基于ARIMA-BiLSTM的散装水泥运输车事故预测研究  

作　　者：甘婷薇 高飞鹏 杨洁 

机构地区：[1]浙江农林大学暨阳学院,浙江诸暨311800

出　　处：《电脑知识与技术》2024年第19期6-8,13,共4页Computer Knowledge and Technology

基　　金：浙江农林大学暨阳学院2023年度大学生创新创业训练计划(JYKC2306)。

摘　　要：为了提升散装水泥运输车在运输过程中的交通安全性,文章基于浙江省2019至2021年的47757条散装水泥运输车出险数据,构建了一个结合了自回归积分滑动平均(ARIMA)模型和双向长短期记忆网络(BiLSTM)的混合预测模型。首先,通过ARIMA模型分析时间序列数据,识别事故数量和理赔金额的趋势,并提取预测残差。然后,利用BiLSTM对这些残差进行深度学习预测,以捕捉时间序列中的复杂模式。最后,通过将BiLSTM预测的残差反馈优化ARIMA模型。研究结果表明,相较于传统的ARIMA模型,该混合模型预测更为精准,有助于更有效地管理和降低散装水泥运输车的安全风险。

关 键 词：散装水泥车 事故预测 ARIMA-BiLSTM 时间序列 深度学习 

分 类 号：U491.3[交通运输工程—交通运输规划与管理]