基于ARIMA-BiLSTM 的散装水泥运输车事故预测研究

摘要：为了提升散装水泥运输车在运输过程中的交通安全性，文章基于浙江省2019至2021年的47757条散装水泥运输车出险数据，构建了一个结合了自回归积分滑动平均（ARIMA） 模型和双向长短期记忆网络（BiLSTM） 的混合预测模型。首先，通过ARIMA模型分析时间序列数据，识别事故数量和理赔金额的趋势，并提取预测残差。然后，利用BiLSTM对这些残差进行深度学习预测，以捕捉时间序列中的复杂模式。最后，通过将BiLSTM预测的残差反馈优化ARIMA模型。研究结果表明，相较于传统的ARIMA模型，该混合模型预测更为精准，有助于更有效地管理和降低散装水泥运输车的安全风险。

关键词：散装水泥车；事故预测；ARIMA-BiLSTM；时间序列；深度学习

中图分类号：U491.3 文献标识码：A

文章编号：1009-3044（2024）19-0006-03