韩振鑫，温旭丽，殷世松，武莹莹，张人杰

（1.南京理工大学，江苏 南京 210014；2.东南大学成贤学院，江苏 南京 210088）

0 引言

在“一带一路”战略背景下，大力发展多式联运是积极探索实现“交通强国”战略的重要路径[1]。货运量预测是未来多式联运发展的基础，可为研究多种运输方式之间运输量的合理分配和综合运输网建设，提供有效的数据支撑。目前国内外对货运量的预测方法通常可以分为定性预测和定量预测[2]。随着多式联运网络的日益完善，其货物运输量的随机性、非线性及不确定性给这项工作带来了巨大的挑战。定性预测中大量的参数都是利用主观因素判断确定的，会使得复杂网络条件下货物运输流量预测的效率及精度严重下降。定量预测方法则能够解决非线性、时效性强等问题，且预测性能良好，受到学术界的广泛关注[3-7]。然而，大多数单一预测模型存在较大的局限性，导致模型不能持续在各个方面保持良好的性能。同时，在传统模型中，数据种类单一且数据体量较小，导致训练模型不能捕捉到最优的时间特征关系，从而预测模型很难达到最优值。集成学习（Ensemble Learning）是定量预测方法（机器学习）中的一种，且被广泛应用于交通预测领域，是通过多个模型的组合形成一个精准度更高的模型，具有效率高、训练快、鲁棒性强等特点[8-9]。本文基于货物运输量的时间特征规律，构建了Bagging+BP集成学习网络模型，并将原始数据构造成一个前序时间序列因子数据集，采用南京市龙潭港的有效数据验证了Bagging+BP集成学习网络模型的有效性。……