澳城大Q1研究成果
聚焦“一帶一路”
中歐班列
高質量發展
實現對中歐班列執行時間高精度預測
內容摘要
澳門城市大學商學院郭經緯副教授作為第一作者的研究論文“An Instance-Based Transfer Learning Model with Attention Mechanism for Freight Train Travel Time Prediction in the China-Europe Railway Express”已在科學引文索引（SCI）Q1期刊，在人工智能、運籌學與管理科學等領域重要國際權威期刊《Expert Systems With Applications》上發表。
學術期刊介紹
《Expert Systems With Applications》爲國際權威期刊，主要聚焦全球範圍內應用在產業、政府和大學間有關專家和智能系統的信息交流。該期刊發表專家和智能系統技術及應用的原創論文。
Journal Citation Reports（JCR）顯示該期刊位列SCI一區，其中在運籌學與管理科學排名第六位，其影響因子高達7.5。
聚焦“一帶一路”
中歐班列高質量發展
Structure of the railway network for the CRE.Retrieved from: https://www.crct.com/.
研究簡述
自中歐班列（CRE）開通以來，鐵路運輸已成為國際跨境貨物運輸的主要方式。鐵路運輸服務的品質和可靠性受制於列車執行時間的精確性。同時，由於運營數量和時間的原因，CRE列車的即時資料相當有限，這增加了預測CRE列車執行時間的難度。
Number of the CRE from 2015 to 2021.
Retrieved from: https://ec.95306.cn/intTransport
據此，本研究引入了一種帶有注意力機制的新型兩階段遷移學習模型（T.R2_LSTM_A），實現對中歐班列執行時間的高精度預測。
Relationship between the key concepts of the proposed T.R2_LSTM_A model.
研究內容
本研究提出了一種新型的基於實例的遷移學習模型T.R2_LSTM_A，在該模型中設計了一種兩階段 TrAdaBoost.R2 演算法，以尋找樣本之間的共同特徵，同時採用基於注意力機制的 LSTM 基學習器來避免梯度消失和爆炸問題，從而解決CRE列車執行時間預測中所存在的技術瓶頸。
Illustration of the implementation procedures of the T.R2_LSTM_A model.
研究結果
本研究有效克服因數據不足導致的預測品質不高等問題，研究結果有效提升了CRE列車執行時間預測精度，有助於優化列車運輸組織及作業流程，提升CRE服務水準及市場競爭力。
Predicted railway train travel time and absolute values of errors of the baseline models and the T.R2_LSTM_A model.
郭經緯副教授
學術聯繫方式
WOS ResearcherID:
AEO-9484-2022
Scopus ID:
58915999700
ORCID:
0000-0001-8282-8431
Email:
jwguo@cityu.edu.mo
澳門城市大學
