基于集对联系度聚类方法的石油需求预测研究

提出基于集对联系度的聚类预测方法并将其应用于石油需求总量的预测,结果表明该方法有着较强的实用性.     

基于集对联系度聚类方法的石油需求预测研究

提出基于集对联系度的聚类预测方法并将其应用于石油需求总量的预测,结果表明该方法有着较强的实用性。     

基于灰色组合模型的区域物流需求预测研究

系统分析区域物流需求与相关影响因素关系,建立GM(1,1)、GM(0,N)单项预测模型,基于方差最小化准则构建组合模型,该组合模型克服了单项预测精度及适用条件等局限,改进了现有区域物流需求预测组合模型单因素多种方法简单组合的不足。最后采用2001-2009年安徽省物流需求数据进行实证分析,验证了组合预测模型的有效性。     

基于灰色组合模型的区域物流需求预测研究

系统分析区域物流需求与相关影响因素关系,建立GM(1,1)、GM(0,N)单项预测模型,基于方差最小化准则构建组合模型,该组合模型克服了单项预测精度及适用条件等局限,改进了现有区域物流需求预测组合模型单因素多种方法简单组合的不足.最后采用2001-2009年安徽省物流需求数据进行实证分析,验证了组合预测模型的有效性.     

基于组合模型的某农场电商生鲜农产品需求预测研究

为实现某农场生鲜农产品需求量的精准预测,文章基于Sharply值权重分配法构建ARIMA-SVM组合预测模型,并采用误差分析等方式证明预测方法的可行性、有效性。结果表明：Sharply值组合预测模型克服了ARIMA模型与SVM模型在局部区间内预测精度欠佳的弊端,能够应用于生鲜农产品需求量完整性、可靠性的需求量预测;组合模型的预测结果可以为农场生鲜农产品产销提供理论指导。     

基于ARIMA模型的P公司产品需求预测研究

电子产品市场需求的动态变化给制造企业的生产计划带来了很大的不确定性。以P公司的历史销售订单数据为时间序列,以ARIMA模型为基础,利用EVIEWS分析工具对电子产品的季度需求进行预测。实例结果表明,基于ARIMA建立的需求预测模型具有预测精度高,操作简便等优点。     

基于ARIMA-GRNN组合模型的汽车零部件需求预测研究

单一的预测方法难以准确预测市场需求趋势,通过构建ARIMA-GRNN组合需求预测模型提高预测精确度:首先利用ARIMA预测出每月需求数并计算出每月实际需求数与每月预测需求数的误差值,再利用GRNN神经网络对误差值进行函数逼近与拟合,将拟合值对ARIMA预测值进行修正后的结果即为最终预测值。性能评估显示组合模型可以较好帮助汽车零部件企业提高市场预测精度。     

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。     

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。     

基于ARIMA-RBF模型的区域物流需求预测

区域物流需求预测是区域物流系统规划和设计研究的基础,其结果为区域物流系统规划和设计提供科学的依据。考虑到影响区域物流需求的因素众多且复杂,且单一的预测模型很难做出准确预测,首先通过对影响物流需求的各生产或经济指标进行相关性分析,并构建基于ARIMA-RBF模型的区域物流需求量预测模型,然后以吉林省为例,对吉林省2014-2020年物流需求发展趋势进行了预测。结果表明,该方法具有较高的预测精确度,适用于不规则变化的区域物流需求预测。     

基于灰色预测模型的物流需求分析

以灰色理论和灰色预测模型中的GM(1,1)模型的原理与方法为基础,运用GM(1,1)模型和MATLAB程序,以河南省为例,对物流需求进行分析预测。     

基于灰色预测模型与季节指数的区域物流需求预测

针对灰色预测模型在区域物流中不能有效解决因季节变动而引起的物流需求变化的问题,引入季节指数的概念,构建基于灰色模型和季节指数的物流需求预测模型,并给出了相应的具体实施方案。最后以哈尔滨市物流需求统计数据为例,对所提方法进行了仿真分析,仿真结果表明了该方法的有效性和可行性。     

基于模糊相似推理的应急物资需求预测模型研究

利用模糊相似优先比的算法,从源案例库中寻找与目标案例最佳相似的样本案例,并通过最佳相似样本案例的数据资料和规律,抽取主要因素,进行目标案例的需求预测。最后,将该方法应用于青海玉树地震的实例中,验证了模型的有效性。     

基于IOWA算子的组合预测模型在物流需求预测中的应用

根据2000~2009年宁波市物流需求的数据,采用灰色GM 1,,1,模型和一元线性回归模型进行组合优化,建立了基于诱导有序加权平均(IOWA)算子的物流需求量组合预测模型。结果表明基于IOWA算子的组合预测模型能有效提高预测精度,说明了该方法用于物流需求预测的可行性和有效性,并在此基础上对2010~2013年宁波市物流需求作出预测。     

基于ARIMA模型的湖南省物流需求预测研究

基于ARIMA模型对湖南省物流需求预测进行了研究,模型的回归和拟合效果良好,预测相对误差较小,最后针对湖南省物流业的发展提出了相关对策和建议。     

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。     

基于线性需求的整合库存模型

在生产商与零售商建立销售协议，假设需求呈线性下降，生产率恒定的情况下，建立了整合生产-库存模型。模型通过对订货批量的优化，从而达到减少双方整合总相关成本的目的，实现对库存的协调管理。通过二维搜索算法进行了算例分析，并将优化总相关成本与各自独立决策时的总相关成本进行了比较。     

基于多元线性回归模型的河北省物流需求预测实证分析

尝试运用多元线性回归模型对河北省物流需求进行预测分析.在借鉴前人研究成果的基础上,选取研究指标,并且根据统计对数据的严格要求,选取了1990-2009年河北省统计年鉴上的相关指标作为数据来源,并对数据进行了逐步回归,以消除多重共线性,最后得出回归模型,并对模型进行了相关检验,验证模型是适合进行预测的.最后提出基于货运量是物流需求预测的关键,从三个方面提出加快河北省物流产业发展的政策建议.     

基于IOWA-FAHP的物流需求组合预测模型

面向物流需求的预测问题,提出了一种基于诱导有序加权平均算子和模糊层次分析法相结合的组合预测模型。首先,采用诱导有序加权平均算子建立组合预测模型,并基于历史数据解算各单项预测模型的加权系数;然后,针对组合预测模型中各单项模型的加权系数确定问题,引入模糊层次分析法,得到各单项预测模型的公平排序,进而确定各单项预测模型在预测年的诱导值序列,从而预测出相应物流需求量;最后通过应用算例验证了该模型的正确性和可靠性。