城市物流园区需求预测的系统动力学模型构建

针对目前物流需求预测中主要采用的回归分析方法和时间序列模型存在的缺陷,运用系统动力学方法研究城市物流园区规划中的需求预测问题。对物流园区系统内部要素作用机制以及与外部经济系统的相互作用机制进行分析。将物流需求预测的影响因素归纳为物流供给能力和区域经济发展两类,并探讨了这两类因素与物流需求之间的反馈。运用系统动力学的理论和方法构建了城市物流园区需求预测模型,将物流需求、物流供给能力以及区域经济发展三者的动态关系纳入其中。指出物流需求预测不仅要考虑当前的资源情况和经济水平,还要用动态的眼光进行系统分析。     

用MATLAB实现对周期趋向性物流需求的快速预测

物流需求预测对企业的经营决策至关重要，企业经常要花费很多的时间和精力来做需求预测。文中分析了周期趋向性物流需求的主要特点，建立了周期趋向性物流需求的预测模型。同时，根据周期趋向性物流需求预测模型的特点，阐述了运用MATLAB软件对其进行预测的基本原理，并在MATLAB平台上实现了对周期趋向性物流需求的快速预测。     

基于主成分回归的区域物流需求预测研究——以云南省为例

为了能够给区域物流发展政策的制定、物流基础设施建设规模的确定、物流市场态势的分析等提供定量的物流需求规模数据,建立科学合理的预测模型显得尤为重要。首先,研究区域物流与区域经济的关系;其次,从货运量、货运周转量两个指标中选取货运周转量来表征区域物流需求规模;最后,从区域经济指标中选取第一产业总产值、第二产业总产值、第三产业总产值、社会消费品零售总额、固定资产投资额、进出口额等指标作为影响因素,借助SPSS统计分析软件,以云南省统计数据为基础,建立基于主成分回归方法的区域物流需求预测模型。研究结果表明,该模型在对云南省物流需求规模进行预测时,模型平均相对误差小于4%,预测精度高,可以作为中短期物流需求预测的工具。     

交通规划四阶段法在物流需求预测中的应用

结合交通规划四阶段法的特点,在城市物流规划中的物流需求预测基础上,研究了物流需求分阶段的预测方法,并对物流需求预测模型进行了应用分析,最后基于四阶段物流需求预测,论述了相应的城市物流调查与分析的内容和方法。     

人工神经网络模型的江西省物流需求预测

区域物流与区域经济息息相关。为了准确预测区域物流需求规模,运用灰色关联对决定区域物流需求的经济因素以及他们之间的相关性进行分析,建立区域物流需求预测指标体系和BP神经网络区域物流预测模型。通过实证分析,验证了预测模型的有效性,并对江西未来5年的物流需求做出了预测。     

基于数据驱动的电动自行车换电需求预测

换电企业在城市内建立换电柜，满足不断增长的电动自行车换电需求，涉及到换电柜的选址，电池的投放和换电需求的预测。本文分析了国内某大型换电企业的换电订单数据，发现换电柜存在使用严重不均衡问题,为提高使用率，降低换电成本，提出按区域对换电需求量进行聚类并预测的方法。首先，对换电柜位置进行K-means聚类，据此优化换电柜的投放量，提高使用率；随 后，采用整合移动平均自回归模型(Autoregressive Integrated Moving Average model, ARIMA)预测短时换电需求。实验发现，ARIMA模型在短时换电订单的需求预测上具有较高的预测精度，与其他基线模型相比，各指标均为最好，说明换电需求在时间上更趋于线性关系。本文提出的换电柜优化方法和短时需求预测结果为换电企业的换电柜选址和电池投放量提供数据支持。     

分行业的货运需求量组合预测研究

论证了分行业预测货运需求量的科学性。通过对物流需求影响因素的分析,建立了回归分析、灰色系统的物流需求单项预测模型,鉴于单项预测模型的局限性,建立了物流需求组合预测模型。     

航空客运收益管理无约束需求预测方法研究

无约束需求预测是提高收益管理决策准确性的重要前提,需求修复是其关键的组成部分.本文基于航空客运的需求特点,对无约束需求预测方法进行了定量研究和讨论.首先对研究的问题进行了描述,提出先将Holt模型用于需求修复,再使用Holt-Winters模型进行无约束需求预测的思想,并结合组合预测方法,建立了基于Holt的组合需求修复模型和基于Holt-Winters的组合预测模型.最后,通过数值仿真,验证了本文的无约束需求预测方法和组合模型对航空客运收益管理的可行性和有效性.     

基于加权马尔科夫-ARIMA修正模型的区域物流需求预测

为准确预测区域物流需求,采用自回归移动平均(autoregressive integrated moving average, ARIMA)模型建立具有线性关系的时间序列,考虑时间外的非线性影响因素,基于加权马尔科夫模型修正残差状态,构建加权马尔科夫-ARIMA模型,以我国1990—2021年月度货运周转量为物流需求数据来源,验证加权马尔科夫-ARIMA模型的预测精度。结果表明：单一ARIMA模型和加权马尔科夫-ARIMA模型对12期货运周转量预测结果的平均绝对百分误差分别为3.15%、2.22%,后者的预测精度优于前者。     

中国民航客运市场需求预测的系统动力学模型研究

民航运输发展所需基础投资建设周期长、投资大、专有性强,固定投资数量应与民航发展阶段规模相匹配,科学的需求预测是合理规划民航基础建设和机队建设的基础。运用系统动力学原理,分析航空客运需求内外影响因素,建立中国民航客运市场需求预测的系统动力学模型,因素考虑更加全面,精度提升明显。运用所建模型,基于我国经济社会发展水平,预测我国航空客运需求量将于2024年左右达到10亿人次。民航客运市场需求系统动力学模型,对于派生的民航运输长期需求预测与分析,具有普遍适用性和长效性。     

基于土地利用的交通需求预测分析

指出传统交通需求预测的不足,分析交通与土地利用的本质以及交通需求与土地利用的内在联系,建立土地利用与交通需求生成的相关关系模型,简化传统方法的预测过程。并简要介绍交通需求预测的模型及分类,为土地利用规划和交通规划相结合提供思路。     

情景分析法在停车需求预测中的应用研究

针对传统停车需求预测方法预测情景单一的情况,提出了基于情景分析法的停车需求预测方法。通过分析停车需求状况,设定了未来可能出现的3种情景,并对停车需求影响因素进行了分析。利用SPSS软件对数据进行了处理分析,确定了各个情景的停车需求预测模型以及模型中的参数。最后,以2017年为预测基年,对各情景下停车需求的发展趋势进行预测。     

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.     

我国航空旅客运输需求预测——基于计量经济学与系统动力学组合模型

航空运输需求预测是民航发展规划和决策的前提,预测结果的精度会对民航的发展产生重要的影响.基于系统动力学原理构建了民航客运需求系统的因果关系图,分析了各因素间的因果关系,在此基础上,建立了航空客运需求的系统动力学模型,并引入了计量经济学来建立模型的数学方程.然后,对模型进行了有效性检验,结果显示建立的模型可以较好地反映民航客运的实际需求,证明了模型的有效性.最后,应用该模型对我国未来几年的航空客运需求进行了预测,并对比了不同的预测情景,结果显示经济水平对航空客运需求影响显著,宽松的人口政策在一定程度上会降低航空客运需求.     

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明：本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%～19.80%,均方根误差降低了11.20%～17.99%,决定系数提升了8.62%～12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%～13.81%,均方根误差降低了4.23%～10.67%,决定系数提升了3.50%～7.01%,且本文...     

基于EViews软件的县际客运需求分析预测

客运量的增减是受诸多因素共同影响作用的结果。考虑从业人员、小型汽车数量、平均工资3个影响因素对客流量的影响,根据时间序列的数据资料,采用因果分析预测法中的多元回归分析预测法及时间序列预测法中的指数平滑法进行求解。以江门市的客运量为例,利用Eviews软件进行数据分析、回归、预测,建立预测模型推断出未来江门市县际客运需求的数值,并提出相应的对策建议,对未来客运量的需求预测具有一定的现实意义。     

基于GRA 与KPCA 的LSSVM 物流需求预测

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法.首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群 (IPSO)算法调整LSSVM参数.运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度.     

基于需求不确定性的机场拥挤风险预测模型与方法

为了获得机场交通需求的概率分布及其变化规律,量化机场交通需求预测的不确定性,从需求不确定性角度分析了航空器进离港时刻对机场交通需求预测的影响,基于多个时段交通需求相互转化的不确定性,建立了多时段机场进离港交通需求概率分布模型.在此基础上,将进离港交通需求与进离港容量曲线相匹配,建立了机场拥挤风险预测模型,给出了具体求解过程与方法.亚特兰大机场实际航班运行数据的验证结果表明,机场概率需求预测值比确定型需求预测值更接近实际进离港交通需求值;与确定型拥塞预测方法的准确度60.0%相比,本文模型将拥挤预测提高到80%;用旧金山机场实际航班数据验证了本文方法的有效性,准确性达到87.5%,为机场拥挤管理提供了依据.      

����GRA ��KPCA ��LSSVM ��������Ԥ��

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法。首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群(IPSO)算法调整LSSVM参数。运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度。     

基于土地利用的交通需求预测

指出传统交通需求预测方法的不足,分析交通与土地利用的本质以及交通需求与土地利用之间的内在联系,建立土地利用与交通需求生成的相关关系模型,简化传统方法的预测过程,并以浏阳为例,根据土地利用情况直接进行交通需求预测,较好地映了浏阳的交通需求情况,为把土地利用规划和交通规划相结合提供一种思路。