山东省物流需求组合预测方法及其应用研究

发布时间：2017-06-13 12:10

  本文关键词：山东省物流需求组合预测方法及其应用研究，由笔耕文化传播整理发布。

【摘要】：物流产业是支撑国民经济社会发展的基础性、战略性产业,尤其“一带一路”国家战略的实施以及“互联网+”的崛起,极大地推动了物流业的发展,同时,物流业的健康发展也为国家战略以及“互联网+”的实施提供有利支持。经济的发展促进物流的发展,但物流健康有效的运行还需要政府给予相应的政策支持以及企业制定合理的物流规划。国家政策的制定以及物流合理规划等一系列促进物流发展的措施都离不开定性和定量分析。定量分析需要找出衡量物流需求被解释指标和解释指标,从而建立起物流需求预测指标体系。本文首先利用灰色关联分析得出了各个解释指标与被解释指标的关系,根据关联度大小对各指标进行排序,选取了6个影响物流需求指标,建立了物流需求指标体系。物流需求预测方法较多,每种预测方法都有各自的假设前提和适用条件,因此,物流需求预测方法的选取也是至关重要的。本文利用Shapley值组合预测的方法,根据单一预测误差的大小给予一个合理的权重,综合了单一预测方法的优势,弥补了各自的不足,结合山东省物流需求指标数据进行了验证。论文第一章首先介绍了研究背景和意义,然后从单一预测和组合预测两个方面介绍了国内外研究现状,总结了本文的创新点;第二章介绍了区域物流需求及其预测方法理论、影响因素分析以及指标体系的建立;第三章在介绍了常用定性定量方法的基础上,选取了主成分回归预测、多变量灰色预测以及主成分RBF神经网络预测三种定量分析模型,对其理论进行介绍,并对三种模型进行了横向比较。在此基础上又提出了Shapley组合预测法,根据其原理可知,利用该组合预测能综合三种单一预测的优势,达到更好的预测效果;第四章以山东省为例进行实证分析,首先对目前山东省物流现状、特点进行了简要介绍,然后利用山东省2005年到2014年指标数据验证了三种单一预测模型和组合预测模型的有效性,并进行了山东省物流需求预测,达到了相对误差为0.01的精度要求。最后,总述了主要研究结论及展望。
【关键词】：区域物流需求预测 主成分回归模型 主成分RBF神经网络模型 多变量灰色预测模型 Shapley值组合预测
【学位授予单位】：首都经济贸易大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F259.27
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-16
• 1.1 论文的研究背景和意义9-10
• 1.2 国内外研究现状10-12
• 1.3 论文的主要内容12-14
• 1.4 技术路线14-15
• 1.5 论文的创新点15
• 1.6 本章小结15-16
• 2 区域物流需求预测相关理论分析及其影响因素分析16-23
• 2.1 区域物流需求概述16-20
• 2.1.1 区域物流需求概念16
• 2.1.2 区域物流需求的特点16-17
• 2.1.3 区域物流需求预测的特点17
• 2.1.4 区域物流需求预测的步骤17-18
• 2.1.5 常用的区域物流需求预测方法18-20
• 2.2 区域物流需求影响因素分析20-22
• 2.3 本章小结22-23
• 3 区域物流需求模型的建立23-42
• 3.1 区域物流需求预测指标体系建立23-24
• 3.1.1 区域物流需求预测指标的选取原则23
• 3.1.2 物流需求指标体系建立23-24
• 3.2 预测方法的选择24-25
• 3.3 主成分回归预测模型25-28
• 3.3.1 主成分分析原理25
• 3.3.2 多元回归模型的定义25
• 3.3.3 多元回归模型的建立25-28
• 3.3.4 主成分回归分析模型的建立28
• 3.4 多变量灰色预测模型28-34
• 3.4.1 灰色系统理论介绍28-29
• 3.4.2 灰色系统理论的作用29
• 3.4.3 灰色生成的分类29-30
• 3.4.4 对变量灰色预测模型建模原理30-34
• 3.5 主成分分析RBF神经网络模型34-37
• 3.5.1 RBF神经网络理论34-36
• 3.5.1.1 RBF神经网络概念34-35
• 3.5.1.2 RBF神经网络的结构35
• 3.5.1.3 RBF神经网络的映射关系35-36
• 3.5.2 基于主成分分析的RBF神经网络预测模型的建立36-37
• 3.6 三种单一预测模型的比较37-38
• 3.6.1 三种单一预测模型优缺点比较37
• 3.6.2 三种单一预测模型的适用条件37-38
• 3.7 基于Shapley组合预测模型的建立38-41
• 3.7.1 组合预测方法概念38
• 3.7.2 组合预测方法分类38-39
• 3.7.3 组合预测方法的原理39
• 3.7.4 Shapley值法的基本原理39-40
• 3.7.5 基于Shapley值法的组合预测模型的构建40-41
• 3.8 本章小结41-42
• 4 山东省区域物流需求预测实例研究42-56
• 4.1 山东省物流需求预测的必要性分析42
• 4.2 数据来源及整理42-44
• 4.2.1 数据来源42-43
• 4.2.2 数据处理43-44
• 4.3 主成分回归模型的建立44-47
• 4.4 山东省物流需求多变量灰色模型的建立47-50
• 4.5 PCA-RBF神经网络预测模型的建立50-51
• 4.6 基于Shapley值法的组合模型预测51-54
• 4.7 预测结果分析54-55
• 4.8 本章小结55-56
• 5 结论与展望56-58
• 5.1 主要研究结论56
• 5.2 不足与展望56-58
• 参考文献58-61
• 致谢61-62

【相似文献】

中国期刊全文数据库 前10条

1 蒋辉;论组合预测方法的实现条件[J];财经科学;1990年04期

2 戚佩珊;组合预测方法探讨[J];安徽农师院学报;1991年02期

3 唐小我;曹长修;;组合预测方法研究的若干新结果[J];预测;1992年05期

4 方向华;王文杰;汤兵勇;;基于模糊补偿的组合预测方法研究[J];中国储运;2006年01期

5 李美娟;陈国宏;林志炳;;基于漂移度的组合预测方法研究[J];中国管理科学;2011年03期

6 孙林岩;;组合预测方法及应用[J];预测;1990年04期

7 孙凤;组合预测方法及其应用[J];山西财经学院学报;1991年06期

8 李华;;组合预测方法在文献工作中的应用研究[J];情报学刊;1993年01期

9 文新辉，陈开周;一种新的最优组合预测方法及其应用[J];西安电子科技大学学报;1994年03期

10 唐小我，，傅庚，曾勇;递归方差倒数组合预测方法及其应用研究[J];预测;1994年05期

中国重要会议论文全文数据库 前7条

1 孔繁亮;张国志;;鞅差序列的一种组合预测方法及其应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年

2 陈志航;程乾生;;基于隐马尔科夫模型的组合预测方法[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

3 李世平;孙浚清;;仪器精度组合预测方法研究[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅲ）[C];2008年

4 唐小我;;最优组合预测方法及其应用[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

5 李秀兰;;组合预测方法的研究和应用——邮发期刊价格预测[A];中国现场统计研究会第九届学术年会论文集[C];1999年

6 王周敬;李武;贺建勋;;变权重组合预测方法在货运量预测中的应用[A];1997中国控制与决策学术年会论文集[C];1997年

7 李秀兰;王宏鑫;;均匀设计——灰色联合预测及其应用——邮发期刊价格预测[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第3卷）[C];1995年

中国博士学位论文全文数据库 前2条

1 李彩虹;两类组合预测方法的研究及应用[D];兰州大学;2012年

2 于振明;一类耐用消费品的需求预测方法及应用[D];东北大学;2012年

中国硕士学位论文全文数据库 前10条

1 林思铭;组合预测方法在建筑能耗预测中的应用[D];福州大学;2014年

2 刘婷;山东省物流需求组合预测方法及其应用研究[D];首都经济贸易大学;2016年

3 张景广;基于基因表达式编程的组合预测方法研究[D];华中师范大学;2011年

4 朱报春;基于模糊逻辑系统的组合预测方法及应用[D];河海大学;2001年

5 王凤飞;组合预测方法简介及其实证分析[D];山西大学;2011年

6 闫海霞;灰色组合预测方法在粮食产量中的应用[D];西安理工大学;2009年

7 段妮妮;基于组合预测方法的趋势预测研究与应用[D];西华大学;2009年

8 张进;不同精度准则下的区间型组合预测方法研究[D];安徽大学;2010年

9 李春生;模糊变权重组合预测方法的研究[D];中南大学;2002年

10 赵凯;基于库恩塔克条件的最优组合预测方法及其在R&D投入中的应用研究[D];重庆师范大学;2010年

  本文关键词：山东省物流需求组合预测方法及其应用研究，由笔耕文化传播整理发布。

本文编号：446473