供應(yīng)鏈管理環(huán)境下物流園區(qū)貨流預(yù)測研究.pdf

1、物流園區(qū)(Logistics Park or Freight Village)是具有一定規(guī)模和綜合服務(wù)功能的物流集結(jié)點(diǎn)，在供應(yīng)鏈管理環(huán)境的影響下，對未來的經(jīng)濟(jì)發(fā)展將起到舉足輕重的作用。隨著對土地的嚴(yán)格管控，城市可用于建設(shè)物流園區(qū)的土地日益緊缺，必須對貨流進(jìn)行精確預(yù)測和評估，才能增強(qiáng)物流園區(qū)規(guī)劃合理性，使之成為發(fā)展現(xiàn)代物流、促進(jìn)經(jīng)濟(jì)增長的物流樞紐。因此預(yù)測方法的選用研究以及提高貨流預(yù)測準(zhǔn)確度成為貨流預(yù)測的熱點(diǎn)。本文重點(diǎn)研究了供應(yīng)鏈管理環(huán)境

2、下物流園區(qū)貨流預(yù)測問題。 詳細(xì)論述了物流園區(qū)貨流分析的內(nèi)容及特征，深入討論了影響物流園區(qū)貨流量變動的主要因素，對蓋家溝物流園區(qū)貨流進(jìn)行了細(xì)致的調(diào)查和分析。通過對回歸分析(Regression Analysis，RA)、時間序列(Time Series,TS)、灰色理論(Grey Model,GM)、神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)等傳統(tǒng)和現(xiàn)代預(yù)測方法的比較分析，分別從物流園區(qū)層面和區(qū)域經(jīng)濟(jì)層面，建立了基于季節(jié)影響因

3、素的混合灰色BP算法神經(jīng)網(wǎng)絡(luò)(Grey-Back Propagation Neural Network，GBPNN)預(yù)測模型和基于RBF的廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)預(yù)測模型。 GBPNN中，對梯度下降BP算法函數(shù)traingd、梯度下降動量BP算法函數(shù)trainlm和動量及自適應(yīng)梯度遞減訓(xùn)練函數(shù)traingdx進(jìn)行比較分析，確定選用trainlm作為訓(xùn)練函數(shù)。通過建立專家評估系統(tǒng)，對物流園區(qū)貨流季節(jié)影響因子進(jìn)行評估，然后將季節(jié)

4、影響因子作為GBPNN的輸入層，采用試算法確定網(wǎng)絡(luò)輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)個數(shù)，最大限度地避免了產(chǎn)生局部極值，提高了預(yù)測精度；GRNN模型中，采用關(guān)聯(lián)分析方法確定影響因素關(guān)聯(lián)程度大小，設(shè)置不同的光滑因子比較和檢驗(yàn)，得到比較理想的預(yù)測效果。 通過采用蓋家溝物流園區(qū)TCL配送貨流數(shù)據(jù)，用Matlab編程對GBPNN和GRNN兩預(yù)測模型進(jìn)行了驗(yàn)證，得出所設(shè)計的GBPNN和GRNN預(yù)測模型在物流園區(qū)貨流預(yù)測應(yīng)用中預(yù)測逼近效果良好、預(yù)測精度高的