物流需求预测

摘要： 为了能够适应南京市物流市场的需求,科学地预测南京市物流需求,文中利用灰色关联度确立货运量为南京市物流需求量的指标。因为单方面预测货运量存在数据的局限性且货运量存在多方面的影响,文中通过建立灰色GM(1,1)模型,分别预测了南京市铁路运输货运量、公路运输货运量、水路运输货运量、民航航空运输货运量,然后求和得出南京市货运量,通过分析可知南京市物流需求呈增长趋势,再通过多元回归模型,发现各个运输量都呈正相关性,且水路和公路起着关键作用。

摘要： 分别根据BP神经网络模型和二次指数平滑模型在预测领域的运用,以珠海市物流市场为对象进行实证研究,并运用SPSS、MATLAB等统计数据挖掘工具,根据珠海市经济和物流市场相关数据建立相应模型,对两种模型的物流市场需求预测模型和方法分别进行分析。最后,对两种不同的预测方法做预测结果比较分析,证明BP神经网络预测方法较二次指数平滑方法具有更好的拟合性能和预测精度。

摘要： 随着社会经济的不断发展与产业结构的调整优化,现代物流业在国民经济中的地位愈发重要,精准的物流需求预测对物流产业高质量健康发展至关重要。文中分析了影响区域物流需求的主要因素,并建立相应的BP神经网络模型对福州都市圈的物流需求量进行预测。结果显示,未来5年福州都市圈物流需求量呈稳步上升趋势,结合都市圈内各城市物流实际发展情况,为福州都市圈物流产业发展规划提供一定的参考依据。

摘要： 通过分析影响北京市物流需求的相关因素,构建北京市物流需求预测影响因素指标体系.运用BP神经网络和GM(1,1)方法,建立北京市物流需求组合预测模型,选取近20年的统计数据对未来五年的物流需求进行预测,得出物流需求总量及变化规律,并以此提出推进北京市物流业发展的有效途径,为物流系统规划提供合理依据及有效发展途径.

摘要： 为研究区域经济与区域物流之间的相互依赖关系,建立有效的预测模型进行预测,对有关职能部门制定发展战略十分必要.基于区域经济与区域物流关系的分析,利用江苏省2005-2019年相关经济指标的面板数据,选择与区域GDP相关系数较大的货运量来表征区域物流需求的规模,基于强相关性等原则构建了影响物流需求的经济指标体系,运用SPSS统计分析软件建立基于区域经济指标的区域物流需求的主成分回归(PCR)预测模型,对模型进行检验,可决系数值表明模型的拟合优度好;通过趋势外推法(TE)建立江苏省区域经济各指标的预测模型,将预测数据代入PCR模型进行2020-2024年江苏省货运量预测,能够为区域经济和区域物流发展提供有价值的决策参考.

摘要： 以灰色预测理论为基础,基于南京都市圈主要8个城市2015-2019年的货运量数据,建立灰色GM(1,1)预测模型,对南京都市圈未来5年的物流需求量进行了预测,预测值围绕实际值及其演变趋势出现小范围上下波动,表明预测精度高且验证了模型预测的适用性和可行性.预测结果显示,未来5年南京都市圈物流需求量将逐年增加,结合南京都市圈主要城市物流实际发展情况,为南京都市圈发展规划下的区域物流规划和决策提供了一定的参考依据.

摘要： 本文根据如皋发展现状及未来发展方向,选取5个预测指标以2014～2018年各类数据作为样本数据,采用灰色GM(1,1)模型预测如皋未来三年的物流需求量,同时对预测出的结果进行分析总结,对如皋以后的物流规划及资源分配提供参考.

摘要： 文章首先选取广西北部湾经济区2009-2018年的三大产业产值、货运量、货物周转量及进出口总额数据,构建北部湾经济区产业结构与物流需求相关指标之间的关系,指出北部湾经济区实施同城化前后三大产业产值与物流需求相关指标之间趋势,预测2019-2021年经济产业结构值;再基于经济产业结构建立多元回归模型,预测北部湾经济区2019-2021年物流需求量.研究结果表明:经济产业结构与物流需求关联度高,基于经济产业结构预测区域物流需求是合理的.北部湾2019-2021年预测物流需求量依然与区域经济发展保持同步.另外,为促进北部湾物流发展,应完善物流基础设施,需注重第二、三产业发展,实现物流多元化发展.

摘要： 文章为预测长春市未来的物流需求,建立ARIMA模型,对2017-2020年长春市邮政物流总量进行了分析,采用时间序列模型进行物流需求预测,用数据平稳性的判断平稳化、标准化地进行建模.利用MATLAB R2018a软件对长春市物流总量进行拟合和预测.实验结果表明:ARIMA对呈周期性变化的序列预测较为准确,对以后解决此类问题有较大的启发.

摘要： 通过对广东省物流需求影响因素的分析，确定各影响因素的衡量指标。由于所选变量较多，为提高模型的预测精度，利用因子分析对各变量进行降维，将处理后的数据作为所建BP神经网络预测模型的输入端神经元。用MATLAB运行所建模型，得到预测结果。由预测结果可知，短期内未来广东省物流需求量将持续增加。

摘要： 本文结合广东某墙纸厂物流预测应用,根据多品种小批量产品的物流需求特征,提出了一套预测方法,较好的解决了多品种小批量产品在分销中的短期物流需求预测问题.

摘要： 本发明公开了一种产品需求预测方法，包括：根据产品阶段以及调整状态，对产品调整记录进行采样得到第一样本集，根据第一样本集建立判断模型；根据初始预测值以及修正预测值，对产品历史预测值进行采样得到第二样本集，根据第二样本集建立目标回归模型；获取当前阶段的初始预测值以及当前产品阶段；使用判断模型对当前产品阶段进行处理，确定当前调整状态；若当前调整状态为需要调整，则将当前阶段的初始预测值代入目标回归模型计算，输出当前阶段的修正预测值。本发明还提供一种可以实现上述方法的产品需求预测装置。本发明能够对现有预测结果进行优化，提高产品需求预测的准确性。

摘要： 本发明准确地预测商店的商品需求。商店服务器(520B)(商品需求预测装置)被设置有：获取单元(526)，其获取与在对商品的需求被预测的时间带的至少一部分中被预期在定位有商店的区域中存在的人员有关的信息；以及预测单元(527)，其基于与人员有关的信息以及所述人员的商品购买倾向来预测在时间带中在商店的商品需求。

摘要： 需求预测装置（10）具有：活动数获取部（161a），获取预测需求的对象的活动数；更换率计算部（161b），根据表示故障发生的概率的时间序列的变化的第一曲线和表示故障发生的概率的时间序列的变化的第二曲线，计算预测需求的对象的更换率；以及需求预测部（161c），根据通过活动数获取部（161a）获取的活动数、和通过更换率计算部（161b）计算的更换率，计算预测需求的对象的需求。

摘要： 本公开提供了一种需求预测模型训练方法和装置，涉及机器学习等技术领域。该方法的一具体实施方式包括：获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度；基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。该实施方式提高了需求预测模型的性能。

摘要： 需求预测装置(1)将第1关联数据加工为与第1实绩数据相似，从第2实绩数据及第2关联数据中选择与被加工后的第1关联数据相似的数据，与选择出的第2实绩数据的趋势匹配地调整第2关联数据的波形，根据第2实绩数据的趋势选择预测模型，进行需求预测。

摘要： 实施方式的合乘车辆用需求预测装置具有预约预测次数取得部。预约预测次数取得部使用具有通过将预约数据、移动数据和上下车要因数据作为输入数据进行机器学习而得到的神经网络的模型，按每个规定的期间取得预约预测次数，该预约数据表示合乘车辆的预约成立时的预约状况，该移动数据表示在合乘车辆的运行当天终端用户实际上下车的区域，该上下车要因数据包含能够成为合乘车辆的运行当天的终端用户的上下车的发生要因的数据，该预约预测次数相当于规定的多个区域中的作为合乘车辆的上下车预约而在未来能够成立的预约次数。

摘要： 一种需求预测方法以及需求预测装置。基于历史需求数据，获得料号对应的初步预估量。基于初步预估量，计算料号的需求几率。基于历史需求数据、初步预估量以及需求几率，获得料号对应的预测需求量。

摘要： 本公开提供了一种备件需求预测方法，该方法包括：首先，构建图结构。其中，图结构的任一节点用于表征备件或机器，图结构的任一边用于表征：备件与备件之间的关系、备件与机器之间的关系、或者机器与机器之间的关系。上述备件包括：至少一个新品备件和至少一个历史备件。然后，基于所构建的图结构和上述至少一个历史备件的历史损坏数据，确定上述至少一个新品备件中的任一新品备件的预测损坏数据。接着，基于任一新品备件的预测损坏数据，确定该任一新品备件的需求量。本公开还提供了一种备件需求预测装置和电子设备。

摘要： 本公开提供了一种备件需求预测方法，包括：获取至少两个预测模型，其中，所述至少两个预测模型中任意两个预测模型不同，所述至少两个预测模型中的每个预测模型基于历史备件使用数据训练得到，所述至少两个预测模型均具有代价敏感性；利用所述至少两个预测模型分别对待测备件数据进行处理，得到至少两个针对所述待测备件数据在需求上升期内的备件需求预测数量；以及基于所述至少两个针对所述待测备件数据在需求上升期内的备件需求预测数量，确定针对所述待测备件数据的目标预测数量。本公开还提供了一种备件需求预测装置和电子设备。

摘要： 本发明属于物流预测技术领域，公开了一种物流园区腹地物流需求预测方法，包括：采集物流园区腹地内各区域物流需求数据构建样本集；将样本数据分为训练集及测试集；训练集用于获取合理描述输入关系的支持向量回归机模型，测试集用于对模型预测效果进行验证；将所得参数带入支持向量回归机，对测试样本进行预测，获得预测结果，并与原始数据进行对比，验证预测效果；将各区域的物流需求影响指标带入训练好的支持向量回归机中，对其该区域物流需求进行预测；根据各区域的区域物流需求确定物流园区腹地的物流需求；本发明提供的物流园区腹地物流需求预测方法，不仅对小样本数据表现出良好的拟合精度，还对独立的测试集表现出较小的误差，提升了预测模型的泛化能力。