共查询到18条相似文献,搜索用时 500 毫秒
1.
针对2002~2009年武汉市物流需求的数据,采用灰色GM 1,1模型和多项式拟合模型两种单项预测模型对数据进行建模预测。并结合组合预测理论,采用基于IOWA算子的组合预测模型进行预测,结果表明基于诱导有序加权平均算子的组合预测模型的预测精度明显高于两种单项预测方法,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2010~2012年的武汉市物流需求作出预测。 相似文献
2.
3.
4.
为了准确判断我国的消费形势,选取我国2000-2018年的经济月度数据,首先基于机器学习的方法分别构建随机森林、支持向量机和BP神经网络三个单项预测评价模型对我国社会消费品零售总额进行预测,由于单项预测方法存在自身的优势与限制条件,于是引入了基于误差平方和最小的诱导有序加权算术平均(IOWA)组合预测模型,结果表明:组合预测模型各种预测误差均小于单项预测模型,说明文中构建的IOWA组合预测模型预测性能优越,具有较好的运用前景。 相似文献
5.
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。 相似文献
6.
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. 相似文献
7.
运营成本预测是物流企业制定企业发展战略的基础。文章基于GM(1,1)模型、Verhulst模型和SCGM(1,1)c模型建立组合灰色预测模型,运用预测有效度方法确定组合预测模型的权重系数,对物流企业运营成本进行预测。选用P物流企业2000—2009年的运营成本实际值作为原始数据,利用各预测模型预测2010—2012年物流企业运营成本。预测结果表明,组合灰色预测模型比单一预测模型具有更高的预测精度。在验证组合灰色预测模型可行性的基础上,进一步预测物流企业2013—2017年运营成本,为成本预测及相关领域提供理论及方法借鉴。 相似文献
8.
9.
物流需求预测是保障物流服务供给和需求平衡的重要依据,也是现代物流企业发展研究的重点之一.本文应用斜关联度选取地区生产总值、三产增加值、全社会固定资产投资总额、社会消费品总额以及人口数量指标建立多元回归预测模型和多变量灰色预测模型,鉴于单项预测模型的局限性,以绝对误差平方和最小为目标,通过改进变权组合预测方法确定最佳变权系数,构建物流需求的多元变权组合预测模型.结果表明:多元变权组合预测模型预测效果更优,方法在物流需求预测中有较好的效果. 相似文献
10.
基于灰色系统理论的黑龙江省物流需求预测分析 总被引:1,自引:0,他引:1
从黑龙江物流需求省情出发,运用灰色GM(1,1)预测模型理论,根据实际数据建立了黑龙江省物流需求量模型,并运用该模型对黑龙江省未来几年物流需求规模进行了预测,预测结果显示黑龙江省的物流需求呈增长之态,在一定程度上能够为黑龙江省物流业发展提供理论依据。 相似文献
11.
物流产业发展规划的制定、物流基础设施建设的可行性研究等都需要有确切的物流需求数据作为依据.因此,建立科学合理的预测模型对物流需求进行定量预测,就显得尤为重要。通过建立GM(1,1)来对茂名物流需求量进行定量预测,同时根据预测结果提出相应的对策,试图为茂名市政府制定物流决策提供一定的参考。 相似文献
12.
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。 相似文献
13.
14.
15.
为了实现对市场需求变动的准确估计,在经过参阅大量文献之后,采用趋势外推模型、灰色GM(1,1)模型分别进行物流量的预测,以每种方法单项预测结果组合误差平方和最小为原则,提出一种最优定权组合预测模型,以此为物流园区的合理规划做出贡献。 相似文献
16.
17.
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。 相似文献