朱 曦， 賴應(yīng)良， 段雨彤

(1.昆明理工大學(xué) 建筑工程學(xué)院， 昆明 650093； 2. 云南大學(xué) 歷史與檔案學(xué)院， 昆明 650093)

截止2019年，中國公路貨運(yùn)量突破416億噸，貨物周轉(zhuǎn)量接近8萬億噸公里，載貨汽車保有量超過1 300萬輛，已發(fā)展成為全球第一大市場[1]。但中國公路貨運(yùn)領(lǐng)域，小、散、亂、弱的局面長期存在，公路貨運(yùn)信息不對稱、公路運(yùn)價(jià)體系不透明，這些弊端嚴(yán)重制約了公路貨運(yùn)向前邁進(jìn)的步伐。自2015年以來，國務(wù)院批準(zhǔn)設(shè)立的中國唯一物流與采購行業(yè)綜合性社團(tuán)中國物流與采購聯(lián)合會(huì)公開發(fā)布公路運(yùn)價(jià)指數(shù)。目前，采集的價(jià)格數(shù)據(jù)涵蓋了全國9大物流區(qū)域、38個(gè)重點(diǎn)城市、74個(gè)物流節(jié)點(diǎn)平臺、1 406條公路運(yùn)輸線路，200萬輛貨運(yùn)車輛,數(shù)據(jù)采集面廣、量大，顯著提高了數(shù)據(jù)的全面性、代表性,得到專家甚至社會(huì)的廣泛認(rèn)可[2]。故選擇公路運(yùn)價(jià)指數(shù)作為研究對象。

關(guān)于公路運(yùn)價(jià)指數(shù)的研究，主要集中于定性解釋，公路運(yùn)價(jià)指數(shù)的預(yù)測相對較少。中國學(xué)者顧敬巖等發(fā)現(xiàn)公路貨運(yùn)市場價(jià)格體系扭曲，價(jià)格調(diào)節(jié)機(jī)制失靈，分析其內(nèi)在機(jī)理后提出多角度政策建議[3]。戴宏提出了中國公路貨運(yùn)物流服務(wù)價(jià)格存在的主要問題，從融資渠道、創(chuàng)新模式方面給出針對性建議。公路運(yùn)價(jià)波動(dòng)內(nèi)在影響因素眾多，定性研究指出了價(jià)格波動(dòng)的內(nèi)在原因，缺乏波動(dòng)趨勢的解釋性驗(yàn)證。伴隨人工智能技術(shù)的進(jìn)步，已經(jīng)有學(xué)者在公路運(yùn)輸行業(yè)使用數(shù)字化工具進(jìn)行分析預(yù)測[4]。胡欣基于公路物流車輛的GPS數(shù)據(jù)，構(gòu)建了公路物流指數(shù)模型，并利用RBF神經(jīng)網(wǎng)絡(luò)來預(yù)測公路運(yùn)價(jià)指數(shù)[5]。彭建良等利用了記憶神經(jīng)網(wǎng)絡(luò)混合時(shí)間序列自回歸來對指數(shù)進(jìn)行預(yù)測[6]。

公路運(yùn)價(jià)指數(shù)反映的是中國公路運(yùn)輸市場的商品及服務(wù)的價(jià)格水平，其波動(dòng)受到運(yùn)輸市場供需、宏觀政策及經(jīng)濟(jì)形勢等影響。隨著互聯(lián)網(wǎng)的興起，人們獲取信息的方式正在由傳統(tǒng)渠道向網(wǎng)絡(luò)渠道轉(zhuǎn)移[7]。生產(chǎn)者與消費(fèi)者在互聯(lián)網(wǎng)上留下搜索記錄，網(wǎng)絡(luò)也記錄了生產(chǎn)者與消費(fèi)者的瀏覽痕跡，這些痕跡反映了他們本身關(guān)注點(diǎn)，顯示了他們?nèi)粘Ｉa(chǎn)中的生產(chǎn)、消費(fèi)的趨勢。這種趨勢本身折射出社會(huì)經(jīng)濟(jì)的冷熱，在商品經(jīng)濟(jì)中體現(xiàn)為價(jià)格與交易量的變化，該相互依存的關(guān)系可以作為一種信息資源來預(yù)測公路運(yùn)輸市場的冷熱[8]。利用網(wǎng)絡(luò)搜索指數(shù)對經(jīng)濟(jì)活動(dòng)的監(jiān)測及預(yù)測研究在外國已經(jīng)開展了大量研究，這些研究多出現(xiàn)于2008年以后，還尚未形成系統(tǒng)的研究體系，基于Google指數(shù)的流感預(yù)測[9]、失業(yè)率預(yù)測、汽車及房地產(chǎn)[10]等行業(yè)銷售量預(yù)測都取得了較高的準(zhǔn)確度，而且網(wǎng)絡(luò)數(shù)據(jù)的即時(shí)性能夠有效地彌補(bǔ)傳統(tǒng)的監(jiān)測方法的不及時(shí)，具有更強(qiáng)的時(shí)效性。ELM模型是一種便捷快速的神經(jīng)網(wǎng)絡(luò)模型，它規(guī)避了陷入局部最優(yōu)的問題,而且極大地提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和推廣性能,更加適合實(shí)際應(yīng)用。目前已經(jīng)在天氣預(yù)測和農(nóng)業(yè)信息技術(shù)識別中得到了運(yùn)用[11]。

現(xiàn)在已有的基礎(chǔ)上，提出一種基于大數(shù)據(jù)ELM建模的方法，利用網(wǎng)民使用率為84.6%的百度搜索引擎作為信息入口，對百度指數(shù)進(jìn)行時(shí)域優(yōu)化。同時(shí)發(fā)揮人工智能算法的優(yōu)勢快速預(yù)測運(yùn)價(jià)指數(shù)變化。依靠互聯(lián)網(wǎng)信息的高容量與便捷性，可以研究消費(fèi)者的網(wǎng)絡(luò)搜索行為，從而相對傳統(tǒng)數(shù)據(jù)采集計(jì)算全周期內(nèi)提前預(yù)測指數(shù)信息[12-13]。

1 基本原理

1.1 ELM極限學(xué)習(xí)機(jī)模型

Huang等提出的極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)是一種單隱層的前饋神經(jīng)網(wǎng)絡(luò),其模型以其快速的學(xué)習(xí)速度和泛化能力被廣泛應(yīng)用于許多領(lǐng)域,該模型的重點(diǎn)是隨機(jī)生成輸入權(quán)值和偏差，不需要對隱含層參數(shù)進(jìn)行調(diào)整,可通過簡單的矩陣計(jì)算得到輸出權(quán)值,計(jì)算時(shí)間短[14-16]。

Huang等發(fā)現(xiàn)，在前饋神經(jīng)網(wǎng)絡(luò)中，當(dāng)隱含層神經(jīng)元的激勵(lì)函數(shù)G(x)無限可微時(shí)，對于任意的N個(gè)不相同的樣本(xi,yi)，其中，xi=[xi1，xi2，…，xin]T∈Rn,yi=[yi1，yi2，…，yik]T∈Rk，則一個(gè)具有l(wèi)個(gè)隱層節(jié)點(diǎn),激勵(lì)函數(shù)為

(1)

其中，i=1,2…,N,j=1,2,…,l;wj=[wi1，wi2，…，win]T是連接輸入層到第j個(gè)隱層節(jié)點(diǎn)的輸入權(quán)重；βj=[βj1，βj2，…,βjk]T是連接第j個(gè)隱層節(jié)點(diǎn)到輸出節(jié)點(diǎn)到輸出節(jié)點(diǎn)的輸出權(quán)重；bj是第j個(gè)隱層節(jié)點(diǎn)的偏差值；wj·xj表示向量wj和xi的內(nèi)積。激勵(lì)函數(shù)G(x)可以選擇為“Sigmoid”、“Tansig”、“Sine”或“RBF”等。若隱含層神經(jīng)元個(gè)數(shù)K小于等于訓(xùn)練集樣本數(shù)N，則對任意的輸入層神經(jīng)元與隱含層神經(jīng)元的連接權(quán)值w和隱含層神經(jīng)元的偏置b，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差可以逼近一個(gè)任意小的數(shù)ε(ε>0)。其中，w和b只需要在前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練前隨機(jī)選取，并在訓(xùn)練過程中可保持不變。而隱含層與輸出層之間的連接權(quán)值β可通過最小二乘法求解以下問題獲得。

(2)

其中，H為隱含層輸出矩陣；T為前饋神經(jīng)網(wǎng)絡(luò)的輸出矩陣?？山獾?/p>

β=H+T

(3)

其中，H+為矩陣H的Moore-Penrose廣義逆矩陣。且可證明求得的解β^的范數(shù)最小且唯一。

1.2 滾動(dòng)時(shí)域優(yōu)化

由于公路運(yùn)價(jià)指數(shù)以周為頻率統(tǒng)計(jì)，同時(shí)節(jié)假日不予發(fā)布，而百度指數(shù)以天為頻率生成，故整個(gè)時(shí)間跨度內(nèi)百度指數(shù)與公路運(yùn)價(jià)指數(shù)的結(jié)構(gòu)關(guān)系難以準(zhǔn)確反映。利用時(shí)域優(yōu)化思想可以削弱公路運(yùn)價(jià)指數(shù)的遺漏對樣本的干擾，較準(zhǔn)確反映百度指數(shù)與公路運(yùn)價(jià)指數(shù)間的復(fù)雜關(guān)系。在時(shí)域優(yōu)化滾動(dòng)機(jī)制中，間隔周期選擇過大則求解問題的規(guī)模增大同時(shí)無法快速響應(yīng)系統(tǒng)中發(fā)生的干擾，過小則調(diào)度過于頻繁影響了系統(tǒng)的穩(wěn)定性。滾動(dòng)策略應(yīng)選取符合公路運(yùn)價(jià)指數(shù)波動(dòng)的滾動(dòng)機(jī)制來充分反映百度指數(shù)對運(yùn)價(jià)指數(shù)的而影響[15]。

滾動(dòng)時(shí)域優(yōu)化是預(yù)測控制中滾動(dòng)優(yōu)化原理的一種具體表現(xiàn)形式。滾動(dòng)時(shí)域優(yōu)化與傳統(tǒng)控制優(yōu)化不同之處在于它并非全局優(yōu)化，也不是一次性優(yōu)化，而是一種有限范圍內(nèi)的連續(xù)滾動(dòng)優(yōu)化。如圖1所示，采用基于時(shí)間的窗口(rolling windows)應(yīng)首先定義完工窗口，從時(shí)間當(dāng)前時(shí)刻t0開始，以固定窗口步距Tp為滾動(dòng)窗口時(shí)間步長，將所有完工窗口內(nèi)任務(wù)移除，再把等待窗口內(nèi)任務(wù)移入預(yù)測窗口W(T)，逐次以時(shí)間間隔t向后移動(dòng)并重復(fù)上述步驟，最終得到滾動(dòng)優(yōu)化的時(shí)間序列。

圖1 滾動(dòng)窗口示意圖

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集

為了驗(yàn)證ELM模型的有效性，在Inter(R)Core(TM)i5-9400F CPU@2.90GHz處理器、8GB內(nèi)存的臺式機(jī)上進(jìn)行實(shí)驗(yàn)，使用Python程序設(shè)計(jì)語言對數(shù)據(jù)集進(jìn)行處理。數(shù)據(jù)源為2016年9月至2019年11月公路物流運(yùn)價(jià)周指數(shù)數(shù)據(jù)和同期內(nèi)所有日的百度指數(shù)作為研究對象。百度指數(shù)是百度公司發(fā)布的開源的數(shù)據(jù)資源，它記錄了自2011年以來的給定關(guān)鍵詞的當(dāng)日搜索量。公路運(yùn)價(jià)指數(shù)如圖2所示。

圖2 公路運(yùn)價(jià)指數(shù)

2.2 搜索關(guān)鍵詞選擇與經(jīng)濟(jì)內(nèi)涵分析

清華大學(xué)的張錫平等[16]經(jīng)25個(gè)月調(diào)研涵蓋了中國6大地區(qū)共計(jì)14個(gè)省市，獲得的2003年中國汽車運(yùn)輸成本結(jié)構(gòu)。其中燃油費(fèi)占25.6%，固定稅費(fèi)所占比重為17.3%,人工成本占17.0%，折舊成本所占比重9.5%。過路過橋費(fèi)與罰款所占比重合計(jì)為中國汽車運(yùn)輸成本的12.8%，對于主要從事長途運(yùn)輸?shù)闹匦秃椭行拓涇嚕^路過橋費(fèi)和罰款所占比重更高，分別達(dá)到21.0%和18.8%。

基于此根據(jù)公路運(yùn)價(jià)的影響因素構(gòu)成初選關(guān)鍵詞：選取燃油費(fèi)用、道路通行費(fèi)、人工費(fèi)用和維護(hù)修理費(fèi)四大類運(yùn)價(jià)構(gòu)成因素。然后根據(jù)百度指數(shù)的關(guān)鍵詞推薦功能，逐一輸入關(guān)鍵詞，得到30多個(gè)“報(bào)廢汽車”、“oil0”、“oil95”、“oil98”、“工資”、“貨車價(jià)格”、“汽車保險(xiǎn)”、“CPI”、“柴油價(jià)格”、“油價(jià)”、“油價(jià)調(diào)整”、“二手貨車”、“過路費(fèi)”等反應(yīng)公路運(yùn)輸市場的關(guān)鍵詞。此處也爬取了公路運(yùn)輸?shù)挠蛢r(jià)數(shù)據(jù)選取關(guān)鍵詞如圖3所示。

圖3 各關(guān)鍵詞百度指數(shù)

最后根據(jù)皮爾遜相關(guān)系數(shù)，選取相關(guān)性最佳的關(guān)鍵詞組成預(yù)測運(yùn)費(fèi)基礎(chǔ)的數(shù)據(jù)，進(jìn)以進(jìn)行檢測。如表1所示在燃油費(fèi)上“oil0”相比“oil98”的百度指數(shù)時(shí)間序列具有0.33的較佳相關(guān)系數(shù)，故選取該數(shù)據(jù)作為燃油費(fèi)用的代表建模。

根據(jù)關(guān)鍵詞的統(tǒng)計(jì)結(jié)果與可知，“報(bào)廢汽車”、“二手貨車”與“過路費(fèi)”的時(shí)間序列均呈現(xiàn)出不同的波動(dòng)特性，其內(nèi)在經(jīng)濟(jì)意義不同：

表1 關(guān)鍵詞的統(tǒng)計(jì)特征

1)“過路費(fèi)”的百度指數(shù)趨勢具有周期性，與公路運(yùn)價(jià)指數(shù)具有最大系數(shù)-0.45，是模型內(nèi)對公路運(yùn)價(jià)指數(shù)的最大影響因素。其波動(dòng)趨勢的周期性極值往往與節(jié)日事件相關(guān)。如2016年2月、2017年2月、2018年2月與2019年2月都出現(xiàn)了極大值，對應(yīng)為春節(jié)高速公路過路費(fèi)不予征收。類似的國慶長假也使得“過路費(fèi)”的百度指數(shù)出現(xiàn)波峰。免過路費(fèi)的重大事件與公路運(yùn)價(jià)指數(shù)的下降呈顯著影響，反映出節(jié)假日對公路運(yùn)輸市場的影響。

2)“報(bào)廢汽車”的百度指數(shù)與有公路運(yùn)價(jià)指數(shù)的相關(guān)系數(shù)為-0.34，在2016年后呈現(xiàn)緩慢震蕩上升，其波峰一般出現(xiàn)在春秋兩個(gè)季節(jié)，同時(shí)會(huì)受到不定期的額政策影響，如2017年頒布新的《機(jī)動(dòng)車強(qiáng)制報(bào)廢標(biāo)準(zhǔn)規(guī)定》使得“報(bào)廢汽車”的百度指數(shù)大幅增加。因此，“報(bào)廢汽車”的百度指數(shù)反映了公路運(yùn)輸市場的政策性與季節(jié)性等。

3)“oil0”時(shí)間序列是0號柴油的市場波動(dòng)真實(shí)反映，其變化隨石油市場機(jī)構(gòu)調(diào)整變化，波動(dòng)性較小。同時(shí)與公路運(yùn)價(jià)指數(shù)相關(guān)系數(shù)為0.33，反映出公路運(yùn)輸市場油價(jià)供需正向作用的規(guī)律。

4)“二手貨車”的百度指數(shù)自2015年6月以后呈現(xiàn)震蕩下降，與公路運(yùn)價(jià)指數(shù)的相關(guān)性為0.28。顯示出二手貨車市場的繁榮與運(yùn)輸交易成本之間的關(guān)聯(lián)性，可體現(xiàn)折舊費(fèi)對影公路運(yùn)輸市場的影響。

2.3 ADF平穩(wěn)性檢驗(yàn)與協(xié)整驗(yàn)證

ADF(augmented dickey-fuller)平穩(wěn)性檢驗(yàn)?zāi)軌虼_定時(shí)間序列變量的穩(wěn)定性。對于p階的VAR

yt=A1yt-1+…+Apyt-p+Bxt+εt，t=1,2,…,T

(4)

其中，yt是一個(gè)(n×1)向量,所含的n個(gè)經(jīng)濟(jì)變量皆為I(1)序列；xt是yt生成過程中可能包含的確定性成分(如截距,趨勢項(xiàng)等),為d維向量;εt是一個(gè)新息向量。若其所有特征根均小于1時(shí)，時(shí)間序列平穩(wěn);若上述p階回歸模型非平穩(wěn)。ADF方法的零假設(shè)為H0:ρ=0。若拒絕該零假設(shè)，則時(shí)間序列平穩(wěn)，否則時(shí)間序列非平穩(wěn)。

如表2所示，百度指數(shù)在“報(bào)廢汽車”、“過路費(fèi)”、“二手貨車”和“oil0”進(jìn)行ADF檢驗(yàn)，結(jié)果“過路費(fèi)”和“二手貨車”的顯著性均小于5%的水平條件，即拒絕原假設(shè)，存在平穩(wěn)分布，“報(bào)廢汽車”和“oil0”的時(shí)間序列顯著性均大于5%的水平條件，接受原假設(shè)，不存在平穩(wěn)分布。

表2 ADF平穩(wěn)性檢驗(yàn)

“報(bào)廢汽車”、“oil0”和運(yùn)價(jià)的時(shí)間序列經(jīng)檢驗(yàn)雖然是自身非平穩(wěn)，但其與“過路費(fèi)”和“二手貨車”時(shí)間序列的某種線性組合卻可能是長期均衡關(guān)系。這種線性組合反映了變量之間的長期穩(wěn)定的比例關(guān)系，稱為協(xié)整(cointegration)關(guān)系。本文使用Johansen提出的關(guān)于系數(shù)矩陣的協(xié)整似然比(LR)檢驗(yàn)方法對多變量時(shí)間序列進(jìn)行協(xié)整檢驗(yàn)。

對于p階的VAR，將該VAR轉(zhuǎn)換成下列形式的向量誤差修正模型(VECM)：

(5)

其中,

(6)

如果rank(Π)=0則yt所含n個(gè)變量都是單位根過程,此時(shí)因?yàn)椴淮嬖谶@n個(gè)變量的線性組合是平穩(wěn)的,所以變量間不是協(xié)整的;如果rank(Π)=n, 則模型(6)是差分方程的收斂系統(tǒng), 因此所有變量都是平穩(wěn)的;而0

表3檢驗(yàn)結(jié)果表明，在協(xié)整檢驗(yàn)中，統(tǒng)計(jì)量小于1%水平下的臨界值，因而有一個(gè)原假設(shè)被拒接，相應(yīng)地存在一個(gè)協(xié)整方程拒絕R≤3的假設(shè)。協(xié)整檢驗(yàn)結(jié)果證明百度指數(shù)的“二手貨車”、“報(bào)廢汽車”、“過路費(fèi)”、“oil0”、運(yùn)價(jià)之間存在長期穩(wěn)定的均衡關(guān)系。

表3 Johansen協(xié)整檢驗(yàn)結(jié)果

2.4 預(yù)測模型擬合度分析

在對相關(guān)影響因素的時(shí)間序列進(jìn)行檢測與協(xié)整檢驗(yàn)后，在模型進(jìn)行訓(xùn)練之前，要對影響因素以及公路運(yùn)價(jià)指數(shù)進(jìn)行標(biāo)準(zhǔn)化。采用Z-score 標(biāo)準(zhǔn)歸一化方法，經(jīng)該方法處理后的數(shù)據(jù)可呈現(xiàn)標(biāo)準(zhǔn)正態(tài)分布，函數(shù)表達(dá)式為f(x)=(x-μ)/σ，其中μ表示樣本數(shù)據(jù)的均值，σ表示樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

確定模型的參數(shù)，確定輸入隱層數(shù)和迭代次數(shù)分別為5和1000。在該網(wǎng)絡(luò)模型激活函數(shù)的選擇部分，以Simiod函數(shù)作為實(shí)驗(yàn)的激活函數(shù)，并選擇接收ELM神經(jīng)網(wǎng)絡(luò)輸出為最小的激活函數(shù)形式。對于 ELM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，經(jīng)反復(fù)檢驗(yàn)，選取最優(yōu)參數(shù)為4層隱藏層，每層為1 604個(gè)神經(jīng)元。考慮到模型的預(yù)測效果，將數(shù)據(jù)劃分成兩個(gè)部分：80%的數(shù)據(jù)集用作訓(xùn)練，而20%的數(shù)據(jù)集用作測試。對于選擇損失函數(shù)來確定誤差的計(jì)算方式，采用均方根誤差RMSE(root mean squard error)以及平均絕對百分比誤差MAPE(mean absolute percent error)指標(biāo)來進(jìn)行模型誤差的度量。

1)均方根誤差：

(7)

2)平均絕對百分比誤差：

(8)

在模型訓(xùn)練結(jié)束后，為了更準(zhǔn)確地得到預(yù)測值，引入滾動(dòng)窗口得到模型的最佳擬合效果。圖4、圖5顯示了經(jīng)時(shí)域優(yōu)化的模型精度，可知模型精度MAPE與RSME均隨時(shí)域優(yōu)化表現(xiàn)趨同，首先模型精度在滾動(dòng)步距到達(dá)62 d以前精度不斷提高，MAPE與RSME分別由未優(yōu)化的2.50%和35.09提高到第62 d的1.85%與25.17。在62 d后，模型預(yù)測精度逐漸下降并反復(fù)波動(dòng)。

圖4 時(shí)域優(yōu)化的RMSE

圖5 時(shí)域優(yōu)化后的MAPE

從表4中可以看出，樣本內(nèi)預(yù)測結(jié)果相對誤差最小為0.02%，最大為5.80%。說明對于公路物流運(yùn)價(jià)指數(shù)相對復(fù)雜的序列而言，可以使用ELM預(yù)測模型在精度和效率上實(shí)現(xiàn)提前預(yù)測，使得結(jié)果更加接近實(shí)際情況，具有科學(xué)的指導(dǎo)意義。

表4 ELM模型樣本內(nèi)預(yù)測結(jié)果比較

ELM模型各預(yù)測值與實(shí)際值的數(shù)據(jù)對比結(jié)果如圖6所示。預(yù)測結(jié)果具備良好的跟隨性。綜上可知滾動(dòng)步距為62 d的ELM模型在預(yù)測公路運(yùn)價(jià)指數(shù)時(shí)有良好的精度，能夠預(yù)測公路運(yùn)輸市場的行情波動(dòng)變化。

圖6 ELM模型結(jié)果比較

3 結(jié)論

公路運(yùn)價(jià)指數(shù)除受過路費(fèi)、油價(jià)、車輛之久和經(jīng)濟(jì)環(huán)境因素影響外，其本身還與政策變化、節(jié)假日車輛變化等因素有關(guān)。針對公路運(yùn)價(jià)指數(shù)統(tǒng)計(jì)指標(biāo)復(fù)雜導(dǎo)致的成本高昂與發(fā)布時(shí)間滯后問題，提出一種基于百度指數(shù)的滾動(dòng)極限學(xué)習(xí)機(jī)預(yù)測方法。該方法首先提取具有表征性的日百度指數(shù)，根據(jù)ADF平穩(wěn)性檢驗(yàn)與協(xié)整關(guān)系檢驗(yàn)確定百度指數(shù)與公路運(yùn)價(jià)指數(shù)間的長期均衡關(guān)系；然后利用滾動(dòng)窗口對百度指數(shù)與公路運(yùn)價(jià)指數(shù)間的結(jié)構(gòu)關(guān)系進(jìn)行優(yōu)化，最后用極限學(xué)習(xí)機(jī)模型計(jì)算出不同時(shí)期的預(yù)測值。相比傳統(tǒng)的計(jì)量方法，運(yùn)用大數(shù)據(jù)和人工智能預(yù)測公路運(yùn)價(jià)指數(shù)可以對有力支撐公路運(yùn)輸市場精確計(jì)量，有效預(yù)測提前預(yù)示了公路運(yùn)輸市場的發(fā)展變化，為科學(xué)合理決策助力。