李由之，胡志華，陳春，楊培蓓，董雅靜

（上海海事大學 物流研究中心，上海 201306）（?通信作者電子郵箱541847747@qq.com）

基于雙長短期記憶網(wǎng)絡(luò)組合的網(wǎng)絡(luò)貨運平臺成交定價預測模型

李由之，胡志華*，陳春，楊培蓓，董雅靜

（上海海事大學 物流研究中心，上海 201306）（?通信作者電子郵箱541847747@qq.com）

網(wǎng)絡(luò)貨運平臺運輸服務(wù)訂單的成交定價的預測結(jié)果是平臺運營策略和承運人決策的直接體現(xiàn)，顯著影響平臺效益和承運人市場健康發(fā)展。以順豐速遞網(wǎng)絡(luò)貨運平臺為例，通過缺失值處理和類別型數(shù)據(jù)轉(zhuǎn)換進行數(shù)據(jù)預處理。針對網(wǎng)絡(luò)貨運平臺成交定價預測精度問題，設(shè)計了基于雙長短期記憶網(wǎng)絡(luò)（LSTM）組合的網(wǎng)絡(luò)貨運平臺成交定價預測模型，并采用K-means聚類分析預測結(jié)果。雙LSTM組合模型相較于LSTM、支持向量回歸（SVR）、兩者相融合的LSTM-SVR以及基于灰色GM（1，1）和反向傳播（BP）組合（GM（1，1）-BP）等模型，平均絕對誤差（MAE）、均方誤差（MSE）、平均絕對百分比誤差（MAPE）最低且R2最高，分別為9.90、402.54、1.48和0.999 97。而K-means聚類分析對預測的訂單成交定價進行評級的結(jié)果與實際情況一致。實驗結(jié)果表明，所提出的雙LSTM組合模型具備有效性和準確的網(wǎng)絡(luò)貨運平臺成交定價預測效果。

網(wǎng)絡(luò)貨運平臺；定價策略；長短期記憶網(wǎng)絡(luò)；K-means聚類分析；物流管理

0 引言

近年來，公路運輸是物流運輸?shù)闹黧w，由于跨地區(qū)需求不足和海外需求削弱，導致貨物滯銷、人工成本上升。國內(nèi)運輸公司更多處于“數(shù)量龐大、小規(guī)模、分散、薄弱”狀態(tài)，貨主和承運人存在信息不對稱、空間上分布不均勻等現(xiàn)象。在此背景下，網(wǎng)絡(luò)貨運平臺應運而生。在“互聯(lián)網(wǎng)+物流”發(fā)展環(huán)境下，網(wǎng)絡(luò)貨運經(jīng)濟已占領(lǐng)著重要地位，“網(wǎng)絡(luò)貨運平臺”模式在貨運市場上嶄露頭角。目前許多網(wǎng)絡(luò)貨運平臺僅作為提供貨主和承運人信息進行相互交易的平臺，并不會對成交訂單承擔完整性認證和貨物安全保證責任，導致平臺管理疏漏、運營混亂、顧客喪失、成交訂單減少，新成立的網(wǎng)絡(luò)貨運平臺相較于資歷深厚的物流公司沒有競爭優(yōu)勢，在物流市場上替換周期短。由此來看，研究出最優(yōu)成交定價策略對新興平臺發(fā)展有著重要意義。

網(wǎng)絡(luò)貨運平臺是從無車承運平臺發(fā)展而來，許多學者對無車承運平臺進行了研究，例如劉德智等［1］將實際承運人服務(wù)能力定量化，建立了基于服務(wù)能力信息可靠性的信息共享價值模型來研究無車承運人服務(wù)能力信息可靠性與相關(guān)變量的相互影響；高博等［2］對全國多個地區(qū)無車承運試點工作的經(jīng)驗進行對比分析，從理論上總結(jié)提出了加強試點組織管理、完善省級監(jiān)管平臺、探索無車承運人稅收政策、研究創(chuàng)新市場管理制度來推動無車承運人發(fā)展；李博等［3］從平臺經(jīng)濟理論角度對無車承運平臺發(fā)展方向進行了研究；賀政綱等［4］對無車承運多式聯(lián)運流線網(wǎng)絡(luò)模式下車貨匹配問題進行了研究；尤美虹等［5］對無車承運人和貨運平臺進行實地訪談和網(wǎng)絡(luò)調(diào)查，分析無車承運平臺運行特征和平臺監(jiān)管手段。而目前網(wǎng)絡(luò)貨運平臺的研究重點是定價問題，現(xiàn)有對網(wǎng)絡(luò)貨運平臺的定價問題研究，通常選取動態(tài)博弈和路徑優(yōu)化方法，這些方法很少從訂單角度應用研究［6］。聶福海等［7］提出了平臺與貨主的價格博弈模型研究平臺定價策略；程靜等［8］構(gòu)建了壟斷和寡頭競爭性網(wǎng)運平臺定價模型探究平臺定價策略；Li等［9］通過優(yōu)化最終到達多個零售商的路線實現(xiàn)共同優(yōu)化匹配和定價策略；Hurley等［10］從線性規(guī)劃問題的角度解決合作博弈和非合作博弈下托運人和承運人之間利益分配問題。因此，動態(tài)博弈和路徑優(yōu)化研究方法并不能解決從訂單角度來研究網(wǎng)絡(luò)貨運平臺與承運人定價問題，本文引入機器學習方法來研究此問題。

少量學者用時間序列預測方法從訂單角度研究網(wǎng)絡(luò)貨運平臺定價策略，機器學習的時序預測方法可以很好地解決非線性擬合問題，應用范圍廣泛，該方法包括了支持向量回歸（Support Vector Regression， SVR）［11］、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）［12］和詳盡可能性模型（Elaboration Likelihood Model， ELM）［13］等，通常提取數(shù)據(jù)變化的特征進行預測分析，對短時非線性預測起到了很好的效果，如Xiong等［14］引入遺傳算法優(yōu)化反向傳播（Genetic Algorithm optimized Back Propagation， GA-BP）神經(jīng)網(wǎng)絡(luò)模型對網(wǎng)絡(luò)貨運平臺定價進行擬合和預測，得到模型迭代100次時定價為94，誤差小于0.1%，證明模型適用于此類問題。而引入深度學習中長短期記憶網(wǎng)絡(luò)（Long Short-Term-Memory network， LSTM）模型相較于SVR和BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型更適用于長時間擬合和預測，在預測大規(guī)模數(shù)據(jù)時更加精準［15］。由于網(wǎng)絡(luò)貨運平臺定價預測方面研究不夠深入，平臺訂單數(shù)據(jù)過于龐大，加入長短期神經(jīng)網(wǎng)絡(luò)模型來研究平臺訂單定價問題更有意義，而且單一模型的預測精度不如組合模型的預測精度［16］。

因此針對網(wǎng)絡(luò)貨運平臺運輸服務(wù)訂單成交定價預測精度問題，本文提出了基于雙長短期記憶網(wǎng)絡(luò)組合的網(wǎng)絡(luò)貨運平臺成交定價預測模型，用來研究訂單角度下平臺的定價問題。該模型相較于LSTM、SVR、ELM、最小絕對收縮和選擇算子（Least Absolute Shrinkage and Selection Operator， LASSO）、兩者相融合的LSTM-SVR（Long Short-Term-Memory combined with Support Vector Regression）以及基于灰色GM（1，1）和BP組合（GM（1，1）-BP）模型具有更準確的網(wǎng)絡(luò)貨運平臺成交定價預測效果。

1 問題描述與數(shù)據(jù)預處理

網(wǎng)絡(luò)貨運平臺訂單定價規(guī)律一直是平臺和承運人關(guān)心的問題，由于順豐網(wǎng)絡(luò)貨運平臺后臺收集的數(shù)據(jù)集龐大且存在缺失值，指標雜亂，無法直接應用于研究網(wǎng)絡(luò)貨運平臺的定價問題。數(shù)據(jù)清洗是解決上述問題的關(guān)鍵，順豐網(wǎng)絡(luò)貨運平臺后臺記錄的時間點和其他文字型指標并非量化后的數(shù)據(jù)，無法直接研究其對定價的影響，需將其合理量化才能反映對平臺定價的影響。首先對數(shù)據(jù)集進行清洗，具體步驟為：

步驟1 剔除無法填補且占比小含缺失值的訂單。由于線路總成本、調(diào)價緊急程度、實際結(jié)束時間指標不能通過其他指標計算得到且缺失樣本占總體比例小，刪除線路總成本、調(diào)價緊急程度、實際結(jié)束時間指標中缺失值所對應的訂單。

步驟2 填補缺失值。由于調(diào)價審核完成時間等于調(diào)價企業(yè)管理云平臺（Enterprise Cloud Platform， ECP）創(chuàng)建時間，根據(jù)以上填補調(diào)價審核完成時間的缺失值；由于始發(fā)地省份名稱和目的地省份名稱存在的缺失值是同訂單出現(xiàn)，且總里程為144 km，原數(shù)據(jù)集非缺失數(shù)值中只有始發(fā)地和目的地都為廣東省存在總里程為144 km的訂單，因此在滿足始發(fā)地省份、目的地省份缺失和總里程為144 km處填補缺失值為廣東??；由于計劃卸貨完成時間等于計劃到達時間加41 min，據(jù)此填補計劃卸貨完成時間的缺失值。

步驟3 剔除無法填補且占比大含缺失值的指標。刪除計劃卸貨等待時長、個體司機端議價最低價、承運商端議價最低價三列指標，由于這些指標無法通過其他指標計算填補且缺失值占總體比例大，達到了90%～95%。

步驟4 剔除無分類指標，具體為需求狀態(tài)、交易模式、異常狀態(tài)、標的狀態(tài)、任務(wù)狀態(tài)。

步驟5 合并指標，即時間點指標合并為時間長，刪除合并前時間點指標，將意義相近的指標作進一步處理，并將有關(guān)聯(lián)的多個指標連接合并為一個指標。

針對時間點合并為時長的指標，本文做了以下定義：

定義1 計劃靠車前可用時長 = 計劃靠車時間-標的創(chuàng)建時間。

定義2 計劃發(fā)車前可用時長 = 計劃發(fā)車時間-標的創(chuàng)建時間。

定義3 計劃到達前行駛時長 = 計劃到達時間-計劃發(fā)車時間。

定義4 計劃卸貨時長 = 計劃卸貨完成時間-計劃到達時間。

定義5 交易運行時長 = 交易結(jié)束時間-交易成功時間。

定義6 實際靠車前可用時長=實際靠車時間-標的創(chuàng)建時間。

定義7 實際發(fā)車前可用時長=實際發(fā)車時間-標的創(chuàng)建時間。

定義8 實際行駛時長 = 實際到車時間-實際發(fā)車時間。

定義9 實際結(jié)束前時長 = 實際結(jié)束時間-實際到車時間。

定義10 調(diào)價審核時長 = 調(diào)價審核完成時間-最后一次詢價時間。

由于標的_創(chuàng)建日期和標的_創(chuàng)建時間合并后就是標的創(chuàng)建時間，刪除標的_創(chuàng)建日期和標的_創(chuàng)建時間；交易成功時長和交易開始時間與交易成功時間之差相接近，交易運行時長 = 交易結(jié)束時間-交易成功時間，所以選擇剔除交易開始時間；由于分撥時間與標的創(chuàng)建時間、交易開始時間等同，故刪除標的創(chuàng)建時間和分撥時間；由于調(diào)價審核完成時間和調(diào)價創(chuàng)建時間完全等同，刪除調(diào)價創(chuàng)建時間；指標交易對象中，代表承運商，代表個體司機，指標交易對象可以細化分為交易對象和交易對象兩項指標，故刪除交易對象；將車輛長度和車輛噸位指標連接整合為車輛類型，將起止省份、終止省份、始發(fā)網(wǎng)點、目的網(wǎng)點進行連接整合為指標起止省份終止省份始發(fā)網(wǎng)點目的網(wǎng)點。

步驟6 剔除計算時長為負數(shù)的訂單，且這種訂單占總體比例很小，為0.58%，說明數(shù)據(jù)集存在異常數(shù)據(jù)，會影響整體數(shù)據(jù)集的效果。

步驟7 將文字型重復指標啞變量處理。

網(wǎng)絡(luò)貨運平臺訂單的定價不僅要符合平臺與承運人雙方成交的預期價，還要反映出不同訂單的特征，為了更加清晰，本文再做定義：

網(wǎng)絡(luò)貨運平臺訂單成交定價數(shù)據(jù)對網(wǎng)絡(luò)貨運平臺運營和提高訂單成交率很有意義，接下來本文提出了一種新的機器學習組合模型對網(wǎng)絡(luò)貨運平臺訂單成交定價進行預測。

2 模型設(shè)計

2.1 長短期記憶網(wǎng)絡(luò)（LSTM）模型

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）模型是一種傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，當訓練時間過長，需要回傳的殘差指數(shù)下降，導致網(wǎng)絡(luò)權(quán)重更新緩慢，無法實現(xiàn)長期記憶。在這種情況下，長短期記憶網(wǎng)絡(luò)（LSTM）模型被提出，它對RNN模型進行了改進，解決了梯度彌散的問題。長短期記憶網(wǎng)絡(luò)模型是按照時間維度展開的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示，c、h表示相應支路的神經(jīng)元結(jié)構(gòu)。

圖1 LSTM模型的結(jié)構(gòu)Fig. 1 Structure of LSTM model

LSTM模型相較于RNN模型能夠?qū)崿F(xiàn)長期記憶，主要在于LSTM模型中最頂層多了一條信息傳送帶，用于記憶信息。在LSTM神經(jīng)元的單元結(jié)構(gòu)中，通過三個控制門來控制信息的傳輸，即調(diào)節(jié)歷史數(shù)據(jù)信息和預測數(shù)據(jù)信息的權(quán)重來優(yōu)化模型，圖2為LSTM神經(jīng)元的單元結(jié)構(gòu)。

圖2 LSTM神經(jīng)元的單元結(jié)構(gòu)Fig. 2 Unit structure of LSTM neuron

第一個門為遺忘門，負責控制歷史數(shù)據(jù)輸入，輸入歷史數(shù)據(jù)的權(quán)重系數(shù)具體為：

第二道門為輸入門，負責控制現(xiàn)有的數(shù)據(jù)輸入，輸入現(xiàn)有數(shù)據(jù)的權(quán)重系數(shù)具體為：

歷史數(shù)據(jù)和現(xiàn)有數(shù)據(jù)經(jīng)歷遺忘門和輸入門的篩選后，剩下的數(shù)據(jù)狀態(tài)表示為：

LSTM常用于基于時間序列做二維圖像數(shù)據(jù)擬合，輸入的數(shù)據(jù)格式一般是三維的。由于擬合網(wǎng)絡(luò)貨運平臺的價格數(shù)據(jù)一般是二維數(shù)據(jù)，和時間關(guān)聯(lián)度不高，因此在此設(shè)置時間步為1，進而構(gòu)建一個三維的數(shù)據(jù)集輸入模型。該網(wǎng)絡(luò)中激活函數(shù)選用tanh（*），tanh（*）在特征相差明顯時效果會很好，在循環(huán)過程中會不斷擴大特征效果。

訓練數(shù)據(jù)已標準化，測試數(shù)據(jù)也進行相同歸一化處理。在獲得預測輸出后，應用反標準化并計算均方誤差。

2.2 組合模型

應用單一模型預測精度往往不夠高，應用組合模型在預測方面更具有優(yōu)勢［17-18］。本文提出了雙LSTM組合模型，首先基于LSTM模型對原始數(shù)據(jù)集進行預測，由于機器學習模型預測訓練集之外的數(shù)據(jù)存在誤差，在未來的預測中繼續(xù)沿用存在誤差的訓練集再去預測測試集，只會隨著訂單的增長導致預測誤差加大。針對首次用LSTM模型預測數(shù)值與原數(shù)值的誤差值，利用LSTM模型對各個訂單定價誤差值進行糾正，能有效降低誤差。

雙LSTM組合模型具體為：

步驟1 根據(jù)數(shù)據(jù)清洗的步驟對網(wǎng)絡(luò)貨運平臺歷史訂單數(shù)據(jù)進行處理，得到各個訂單原始數(shù)據(jù)序列，其中為第個訂單成交定價原始數(shù)據(jù)，即。

步驟5 最后組合模型的預測結(jié)果為步驟2中LSTM模型的預測值與步驟4中利用LSTM模型矯正得到的新誤差的合并，即。

雙LSTM組合模型如圖3所示。

圖3 雙LSTM組合模型Fig. 3 Combination model of dual LSTM

3 實證分析

3.1 雙LSTM組合模型預測

為進一步探究雙LSTM組合模型的有效性，本文選用2020年順豐速遞網(wǎng)絡(luò)貨運平臺歷史訂單數(shù)據(jù)（2020年MathorCup研究生數(shù)學建模比賽數(shù)據(jù)，網(wǎng)址為http：//www.mathorcup.org/detail/2294）進行實驗，按照上述數(shù)據(jù)清洗方法對數(shù)據(jù)進行預處理后，將所有歷史訂單數(shù)據(jù)集分為兩類，其中80%歷史訂單數(shù)據(jù)作為訓練集用于訓練模型，剩下20%歷史訂單數(shù)據(jù)作為測試集用來驗證組合模型的擬合效果，清洗后的部分數(shù)據(jù)集如表1所示。

表1 預處理后的部分平臺歷史訂單數(shù)據(jù)集Tab. 1 Partial platform dataset of historical orders after preprocessing

經(jīng)過多次調(diào)試，組合模型參數(shù)設(shè)置如表2所示。模型擬合效果最優(yōu)，圖4為雙LSTM組合模型預測值與實際值對比，由于整體圖（圖4（a））過于密集，故截取其中部分樣本另做圖（圖4（b））。

從圖4可以看出，雙LSTM組合模型得到的預測值與實際值基本吻合，表明該模型對網(wǎng)絡(luò)貨運平臺訂單成交定價預測具有有效性。

3.2 結(jié)果分析

3.2.1 誤差分析評價指標

為了對比上述的組合模型與其他模型的預測結(jié)果，本文選取平均絕對誤差（Mean Absolute Error， MAE）、均方誤差（Mean Square Error， MSE）、R2（R square）和平均絕對百分比誤差（Mean Absolute Percentage Error， MAPE）來作為模型誤差分析的評價指標，具體為：

表2 雙LSTM組合模型的參數(shù)設(shè)置Tab. 2 Parameter setting of combination model of dual LSTM

圖4 雙LSTM組合模型預測值與實際值對比Fig. 4 Comparison of predicted values by dual LSTM combination model and actual values

3.2.2 對比分析

將雙LSTM組合模型與單一模型的擬合效果進行對比，單一模型分別為LSTM［17，19］、SVR［20-21］、LASSO［22］、ELM［23］，用上述模型分別對同一測試集進行預測分析，可以看出雙LSTM組合模型擬合效果最佳，各模型在測試集上的預測結(jié)果與實際值的對比如圖5所示，由于整體圖模糊，故加入截取部分圖。

對比圖4～5可以看出，雙LSTM組合模型的擬合效果最好，其次是LSTM模型，再次是SVR模型，最后是ELM模型和LASSO模型，表明雙LSTM組合模型在測試集上的擬合效果好，精度高，符合網(wǎng)絡(luò)貨運平臺訂單成交定價的波動趨勢。

綜合圖5來看，測試集上第2 026個訂單的MAPE最大。為了更加科學地精準評估，應用所提出的誤差分析評價指標對五種模型進行評估，然后進一步計算刪除測試集上第2 026個訂單后各模型的MAPE指標值。五種模型的評價指標結(jié)果如表3所示。

從表3可以看出，第2 026個訂單的預測值對模型誤差評估的影響是存在的，其對LASSO模型誤差評估的影響最大。雙LSTM組合模型與其他四個單一模型相比，預測網(wǎng)絡(luò)貨運平臺訂單成交定價最有效。

表3 雙LSTM組合模型與單一模型的評價指標實驗結(jié)果Tab. 3 Experimental results of evaluation indicators between combination model of dual LSTM and single models

注：MAPE/%*=去除測試集上第2 026個訂單后的MAPE/%。

本文還將雙LSTM組合模型與其他組合模型進行對比，其他組合模型分別為LSTM-SVR［24］、GM（1，1）-BP［25］，誤差分析評估實驗后各模型的實驗結(jié)果如表4所示。

結(jié)合表3～4的結(jié)果來看，對網(wǎng)絡(luò)貨運平臺訂單成交定價進行預測時，組合模型的預測精度明顯高于單一模型的預測精度。雙LSTM組合模型無論與單一模型LSTM、SVR、LASSO、ELM還是與組合模型LSTM-SVR、GM（1，1）-BP進行比較，它的擬合效果都是最好的，原因在于LSTM模型對于大量數(shù)據(jù)訓練預測具有很好的擬合效果，能對LSTM預測結(jié)果誤差進行有效矯正，能得以保證較好的擬合效果。

3.2.3 成交定價等級劃分

根據(jù)網(wǎng)絡(luò)貨運平臺各訂單成交定價對訂單等級進行劃分，有利于網(wǎng)絡(luò)貨運平臺對定價的管理以及輔助承運人進行是否接單決策。本文采用K-means聚類分析的方法將訂單分為5類，訂單成交定價越高，對應的成交定價等級就越高，接單要求難度系數(shù)高；反之，訂單成交定價等級越低，適合只能接受近距離的承運人接單。

訂單具體劃分標準和訂單所占比例如表5所示，根據(jù)劃分標準對雙LSTM組合模型預測結(jié)果的劃分結(jié)果如圖6所示，給出了不同等級的訂單數(shù)量分布。

表4 雙LSTM組合模型與其他組合模型的評價指標實驗結(jié)果Tab. 4 Experimental results of evaluation indicators between combination model of dual LSTM and other combination models

注：MAPE/%*=去除測試集上第2 026個訂單后的MAPE/%。

圖5 四種模型預測值與實際值對比Fig. 5 Comparison of predicted values by four models and actual values

結(jié)合表4和圖6來看，存在47.7%訂單被判定為較難和非常難完成訂單，這和訂單要求是有關(guān)聯(lián)的，路途遙遠甚至需要跨省運輸、需求緊急的訂單往往需要高額的定價來吸引成交。存在34%訂單被判定為容易完成和較容易完成，說明這些訂單要求難度系數(shù)偏低，往往是同一城市近距離的運輸單，時間要求比較寬裕。將雙LSTM組合模型的預測劃分結(jié)果和原數(shù)據(jù)中測試集對應訂單的訂單要求進行對比驗證，發(fā)現(xiàn)訂單的預測劃分結(jié)果與訂單實際所要求完成的難易情況是一致的，說明該模型是有效的。

表5 成交定價等級劃分標準和訂單所占比例Tab. 5 Classification standard and order proportion of transaction pricing

圖6 成交定價預測值等級劃分標準Fig. 6 Classification standard of predicted values of transaction pricing

4 結(jié)語

從網(wǎng)絡(luò)貨運平臺對訂單定價管理和承運人接單的角度，本文結(jié)合網(wǎng)絡(luò)貨運的知識對2020年順豐速遞網(wǎng)絡(luò)貨運平臺數(shù)據(jù)進行數(shù)據(jù)清洗，并根據(jù)訂單成交定價對訂單科學評級，為網(wǎng)絡(luò)貨運平臺運營管理定價提供輔助決策，同時也輔助承運人根據(jù)自身情況進行接單決策。本文方法還無法在多復雜情形下進行多次動態(tài)調(diào)價來提高訂單成交率，后續(xù)研究將在物流管理中加入優(yōu)化決策層面以及動態(tài)博弈來對訂單成交定價進行優(yōu)化。針對網(wǎng)絡(luò)貨運平臺成交定價預測，本文構(gòu)建了一種新的雙LSTM組合模型對網(wǎng)絡(luò)貨運平臺各訂單成交定價進行預測。選取數(shù)據(jù)清洗后的2020年順豐速遞網(wǎng)絡(luò)貨運平臺數(shù)據(jù)進行實驗，對雙LSTM組合模型進行驗證，并分別與單一模型LSTM、SVR、LASSO和ELM以及組合模型LSTM-SVR、GM（1，1）-BP進行對比分析，發(fā)現(xiàn)雙LSTM組合模型的擬合效果最好，也驗證了基于本文提出的雙LSTM組合模型預測網(wǎng)絡(luò)貨運平臺成交定價是一種有效的方法。根據(jù)順豐速遞網(wǎng)絡(luò)貨運平臺成交定價基于組合模型預測的結(jié)果采用K-means聚類分析對訂單評級，實驗結(jié)果表明，順豐速遞網(wǎng)絡(luò)貨運平臺訂單成交定價等級完全符合訂單實際所要求完成的難易情況。給定訂單成交定價等級，為承運人決策提供了便利。

[1] 劉德智，張柳葉.考慮可靠性的無車承運平臺信息共享價值研究［J］.數(shù)學的實踐與認識，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，李瑋.典型地區(qū)推動無車承運人發(fā)展的經(jīng)驗比對研究［J］.綜合運輸，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.基于平臺經(jīng)濟理論視角的網(wǎng)絡(luò)貨運平臺研究綜述［J］.供應鏈管理，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] 賀政綱，楊曉蕾，賈艷麗.基于無車承運的多式聯(lián)運流線網(wǎng)絡(luò)匹配研究［J］.交通運輸系統(tǒng)工程與信息，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，駱溫平，陶君成.無車承運人及貨運平臺監(jiān)管調(diào)查分析［J］.中國流通經(jīng)濟，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.公路貨運車貨匹配研究綜述［J］.價值工程，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] 聶福海，李電生.不對稱信息下無車承運人平臺定價策略研究［J］.工業(yè)工程與管理，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] 程靜，桂云苗.考慮匹配率的物流O2O平臺定價研究［J］.安徽工程大學學報，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] 熊紅林，冀和，樊重俊，等.基于LSTM-SVR模型的航空旅客出行指數(shù)預測［J］.系統(tǒng)管理學報，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] 孫軼軒，邵春福，計尋，等.基于ARIMA與信息?；疭VR組合模型的交通事故時序預測［J］.清華大學學報（自然科學版），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] 王宇勝，陳德旺，蔡俊鵬，等.基于LSTM-SVR的鋰電池健康狀態(tài)預測研究［J］.電源技術(shù)，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] 李德營，殷坤龍.基于影響因子的GM（1，1）-BP模型在八字門滑坡變形預測中的應用［J］.長江科學院院報，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。

國家自然科學基金資助項目（71871136）。

李由之（1998—），女，湖南婁底人，碩士研究生，主要研究方向：供應鏈管理、機器學習； 胡志華（1977—），男，湖南長沙人，教授，博士，主要研究方向：物流管理； 陳春（1994—），男，安徽安慶人，碩士研究生，主要研究方向：物流管理； 楊培蓓（1996—），女，江蘇南通人，碩士研究生，主要研究方向：物流管理； 董雅靜（1998—），女，浙江臺州人，碩士研究生，主要研究方向：博弈論。

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.