基于灰色神经网络的区域物流需求预测

区域物流与区域经济存在密切关系。从决定区域物流需求的经济因素出发,利用BP神经网络的非线性强拟合能力,建立两者的非线性映射关系;针对模型外推预测的能力不足提出改进的方案,采用灰色模型与神经网络相结合进行预测研究,并用广东省物流需求预测做实证,验证了模型的有效性。     

海运物流中集装箱滞留成本估计

针对海运物流运营过程中运输路线不合理以及海运进口报关报检失误等原因造成海运物流集装箱滞留成本增加的问题,参照灰色系统成本预测理论,构建海运物流中集装箱滞留成本估计模型,通过对辽宁大连海运物流中集装箱滞留成本问题的实例研究发现,构建的海运物流集装箱滞留成本灰色估计模型具有较高的精准度,可以准确的估计出海运进口集装箱的滞留费用,有效地降低集装箱滞留成本,为海运物流企业提高集装箱使用效率提供了科学指导。     

基于非线性主成分分析的信用评估模型研究

传统的主成分分析（PCA）本质上是一种线性映射算法,无法有效处理非线性关系的数据。本文在分析自联想神经网络（AANN）的基础上,借鉴传统PCA方法中的序数主成分概念,提出了基于顺序自联想神经网络（SAANN）的非线性主成分分析法（NLPCA）。进一步,结合神经网络（NN）和Logisitic模型,以我国上市公司为研究对象,分别构建了基于NLPCA-NN和NLPCA-Logisitic的信用评估模型。实证结果及ROC曲线分析表明,本文构建的NLPCA相比传统的线性PCA方法能有效地实现数据的非线性特征提取与降维,提高模型预测性能。此外,实证结果还表明,在相同PCA方法处理数据的条件下,神经网络模型的信用评估效果要好于Logisitic模型。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

灰色关联理论在物流成本预测中的应用

为了对物流成本进行有效预测,以2000-2010年的物流成本数据为基础,分别采用灰色关联模型、基于最小二乘法的线性回归模型和时间序列模型对物流成本进行预测,并对预测结果进行了对比分析.结果表明,灰色关联预测模型的误差明显小于其他两种预测方法,预测精度最高,对物流成本的预测具有一定的理论价值和参考价值,在一定时期内可以为我国的宏观物流成本决策提供依据.     

基于BP神经网络的武汉市物流需求模型预测及发展战略研究

从社会经济发展的层面提出了物流需求的界定和衡量方法,并利用BP神经网络对武汉市2010年物流需求量进行了预测;该模型不仅揭示了外部经济系统和内部运输系统与物流需求之间的非线性映射关系,同时有助于对武汉市现代物流业发展战略进行具体分析和规划。     

物流系统SL-C优化模型的构建与实现

物流服务水平和物流成本之间是“二律背反”的，在物流运作中较难进行量化分析。为此，提出了基于一定服务水平和一定物流要素价格的成本最小化的数学模型。并对其一阶、二阶条件做了相应的分析，得出了最优化资源配置时的要素投入比例关多。最后给出了物流成本优化的决策过程模型。     

基于BP神经网络的武汉市物流需求模型预测及发展战略研究

从社会经济发展的层面提出了物流需求的界定和衡量方法,并利用BP神经网络对武汉市2010年物流需求量进行了预测;该模型不仅揭示了外部经济系统和内部运输系统与物流需求之间的非线性映射关系,同时有助于对武汉市现代物流业发展战略进行具体分析和规划.     

基于BP神经网络的安徽省物流需求预测研究

利用BP神经网络构建安徽省物流需求预测模型,在初步确定了预测模型的输入指标和输出指标后,通过灰关联分析,验证了两者之间的强关联性。借助MATLAB7.0软件实现了神经网络预测模型的建立,该模型揭示了输入指标与物流需求量指标之间的非线性映射关系。对训练好的网络进行仿真预测,预测精度较高,说明基于BP神经网络的物流需求预测模型是有效的。     

基于BP神经网络的安徽省物流需求预测研究

利用BP神经网络构建安徽省物流需求预测模型,在初步确定了预测模型的输入指标和输出指标后,通过灰关联分析,验证了两者之间的强关联性.借助MATLAB7.0软件实现了神经网络预测模型的建立,该模型揭示了输入指标与物流需求量指标之间的非线性映射关系.对训练好的网络进行仿真预测,预测精度较高,说明基于BP神经网络的物流需求预测模型是有效的.     

基于非线性支持向量机区域物流量预测

针对现阶段物流系统样本量少的具体状况，从神经网络的非线性预测分析入手，建立物流量预测非线性支持向量机模型并在廊坊市应用，与其它预测方法进行比较，证明采用支持向量机用于区域物流量预测的正确性、可行性并具有较高精度。     

基于RBF神经网络的中国黄金市场价格预测

本文以上海黄金市场的现货交易为研究对象,鉴于传统的线性分析方法的局限性,构建了RBF神经网络非线性模型,对上海黄金市场的Au99.99开盘价进行了预测。结果证明,RBF神经网络模型为黄金价格预测提供了一种有效的高精度的预测工具。     

基于遗传算法的分式线性神经网络预测原油气油比

提出了基于遗传算法的分式线性神经网络优化方法。该方法首先用遗传算法优化分式线性网络的权值,然后在遗传进化结果的基础上,利用分式线性网络反向传播(BP)算法训练分式线性网络,获得网络的最优权值。作为应用,预测原油溶解气油比的基于遗传算法的分式线性神经网络模型被给出。对比实验表明,基于遗传算法的分式线性神经网络优化方法是一种新的建模方法。     

物流企业运营成本的小波神经网络预测方法

随着我国社会主义市场经济的逐步深入,物流企业对成本控制的要求越来越迫切,为有效进行物流运营的成本控制,文章引入小波神经网络方法探索对运营成本的精确预测,根据物流运营成本的变化规律,建立了物流企业运营成本的小波神经网络预测模型,选用Morlet小波进行成本模拟,采用共轭梯度法进行迭代求解,并应用某物流企业的运营成本进行了实例分析,为物流企业进行运营成本控制提供了一种行之有效的高精度预测方法.     

信用评估中的特征选择方法研究

特征（变量）选择是信用评估中常用的一种数据降维技术,然而传统的基于相关性的特征选择方法（CFS）在计算变量间相关系数时,本质上是一种线性分析方法,无法有效处理非线性关系的数据,导致不能准确估计变量间相关性的大小。本文在分析CFS方法的基础上,引入Gebelein最大相关系数（GMC）,提出了一种非线性相关性特征选择方法——基于Gebelein最大相关性特征选择方法（GCFS）。在此基础上,结合支持向量机（SVM）技术,构建了GCFS SVM评估模型。该模型能有效地识别变量间的非线性相关关系,更真实估计变量间相关系数大小,从而筛选出最优变量子集,最终提高模型评估预测能力。为验证本文所提方法的效果,通过对两个公开的信用数据集的实证研究,结果表明：与其他方法相比,本文提出的GCFS方法能显著改善信用评估模型预测性能,提高模型判别能力,本研究成果也为信用评估模型的构建提供了一种新的思路和有益的参考。     

基于作业成本法的物流中心成本核算模型研究

随着物流行业竞争压力急剧增大及企业业务规模扩大,物流中心内部潜藏的"细节"成本对企业的流程优化及服务定价策略产生较大的影响。借助作业成本法的分析思想与计算方法,对物流中心的作业环节及资源消耗进行深入分析,提出基于作业成本法的物流中心成本估算与预测的思路及方法,建立典型物流中心作业成本估算与预测数学模型,使得物流中心可以高效估算物流作业成本及各类商品服务成本,为作业成本法在物流中心成本管理中的实际应用奠定基础。     

基于自适应Memetic算法的多级多商品物流网络优化设计

提出了基于自适应Memetic算法的多级多商品配送优化网络模型。首先建立与实际情况更符合的物流网络模型,其次采用群集智能的方法解决该模型的优化问题。实证分析表明:所提出的方法有效地解决了多商品物流网络优化问题。     

基于微粒群优化算法的物流配送中心选址问题研究

结合物流配送中心选址的特点，建立数学模型．在此基础上研究了基于微粒群算法的物流多配送中心选址问题，得到一种新的多配送中心选址方法。仿真结果证明此方法比传统选址方法更适合多配送中心选址和非线性问题的优化，并且具有传统算法所不具备的灵活性，适用多样的物流配送模型。     

BP神经网络在中小企业绩效评价的应用分析

中小企业在资源有限、环境复杂的条件下运营。传统的线性绩效评价方法常常无法捕捉到非线性关系和多元影响因素。BP神经网络通过学习和调整权重参数,能够对复杂的非线性关系进行建模和预测。本文旨在探索和分析BP神经网络在中小企业绩效评价中的应用,为中小企业绩效评价方法优化提供新的思路,从而推动信息技术与企业管理的深度融合。     

组合灰色预测模型对物流需求预测效果的分析

在线性回归与GM(1,1)组合模型对物流需求量预测,可取得优于单方法预测效果的前提下,将线性回归法运用到与DGM(1,1)模型进行组合,检测该组合灰色预测模型对物流需求量预测效果。通过对国内2001-2012年物流需求量历史数据的分析,发现组合灰色预测模型的预测效果优于线性回归模型,但低于DGM(1,1)模型,最后利用线性回归模型、DGM(1,1)模型、简单平均组合模型和组合灰色预测模型对国内2013-2017的物流需求量进行了有效预测。