论文部分内容阅读
第三方汽车物流(Third Party Automobile Logistics)是指将汽车物流从汽车制造企业中剥离出来,将物流管理的部分功能外包给第三方物流提供商来管理的汽车物流模式,是汽车生产企业专注于核心业务,提高效率、降低成本的有效途径。物流需求量预测是第三方汽车物流企业有效规划运能、制定目标和计划,提高企业的核心竞争力的前提条件。汽车物流预测方法正成为第三方汽车物流重要的研究方向。本文重点研究了服务于第三方物流企业的物流需求量预测问题,具有重要的理论意义和实际应用价值。详细分析了我国汽车物流及第三方物流的发展历程及现状,对汽车物流的运行模式进行了探讨和研究,论证了在我国运行第三方汽车物流模式的可行性和必要性。简述了物流系统预测的一般方法与步骤,比较分析了多种常用的物流预测方法,建立了灰色残差序列BP神经网络(Grey Residual-Back Propagation NeuralNetwork,GRBPNN)物流需求量预测模型,以及基于RBF神经网络(Radia BasisFunction Neural Network,RBFNN)的物流需求量组合预测模型。针对第三方汽车物流企业的宏观发展环境,基于灰色关联分析(Grey Correlation Analysis,GCA),建立了RBF延拓预测模型,对未来我国汽车总产销量进行了预测分析。在GRBPNN中,对选用不同节点数及隐层神经元个数时的预测模型拟合精度及预测精度进行了比较分析,建立网络实现了对物流需求量灰色残差序列的拟合及预测;在RBFNN中,提出一种搜索一定范围内二维区间(goal,spread)最优解的参数寻优法,确定网络的最优参数,实现了对物流需求量的组合预测,提高了网络的稳定性及预测精度;在基于狄色关联分析的RBF我国汽车产销总量预测模型中,采用了混合时域预测及关联预测的延拓预测模型,得到了合理的预测结果。通过具体算例,用Matlab编程实现了GRBPNN、RBFNN、RBF延拓预测三种模型,并分析了三者的性能。结果表明:所设计的模型在物流需求量预测应用中能达到良好的拟合精度及预测精度。