Investigación sobre la Predicción de Volumen en el Centro de Clasificación Basada en ARIMA-Bosque Aleatorio

En términos de pronóstico de volumen del centro de clasificación, el modelo ARIMA tradicional tiene dificultades para afrontar los cambios rápidos en el mercado y el entorno, por lo que se propone un nuevo método innovador basado en el aprendizaje automático. Luego, se construyen características como tendencia, periodo y rezago para cada centro de clasificación para capturar con precisión las características temporales y mejorar la precisión de la predicción. Al comparar varios modelos como bosque aleatorio, red neuronal, máquina de soporte vectorial y regresión lineal, y al considerar de manera integral los índices de evaluación como MSE, MAE y RMSE, finalmente se selecciona el modelo de bosque aleatorio con el rendimiento óptimo para la predicción del volumen de carga. En el proceso de pronóstico, se utilizan pronósticos continuos para garantizar que el modelo se pueda actualizar en tiempo real y adaptarse a los nuevos cambios del mercado. Además, considerando el impacto de los cambios en las rutas de transporte sobre la predicción del volumen de carga, el modelo se optimiza aún más introduciendo información de la red de transporte para mejorar la precisión de la predicción. Esta integralidad y flexibilidad hacen que este método sea más aplicable y efectivo en aplicaciones prácticas.