[管理学]第7章物流战略规划的工具与方法.pptVIP

第7章 物流战略规划的工具与方法 第7章 物流战略规划的工具与方法 7．1 物流量预测模型介绍 7．2 物流战略规划理念：SCOR模型 7．3 地理信息系统：GIS 7．4 库存模型 7．1 物流量预测模型介绍 物流量预测模型主要分为7类：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。 7．1．1 基于统计方法的模型(StatiStic-Based MOdel) 这类模型是用数理统计的方法处理交通历史数据，如交通流量、交通速度、旅行时间等。一般来说，统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。基于统计方法的模型主要有历史平均模型(History AverageModel)、线性回归模型(Linear Regressive Model)、时间序列模型(Time Serial Model)、卡尔曼滤波模型(Kalman Filtering Model)、Markov预测、极大似然估计模型(Maxium Likelihood Formulation Model)等。 研究较早的历史平均模型方法比较简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但由于它不能解决非常规和突发的交通状况，如交通事故，因此，其静态预测有先天性的不足。 线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，预测误差将会增大，而在线标定多元线性回归的参数又比较困难。同时，在将主要影响因素量化的过程中，还存在着一些不确定性。 7．1．2 交通仿真模型(Traffic Simulation Model) 一般来说，交通仿真模型把车辆当作实体，用计算机模拟实际道路交通情况，对道路的交通状况进行仿真，得到道路预测的交通信息。因此，严格意义上说，交通仿真模型不能用于交通流预测的目的，因为它需要输入用于预测的交通流数据。而且，交通仿真模型不能实现实时性。但是，一旦能够通过其他的方法预测得到交通流量数据，仿真模型可以提供一种估计动态旅行时间的方法。换句话说，仿真模型提供了一个交通流、占有率和旅行时间之间相互关系的一个模拟实际的计算方法。 7．1．3 基手动态交通分配的模型(DTA模型) 当使用传统的仿真模型时，如CROSIM和SIMTraffic，要预先确定出行者的出行路径，这就要使用动态交通分配模型。DTA模型通过采集到的交通流数据和出行者出行选择的行为，估计随时间变化的网络的状态。DTA模型通常分为以下三种情况：以数学、变分方程、主观控制理论或者仿真为基础的启发式模型。所有这些方法的共同点是它们都以传统的静态交通分配的假设为基础，解决随时间变化的动态交通流问题，并且对任何一个网络都没有一个通用的方法。 7．1．4 非参数回归模型(Nonparametric Regressive Model) 非参数回归模型也称多元回归模型，是一种多条路段分析方法，这是对单条路段分析的扩展。 所谓单条路段分析是基于以前的本路段和几条相邻路段的交通流量信息，对该路段进行交通流量预测。 它所应用的场合是：不需要先验知识，只需足够的历史数据。它寻找历史数据中与当前点相似的“近邻”，并用那些“近邻”预测下一个时段的流量。该算法认为系统所有因素之间的内在联系都蕴涵在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。也就是说，非参数建模没有将历史数据作平滑处理，因此，该模型适合于发生特殊事件的状态。 7．1．5 神经网络模型(Neural Netwotk Model) 1943年，神经生物学家Warren S. McCulloch和数理逻辑学家Waiter Pitts首先提出一个简单的神经计算模型，即神经元的阈值元件模型(简称MP模型)，开创了神经网络的研究。神经网络理论建立在现代神经科学研究成果的基础上，它反映了人脑功能的若干特性，但并非神经系统的逼真描述，而只是其简化、抽象和模拟。换言之，人工神经网络是一种抽象的数学模型。 目前在交通流预测领域，基于神经网络的研究主要分为以下三个层次： 》 用单一的一类神经网络模型直接用于交通流预测的，已经用于短期交通流预测领域的神经网络模型有：反向传播BP(Back Propagation)神经网络、递归神经网络(Recurrent NeuralNetworks)、径向基RBF(Radial Basis Func