combination model and actual values

图5 四种模型预测值与实际值对比

Fig. 5 Comparison of predicted values by four models and actual values

表3 双LSTM组合模型与单一模型的评价指标实验结果

Tab. 3 Experimental results of evaluation indicators between combination model of dual LSTM and single models

模型	R²	MAE	MSE	MAPE/%	MAPE/%*
双LSTM	0.999 97	9.90	402.54	1.48	1.27
LSTM	0.999 12	21.21	11 519.69	1.64	1.39
SVR	0.996 68	122.79	42 983.60	24.73	24.70
LASSO	0.969 88	269.71	315 963.66	42.78	17.60
ELM	0.991 55	181.40	108 324.93	36.28	34.86

表4 双LSTM组合模型与其他组合模型的评价指标实验结果

Tab. 4 Experimental results of evaluation indicators between combination model of dual LSTM and other combination models

模型	R²	MAE	MSE	MAPE/%	MAPE/%*
LSTM-SVR	0.999 23	33.36	10 041.56	6.16	6.17
GM（1，1）-BP	0.999 67	30.12	4 236.59	4.15	6.69
双LSTM	0.999 97	9.90	402.54	1.48	1.27

表5 成交定价等级划分标准和订单所占比例

Tab. 5 Classification standard and order proportion of transaction pricing

等级	成交定价范围	占比/%	说明
1	［113，360］	33.0	订单容易完成
2	（360，540］	1.0	订单较容易完成
3	（540，868］	18.3	订单完成难度中等
4	（868，8 225］	41.4	订单较难完成
5	（8 225，20 539］	6.3	订单非常难完成

图6 成交定价预测值等级划分标准

Fig. 6 Classification standard of predicted values of transaction pricing

参考文献 25

1	刘德智，张柳叶.考虑可靠性的无车承运平台信息共享价值研究［J］.数学的实践与认识，2020，50（7）：136-146.
	LIU D Z， ZHANG L Y. Research on information sharing value of non-truck operating common carrier considering reliability ［J］. Mathematics in Practice and Theory， 2020， 50（7）： 136-146.
2	高博，史言，李玮.典型地区推动无车承运人发展的经验比对研究［J］.综合运输，2018，40（8）：111-113.
	GAO B， SHI Y， LI W. Comparative study of typical region transport departments promoting the development of truck broker experience ［J］. China Transportation Review， 2018， 40（8）： 111-113.
3	李博，白冰峰.基于平台经济理论视角的网络货运平台研究综述［J］.供应链管理，2021，2（2）：121-127.
	LI B， BAI B F. A literature review of online freight transport platforms based on the perspective of platform economy theory ［J］. Supply Chain Management， 2021， 2（2）： 121-127.
4	贺政纲，杨晓蕾，贾艳丽.基于无车承运的多式联运流线网络匹配研究［J］.交通运输系统工程与信息，2018，18（6）：236-242. 10.16097/j.cnki.1009-6744.2018.06.033
	HE Z G， YANG X L， JIA Y L. Construction of intermodality streamline network matching based on the “carrier broker” ［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（6）： 236-242. 10.16097/j.cnki.1009-6744.2018.06.033
5	尤美虹，骆温平，陶君成.无车承运人及货运平台监管调查分析［J］.中国流通经济，2019，33（8）：45-53. 10.14089/j.cnki.cn11-3664/f.2019.08.005
	YOU M H， LUO W P， TAO J C. Investigation and analysis on supervision on NTOCC and freight platform ［J］. China Business and Market， 2019， 33（8）： 45-53. 10.14089/j.cnki.cn11-3664/f.2019.08.005
6	王蓓蓓，崔杰.公路货运车货匹配研究综述［J］.价值工程，2019，38（17）：282-284.
	WANG B B， CUI J. Research overview of highway freight vehicle cargo matching ［J］. Value Engineering， 2019， 38（17）： 282-284.
7	聂福海，李电生.不对称信息下无车承运人平台定价策略研究［J］.工业工程与管理，2020，25（5）：121-128.
	NIE F H， LI D S. Study of pricing strategies for non-car operating carriers platform under asymmetric information ［J］. Industrial Engineering and Management， 2020， 25（5）： 121-128.
8	程静，桂云苗.考虑匹配率的物流O2O平台定价研究［J］.安徽工程大学学报，2020，35（2）：70-77. 10.3969/j.issn.2095-0977.2020.02.011
	CHENG J， GUI Y M. Research on logistics O2O platform pricing considering matching rate ［J］. Journal of Anhui Polytechnic University， 2020， 35（2）： 70-77. 10.3969/j.issn.2095-0977.2020.02.011
9	LI J B， ZHENG Y T， DAI B， et al. Implications of matching and pricing strategies for multiple-delivery-points service in a freight O2O platform ［J］. Transportation Research Part E： Logistics and Transportation Review， 2020， 136（4）： Article No.101871. 10.1016/j.tre.2020.101871
10	HURLEY W J， PETERSEN E R. Optimal freight transport pricing and the freight network equilibrium problem ［M］// BIANCO L， TOTH P. Advanced Methods in Transportation Analysis. Berlin： Springer， 1996： 389-412. 10.1007/978-3-642-85256-5_18
11	CLARKE S M， GRIEBSCH J H， SIMPSON T W. Analysis of support vector regression for approximation of complex engineering analyses ［J］. Journal of Mechanical Design， 2005， 127（6）： 1077-1087. 10.1115/1.1897403
12	TU J V. Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes ［J］. Journal of Clinical Epidemiology， 1996， 49（11）： 1225-1231. 10.1016/s0895-4356(96)00002-9
13	MARTÍNEZ-MARTÍNEZ J M， ESCANDELL-MONTERO P， SORIA-OLIVAS E， et al. Regularized extreme learning machine for regression problems ［J］. Neurocomputing， 2011， 74（17）：3716-3721. 10.1016/j.neucom.2011.06.013
14	XIONG Z Y， SU Y K. Dynamic game pricing model of car-free carrier platform based on GA-BP theory ［J］. Journal of Physics： Conference Series， 2020， 1629： Article No.12053. 10.1088/1742-6596/1629/1/012053
15	ZHAO J L， QU H， ZHAO J H， et al. Towards traffic matrix prediction with LSTM recurrent neural networks ［J］. Electronics Letters， 2018， 54（9）： 566-568. 10.1049/el.2018.0336
16	熊红林，冀和，樊重俊，等.基于LSTM-SVR模型的航空旅客出行指数预测［J］.系统管理学报，2020，29（6）：1169-1176.
	XIONG H L， JI H， FAN C J， et al. Forecast of travel index of air passengers based on LSTM-SVR model ［J］. Journal of Systems and Management， 2020， 29（6）： 1169-1176.
17	GERS F A， SCHMIDHUBER E. LSTM recurrent networks learn simple context-free and context-sensitive languages ［J］. IEEE Transactions on Neural Networks， 2001， 12（6）： 1333-1340. 10.1109/72.963769
18	孙轶轩，邵春福，计寻，等.基于ARIMA与信息粒化SVR组合模型的交通事故时序预测［J］.清华大学学报（自然科学版），2014，54（3）：348-353，359.
	SUN Y X， SHAO C F， JI X， et al. Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR ［J］. Journal of Tsinghua University （Science and Technology）， 2014， 54（3）： 348-353， 359.
19	GREFF K， SRIVASTAVA R K， KOUTNÍK J， et al. LSTM： a search space odyssey ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2017， 28（10）： 2222-2232. 10.1109/tnnls.2016.2582924
20	ZHAO C Y， ZHANG H X， ZHANG X Y， et al. Application of Support Vector Machine （SVM） for prediction toxic activity of different data sets ［J］. Toxicology， 2006， 217（2/3）： 105-119. 10.1016/j.tox.2005.08.019
21	LU Y M， ROYCHOWDHURY V. Parallel randomized sampling for Support Vector Machine （SVM） and Support Vector Regression （SVR）［J］. Knowledge and Information Systems， 2008， 14（2）： 233-247. 10.1007/s10115-007-0082-6
22	ZOU H. The adaptive lasso and its oracle properties ［J］. Journal of the American Statistical Association， 2006， 101（476）： 1418-1429. 10.1198/016214506000000735
23	HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： theory and applications ［J］. Neurocomputing， 2006， 70（1/2/3）： 489-501. 10.1016/j.neucom.2005.12.126
24	王宇胜，陈德旺，蔡俊鹏，等.基于LSTM-SVR的锂电池健康状态预测研究［J］.电源技术，2020，44（12）：1784-1787. 10.3969/j.issn.1002-087X.2020.12.019
	WANG Y S， CHEN D W， CAI J P， et al. Research on lithium battery state of health prediction based on LSTM-SVR ［J］. Chinese Journal of Power Sources， 2020， 44（12）： 1784-1787. 10.3969/j.issn.1002-087X.2020.12.019
25	李德营，殷坤龙.基于影响因子的GM（1，1）-BP模型在八字门滑坡变形预测中的应用［J］.长江科学院院报，2013，30（2）：6-11. 10.3969/j.issn.1001-5485.2013.02.002
	LI D Y， YIN K L. Application of GM（1，1）-BP model to the deformation prediction of Bazimen landslide in consideration of influencing factors ［J］. Journal of Yangtze River Scientific Research Institute， 2013， 30（2）： 6-11. 10.3969/j.issn.1001-5485.2013.02.002

[1]	胡鹤轩, 隋华超, 胡强, 张晔, 胡震云, 马能武. 基于图注意力网络与双阶注意力机制的径流预报模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1607-1615.
[2]	王艺霏, 于雷, 滕飞, 宋佳玉, 袁玥. 基于长-短时序特征融合的资源负载预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1508-1515.
[3]	罗浩然, 杨青. 基于情感词典和堆叠残差的双向长短期记忆网络的情感分析[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1099-1107.
[4]	陈冲, 闫珠, 赵继轩, 何为, 梁华庆. 基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 791-796.
[5]	杨安, 蒋群, 孙钢, 殷杰, 刘英. 基于金融技术指标的用电数据分析[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 904-910.
[6]	张毅, 王爽胜, 何彬, 叶培明, 李克强. 基于BERT的初等数学文本命名实体识别方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 433-439.
[7]	王小鹏, 孙媛媛, 林鸿飞. 基于刑事Electra的编-解码关系抽取模型[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 87-93.
[8]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[9]	党伟超, 李涛, 白尚旺, 高改梅, 刘春霞. 基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法[J]. 计算机应用, 2021, 41(8): 2346-2351.
[10]	张元钧, 张曦煌. 基于图卷积与长短期记忆网络的动态网络表示学习模型[J]. 计算机应用, 2021, 41(7): 1857-1864.
[11]	武光利, 李雷霆, 郭振洲, 王成祥. 基于改进的双向长短期记忆网络的视频摘要生成模型[J]. 计算机应用, 2021, 41(7): 1908-1914.
[12]	武国亮, 徐继宁. 基于命名实体识别任务反馈增强的中文突发事件抽取方法[J]. 计算机应用, 2021, 41(7): 1891-1896.
[13]	李文惠, 曾上游, 王金金. 基于改进注意力机制的图像描述生成算法[J]. 计算机应用, 2021, 41(5): 1262-1267.
[14]	徐萌, 王亚锟. 基于双向长短期记忆网络的DA40飞机碳刹车片剩余寿命预测[J]. 计算机应用, 2021, 41(5): 1527-1532.
[15]	张欣环, 刘宏杰, 施俊庆, 毛程远, 孟国连. 基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测[J]. 计算机应用, 2021, 41(3): 875-880.

基于双长短期记忆网络组合的网络货运平台成交定价预测模型

Prediction model of transaction pricing in internet freight transport platform based on combination of dual long short-term memory networks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 25

相关文章 15

编辑推荐

Metrics