基于深度学习的物流成本预测模型研究

Abstract

为提升物流成本预测精度，本文提出一种双分支残差融合神经网络（Dual-Branch Residual Fusion Network，DBRFN）。该模型采用上下并行双分支结构，设计差异化激活函数，配合残差连接强化跨层信息传递，实现对物流成本多维度特征的精细化提取与深度表征。经特征融合实现多维度信息互补，最终输出预测结果。实验结果表明，DBRFN表现出优异的预测性能：决定系数（ R² ）达0.9983，平均绝对百分比误差（MAPE）为2.06%，平均绝对误差（MAE）为274.21元，预测精度显著。这种双分支残差融合设计通过特征互补机制，不仅实现了全成本区间的精准预测，更凭借良好的泛化能力与稳定性，为物流成本智能化预测提供了可靠技术支撑。