國內(nèi)物流需求預測方法文獻綜述

國內(nèi)物流需求預測方法文獻綜述PAGEPAGE1————————————————————————————————作者：————————————————————————————————日期： 個人收集整理勿做商業(yè)用途個人收集整理勿做商業(yè)用途個人收集整理勿做商業(yè)用途國內(nèi)物流需求預測方法文獻綜述

(河北工程大學

管理科學與工程

阮俊虎)物流需求是指一定時期內(nèi)社會經(jīng)濟活動對生產(chǎn)、流通、消費領域的原材料、半成品和成品、商品以及廢舊物品、廢舊材料等的配置作用而產(chǎn)生的對物在空間、時間和費用方面的要求，涉及運輸、庫存、包裝、裝卸搬運、流通加工以及與之相關的信息需求等物流活動的諸方面[1］。物流需求的度量可以采用價值量和實物量兩種度量體系。實物量意義上的物流需求主要表現(xiàn)為不同環(huán)節(jié)和功能的具體作業(yè)量，如貨運量、庫存量、加工量、配送量等;價值量意義上的物流需求是所有物流環(huán)節(jié)全部服務價值構(gòu)成的綜合反映,如物流成本、物流收入、供應鏈增值等[2］。物流需求預測是根據(jù)物流市場過去和現(xiàn)在的需求狀況，以及影響物流市場需求變化的因素之間的關系，利用一定的判斷、技術方法和模型，對物流需求的變化及發(fā)展趨勢進行預測。國內(nèi)外許多專家和學者都對物流需求的預測進行了研究,提出不同的預測方法和手段。物流預測方法可以分為定性預測方法（如德爾菲法和業(yè)務人員評估法等）和定量預測方法，但多數(shù)是定量預測方法,因此，本文主要是對國內(nèi)物流需求定量預測方法進行綜述，歸為時間序列預測方法、因果關系預測方法、組合預測方法等三類.1．時間序列預測方法綜述時間序列預測方法是依據(jù)從歷史數(shù)據(jù)組成的時間序列中找出預測對象的發(fā)展變化規(guī)律，以此作為預測依據(jù)。常用的時間序列預測模型有增長率法、移動平均法、指數(shù)平滑法、隨機時間序列模型、灰色模型、以及在經(jīng)濟領域已經(jīng)被廣泛應用的混沌與分形等。增長率法指根據(jù)預測對象在過去的統(tǒng)計期內(nèi)的平均增長率，類推未來某期預測值的一種簡便算法。該預測方法一般用于增長率變化不大，或預計過去的增長趨勢在預測期內(nèi)仍將繼續(xù)的場合。劉勁等［3]（2002)在利用增長率系數(shù)法對百色地區(qū)港口貨運量進行了逐一分析。移動平均法是用一組最近的實際數(shù)據(jù)值來預測未來一期或幾期內(nèi)產(chǎn)品的需求量的一種常用方法.當產(chǎn)品需求既不快速增長也不快速下降，且不存在季節(jié)性因素時,移動平均法能有效地消除預測中的隨機波動。根據(jù)預測時使用的各元素的權重不同，移動平均法可以分為：簡單移動平均和加權移動平均。楊榮英等［4]（2001）在討論移動平均值的基礎上，提出了移動平均線方法,并介紹了運用移動平均線進行物流預測的方法。李海建等［5]（2003）利用二次移動平均線模型對蕪湖市物流業(yè)發(fā)展的規(guī)模進行了預測.指數(shù)平滑法是在移動平均法基礎上發(fā)展起來的一種時間序列分析預測法,它是通過計算指數(shù)平滑值,配合一定的時間序列預測模型對現(xiàn)象的未來進行預測。其原理是任一期的指數(shù)平滑值都是本期實際觀察值與前一期指數(shù)平滑值的加權平均。移動平均法則不考慮較遠期的數(shù)據(jù)，并在加權移動平均法中給予近期資料更大的權重；而指數(shù)平滑法則兼容了全期平均和移動平均所長，不舍棄過去的數(shù)據(jù)，但是僅給予逐漸減弱的影響程度，即隨著數(shù)據(jù)的遠離，賦予逐漸收斂為零的權數(shù)。韋司瀅等［6]（1999）將指數(shù)平滑法等其他多種方法應用在三峽移民工程建材配送決策支持系統(tǒng)中。黃榮富等［7]（2003）、張云康等[8］（2008）在進行指數(shù)平滑法預測的基礎上進行了物流需求多種方法組合預測.隨機時間序列模型就是指在所研究對象的一組實測時間序列的基礎上，通過各種數(shù)學的分析處理手段，尋找序列變化特征、發(fā)展趨勢與規(guī)律,進而對未來某時刻研究對象的狀態(tài)做出估計。常用模型有：自回歸（AR）模型、移動平均（MA）模型、自回歸移動平均（ARMA)模型、求和自回歸移動平均(ARIMA)模型等。黃麗[9］(2004）利用隨機時間序列模型對物流需求預測進行了專題研究?；疑Ｐ?GreyModel，簡稱GM)是一種以對時間序列進行研究分析，并建立方程，將無規(guī)律的原始數(shù)列經(jīng)過轉(zhuǎn)換,使之成為較有規(guī)律的生成數(shù)列后再建模用于預測的預測方法.賴一飛等［10］(2000）建立灰色系統(tǒng)預測模型,并對金沙江貨類的流量流向及過壩貨運量進行分析預測。張存祿等[11]（2000)利用GM（1，1）模型對武漢地區(qū)的物流發(fā)展水平進行了灰色預測。張鵬等[12］(2001)將灰色模型應用到公路物流預測中。林樺等[13]（2001)、劉芳等［14]（2005）、黃智星等［15］（2007）、柴大勝等［16］(2007）以物流園區(qū)為研究對象，利用灰色模型對其貨流量等進行了預測。林小平等［17]（2003）利用灰色系統(tǒng)理論，建立了成都雙流機場貨、郵吞吐量的預測模型。并通過實際數(shù)據(jù)與預測結(jié)果的比較，證明灰色模型對于雙流機場貨、郵吞吐量的預測具有較高的精度。何國華［18］(2008）利用灰色預測模型對區(qū)域物流需求進行了研究。潘英英[19]（2008）運用灰色系統(tǒng)模型,對廣西物流中心貨運需求量進行了動態(tài)預測。另外,還有學者針對灰色預測模型的不足，對其進行了改進，并將其應用到物流需求預測中.如：周茵[20]（2007)針對GM（1,1）模型對離散度大的數(shù)據(jù)預測精度差的缺陷，將殘差灰色預測模型應用到物流貨運量預測中；吳振寧等[21]（2004）、王冠奎等［22］（2007）、胡云超等[23］（2007）利用馬爾可夫鏈對灰色模型進行了改進，并將其應用到物流需求預測中?；煦缡菦Q定論系統(tǒng)所表現(xiàn)的隨機行為的總稱，根源在系統(tǒng)內(nèi)的非線性交叉耦合作用，是一種回復性非周期運動。分形論是以復雜事物為研究對象的，包括線性分形和非線性分形?；煦缗c分形經(jīng)常被用于復雜系統(tǒng)中,國內(nèi)學者也有將其應用到物流需求的預測中。如:毛良偉[24］（2003）將混沌動力學應用到宏觀物流預測中；楊瑞等［25］(2005)比較了現(xiàn)代常用的公路貨運量預測方法的優(yōu)缺點,研究了混沌理論對公路貨運量的預測基本原理，構(gòu)思短中長期貨運量預測方法的可行性，并提出了研究方法和途徑;李紅啟[26]（2003）論證了分形理論用于鐵路貨運量分析的可行性；聶偉[27]（2007）在已有研究的基礎上，提出了一種新的分形預測模型—等長度遞補變維分形模型，并將其應用到我國貨運量及其構(gòu)成預測中。2．因果關系預測方法綜述因果關系預測方法是依據(jù)歷史資料找出預測對象的變量與其相關事物的變量關系，建立相應的因果預測模型，利用事物發(fā)展的因果關系來推斷事物發(fā)展趨勢的預測方法。物流需求屬于派生需求,它是由經(jīng)濟發(fā)展本身帶來的，與經(jīng)濟的發(fā)展密切相關，隨著經(jīng)濟總量、產(chǎn)業(yè)結(jié)構(gòu)、資源分布等改變，物流需求量、需求結(jié)構(gòu)和層次也隨著發(fā)生變化［28],因此,許多學者利用有關經(jīng)濟的各項指標來預測物流需求,常用的模型有彈性系數(shù)法、重力模型法、線性回歸模型、神經(jīng)網(wǎng)絡模型、支持向量機模型等。彈性系數(shù)法是在對一個因素發(fā)展變化預測的基礎上,通過彈性系數(shù)對另一個因素的發(fā)展變化作出預測的一種間接預測方法［29]。喬向明等[30]（2004）以十年時間序列數(shù)據(jù)為依據(jù)，采用彈性系數(shù)法，對我國公路客貨運量進行中期預測研究.李慧等［31]（2006)選取交通區(qū)汽車保有量、客貨運輸量、通道交通量統(tǒng)計資料與國內(nèi)生產(chǎn)總值作為彈性系數(shù)指標,進行回歸確定彈性系數(shù)，對資瀘路(省道207線)威遠段改造工程工可交通量進行了預測。于龍年[32］（2008）給出了物流量預測的兩種方法德爾菲法和彈性系數(shù)法.曹曉飛等[33]（2008)結(jié)合北京經(jīng)濟發(fā)展趨勢，運用彈性系數(shù)法對機動車保有量進行了預測.重力模型法認為區(qū)與區(qū)之間的交通分布受到地區(qū)間距離、運行時間、費用等所有交通阻抗的影響，即區(qū)與區(qū)之間的出行分布同各區(qū)對出行的吸引成正比，而同區(qū)之間的交通阻抗成反比（該模型與牛頓萬有引力公式相類似,并因此而得名）。蔣仁才［34］（1987)利用重力模型對鐵路貨流分布進行了預測。詹燕等[35］（2000）介紹了重力模型法的原理及其在交通分布預測中的應用前景,并通過實例比較了Furness法和重力模型改進法的運用差別。蔡若松等［36](2002）、楊天寶等［37］（2006）、肖文剛等［38］(2007）在交通預測的實際應用中對重力模型進行了改進。另外,還有學者提出逆向重力模型[39］、模糊重力模型［40］等，并將其利用到交通預測中?；貧w分析研究因變量對一個或多個自變量的依賴關系，其用意在于通過后者的已知值，去估計或預測前者的總體均值（古扎拉蒂，1995）.物流需求屬于派生需求，它是由經(jīng)濟發(fā)展本身帶來的,與經(jīng)濟的發(fā)展密切相關，文獻[28]根據(jù)上海市經(jīng)濟指標數(shù)據(jù)得出了物流需求指標與其他指標的相關性系數(shù)矩陣,證明其間有極強的線性相關性。因此，許多學者將線性回歸模型應用到物流需求預測中，如：王桂霞等［41］（2001）應用多元線性回歸預測模型等對內(nèi)蒙古交通運輸貨運量及貨運周轉(zhuǎn)量進行了預測；劉勁等［3］（2002）在右江那吉航運樞紐工程貨運量預測中應用到多元回歸模型;林洪[42]（2002）、李慧［43］（2004)、王小萃［44]（2007）、陳智剛等［45]（2007）、楊琳等［46］（2007)、楊帥［47]（2007）、趙衛(wèi)艷等[48](2007）都將線性回歸模型應用到物流需求預測中.人工神經(jīng)網(wǎng)絡作為一種并行的計算模型,具有傳統(tǒng)建模方法所不具備的很多優(yōu)點,有很好的非線性映射能力。對被建模對象的先驗知識要求不多,一般不必事先知道有關被建模對象的結(jié)構(gòu)、參數(shù)、動態(tài)特性等方面的知識,只需給出對象的輸入、輸出數(shù)據(jù)，通過網(wǎng)絡本身的學習功能就可以達到輸入與輸出的完全符合［49-50]。針對物流需求預測中存在著非線性性，國內(nèi)許多學者將神經(jīng)網(wǎng)絡模型應用到物流需求預測中。張擁軍等[51］（1999）從交通運輸需求的角度描繪了交通運輸需求與國民經(jīng)濟的一些主要經(jīng)濟變量的相關關系,基于這些相關關系建立了交通運輸需求預測的神經(jīng)網(wǎng)絡模型,利用誤差反向傳播算法實現(xiàn)了由這些因素到運輸系統(tǒng)需求的復雜映射，并進行了實例驗證分析.王隆基等[52]（2004）、牛忠遠[53]（2006）、繆桂根［54]（2007)、耿勇等［55］（2007）、郭紅霞等[56]（2007）針對傳統(tǒng)物流預測方法的局限,研究了基于BP模型神經(jīng)網(wǎng)絡的物流預測方法，即依據(jù)歷史數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡然后進行訓練形成物流預測模型。白晨明等[57］(2004)依據(jù)已有的內(nèi)、外回歸神經(jīng)網(wǎng)絡預測模型及其算法，利用它們的良好特性,提出了對角回歸神經(jīng)網(wǎng)絡滾動預測模型及其機場物流預測系統(tǒng)。趙闖等[58]（2004）、后銳等［59］(2005)將廣義神經(jīng)網(wǎng)絡應用到物流需求預測中.支持向量機（SVM)的基本思想是通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間，在這個高維空間中尋找輸入變量和輸出變量之間的一種非線性關系.支持向量機有嚴格的理論基礎，是基于結(jié)構(gòu)風險最小化原則的方法，明顯優(yōu)于傳統(tǒng)的基于經(jīng)驗風險最小化原則的常規(guī)神經(jīng)網(wǎng)絡方法。其算法是一個凸二次優(yōu)化問題，保證找到的解是全局最優(yōu)解，能較好的解決小樣本、非線性、高維數(shù)等實際問題。問題的復雜度不取決于特征的維數(shù)，且具有良好的推廣能力，正在成為繼神經(jīng)網(wǎng)絡研究之后的研究熱點。針對我國現(xiàn)階段物流系統(tǒng)樣本量少的具體狀況以及神經(jīng)網(wǎng)絡模型的局限性，越來越多的學者將支持向量機應用到物流需求預測中。唐偉鴻等[60]（2005）采用基于時間序列的支持向量機進行了物流量預測。龐明寶等［61,62］（2007,2008）分別用非線性支持向量機和基于偏最小二乘支持向量機回歸模型對區(qū)域物流量進行了預測研究。胡燕祝等[63]（2008）從物流與經(jīng)濟的關系著手分析，建立了基于支持向量回歸機的物流需求預測模型。3．組合預測方法綜述不同預測方法的精度和側(cè)重點存在差異，因此可將幾種預測方法按一定的比例結(jié)構(gòu)進行組合預測.自從Bates和Granger在20世紀60年代首次提出組合預測理論以來，對組合預測方法的研究和應用發(fā)展很快，采用組合預測模型可以克服單一模型的局限性,盡可能提高預測的精度。吳守榮［64］(1999）利用灰色預測模型和回歸模型組合模型對山東省公路機動車貨運量及運力進行了預測。黃榮富等[7]（2003）以某港口近15a的貨物吞吐量作為原始數(shù)據(jù)，在采用回歸分析法和3次指數(shù)平滑法預測今后10a港口吞吐量的基礎上，以“誤差絕對值之加權和最小”作為最優(yōu)準則，建立組合預測模型，并將其應用到某港口貨物吞吐量預測中。初良勇等［65］（2004）建立了回歸分析、灰色系統(tǒng)及神經(jīng)網(wǎng)絡方法的物流需求單項預測模型,并以誤差絕對值加權和最小為最優(yōu)化準則建立了物流需求組合預測模型,并輔以實例進行分析和驗證。趙剛等[66］（2005)利用一元線性回歸和GM（1，1）組合模型對港口吞吐量進行了預測。武驍?shù)龋?7]（2005)、姚智勝等［68］（2007）分別提出一種基于支持向量機的物流預測模型,并進行了實證研究。張云康等[8］（2008)根據(jù)寧波港集裝箱吞吐量的歷史數(shù)據(jù),建立了時間序列的三次指數(shù)平滑模型、灰色系統(tǒng)預測模型等單項預測模型，并采用線性規(guī)劃的方法確定其最優(yōu)組合的權重，并對寧波港集裝箱吞吐量加以預測和分析。郁小鋒等［69]（2008）建立了三次指數(shù)平滑、趨勢外推和灰色系統(tǒng)等單項預測模型,并提出了以誤差絕對值加權和最小為最優(yōu)化準則的組合預測模型，運用主成分分析的思想來確定組合的權系數(shù)。劉婷婷等［70］（2008）提出模糊神經(jīng)網(wǎng)絡非線性組合預測模型,應用三次指數(shù)預測模型、灰色理論預測模型、多元回歸預測模型的預測值作為模糊神經(jīng)網(wǎng)絡的測試樣本數(shù)據(jù)庫,輸出樣本為鐵路貨運量，并采用全局優(yōu)化的粒子群算法優(yōu)化模糊神經(jīng)網(wǎng)絡的參數(shù)。李斌等［71］（2008）采用歷史平均模型、RBF神經(jīng)網(wǎng)絡、灰色預測法分別建立了天津市某路口交通流量的單項預測模型，然后利用支持向量機模型對多個單項預測模型結(jié)果進行了組合預測，以作為其最終的預測值.除了以上物流需求預測方法以外，還有其他預測方法,例如時交叉影響模型、投入產(chǎn)出模型［72]、聯(lián)機分析處理法［73]、價值量法［2］和集對聚類預測模型［74］等。

參考文獻：［1]云俊．物流園區(qū)預測方法及應用研究[D]．武漢理工大學碩士論文集，2003，09．[2］劉秉鐮．基于價值量的物流需求分析與預測方法研究［J]．中國軟科學,2004（05）：66-73．［3］劉勁，謝濤．右江那吉航運樞紐工程貨運量分析預測方法［J]．廣西交通科技，2002，27(4）：81-83．［4］楊榮英，張輝,苗張木．物流預測技術中的移動平均線方法[J］．武漢理工大學學報（交通科學與工程版），2001，25(03）：353-355．[5]李海建，曹衛(wèi)東，曹有揮．蕪湖市物流業(yè)發(fā)展的現(xiàn)狀分析及規(guī)模預測［J]．安徽師范大學學報(自然科學版），2003，26（02）:186-190．［6]韋司瀅,張金隆，鮑玉昆．物資配送需求預測的分析［J]．物流技術，1999（3）：19—20．［7]黃榮富，陳亞東，潘?。M合預測技術在港口吞吐量預測中的應用研究[J］．水運工程，2003，352(5）：25—27．［8]張云康，張曉宇．組合預測模型在寧波港集裝箱吞吐量預測中的應用［J]．中國水運，2008,08（01）：33-34．［9]黃麗．隨機時間序列模型在物流需求預測中的應用［D]．武漢大學碩士論文集,2004，09．[10］賴一飛，鄭清秀，章少強,紀昌明．灰色預測模型在水運貨運量預測中的應用[J］．武漢水利電力大學學報，2000，31（01）:96—99．[11]張存祿，黃培清．武漢地區(qū)物流發(fā)展水平灰色預測[J]．工業(yè)技術經(jīng)濟,2001（05）：32—35．[12］張鵬，花戀．灰色模型預測技術在公路物流預測中的應用[J］．交通企業(yè)管理,2001（12)：25—27．[13］林樺．物流園區(qū)的貨流預測研究[J］．武漢理工大學學報，2002,24（04）：97—100．[14］劉芳，高波，GolinovaS．F．灰色序列模型在物流園區(qū)貨運量預測中的應用[J］．成組技術與生產(chǎn)現(xiàn)代化，2005，22（4)：22—24．［15]黃智星．灰色預測算法在物流園區(qū)需求預測中的應用與改進［D］．北京交通大學碩士論文集，2007．[16]柴大勝，黃智星，申金升．灰色預測算法在物流園區(qū)需求預測中的應用[J]．物流技術,2007，26（8）：73—75，109．[17]林小平，袁捷．基于灰色模型的成都雙流機場物流預測[J］．武漢理工大學學報(交通科學與工程版）,2007（03）:457-459．［18］何國華．區(qū)域物流需求預測及灰色預測模型的應用［J]．北京交通大學學報（社會科學版)，2008（01)：33—37．［19］潘英英，宋國喜．基于灰色系統(tǒng)理論的廣西物流需求預測模型［J]．廣西財經(jīng)學院學報，2008（01）：26-29．［20］周茵．殘差灰色預測模型在物流需求預測中的應用［J]．2007（11）：59—61．［21］吳振寧，黎青松，梁濤,董文龍．基于灰色Markov鏈配送中心物流量的預測[J］．西華大學學報(自然科學版），2004，23(S1)：123-125．［22］王冠奎，董艷．基于灰色馬爾可夫模型的物流園區(qū)物流量預測研究[J]．物流科技，2007,02：1—4．[23]胡云超，雷黎，紀壽文．基于Markov鏈的物流園區(qū)需求灰色預測模型改進[J］．物流科技,2007（08）：1—3．［24］毛良偉．混沌動力學在宏觀物流預測中的運用［J］．技術經(jīng)濟，2003（05）：32-35．[25]楊瑞,張那，陸懷民．基于混沌理論對公路貨運量預測方法的研究[J]．黑龍江交通科技，2005(02）：92—93．［26］李紅啟，劉凱．基于分形理論的鐵路貨運量預測［J]．鐵道學報，2003，25(3）:19-24．［27]聶偉，邵春福,楊勵雅,牛學軍．分形理論在貨運量預測中的應用探討[J]．物流技術，2007，（02)：104-106，109．[28］楊浩．區(qū)域經(jīng)濟和區(qū)域物流需求的預測研究[D]．對外經(jīng)濟貿(mào)易大學碩士論文集,2005，06．［29]胡堅．經(jīng)濟預測講座(八）—彈性系數(shù)法在需求預測中的應用[J]．北京統(tǒng)計，1998（08）:45—46．［30］喬向明，董梅，張明香．基于彈性系數(shù)法的全國公路客貨運量預測研究［J]．華東公路，2004（05）：87-90．［31］李慧,林榮娜．彈性系數(shù)法在公路工可交通量預測中的應用[J］．西華大學學報(自然科學版）,2006，25（05）:28—29,47．[32]于龍年．關于鐵路物流中心物流量預測的探討[J］．科技創(chuàng)新導報,2008(19）:190—191．[33］曹曉飛，邵春福．運用彈性系數(shù)法預測北京機動車保有量［J]．道路交通與安全，2008，08（04）：31-34．［34］蔣仁才，劉瑞林．逐步回歸方法和重力模型在貨運量預測中的應用［J]．中國鐵道科學，1987,（01)．[35]詹燕，李碩．重力模型在交通分布預測中的應用［J]．湖南交通科技，2000，26(02）：65-66，71．［36］蔡若松，李默涵．重力模型在未來交通分布預測中的應用［J］．丹東紡專學報，2002,09（02）：23—24．［37]楊天寶，劉軍．應用改進重力模型法預測鐵路行包OD運量的研究［J］．鐵道運輸與經(jīng)濟，2006（03）：31—34．［38]肖文剛，陳金泉．重力模型改進在交通分布預測中的應用[J]．科技情報開發(fā)與經(jīng)濟，2007，17(12)：200—201．［39]劉曉明，夏洪山．基于逆向重力模型的樞紐機場旅客吞吐量估計方法［J]．交通運輸工程學報，2008，08（02）:85-89．［40]朱順應，管菊香,王紅，李安勛，嚴新平．交通分布預測模糊重力模型[J］．東南大學學報(自然科學版),2008，38（04)：727-731．［41]王桂霞,何滿喜，米宇平．內(nèi)蒙古交通運輸貨運量及貨運周轉(zhuǎn)量的預測[J］．內(nèi)蒙古師大學報(自然科學漢文版）,2001，30（2）：114—118．[42]林洪．廣東物流業(yè)發(fā)展狀況評價及趨勢預測［J]．番禺職業(yè)技術學院學報,2002，01（03）:34—37．［43］李慧．線性回歸預測與控制在物流作業(yè)成本法中的應用［J]．重慶交通學院學報，2004,23（06）:115—117．[44]王小萃．城市物流需求量的回歸模型［J]．中國水運，2007，05（07）：201—202．［45］陳智剛,朱鼎勛，何淼．基于的昆明市第三方物流市場需求預測分析［J］．昆明冶金高等?？茖W校學報,2007（06）：30—33．［46］楊琳，劉忠波．一元線性回歸模型在預測物流需求的應用[J]．商業(yè)文化(學術版)，2007（10）：173-175．［47］楊帥．武漢市物流需求預測［J］．當代經(jīng)濟（下半月），2007（10）：106-107．[48］趙衛(wèi)艷,谷雪松．線性回歸模型在貨運量預測中的應用［J]．山西建筑，2007，33（09）：248-249．[49］邢文訓，謝金星．現(xiàn)代優(yōu)化計算方法[M］．北京：清華大學出版社，1999．[50]韓力群．人工神經(jīng)網(wǎng)絡理論、設計及應用[M]．北京：化學工業(yè)出版社,2002．［51］張擁軍,葉懷珍，任民．神經(jīng)網(wǎng)絡模型預測運輸貨運量［J]．西南交通大學學報（自然科學版)，1999，34（05）：602-605．[52]王隆基，張仲鵬，孫曉霞．基于BP神經(jīng)網(wǎng)絡的物流預測方法[J]．機械，2004，31(03):4-5,9．［53]牛忠遠．我國物流需求預測的神經(jīng)網(wǎng)絡模型和實證分析研究［D]．浙江大學碩士論文集,2006．07．[54］繆桂根．基于BP神經(jīng)網(wǎng)絡技術的區(qū)域物流需求量預測［J]．中國水運（理論版)，2007（05）:131-132．[55］耿勇，鞠頌東，陳婭娜．基于BP神經(jīng)網(wǎng)絡的物流需求分析與預測[J]．物流技術，2007,26(7）：35—37,73．[56］郭紅霞．基于BP神經(jīng)網(wǎng)絡的物流需求量預測框架設計[J］．鐵道運輸與經(jīng)濟，2007，29（11）：68—70．［57]白晨明，孟建軍，周曉麗,蔣兆遠．神經(jīng)網(wǎng)絡在機場物流預測中的應用研究［J]．蘭州交通大學學報，2004，23(03)：39-43．[58]趙闖，劉凱,李電生．基于廣義回歸神經(jīng)網(wǎng)絡的貨運量預測［J］．鐵道學報，2004，26（1）：12