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）（∗通信作者电子邮箱541847747@qq.com）

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）（∗通信作者电子邮箱541847747@qq.com）

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。

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

0 引言

近年来，公路运输是物流运输的主体，由于跨地区需求不足和海外需求削弱，导致货物滞销、人工成本上升。国内运输公司更多处于“数量庞大、小规模、分散、薄弱”状态，货主和承运人存在信息不对称、空间上分布不均匀等现象。在此背景下，网络货运平台应运而生。在“互联网+物流”发展环境下，网络货运经济已占领着重要地位，“网络货运平台”模式在货运市场上崭露头角。目前许多网络货运平台仅作为提供货主和承运人信息进行相互交易的平台，并不会对成交订单承担完整性认证和货物安全保证责任，导致平台管理疏漏、运营混乱、顾客丧失、成交订单减少，新成立的网络货运平台相较于资历深厚的物流公司没有竞争优势，在物流市场上替换周期短。由此来看，研究出最优成交定价策略对新兴平台发展有着重要意义。

网络货运平台是从无车承运平台发展而来，许多学者对无车承运平台进行了研究，例如刘德智等［1］将实际承运人服务能力定量化，建立了基于服务能力信息可靠性的信息共享价值模型来研究无车承运人服务能力信息可靠性与相关变量的相互影响；高博等［2］对全国多个地区无车承运试点工作的经验进行对比分析，从理论上总结提出了加强试点组织管理、完善省级监管平台、探索无车承运人税收政策、研究创新市场管理制度来推动无车承运人发展；李博等［3］从平台经济理论角度对无车承运平台发展方向进行了研究；贺政纲等［4］对无车承运多式联运流线网络模式下车货匹配问题进行了研究；尤美虹等［5］对无车承运人和货运平台进行实地访谈和网络调查，分析无车承运平台运行特征和平台监管手段。而目前网络货运平台的研究重点是定价问题，现有对网络货运平台的定价问题研究，通常选取动态博弈和路径优化方法，这些方法很少从订单角度应用研究［6］。聂福海等［7］提出了平台与货主的价格博弈模型研究平台定价策略；程静等［8］构建了垄断和寡头竞争性网运平台定价模型探究平台定价策略；Li等［9］通过优化最终到达多个零售商的路线实现共同优化匹配和定价策略；Hurley等［10］从线性规划问题的角度解决合作博弈和非合作博弈下托运人和承运人之间利益分配问题。因此，动态博弈和路径优化研究方法并不能解决从订单角度来研究网络货运平台与承运人定价问题，本文引入机器学习方法来研究此问题。

少量学者用时间序列预测方法从订单角度研究网络货运平台定价策略，机器学习的时序预测方法可以很好地解决非线性拟合问题，应用范围广泛，该方法包括了支持向量回归（Support Vector Regression， SVR）［11］、人工神经网络（Artificial Neural Network， ANN）［12］和详尽可能性模型（Elaboration Likelihood Model， ELM）［13］等，通常提取数据变化的特征进行预测分析，对短时非线性预测起到了很好的效果，如Xiong等［14］引入遗传算法优化反向传播（Genetic Algorithm optimized Back Propagation， GA-BP）神经网络模型对网络货运平台定价进行拟合和预测，得到模型迭代100次时定价为94，误差小于0.1%，证明模型适用于此类问题。而引入深度学习中长短期记忆网络（Long Short-Term-Memory network， LSTM）模型相较于SVR和BP（Back Propagation）神经网络模型更适用于长时间拟合和预测，在预测大规模数据时更加精准［15］。由于网络货运平台定价预测方面研究不够深入，平台订单数据过于庞大，加入长短期神经网络模型来研究平台订单定价问题更有意义，而且单一模型的预测精度不如组合模型的预测精度［16］。

因此针对网络货运平台运输服务订单成交定价预测精度问题，本文提出了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，用来研究订单角度下平台的定价问题。该模型相较于LSTM、SVR、ELM、最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator， LASSO）、两者相融合的LSTM-SVR（Long Short-Term-Memory combined with Support Vector Regression）以及基于灰色GM（1，1）和BP组合（GM（1，1）-BP）模型具有更准确的网络货运平台成交定价预测效果。

1 问题描述与数据预处理

网络货运平台订单定价规律一直是平台和承运人关心的问题，由于顺丰网络货运平台后台收集的数据集庞大且存在缺失值，指标杂乱，无法直接应用于研究网络货运平台的定价问题。数据清洗是解决上述问题的关键，顺丰网络货运平台后台记录的时间点和其他文字型指标并非量化后的数据，无法直接研究其对定价的影响，需将其合理量化才能反映对平台定价的影响。首先对数据集进行清洗，具体步骤为：

步骤1 剔除无法填补且占比小含缺失值的订单。由于线路总成本、调价紧急程度、实际结束时间指标不能通过其他指标计算得到且缺失样本占总体比例小，删除线路总成本、调价紧急程度、实际结束时间指标中缺失值所对应的订单。

步骤2 填补缺失值。由于调价审核完成时间等于调价企业管理云平台（Enterprise Cloud Platform， ECP）创建时间，根据以上填补调价审核完成时间的缺失值；由于始发地省份名称和目的地省份名称存在的缺失值是同订单出现，且总里程为144 km，原数据集非缺失数值中只有始发地和目的地都为广东省存在总里程为144 km的订单，因此在满足始发地省份、目的地省份缺失和总里程为144 km处填补缺失值为广东省；由于计划卸货完成时间等于计划到达时间加41 min，据此填补计划卸货完成时间的缺失值。

步骤3 剔除无法填补且占比大含缺失值的指标。删除计划卸货等待时长、个体司机端议价最低价、承运商端议价最低价三列指标，由于这些指标无法通过其他指标计算填补且缺失值占总体比例大，达到了90%～95%。

步骤4 剔除无分类指标，具体为需求状态、交易模式、异常状态、标的状态、任务状态。

步骤5 合并指标，即时间点指标合并为时间长，删除合并前时间点指标，将意义相近的指标作进一步处理，并将有关联的多个指标连接合并为一个指标。

针对时间点合并为时长的指标，本文做了以下定义：

定义1 计划靠车前可用时长 = 计划靠车时间-标的创建时间。

定义2 计划发车前可用时长 = 计划发车时间-标的创建时间。

定义3 计划到达前行驶时长 = 计划到达时间-计划发车时间。

定义4 计划卸货时长 = 计划卸货完成时间-计划到达时间。

定义5 交易运行时长 = 交易结束时间-交易成功时间。

定义6 实际靠车前可用时长=实际靠车时间-标的创建时间。

定义7 实际发车前可用时长=实际发车时间-标的创建时间。

定义8 实际行驶时长 = 实际到车时间-实际发车时间。

定义9 实际结束前时长 = 实际结束时间-实际到车时间。

定义10 调价审核时长 = 调价审核完成时间-最后一次询价时间。

由于标的_创建日期和标的_创建时间合并后就是标的创建时间，删除标的_创建日期和标的_创建时间；交易成功时长和交易开始时间与交易成功时间之差相接近，交易运行时长 = 交易结束时间-交易成功时间，所以选择剔除交易开始时间；由于分拨时间与标的创建时间、交易开始时间等同，故删除标的创建时间和分拨时间；由于调价审核完成时间和调价创建时间完全等同，删除调价创建时间；指标交易对象中，代表承运商，代表个体司机，指标交易对象可以细化分为交易对象和交易对象两项指标，故删除交易对象；将车辆长度和车辆吨位指标连接整合为车辆类型，将起止省份、终止省份、始发网点、目的网点进行连接整合为指标起止省份终止省份始发网点目的网点。

步骤6 剔除计算时长为负数的订单，且这种订单占总体比例很小，为0.58%，说明数据集存在异常数据，会影响整体数据集的效果。

步骤7 将文字型重复指标哑变量处理。

网络货运平台订单的定价不仅要符合平台与承运人双方成交的预期价，还要反映出不同订单的特征，为了更加清晰，本文再做定义：

网络货运平台订单成交定价数据对网络货运平台运营和提高订单成交率很有意义，接下来本文提出了一种新的机器学习组合模型对网络货运平台订单成交定价进行预测。

2 模型设计

2.1 长短期记忆网络（LSTM）模型

循环神经网络（Recurrent Neural Network， RNN）模型是一种传统的神经网络模型，当训练时间过长，需要回传的残差指数下降，导致网络权重更新缓慢，无法实现长期记忆。在这种情况下，长短期记忆网络（LSTM）模型被提出，它对RNN模型进行了改进，解决了梯度弥散的问题。长短期记忆网络模型是按照时间维度展开的神经网络结构，如图1所示，c、h表示相应支路的神经元结构。

图1 LSTM模型的结构Fig. 1 Structure of LSTM model

LSTM模型相较于RNN模型能够实现长期记忆，主要在于LSTM模型中最顶层多了一条信息传送带，用于记忆信息。在LSTM神经元的单元结构中，通过三个控制门来控制信息的传输，即调节历史数据信息和预测数据信息的权重来优化模型，图2为LSTM神经元的单元结构。

图2 LSTM神经元的单元结构Fig. 2 Unit structure of LSTM neuron

第一个门为遗忘门，负责控制历史数据输入，输入历史数据的权重系数具体为：

第二道门为输入门，负责控制现有的数据输入，输入现有数据的权重系数具体为：

历史数据和现有数据经历遗忘门和输入门的筛选后，剩下的数据状态表示为：

LSTM常用于基于时间序列做二维图像数据拟合，输入的数据格式一般是三维的。由于拟合网络货运平台的价格数据一般是二维数据，和时间关联度不高，因此在此设置时间步为1，进而构建一个三维的数据集输入模型。该网络中激活函数选用tanh（*），tanh（*）在特征相差明显时效果会很好，在循环过程中会不断扩大特征效果。

训练数据已标准化，测试数据也进行相同归一化处理。在获得预测输出后，应用反标准化并计算均方误差。

2.2 组合模型

应用单一模型预测精度往往不够高，应用组合模型在预测方面更具有优势［17-18］。本文提出了双LSTM组合模型，首先基于LSTM模型对原始数据集进行预测，由于机器学习模型预测训练集之外的数据存在误差，在未来的预测中继续沿用存在误差的训练集再去预测测试集，只会随着订单的增长导致预测误差加大。针对首次用LSTM模型预测数值与原数值的误差值，利用LSTM模型对各个订单定价误差值进行纠正，能有效降低误差。

双LSTM组合模型具体为：

步骤1 根据数据清洗的步骤对网络货运平台历史订单数据进行处理，得到各个订单原始数据序列，其中为第个订单成交定价原始数据，即。

步骤5 最后组合模型的预测结果为步骤2中LSTM模型的预测值与步骤4中利用LSTM模型矫正得到的新误差的合并，即。

双LSTM组合模型如图3所示。

图3 双LSTM组合模型Fig. 3 Combination model of dual LSTM

3 实证分析

3.1 双LSTM组合模型预测

为进一步探究双LSTM组合模型的有效性，本文选用2020年顺丰速递网络货运平台历史订单数据（2020年MathorCup研究生数学建模比赛数据，网址为http：//www.mathorcup.org/detail/2294）进行实验，按照上述数据清洗方法对数据进行预处理后，将所有历史订单数据集分为两类，其中80%历史订单数据作为训练集用于训练模型，剩下20%历史订单数据作为测试集用来验证组合模型的拟合效果，清洗后的部分数据集如表1所示。

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

经过多次调试，组合模型参数设置如表2所示。模型拟合效果最优，图4为双LSTM组合模型预测值与实际值对比，由于整体图（图4（a））过于密集，故截取其中部分样本另做图（图4（b））。

从图4可以看出，双LSTM组合模型得到的预测值与实际值基本吻合，表明该模型对网络货运平台订单成交定价预测具有有效性。

3.2 结果分析

3.2.1 误差分析评价指标

为了对比上述的组合模型与其他模型的预测结果，本文选取平均绝对误差（Mean Absolute Error， MAE）、均方误差（Mean Square Error， MSE）、R2（R square）和平均绝对百分比误差（Mean Absolute Percentage Error， MAPE）来作为模型误差分析的评价指标，具体为：

表2 双LSTM组合模型的参数设置Tab. 2 Parameter setting of combination model of dual LSTM

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

3.2.2 对比分析

将双LSTM组合模型与单一模型的拟合效果进行对比，单一模型分别为LSTM［17，19］、SVR［20-21］、LASSO［22］、ELM［23］，用上述模型分别对同一测试集进行预测分析，可以看出双LSTM组合模型拟合效果最佳，各模型在测试集上的预测结果与实际值的对比如图5所示，由于整体图模糊，故加入截取部分图。

对比图4～5可以看出，双LSTM组合模型的拟合效果最好，其次是LSTM模型，再次是SVR模型，最后是ELM模型和LASSO模型，表明双LSTM组合模型在测试集上的拟合效果好，精度高，符合网络货运平台订单成交定价的波动趋势。

综合图5来看，测试集上第2 026个订单的MAPE最大。为了更加科学地精准评估，应用所提出的误差分析评价指标对五种模型进行评估，然后进一步计算删除测试集上第2 026个订单后各模型的MAPE指标值。五种模型的评价指标结果如表3所示。

从表3可以看出，第2 026个订单的预测值对模型误差评估的影响是存在的，其对LASSO模型误差评估的影响最大。双LSTM组合模型与其他四个单一模型相比，预测网络货运平台订单成交定价最有效。

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

注：MAPE/%*=去除测试集上第2 026个订单后的MAPE/%。

本文还将双LSTM组合模型与其他组合模型进行对比，其他组合模型分别为LSTM-SVR［24］、GM（1，1）-BP［25］，误差分析评估实验后各模型的实验结果如表4所示。

结合表3～4的结果来看，对网络货运平台订单成交定价进行预测时，组合模型的预测精度明显高于单一模型的预测精度。双LSTM组合模型无论与单一模型LSTM、SVR、LASSO、ELM还是与组合模型LSTM-SVR、GM（1，1）-BP进行比较，它的拟合效果都是最好的，原因在于LSTM模型对于大量数据训练预测具有很好的拟合效果，能对LSTM预测结果误差进行有效矫正，能得以保证较好的拟合效果。

3.2.3 成交定价等级划分

根据网络货运平台各订单成交定价对订单等级进行划分，有利于网络货运平台对定价的管理以及辅助承运人进行是否接单决策。本文采用K-means聚类分析的方法将订单分为5类，订单成交定价越高，对应的成交定价等级就越高，接单要求难度系数高；反之，订单成交定价等级越低，适合只能接受近距离的承运人接单。

订单具体划分标准和订单所占比例如表5所示，根据划分标准对双LSTM组合模型预测结果的划分结果如图6所示，给出了不同等级的订单数量分布。

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

注：MAPE/%*=去除测试集上第2 026个订单后的MAPE/%。

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

结合表4和图6来看，存在47.7%订单被判定为较难和非常难完成订单，这和订单要求是有关联的，路途遥远甚至需要跨省运输、需求紧急的订单往往需要高额的定价来吸引成交。存在34%订单被判定为容易完成和较容易完成，说明这些订单要求难度系数偏低，往往是同一城市近距离的运输单，时间要求比较宽裕。将双LSTM组合模型的预测划分结果和原数据中测试集对应订单的订单要求进行对比验证，发现订单的预测划分结果与订单实际所要求完成的难易情况是一致的，说明该模型是有效的。

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

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

4 结语

从网络货运平台对订单定价管理和承运人接单的角度，本文结合网络货运的知识对2020年顺丰速递网络货运平台数据进行数据清洗，并根据订单成交定价对订单科学评级，为网络货运平台运营管理定价提供辅助决策，同时也辅助承运人根据自身情况进行接单决策。本文方法还无法在多复杂情形下进行多次动态调价来提高订单成交率，后续研究将在物流管理中加入优化决策层面以及动态博弈来对订单成交定价进行优化。针对网络货运平台成交定价预测，本文构建了一种新的双LSTM组合模型对网络货运平台各订单成交定价进行预测。选取数据清洗后的2020年顺丰速递网络货运平台数据进行实验，对双LSTM组合模型进行验证，并分别与单一模型LSTM、SVR、LASSO和ELM以及组合模型LSTM-SVR、GM（1，1）-BP进行对比分析，发现双LSTM组合模型的拟合效果最好，也验证了基于本文提出的双LSTM组合模型预测网络货运平台成交定价是一种有效的方法。根据顺丰速递网络货运平台成交定价基于组合模型预测的结果采用K-means聚类分析对订单评级，实验结果表明，顺丰速递网络货运平台订单成交定价等级完全符合订单实际所要求完成的难易情况。给定订单成交定价等级，为承运人决策提供了便利。

[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.（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.）

[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.（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.）

[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.（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.）

[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] 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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[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.

[22] ZOU H. The adaptive lasso and its oracle properties ［J］. Journal of the American Statistical Association， 2006， 101（476）：1418-1429.

[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.

[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.（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.）

[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.（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.）

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

LI Youzhi， HU Zhihua*， CHEN Chun， YANG Peibei， DONG Yajing

（Logistics Research Center，Shanghai Maritime University，Shanghai201306，China）

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 byK-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 usingK-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.

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

TP183

A

1001-9081（2022）05-1616-08

10.11772/j.issn.1001-9081.2021030504

2021⁃04⁃02；

2021⁃07⁃07；

2021⁃07⁃07。

国家自然科学基金资助项目（71871136）。

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； 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。

This work is partially supported by National Natural Science Foundation of China （71871136）.

LI Youzhi， born in 1998， M. S. candidate. Her research interests include supply chain management，machine learning.

HU Zhihua， born in 1977， Ph. D.， professor. His research interests include logistics management.

CHEN Chun， born in 1994， M. S. candidate. His research interests include logistics management.

YANG Peibei， born in 1996， M. S. candidate. Her research interests include logistics management.

DONG Yajing， born in 1998， M. S. candidate. Her research interests include game theory.