1. 研究目的与意义（文献综述）
| 1. 目的及意义（含国内外的研究现状分析） 1.1 研究背景 改革开放以来，随着中国市场竞争的不断加剧以及信息时代的到来，现代物流业得到了迅猛的发展，同时也逐渐成为我国国民经济发展的重要组成部分。政府和企业也越来越清楚地认识到物流产业在经济发展过程中发挥的重要作用。2015年第十二届全国人民代表大会上，现代物流业作为纳入我国十大振兴行业，其相关内容在此次《政府工作报告》中被多次提及、强调，具体表现在：《物流业发展中长期规划（2014—2020）》发布、区域物流一体化协同发展加速等，充分体现出党和国家对物流行业的重视。 区域物流业作为组成物流业的重要一部分，对区域经济的发展起到了很大的带动作用，其发展水平也成为评价一个区域经济实力和现代化进程的重要指标。《中国现代物流发展报告》调查结果显示[1]，已有61.8%的地方政府根据各自物流规模大小、增长速度快慢制定了相关措施，完善了相关物流标准化体系，52.7%的地区已开始执行。区域物流的快速发展有利于新产业形态的形成，促进经济增长方式的不断变化，使得区域经济不断向着健康、持续、快速发展。 近年来有很多专家学者对区域物流进行了研究，但总体上说研究得还不够深入，理论仍滞后于实践的发展。因此，为了给政府制定相关物流政策提供必要的决策依据，区域物流需求预测是必不可少的。它是区域物流物资变动、系统规划的重要环节。 1.2 目的与意义 本文从区域物流需求的角度入手，结合当地经济发展状况、宏观政策实施状况等方面对区域物流需求往年历史数据进行建模预测分析，找出各个因素对区域物流需求的影响相关程度，建立区域物流需求预测指标体系，从而建立起基于多因素区域物流需求的人工神经网络预测模型，为区域物流需求预测的发展提供理论依据和实践应用。 建立一种有效实际的区域物流预测模型，不仅可为政府制定相关经济政策、进行宏观调控提供一些具有参考价值的依据，同时有利于物流行业物资的合理分配以及基础设施的建设预估，从而提高行业的整体效益；物流企业也可以据此调整本公司的相关规划，把握公司物流调度和日常管理，进而以最小的风险获得最大的效益。 1.3 国内外研究现状 （1）物流需求预测研究现状 西方发达国家对物流的研究起步较早，在各个方面都已取得了很多有意义的研究成果。国外关于区域物流需求预测的研究主要集中在三个方面：物流需求与区域经济关系、物流需求预测指标、物流需求预测方法[2]。 2003年，Kevin Gaudette等人指出补偿模型的预测方法可用于现在及未来的评价及订购系统[3]；2007年，Luis Aburto等人运用了神经网络MLP算法和移动平均线法的混合预测方法，对智利超市的销售网络进行预测，实验结果表明预测精度得到较大提高[4]。2010年，Qi Fangzhong等人通过对七个区域经济影响因素的分析，建立了灰色人工神经网络模型GNNM(1，8)来预测浙江公路物流需求，结果证明，与单一模型相比，这种方法对于短期物流需求预测有更好地效果[5]；2014年，Hu Z等人通过研究区域经济的经济指标，建立了径向基函数神经网络与粒子群优化算法相结合的模型，并且验证了此模型对于预测区域物流的可应用性[6]。 由于我国对区域物流需求预测的研究时间较短，目前我国学者的研究重点主要集中于如何定量分析、预测区域物流需求，如何建立区域物流需求预测指标体系、如何分析物流需求的影响因素等方面。2008年吴永强将物流量分解为总体物流量和结构物流量，分别指导系统的总体规划和详细规划[7]。2010年，杨树果、王新利采用了偏最小二乘回归来克服变量间多重相关性的影响，同时采用灰色模型对各影响因素进行预测，进一步提高预测精度[8]；2011年，李隽波、孙丽娜采用了多元线性回归分析法对影响冷链物流需求的7个因素进行建模，并以我国水产品冷链物流的需求为例得出精确的预测体系[9]；2012年，曹萍、陈福集采用基于遗传算法的灰色神经网络模型对福建省进行区域物流预测，且实证结果证明网上购物水平是影响区域物流需求量的一个重要因素[10]；同年，耿立艳、赵鹏、张占福为了提高预测精度，在分析物流需求影响因素基础上建立了物流需求的二阶振荡微粒群最小二乘支持向量机预测模型 [11]。 （2）预测方法研究现状 国外对于预测方法的研究上开展时间较早，相关研究也很多。在预测模型中引入神经网络后，很多学者将神经网络预测方法同传统的回归模型所得到的精度进行比较。如，2007年Real Carbonneaut等人在预测末端供应链的牛鞭效应时，发现将支持向量机方法与反馈神经网络为最优性能时，其预测的精度比传统模型效果显著[12]；同年，Faofei Zou等人建立了基于BP神经网络算法的多级最优逼近神经网络模型，通过比较发现，该算法由于传统BP算法[13]。2015年，Wenfeng Y通过对农产品物流需求建立指标体系，建立了农产品物流主成分归回模型、灰色预测模型以及BP神经网络预测模型，同时又结合了二次线性规划模型来弥补单一模型的局限性[14]。 经过不断的发展，我国的物流预测方法研究也取得了很大的发展。为了解决非线性关系数据所带来的误差、提高学习和泛化能力，人们在物流需求预测中引入了人工智能，目前主要就是人工神经网络及其改进形式。如2009年，俞达、綦方中通过建立灰色神经网络模型GNNM(1,N)对公路物流需求量进行预测，并证明了该方法的有效性[15]；2012年，刘智琦、李春贵、陈波，采用了因子分析和BP神经网络结合的区域物流需求预测方法，结果证明该模型提高了物流需求预测精度[16]；同年，田丽等人建立了基于支持向量机和神经网络的组合模型，并通过仿真分析证明了这是一种有效的预测方法[17]；2014年，张诚、冯亚萍运用了灰色关联对相关影响因素进行分析，并建立了神经网络区域物流需求预测模型[18]。 |
2. 研究的基本内容与方案
| 2. 研究目标、基本内容、拟采用的技术方案及研究的重点难点 2.1 研究目标 本文旨在建立一个基于人工神经网络的预测模型，从多角度、多因素对上海区域港口物流的需求尽可能准确地做出预测。 2.2 研究内容 （1）综述区域物流需求预测的相关理论 主要包括：区域物流需求分析的目的及意义、区域物流需求分析原则及方法、区域物流需求分析可预测性研究等。 （2）建立区域物流需求预测指标体系 区域物流需求受到区域经济、政策法规等多因素影响。本文拟从多个角度系统地分析各相关因素对物流需求的影响程度，并且对各个预测指标、衡量指标进行分析，系统综合地建立区域物流需求预测指标体系。 （3）阐述人工神经网络的基本理论及构建预测模型的方法与步骤 该部分是区域物流需求预测的核心部分。由于我国物流起步较晚，缺乏系统完整的统计数据，为了解决这种信息不全、非线性等因素所带来的影响，本文采取的是基于神经网络的相关方法来建模预测。通过对人工神经网络基本理论及其相关方面的研究，建立起区域物流需求模型。包括基本算法的选取，神经网络输入层、隐含层、输出层的设计，相应的样本数据和训练方法等。 （4）选取实例建立神经网络模型进行物流需求预测 以我国上海的港口物流和经济发展水平为背景进行实例研究。主要包括对该区域的经济、物流发展现状分析，物流需求结构及影响因素等，并对其进行多因素区域物流需求预测，给出相应数据评价，为其未来物流规划提出相应的意见和建议。 2.3 拟采用的技术方案 （1）通过文献阅读法了解区域物流需求的基本理论和主要内容，研究区域物流与区域经济的关系，分析区域物流需求预测的特点； （2）分析区域物流需求影响因素，并使用SPSS软件做相关性分析，建立区域物流需求预测指标体系，选取关键指标； （3）设计基于神经网络的预测模型，确定输入层、输出层相关指标，并对样本数据进行处理，选取合适的传递函数和训练方法，用Matlab等工具进行求解。 （4）进行实例研究。运用建立的模型，选取某区域相关历史数据进行训练测试，当误差收敛到特定值时进行预测，得出预测结果及评价。 2.4 研究的重点和难点 （1）如何选取适当的预测指标与衡量指标 影响区域物流需求的因素有很多，如何选择对需求预测具有强相关性的各项因素和预测指标、如何选择具有评价作用的衡量指标，是本文的重点之一。 （2）人工神经网络建模 人工神经网络的建模需要合适地确定输入层、输出层的大小，如何通过实验确定出隐含层个数、如何选取传递函数和训练方法都是本文的重点和难点；另外，基于神经网络的改进算法是否可以应用到区域物流需求预测中，也是本文将要应对的问题。 （3）软件学习
|
3. 研究计划与安排
| 周次 | 目标任务 |
| 1-4 | 接收任务书，查阅文献与资料，提交开题报告，完成开题工作； |
| 5-9 | 论文核心内容研究，外文翻译； |
| 10-12 | 系统撰写、完成毕业设计论文初稿； |
| 13-14 | 对初稿进行修改和完善，终稿完成、打印、装订；整理各项毕业设计材料并提交毕业论文，准备答辩用的PPT演讲材料； |
| 15 | 论文提交评阅，完成毕业论文答辩。 |
4. 参考文献（12篇以上）
| 4. 参考文献： [1] 国家发展和改革委员会经济运行调节局, 南开大学现代物流研究中心. 中国现代物流发展报告[M]. 中国物资出版社, 2010, 384-385. [2] 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. [3] Kevin Gaudette, H.Kenneth Alcorn, Matthew Mangan. Reparability Forecast Model[J]. Air Force of Logistics, 2003. [4] Luis Aburto, Richard Weber. Improved supply chain management based on hybrid demand forecasts[J]. Applied Soft Computing, 2007, 7: 136-144. [5] Qi Fangzhong, Yu Da, Holtkamp Bernhard. A Logistics Demand Forecasting Model Based on Grey Neural Network[C]. 2010 Sixth International Conference on Natural Computation, 2010: 1488-1492. [6] Hu Z, Zhang Y, Yao L. Radial basis function neural network with particle swarm optimization algorithms for regional logistics demand prediction[J]. Discrete Dynamics in Nature and Society, 2014. [7] 吴永强. 结构性物流需求预测方法研究[J]. 商业经济, 2008. [8] 杨树果, 王新利. 偏最小二乘回归与灰色模型耦合在物流需求预测中的应用[J]. 农业技术经济, 2010. [9] 李隽波, 孙丽娜. 基于多元线性回归分析的冷链物流需求预测[J]. 安徽农业科学, 2011. [10] 曹萍, 陈福集. GA-灰色神经网络的区域物流需求预测[J]. 北京理工大学学报, 2012. [11] 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. [12] Real Carbormeau, Kevin Laframboise, Rustam Vahidov. Application of machine learning techniques for supply chain demand forecasting[J]. European Journal of Operational Research, 2007. [13] Haofei Zou, GuoPing Xia, Fangting Yang, Yang Han. A neural network model based on the multi- stage optimization approach for short-term food Price forecasting in China[J]. Expert Systems with Applications, 33(2007): 347-356. [14] Wenfeng Y. Forecasting and Analysis of Agricultural Product Logistics Demand in Tibet Based on Combination Forecasting Model[J]. Asian Agricultural Research, 2015, 7(9). [15] 俞达, 綦方中. 基于灰色神经网络的公路物流需求量预测模型[J]. 软科学, 2009(23): 132-135. [16] 刘智琦, 李春贵, 陈波. 基于因子分析与神经网络的区域物流需求预测[J]. 计算机仿真, 2012. [17] 田丽, 曹安照, 王蒙, 周明龙, 王 静. 基于SVM和神经网络组合预测模型物流需求预测[J]. 重庆工商大学学报, 2012.
|
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
