物流园区(Logistics Park or Freight Village)是具有一定规模和综合服务功能的物流集结点,在供应链管理环境的影响下,对未来的经济发展将起到举足轻重的作用。随着对土地的严格管控,城市可用于建设物流园区的土地日益紧缺,必须对货流进行精确预测和评估,才能增强物流园区规划合理性,使之成为发展现代物流、促进经济增长的物流枢纽。因此预测方法的选用研究以及提高货流预测准确度成为货流预测的热点。本文重点研究了供应链管理环境下物流园区货流预测问题。详细论述了物流园区货流分析的内容及特征,深入讨论了影响物流园区货流量变动的主要因素,对盖家沟物流园区货流进行了细致的调查和分析。通过对回归分析(Regression Analysis,RA)、时间序列(Time Series,TS)、灰色理论(Grey Model,GM)、神经网络(Neural Network,NN)等传统和现代预测方法的比较分析,分别从物流园区层面和区域经济层面,建立了基于季节影响因素的混合灰色BP算法神经网络(Grey-Back Propagation Neural Network,GBPNN)预测模型和基于RBF的广义回归神经网络(GRNN)预测模型。GBPNN中,对梯度下降BP算法函数traingd、梯度下降动量BP算法函数trainlm和动量及自适应梯度递减训练函数traingdx进行比较分析,确定选用trainlm作为训练函数。通过建立专家评估系统,对物流园区货流季节影响因子进行评估,然后将季节影响因子作为GBPNN的输入层,采用试算法确定网络输入节点和隐层节点个数,最大限度地避免了产生局部极值,提高了预测精度;GRNN模型中,采用关联分析方法确定影响因素关联程度大小,设置不同的光滑因子比较和检验,得到比较理想的预测效果。通过采用盖家沟物流园区TCL配送货流数据,用Matlab编程对GBPNN和GRNN两预测模型进行了验证,得出所设计的GBPNN和GRNN预测模型在物流园区货流预测应用中预测逼近效果良好、预测精度高的结论。