不确定需求下铁路集装箱动态定价研究

摘要

针对铁路集装箱运输需求的不确定性,本文将传统线性需求模型、多元logit需求模型与基于LSTM神经网络的深度学习需求模型进行对比,以铁路承运企业利润最大为目标函数建立集装箱动态定价模型.首先,提取与集装箱运输需求相关的特征向量,采用梯度下降算法标定线性模型、多元logit模型参数和监督式学习方法训练LSTM神经网络.需求模型实验显示,与线性、多元logit模型相比,LSTM深度学习模型对集装箱运输需求的拟合精度更高.在此基础上,设计精英选择策略遗传算法结合LSTM网络的动态定价反馈机制求解集装箱动态定价模型.实例结果表明,基于LSTM网络的铁路集装箱动态定价模型能有效提升铁路货运企业收益.