(精品論文)貨運(yùn)公司申請(qǐng)量的預(yù)測(cè)及的收益估計(jì)模型(論文)

貨運(yùn)公司申請(qǐng)量的預(yù)測(cè)及的收益估計(jì)模型摘要：本文建立了貨運(yùn)公司經(jīng)濟(jì)效益的整數(shù)優(yōu)化模型，解決了貨運(yùn)公司的日收益和后一小段時(shí)間申請(qǐng)量預(yù)測(cè)極其預(yù)計(jì)收益問題。在預(yù)測(cè)下一步的申請(qǐng)量數(shù)據(jù)時(shí)采用了兩種不同的方法（時(shí)間序列的加權(quán)平均值平移模型和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型），對(duì)下周七天的申請(qǐng)量和收益情況做出了的預(yù)測(cè)。模型I整數(shù)規(guī)劃模型，第一個(gè)題目，針對(duì)每一天的申請(qǐng)量，求解出了最佳批復(fù)方案即活鮮類：6460 kg 禽苗類：5000 kg 服裝類：4000 kg 其他：0 kg，且得出貨運(yùn)公司的最大獲利。模型II加權(quán)平均值時(shí)間序列平移預(yù)測(cè)模型，針對(duì)第二個(gè)題目，考慮到題目所給數(shù)據(jù)沒有確定的規(guī)律性，針對(duì)相鄰數(shù)據(jù)較大的跳躍性，我們對(duì)數(shù)據(jù)進(jìn)行間隔分組后，建立了平均值平移預(yù)測(cè)模型，并用該模型根據(jù)已知的數(shù)據(jù)的前26項(xiàng)數(shù)據(jù)對(duì)第27至30項(xiàng)數(shù)據(jù)作出預(yù)測(cè)，并與原給的同期數(shù)據(jù)進(jìn)行比較，作了相對(duì)誤差分析，發(fā)現(xiàn)預(yù)測(cè)數(shù)據(jù)具有較高的可信度，我們用此模型合理的推測(cè)了下周七天的申請(qǐng)量的數(shù)據(jù)。模型III神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，以申請(qǐng)前的數(shù)據(jù)作為輸入因子，以要預(yù)測(cè)的申請(qǐng)量數(shù)據(jù)作為輸出因子，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)后面的數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)如：前30天中的前29天的數(shù)據(jù)作為測(cè)試集的輸入矢量，第30天的數(shù)據(jù)作為測(cè)試集的輸出矢量。將30天中的后29天的數(shù)據(jù)作為測(cè)試集的輸入，第31天的數(shù)據(jù)作為仿真結(jié)果。模型IV效益預(yù)計(jì)整數(shù)規(guī)劃模型，由于第三個(gè)題目跟第一個(gè)題目很相似，我們通過對(duì)模型I修改，建立了模型IV，并根據(jù)第二題模型II中得出的預(yù)測(cè)數(shù)據(jù)，利用該模型IV預(yù)計(jì)下周七天的收益。最后我們還對(duì)所建模型進(jìn)行了評(píng)估，提出了模型的改進(jìn)思路，為提高貨運(yùn)公司的收益作了相關(guān)因素分析，對(duì)貨運(yùn)公司的決策優(yōu)化有一定幫助。關(guān)鍵字：整數(shù)規(guī)劃模型 預(yù)測(cè)模型 時(shí)間序列 間隔分組 加權(quán)平均值平移預(yù)測(cè) 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)1. 問題的提出某貨運(yùn)公司擁有3輛卡車，每輛載重均為8000kg，可載體積為9.084 ，該公司為客戶從甲地托運(yùn)貨物到乙地，收取一定的費(fèi)用。托運(yùn)貨物可分為四類：A、鮮活類 B、禽苗類 C、服裝類 D、其他類，公司有技術(shù)實(shí)現(xiàn)四類貨物任意混裝。并且題目中給出了平均每類每kg所占體積和相應(yīng)的托運(yùn)單價(jià)。托運(yùn)手續(xù)是客戶首先向公司提出托運(yùn)申請(qǐng)，公司給予批復(fù)，客戶根據(jù)批復(fù)量交貨給公司托運(yùn)。申請(qǐng)量與批復(fù)量均以公斤為單位，例如客戶申請(qǐng)量為1000kg，批復(fù)量可以為01000kg內(nèi)的任意整數(shù)，若取0則表示拒絕客戶的申請(qǐng)。在以上的條件下，題目中提出三個(gè)要解決的問題：（1）在已知條件下，求使得公司獲利最大的批復(fù)方案；（2）在給出的一個(gè)月的申請(qǐng)量的情況下，要求預(yù)測(cè)以后七天內(nèi)，每天各類貨物申請(qǐng)量的約數(shù)。（3）根據(jù)題目二的預(yù)測(cè)結(jié)果，估算這七天的收益各位多少。2 問題的分析貨運(yùn)公司的收益問題是一個(gè)求最大收益的整數(shù)規(guī)劃問題，一個(gè)公司是贏利單位當(dāng)然以最大的收益為主要目標(biāo)。問題一就是求解最大收益的批復(fù)方案，就一個(gè)最優(yōu)解問題，找出目標(biāo)函數(shù)，列出所有的約束條件，就可以解決該問題；問題二是在已知的30天的申請(qǐng)量，來預(yù)測(cè)下周的各類貨物的申請(qǐng)量，看到題目所給數(shù)據(jù)，并沒有規(guī)律性，用簡(jiǎn)單的數(shù)學(xué)模型很難解決，我們可以建立加權(quán)平均值時(shí)間序列評(píng)議預(yù)測(cè)模型來解決這個(gè)問題。問題三是在問題二的基礎(chǔ)上提出的，該問題用整數(shù)規(guī)劃模型就可以很容易解決。3 符號(hào)說明S ：貨運(yùn)公司每天的收益， ：貨運(yùn)公司對(duì)第i類貨物的批復(fù)量， ：第i類貨物平均每千克所占的體積，：第i類貨物的托運(yùn)單價(jià)， ：第i類貨物的客戶申請(qǐng)量，M1：表示前26天的第一組的申請(qǐng)量數(shù)據(jù)，M2：表示前26天的第二組的申請(qǐng)量數(shù)據(jù)，W1：表示第一組申請(qǐng)量數(shù)據(jù)的權(quán)向量，W2：表示第二組申請(qǐng)量數(shù)據(jù)的權(quán)向量。4 基本假設(shè)1.卡車在兩地間的托運(yùn)成本不變，；2.卡車因的最大承載量不因使用時(shí)間而改變，且每輛卡車都能在最大限度內(nèi)使用；3.托運(yùn)單價(jià)穩(wěn)定不變，申請(qǐng)客戶不會(huì)毀約；4.附件一提供的數(shù)據(jù)真實(shí)可靠；5.忽略突發(fā)事件（交通事故，經(jīng)濟(jì)危機(jī)等）對(duì)貨運(yùn)公司運(yùn)營(yíng)情況的影響；6.假設(shè)各貨物的申請(qǐng)量數(shù)據(jù)受季節(jié)因素的影響不大；5 模型的建立與求解5.1 問題一的分析、模型建立與求解5.1.1 問題一的分析（1）求公司每天的收益，由于運(yùn)輸?shù)墓潭ǔ杀静蛔?，所以求解出運(yùn)輸?shù)氖杖肟煽闯墒枪臼找娴姆从?，問題中求公司最大收益的問題可轉(zhuǎn)化為求最大收入的問題。由題意，每天的申請(qǐng)量y和公司的批復(fù)量x應(yīng)該滿足條件xy。（2）貨運(yùn)公司有三輛卡車，每輛卡車的載重量為8000kg，最大載重體積為9.084m。為了使公司收益最大，應(yīng)當(dāng)使卡車得到充分利用，同時(shí)還應(yīng)該保證安全，所以還必須不能超載，這就得到公司最大托運(yùn)能力的約束條件：最大重量約束條件：80003；最大體積約束條件：9.0843；（3）公司每天的收益S也就是貨運(yùn)公司對(duì)每類類貨物的批復(fù)量x與它所對(duì)應(yīng)的托運(yùn)單價(jià)g的乘積的和。5.1.2模型I 問題一的模型建立由題設(shè)條件可建立模型I：其目標(biāo)函數(shù)為：S=；約束條件為：最大重量約束條件：80003；最大體積約束條件：9.0843；最大審批量約束條件：；特殊約束條件：（+）3；整數(shù)約束條件：為整數(shù)（其中i為整數(shù)并且1i4）。5. 1. 3模型I的求解運(yùn)用Lingo軟件對(duì)該模型進(jìn)行求解（具體程序見附錄8.1），解得模型的最大值是S(max)=40232.00(元)，并且貨運(yùn)公司的批復(fù)方案如下：活鮮類：6460 kg 禽苗類：5000 kg 服裝類：4000 kg 其他：0 kg5.1.4模型I的結(jié)論分析由模型的結(jié)果可以看出，為了獲得最大經(jīng)濟(jì)效益，公司優(yōu)先考慮，貨運(yùn)單價(jià)高的貨物，即先考慮服裝類，然后考慮禽苗類，活鮮類，最后在條件允許的前提下才考慮托運(yùn)其他類的貨物。這在經(jīng)濟(jì)利益方面無疑是相當(dāng)好的方案，但是，在現(xiàn)實(shí)生活中是不可行的，一個(gè)需要長(zhǎng)期發(fā)展的貨運(yùn)公司，絕對(duì)不可以把客戶申請(qǐng)的托運(yùn)單價(jià)低的貨物拒絕掉，那樣會(huì)使得公司失掉好多客戶。所以說，公司應(yīng)該考慮綜合效益，在考慮獲利的同時(shí)應(yīng)該盡量擴(kuò)大自己的客戶體系，吸引新客戶保住老客戶，進(jìn)而為公司的長(zhǎng)遠(yuǎn)發(fā)展奠定良好的基礎(chǔ)。5.2問題二的分析、模型建立與求解5.2.1問題分析分析已知的數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)是一組復(fù)雜的離散數(shù)據(jù)，具有較大的不確定性，沒有確定的規(guī)律可言，所以不能簡(jiǎn)單的直接用數(shù)學(xué)軟件來擬合。針對(duì)這種情況，我們建立了加權(quán)平均值時(shí)間序列平移預(yù)測(cè)模型。5.2.2數(shù)據(jù)處理由于數(shù)據(jù)的跳躍性比較大，也就是項(xiàng)鄰數(shù)據(jù)的差別較大，據(jù)此我們把這些數(shù)據(jù)的前26項(xiàng)（后四項(xiàng)用來檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)數(shù)據(jù)的誤差程度）按不同種類采用間隔取值分為為兩組。即：第1、3、5、25項(xiàng)數(shù)據(jù)（奇數(shù)項(xiàng)）為第一組，余下的2到26間的偶數(shù)項(xiàng)數(shù)據(jù)為第二組，然后對(duì)這兩組分別用加權(quán)平均值時(shí)間序列平移法預(yù)測(cè)。5.2.3 建立模型 此模型一次可根據(jù)一類貨物的前26天的申請(qǐng)量預(yù)測(cè)此類貨物下兩天的申請(qǐng)量(注：在用此模型對(duì)問題二中的四類貨物申請(qǐng)量做預(yù)測(cè)時(shí)，應(yīng)把要預(yù)測(cè)數(shù)據(jù)的前26項(xiàng)數(shù)據(jù)輸入M中，次模型每次預(yù)測(cè)兩項(xiàng)數(shù)據(jù)。如需進(jìn)行多次預(yù)測(cè)更新，則應(yīng)把前面M的前兩個(gè)分量去掉，并用上一步預(yù)測(cè)得的兩項(xiàng)數(shù)據(jù)作為向量M的后兩個(gè)分量，依次類推進(jìn)行多次預(yù)測(cè))。用26維行向量M表示前26天的申請(qǐng)量數(shù)據(jù)（）： M1表示前26天的第一組申請(qǐng)量數(shù)據(jù)：M2表示前26天的第二組的申請(qǐng)量數(shù)據(jù)：W1（列向量）表示第一組申請(qǐng)量數(shù)據(jù)的權(quán)向量： 其中 i=1,2,13W2（列向量）表示第一組申請(qǐng)量數(shù)據(jù)的權(quán)向量：其中 i=1,2,13第一、二組數(shù)據(jù)的預(yù)測(cè)值分別為： 5.2.4模型II誤差分析和應(yīng)用模型用Matlab編程（見附錄8.2）求解：我們先用前26天的數(shù)據(jù)預(yù)測(cè)了第27天到30天的數(shù)據(jù),與原數(shù)據(jù)做了誤差分析:原始數(shù)據(jù):ABCD271758357146542842283445385343484648291770361946282882303516391644314671模型預(yù)測(cè)檢驗(yàn)數(shù)據(jù)A類B類C類D類271758357146542842283445385343484648291770361946282882303516391644314671模型預(yù)測(cè)數(shù)據(jù)與原始數(shù)據(jù)的(相對(duì)誤差)分析:A類B類C類D類270.050.13-0.47-0.428-0.06-0.16-0.222.9429-0.13-0.1-0.610.2301.840.07-0.540.81分析上表可知,用此模型預(yù)測(cè)A,B兩類貨物的申請(qǐng)量時(shí),與實(shí)際數(shù)據(jù)比較吻合,可以用此模型來預(yù)測(cè)后七天內(nèi)的申請(qǐng)量數(shù)據(jù) ；用此模型預(yù)測(cè)C,D兩類貨物的申請(qǐng)量時(shí),與實(shí)際數(shù)據(jù)差別較大,說明這兩類貨物的申請(qǐng)量可能與一些未知的隨機(jī)因素有關(guān)（也可能與此模型的適用范圍有關(guān)）,而我們無法明確掌握他們對(duì)預(yù)測(cè)結(jié)果的影響方式和程度,因此只有先用此模型對(duì)后七天內(nèi)C,D兩類貨物的申請(qǐng)量做出預(yù)測(cè),在實(shí)際運(yùn)用中根據(jù)經(jīng)驗(yàn)和一些近期影響因素對(duì)預(yù)測(cè)結(jié)果作修正。后七天的預(yù)測(cè)數(shù)據(jù)(單位：公斤)A類B類C類D類311778353666293105322944390354444568331784357767522942342916393455644643351808363469192992362974345154374788371800370967493052均值2286.2863677.7146213.4293727.143原數(shù)據(jù)均值2277.43428.2334555.12964.931比較后七天預(yù)測(cè)的數(shù)據(jù)均值與原給數(shù)據(jù)均值，可以認(rèn)為：A，B兩類數(shù)據(jù)的預(yù)測(cè)值是較好的預(yù)測(cè)值，C，D兩類數(shù)據(jù)的預(yù)測(cè)值與實(shí)際尚有一定差距，在實(shí)際應(yīng)用中應(yīng)針對(duì)造成差異的原因?qū)ζ渥鞒鲂拚?.2.5 模型的評(píng)估和改進(jìn)我們建立的均值加權(quán)平移預(yù)測(cè)模型是依據(jù)時(shí)間序列的乘法模式TSI=Y (注：長(zhǎng)期趨勢(shì)T，季節(jié)變動(dòng)S和不規(guī)則變動(dòng)I)，簡(jiǎn)化后建立起來的。分析我們的模型預(yù)測(cè)（僅為長(zhǎng)期趨勢(shì)預(yù)測(cè)）的數(shù)據(jù)后，我們發(fā)現(xiàn)A,B兩類貨物申請(qǐng)量數(shù)據(jù)均值與原給定數(shù)據(jù)的均值比較接近，說明這它們受季節(jié)影響較小，C類貨物申請(qǐng)量數(shù)據(jù)受季節(jié)影響教大（應(yīng)針對(duì)其增大季節(jié)影響因子的權(quán)值），而D類貨物申請(qǐng)量數(shù)據(jù)又受不規(guī)則變動(dòng)的影響較大，并且不規(guī)則變動(dòng)值又難以求得。所以我們就只求長(zhǎng)期趨勢(shì)和季節(jié)變動(dòng)的預(yù)測(cè)值，以兩者相乘之積為時(shí)間序列的預(yù)測(cè)值?？傮w來講：模型二的優(yōu)點(diǎn)是易于理解，預(yù)測(cè)結(jié)果穩(wěn)定；缺點(diǎn)是時(shí)間序列的權(quán)值設(shè)置的不是很合理（不能預(yù)測(cè)受季節(jié)影響較大的數(shù)據(jù)），而且沒有考慮隨機(jī)因素對(duì)預(yù)測(cè)值的影響。模型的改進(jìn)應(yīng)該是根據(jù)經(jīng)驗(yàn)和實(shí)際情況的變化對(duì)權(quán)值設(shè)置作優(yōu)化處理，還要加入隨機(jī)因素對(duì)預(yù)測(cè)值的影響。5.2.6 人工神經(jīng)網(wǎng)絡(luò)模型的探索知識(shí)準(zhǔn)備：人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, 簡(jiǎn)稱ANN）是人類在對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。他是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。他是有大量的功能簡(jiǎn)單的處理單元（神經(jīng)元）相互連接形成的復(fù)雜的非線性系統(tǒng)，是對(duì)人腦的簡(jiǎn)化，抽象和模擬?？梢苑从橙四X的功能的許多特性。神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)，形成具有一定結(jié)構(gòu)的自組織系統(tǒng)。完成n維空間向量到m維向量的高度非線性映射。當(dāng)今社會(huì)，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于公司數(shù)據(jù)預(yù)測(cè)、分類、遙感數(shù)據(jù)和空間數(shù)據(jù)的綜合分析、自然資源規(guī)劃和地質(zhì)研究、通訊、金融、生態(tài)模擬、市場(chǎng)預(yù)測(cè)中，本文利用人工神經(jīng)網(wǎng)絡(luò)重要模型之一BP網(wǎng)絡(luò)模型與數(shù)學(xué)軟件matlab相結(jié)合，解決貨運(yùn)公司數(shù)據(jù)預(yù)測(cè)問題。1. BP網(wǎng)絡(luò)模型（Error Back ropagation,簡(jiǎn)稱），它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，一般有一個(gè)輸入層、一個(gè)或多個(gè)隱含層、一個(gè)輸出層，隱含層的神經(jīng)元均采用型變換函數(shù)，輸出層神經(jīng)元采用純線型變換函數(shù)。該網(wǎng)絡(luò)的學(xué)習(xí)指導(dǎo)思想是：對(duì)權(quán)值和閥值的調(diào)整，使誤差函沿負(fù)梯度方向下降。2. 典型的BP網(wǎng)絡(luò)是由輸入層、一個(gè)隱含層、輸出層組成，為了提高網(wǎng)絡(luò)精度和訓(xùn)練速度，可以通過增加隱含層神經(jīng)元的個(gè)數(shù)來實(shí)現(xiàn)。wij 代表神經(jīng)元i與神經(jīng)元j之間的連接強(qiáng)度(模擬生物神經(jīng)元之間突觸連接強(qiáng)度)，稱之為連接權(quán)； ui代表神經(jīng)元i的活躍值，即神經(jīng)元狀態(tài)； vj代表神經(jīng)元j的輸出，即是神經(jīng)元i的一個(gè)輸入； i代表神經(jīng)元i的閾值。 函數(shù)f表達(dá)了神經(jīng)元的輸入輸出特性。 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，只需要提供足夠量的學(xué)習(xí)樣本，網(wǎng)絡(luò)通過學(xué)習(xí)，自己找出預(yù)測(cè)指標(biāo)間的非線性關(guān)系，并且以隱式方式存儲(chǔ)在各層神經(jīng)元之間的聯(lián)接權(quán)矩陣中。用人工網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)其實(shí)質(zhì)是函數(shù)逼近問題。就是用神經(jīng)網(wǎng)絡(luò)來擬合函數(shù)，找出歷史數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的函數(shù)關(guān)系。得出來的數(shù)據(jù)的取值，可以分為單變量時(shí)間序列預(yù)測(cè)和多變量時(shí)間預(yù)測(cè)。常用的方法有單步預(yù)測(cè)，多部預(yù)測(cè)，和滾動(dòng)預(yù)測(cè)。（1）建立網(wǎng)絡(luò)模型：針對(duì)不同的問題，網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元數(shù)的多少不同。對(duì)于貨運(yùn)公司的預(yù)測(cè)申請(qǐng)量的問題。貨物可以分為四類，因此輸出神經(jīng)元數(shù)可以確定為，輸入神經(jīng)元可以確定為。而隱含層數(shù)出元可以根據(jù)公式：（式中n1為隱含層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，n為輸入層神經(jīng)元數(shù)）結(jié)合上機(jī)調(diào)試來確定。BP 網(wǎng)絡(luò)在 matlab 中可以由函數(shù)newff()來實(shí)現(xiàn)：Net = newff( P , S , Transfun, Trainfun)其中四個(gè)變量分別為：P為R*2的矩陣， 分別為輸入向量的最大值和最小值。S為一個(gè)行向量，表示每層神經(jīng)元的個(gè)數(shù)Transfun為每層神經(jīng)元的傳遞函數(shù)名，隱含層一般為Trainfun函數(shù)，輸出層為purelin函數(shù)。Trainfun為網(wǎng)絡(luò)的訓(xùn)練函數(shù)名，本次預(yù)測(cè)采用traingdx函數(shù)。（2）網(wǎng)絡(luò)的訓(xùn)練本次預(yù)測(cè)采用含有動(dòng)量因子的自適應(yīng)調(diào)整學(xué)習(xí)率算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)的訓(xùn)練使用貨運(yùn)公司某月的申請(qǐng)量數(shù)據(jù)表中的數(shù)據(jù)。訓(xùn)練方法：net.trainParam.show=100; %設(shè)置訓(xùn)練顯示間隔次數(shù)net.trainParam.epichs=20000; % 設(shè)置最大訓(xùn)練循環(huán)次數(shù)net.trainParam.goal=0.0001; %設(shè)置性能目標(biāo)net.trainParam.lr=0.01; %設(shè)置學(xué)習(xí)系數(shù)net=train(net,p,t); %網(wǎng)絡(luò)訓(xùn)練an=sim(net,p); %網(wǎng)絡(luò)的輸出。（3）預(yù)測(cè)數(shù)據(jù)（1）將前30天中的前29天的數(shù)據(jù)作為測(cè)試集的輸入矢量，第30天的數(shù)據(jù)作為測(cè)試集的輸出矢量。將30天中的后29天的數(shù)據(jù)作為測(cè)試集的輸入，第31天的數(shù)據(jù)作為仿真結(jié)果。（2）將前29天的數(shù)據(jù)作為測(cè)試集的輸入矢量，第31天的數(shù)據(jù)作為測(cè)試集的輸出矢量，對(duì)應(yīng)的將第2天到第31天的數(shù)據(jù)作為測(cè)試集的輸入，第31天的數(shù)據(jù)作為測(cè)試集的仿真結(jié)果。依此類推可以預(yù)測(cè)出下月7天的數(shù)據(jù)。日期A類貨物B類貨物C類貨物D類貨物12087472729471754237763681377316703296640673702311543113303135533927529213980216617926432436192872317572767301332673414均值3136.2863731.1433182.8572692.429由于我們對(duì)神經(jīng)網(wǎng)絡(luò)建模方面的知識(shí)的欠缺造成的，此模型預(yù)測(cè)的數(shù)據(jù)均值與原給定數(shù)據(jù)均值有較大差別，并且時(shí)間也不充分，因此我們沒有用此模型預(yù)測(cè)的數(shù)據(jù)來做第三題，但經(jīng)過我們對(duì)神經(jīng)網(wǎng)絡(luò)建模方面的知識(shí)的學(xué)習(xí)，發(fā)現(xiàn)這種方法是一種應(yīng)用很廣泛并且預(yù)測(cè)數(shù)據(jù)很好的建模方法，有時(shí)間要對(duì)此模型做出改進(jìn)。5 . 3問題三的分析、模型IV的建立與求解5.3.1問題三的分析問題三是在問題二的基礎(chǔ)上提出的，它是通過問題二中的預(yù)測(cè)結(jié)果來預(yù)測(cè)下周七天每天的收益。并且，題目中提出，一般客戶的申請(qǐng)是在一周前隨機(jī)出現(xiàn)的，各類申請(qǐng)單立即批復(fù)，批復(fù)后既不能更改，并且不能將拒絕量（即申請(qǐng)量減批復(fù)量）累積到以后的申請(qǐng)量。5 . 3 . 2模型的建立目標(biāo)函數(shù)：S=；約束條件：（1） 載重量約束條件：80003；（2） 體積約束條件：9.0843；（3） 最大批復(fù)量約束條件：；（4） 整數(shù)約束條件：為整數(shù)（其中i為整數(shù)并且1i4）。5.3.3 模型IV的求解該模型是整數(shù)規(guī)劃模型，所以可以用Lingo軟件來完成，具體的程序見附錄。求的結(jié)果如下：貨運(yùn)公司下周七天內(nèi)各類貨物的預(yù)測(cè)批復(fù)量及預(yù)測(cè)的日收益日期A類貨物B類貨物C類貨物D類貨物預(yù)測(cè)日收益1172035366628040705.42294339035444191740429.93136035766752040742.14291539345564145140470.45870363469190407916297334515437274640360.971205370667490407模型的結(jié)論分析該模型是通過改變模型I的約束條件得到的，求解出的結(jié)果在經(jīng)濟(jì)效益方面符合了題目的條件，但由上表可以知道1、3、5、7四天的D類貨物的批復(fù)量均為0，這不符合現(xiàn)實(shí)生活的實(shí)際狀況，這與問題二中由模型二預(yù)測(cè)的數(shù)據(jù)有著較大關(guān)系，但主要原因是由只考慮運(yùn)費(fèi)收入作為貨運(yùn)公司的效益，實(shí)際上，公司為了他的長(zhǎng)期效益要留住穩(wěn)定的老客戶，還要吸引新顧客，不能完全拒絕客戶的申請(qǐng)。實(shí)際應(yīng)用中應(yīng)根據(jù)實(shí)際情況對(duì)由此模型得到的結(jié)果作修正。6 總體評(píng)價(jià)本文對(duì)貨運(yùn)公司的收益問題做了模型研究。文章的主要優(yōu)點(diǎn)是：（1） 在申請(qǐng)量已定并且不考慮客戶的滿意度的條件下，對(duì)公司的收益問題做了整數(shù)規(guī)劃模型，做出了最大收益的批復(fù)方案。（2） 根據(jù)已知的30天的客戶申請(qǐng)量，建立了加權(quán)平均值時(shí)間序列平移預(yù)測(cè)模型，得出了下周七天的申請(qǐng)量的適當(dāng)?shù)念A(yù)測(cè)數(shù)據(jù)，為公司的運(yùn)行提供參考。（3） 根據(jù)已知的條件和各類貨物申請(qǐng)量的預(yù)測(cè)結(jié)果，用修改了的問題一中建立整數(shù)規(guī)劃模型，求得了下周七天的收益預(yù)測(cè)結(jié)果，對(duì)公司的運(yùn)營(yíng)給出了適當(dāng)?shù)念A(yù)測(cè)，為公司改進(jìn)策略以求得更大的經(jīng)濟(jì)效益提供參考。（4） 對(duì)各個(gè)模型的求解方法做了詳細(xì)的說明。（5） 整個(gè)模型的計(jì)算過程，大都用軟件來完成，計(jì)算結(jié)果真是可靠，并且程序的實(shí)現(xiàn)簡(jiǎn)單。主要缺點(diǎn)是：由于模型的建立并沒有考慮，實(shí)際生活中所有可能發(fā)生的一些情況（例如，交通事故的損失、卡車在兩地間托運(yùn)成本變動(dòng)、車輛的最大承載能力降低、托運(yùn)單價(jià)變動(dòng)、申請(qǐng)客戶因特殊原因而毀約）的發(fā)生，所以不能準(zhǔn)確的得出批復(fù)方案。在最后一個(gè)模型中不能準(zhǔn)確的得出各個(gè)類型貨物的申請(qǐng)量，使得的出的結(jié)論仍然與實(shí)際情況有相當(dāng)大的差距。7 參考文獻(xiàn)1 姜啟源，謝金星，葉俊，數(shù)學(xué)模型（第三版），高等教育出版社，2003；2 時(shí)間序列預(yù)測(cè)方法， /ff/yc/sjxl.htm3 王沫然，MATLAB與科學(xué)計(jì)算，北京：電子工業(yè)出版社，2003；4 張錦宗等， matlab神經(jīng)網(wǎng)絡(luò)工具箱在森林資源預(yù)測(cè)中的運(yùn)用（電腦知識(shí)與技術(shù)第33期）5 楊建剛編著，人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程，浙江大學(xué)出版社8 附錄8.1模型I的程序：model:max=1.7*x1+2.25*x2+4.5*x3+1.12*x4;x1=6500;x2=50