基于C#与MATLAB混合编程的物流需求预测系统的实现

根据物流需求数据的不同特点,归纳了灰色GM(1,1)模型、移动平均值模型、指数平滑模型、季节指数模型、BP神经网络模型、线性回归模型、多项式拟合模型和非线性回归模型8种常见的物流需求预测模型,并据此为物流企业开发了基于C#与MATLAB混合编程的物流需求预测系统,降低了物流企业物流需求预测的复杂度。最后通过预测实例表明该系统具有较好的适用性和较高的预测精度。     

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。     

大型机场地面集疏运需求预测方法研究

机场地面集疏运系统是机场发展的重要支撑，交通需求预测是进行机场集疏运交通规划的前提。笔者以四阶段预测的基本原理为基础，结合机场集疏运需求特点，对预测的整体思路、方法、步骤和内容等进行详细分析，优化调整出行分布、方式划分预测模型，并以南京禄口国际机场为实例进行了预测。研究成果对国内同类大型机场的集疏运需求预测具有借鉴和参考价值。     

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。     

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。     

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.     

����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。     

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。     

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.