一类物流企业网络运量预测组合算法与应用

《一类物流企业网络运量预测组合算法与应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、一类物流企业网络运量预测组合算法与应用　[摘要]本文分析了物流运输企业网络配送运量变化特性，提出了网络运量预测的组合算法，结合各种网络运量预测方法的特性，运用具体实例对组合模型的精度和适用条件进行了验证。　　[关键词]运量预测组合算法　　　　一、引言　　　　物流网络配送是一种特殊的、综合的物流活动形式，是物流企业的一个缩影或在小范围中物流全部活动的体现。物流网络运量的合理预测可以优化和完善物流系统，改善物流服务，降低物流成本，提高物流企业的经济效益。运量的预测方法分为定性预测方法和定量预测方法。　　物流企业网络运量的预测方法有多种。如增长系数法、重力模型法、机会模型法

2、和最大熵模型法等。但由于各种方法都具有其各自的优点，同时也存在各自的缺点或局限性;同一被预测目标，用不同预测方法，其结果往往相差较大。为解决这一矛盾，使运量预测更加切合实际，为科学决策提供可靠的依据，有必要提出运输市场预测的组合算法。　　　　二、网络运量预测的组合算法　　　　所谓运量预测的组合算法，是指运用多种预测方法对同一目标进行预测，然后将几种预测结果再进行一定的数学统计处理，组合成一个新的预测结果的方法。设几种预测方法所得结果分别为Y1，Y2，……,Yn;组合预测法的结果为Y,其相互关系表达为:　　F(Y)=f(Y1，Y2,……,Yn)（1）式(1)的具体关系式

3、可根据实际情况加以确定。　　如算术平均值:（2）加权平均值:（3）式(3)中q1,q2,…qn为各相应预测法结果所占权数。几何平均值:（4）　　　　三、网络运量预测的特性分析　　　　运量预测常用的方法有增长系数法、重力模型法和最大熵模型法。　　　　1.增长系数算法　　在运量预测中增长系数法通常采用平均增长率法和弗拉塔法。　　平均增长率法:ij城市或货运集散点的分布运量的增长率。使用i区出行发生量的增长率和j区出行吸引量增长率的平均值。弗拉塔法(Frator)：ij区间分布运量的增长率使用出行发生量误差修正量和出行吸引量误差修正量的组合平均值。增长系数法的优点:结构简单

4、、实用的比较多，不能需要交通城市或货运集散点之间的距离和时间，可以适用于小时运量或日运量等的预测，也可以获得各种目的的OD运量，对于变化较小的OD表预测非常有效。　　增长系数法的缺点：必须有所有城市或货运集散点的OD运量；对象地区发生大规模变化时，该方法不适用;交通城市或货运集散点之间的运量值较小时，存在如下问题:(1)若现状运量为零，那么将来预测值也为零。(2)对于可靠性较低的OD运量，将来的预测误差将被扩大;因为预测结果因方法的不同而异，所以在选择计算方法时，需要先利　　用过去的OD表预测现状OD表，比较预测精度;将来运量仅用一个增长系数表示缺乏合理性。　　　　2

5、.重力模型法（GravityMethod）　　模拟物理学中的牛顿的万有引力定律两物体间的引力与两物体的质量之积成正比，与它们之间距离的平方成反比。其中，Oi，Dj:城市或货运集散点i，j的发生与吸引运量;R:城市或货运集散点i,j间的距离或一般费用;k,α,b,g:系数。在现状OD表已知的条件下，Oi,Dj,Rij和tij已知，k,α,b,g可以用最小二乘法求得。　　优点:直观上容易理解;能考虑路网的变化和土地利用对人们的出行产生的影响;特定交通城市或货运集散点之间的运量为零也能预测;能比较敏感的反映交通城市或货运集散点之间行驶时间变化的情况。　　缺点:模型尽管能考虑

6、到路网的变化和土地利用对出行的影响，但缺乏对货流生成与方式选择行为的分析，跟实际情况存在一定的偏差;货流距离分布在全区域并非为定值，而重力模型将其视为定值;交通城市或货运集散点之间的行驶时间因交通方式和时间短的不同而异，而重力模型使用了统一时间;交通城市或货运集散点之间的距离小时，有夸大预测的可能性。　　　　3.最大熵模型　　网络运量预测中最大熵模型通常采用Wilson模型:　　T:对象地区的生成运量。即OD运量的组合数由求E的最大得到。　　约束条件为　　特点:能表现出行者的微观行动;总交通费用是出行行为选择的结果，事先给定脱离现实情况;各微观状态的概率相等，即各目的

7、地的选择概率相等的假设没有考虑距离和行驶时间等因素。　　　　四、组合预测应用算例　　　　如一物流企业主要负责A、B、C三个城市之间的物流运输，表1为该企业2004年的运量统计和2005年预计运输量表，表2为2005年三个城市间各条运输线路间单位运输平均收益，表3为2005年各城市间单位平均运输收益。现通过不同预测方法对其进行各城市间运量预测:　　预测结果为表5，重力模型预测结果为表6。具体计算过程略。　　表7为2005年各城市之间的实际运输量，将以上预测结果与其对比，发现各种预测方法均没有很好的达到实际值。现在我们用加权组合算法对其进行预测：根据以往