基于DTRS-SVM模型的广东省物流需求预测研究

发布时间：2017-05-24 15:30

  本文关键词：基于DTRS-SVM模型的广东省物流需求预测研究，由笔耕文化传播整理发布。

【摘要】：对区域物流的需求进行预测是区域经济与物流管理规划中的重点,也是对区域经济和物流活动进行规划的前提。区域物流需求量预测的结果可以影响物流基础建设、交通网络的布局以及当地物流企业未来的发展,所以说区域物流需求的预测是物流发展的前提。通过区域物流需求的预测,可以及时的了解当地经济活动中的物流需求量,进而可以通过预测到的物流活动需求量及时的满足当地经济活动中的物流需求,保证了物流服务与需求的平衡,使当地经济建设与物流协调性发展,保持一种比较高的效率。国内外关于物流需求预测的论文有很多,每一位学者都运用了不同的模型方法来对当地的物流需求量进行预测,其中对货运量和货运周转量的预测最多。最早的预测方法是移动平均、增长率、灰色模型、随机时间序列模型等,这些方法大部分出现在最早的研究当中,单一的建模方法很难对物流需求量有较为准确的预测,预测精度比较差,所以现在的研究中,大部分预测方法都要结合其他更先进的模型。近些年,更多学者开始使用机器学习的模型,通过考虑因变量与影响因素的关系,通过历史数据与机器学习的结合推导出相对更加准确的变化趋势,最常用的模型是神经网络模型与支持向量机模型。本文在研究国内外学者对于该问题研究成果的基础上,首先总结了当前研究当中存在的问题；然后对区域物流的概念以及特点进行了归纳和总结,分析了物流需求预测的内容以及步骤；其次,分析了影响物流需求的主要因素,并且从经济总量、产业结构和当地居民的消费水平等几个方面构建了一个适合于本文的预测指标体系；再次,本文通过详细的讲解决策粗糙集理论,将其中的属性约简算法引入本文的预测模型,目的在于剔除冗余属性,优化预测模型；接着,本文讲解了支持向量机理论及模型,并通过遗传算法对其核函数的参数进行优化,在属性约简的基础之上,进一步的提高了预测的精度；最后,利用本文建立好的模型,在MATLAB软件上对广东省物流需求进行了预测,通过对比属性约简前后和参数优化前后的回归效果,证明了本文的模型相比单一支持向量机回归模型的有效性和可行性,为区域物流需求预测提供了新的思路和方法。
【关键词】：区域物流 需求预测 属性约简 支持向量机 遗传算法
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F259.27
【目录】：

• 摘要4-5
• Abstract5-7
• 目录7-10
• Contents10-13
• 第一章 绪论13-27
• 1.1 研究背景及意义13-15
• 1.1.1 研究背景13-14
• 1.1.2 研究意义14-15
• 1.2 国内外研究现状15-23
• 1.2.1 国内外区域物流研究现状15-16
• 1.2.2 国内外区域物流需求预测研究现状16-21
• 1.2.3 目前研究中存在的问题21-23
• 1.3 研究内容及方法23-27
• 1.3.1 研究目标23
• 1.3.2 研究内容23-24
• 1.3.3 拟解决的关键问题24-25
• 1.3.4 研究方法25-26
• 1.3.5 主要创新点26
• 1.3.6 技术路线26-27
• 第二章 区域物流需求预测分析27-35
• 2.1 区域物流27-29
• 2.1.1 物流的起源及概念27-28
• 2.1.2 区域物流的概念28-29
• 2.1.3 区域物流主要特征29
• 2.2 需求和预测29-31
• 2.2.1 需求的定义和特点29-30
• 2.2.2 预测的原理30-31
• 2.2.3 预测分类31
• 2.3 物流供给与需求31-33
• 2.3.1 物流供需的定义31-32
• 2.3.2 物流需求的特点32
• 2.3.3 物流供需的影响因素32-33
• 2.4 区域物流需求33-34
• 2.4.1 区域物流需求概念33
• 2.4.2 区域物流需求预测的概念33-34
• 2.4.3 区域物流需求预测步骤34
• 2.5 小结34-35
• 第三章 预测指标体系的建立35-39
• 3.1 预测指标的选择原则35-36
• 3.1.1 相关性原则35
• 3.1.2 衡量的统一性原则35
• 3.1.3 可获得性35
• 3.1.4 非自相关性35-36
• 3.2 区域物流的影响因素36-37
• 3.3 预测指标的建立37-38
• 3.4 小结38-39
• 第四章 决策粗糙集理论及属性约简39-47
• 4.1 决策粗糙集理论的发展综述39-40
• 4.2 决策粗糙集的理论基础40-43
• 4.2.1 知识及其表达方式40-41
• 4.2.2 决策粗糙集的概念和运算41-43
• 4.3 属性约简理论43-44
• 4.4 基于差别矩阵属性约简算法44-45
• 4.5 本章小结45-47
• 第五章 支持向量机理论与模型的研究47-58
• 5.1 支持向量机的研究现状47-48
• 5.2 支持向量机理论48-52
• 5.2.1 经验风险最小化理论48-49
• 5.2.2 结构风险最小化理论49-50
• 5.2.3 支持向量机理论50-52
• 5.3 支持向量机的回归理论与算法52-54
• 5.3.1 回归问题的表述52
• 5.3.2 回归问题的算法52-54
• 5.4 支持向量机的核函数54
• 5.5 支持向量机的参数寻优54-55
• 5.6 支持向量机回归与遗传算法寻优的算法实现55-56
• 5.7 本章小结56-58
• 第六章 基于DTRS-SVM模型的广东省物流需求的预测58-80
• 6.1 广东省经济与物流发展概述58-59
• 6.2 DTRS-SVM模型实现的步骤59-60
• 6.3 样本数据获取及与预处理60-63
• 6.4 属性约简与数据标准化63-70
• 6.5 支持向量机预测模型的实现70-79
• 6.5.1 选择核函数70-72
• 6.5.2 检验属性约简的有效性72-73
• 6.5.3 遗传算法参数寻优73-79
• 6.6 本章小结79-80
• 结论80-82
• 参考文献82-87
• 攻读硕士学位期间发表的论文87-89
• 致谢8

【相似文献】

中国期刊全文数据库 前10条

1 耿波;赵爱文;;灰色预测在物流需求预测中的应用分析——以徐州地区为例[J];科技风;2012年21期

2 高洪波;杨建强;;基于多变量灰色模型算法的物流需求预测研究[J];物流技术;2013年13期

3 施先亮,张可明;2008年北京奥运赛事物流需求预测[J];数量经济技术经济研究;2003年10期

4 向军,杨伟,管卫华,王书翰,谭金会;物流需求预测中周期因素和季节因素的探讨[J];四川工业学院学报;2004年S1期

5 唐振龙;张学引;;河北现代物流需求预测分析[J];中国市场;2007年Z2期

6 冯怡;张志勇;徐广姝;文培娜;;基于粗糙集理论的我国物流需求预测[J];物流技术;2010年01期

7 李琦;;物流需求预测中移动平均法应用分析[J];中国商贸;2011年02期

8 万励;李余琪;吴洁明;;区域物流需求预测的应用研究[J];微电子学与计算机;2011年09期

9 吴洁明;李余琪;万励;;物流需求预测算法的仿真研究[J];计算机仿真;2011年09期

10 耿立艳;赵鹏;张占福;;基于二阶振荡微粒群最小二乘支持向量机的物流需求预测[J];计算机应用研究;2012年07期

中国重要会议论文全文数据库 前5条

1 胡常伟;陈新;陈新度;;多品种小批量产品分销中的物流需求预测方法[A];全国生产工程第九届年会暨第四届青年科技工作者学术会议论文集（二）[C];2004年

2 史磊;李江宏;李智鹏;;乌鲁木齐市物流需求预测研究[A];地理学核心问题与主线——中国地理学会2011年学术年会暨中国科学院新疆生态与地理研究所建所五十年庆典论文摘要集[C];2011年

3 袁丽娜;周建勤;;基于滑动平均-灰色模型的物流需求预测研究[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年

4 陈德良;王文科;;湖南省物流需求预测[A];《两型社会建设与湖南管理创新》论坛论文集[C];2008年

5 刘洪霞;鹿应荣;;非线性预测模型在粮食物流需求预测中的应用[A];农业系统工程理论与实践研究——全国农业系统工程学术研讨会论文集[C];2006年

中国硕士学位论文全文数据库 前10条

1 陈云飞;物流需求预测在M公司的应用研究[D];苏州大学;2014年

2 黄丽;随机时间序列模型在物流需求预测中的应用[D];武汉大学;2004年

3 李自立;基于支持向量机的区域物流需求预测研究[D];武汉科技大学;2009年

4 黄永福;重庆市物流需求预测方法及应用研究[D];重庆交通大学;2009年

5 李娟;区域经济关联视角下河北省物流需求预测研究[D];燕山大学;2014年

6 何霞;基于灰色系统和神经网络的省级区域物流需求预测[D];长沙理工大学;2009年

7 文培娜;基于人工神经网络的区域物流需求预测及实证研究[D];北京物资学院;2010年

8 刘海波;赤峰市物流需求预测研究[D];吉林大学;2012年

9 万福来;天津港物流需求预测和物流发展策略研究[D];天津大学;2012年

10 余牛;基于组合预测法的城市物流需求预测研究[D];武汉科技大学;2011年

  本文关键词：基于DTRS-SVM模型的广东省物流需求预测研究，由笔耕文化传播整理发布。

，

本文编号：391223