本文的物流數(shù)據(jù)預(yù)測(cè)系統(tǒng)主要是研究物流訂單量的預(yù)測(cè)問(wèn)題,優(yōu)化預(yù)測(cè)準(zhǔn)確率,幫助物流企業(yè)提前解決車輛的安排調(diào)度問(wèn)題,降低車輛運(yùn)輸成本。在與物流企業(yè)的項(xiàng)目合作過(guò)程中,經(jīng)過(guò)實(shí)地調(diào)研發(fā)現(xiàn),物流規(guī)模的擴(kuò)大積累了海量的物流數(shù)據(jù),如何有效的利用物流大數(shù)據(jù)為物流企業(yè)創(chuàng)造更多的效益是企業(yè)非常關(guān)注的問(wèn)題,因此一種更加高效穩(wěn)定的預(yù)測(cè)算法應(yīng)用于物流訂單量的預(yù)測(cè)是非常必要的。本文對(duì)大量的數(shù)據(jù)預(yù)測(cè)算法和應(yīng)用于其他相關(guān)領(lǐng)域的數(shù)據(jù)預(yù)測(cè)技術(shù)的國(guó)內(nèi)外文獻(xiàn)進(jìn)行了研究分析,發(fā)現(xiàn)自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)算法具有良好的非線性數(shù)據(jù)預(yù)測(cè)性能和通用性,參數(shù)簡(jiǎn)單易于實(shí)現(xiàn),但該算法仍存在一些缺陷,如何加快BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的收斂速度,避免自適用BP神經(jīng)網(wǎng)絡(luò)在優(yōu)化權(quán)值和閾值時(shí)陷入局部最優(yōu)值是本文需要解決的問(wèn)題。通過(guò)對(duì)大量自適用BP神經(jīng)網(wǎng)絡(luò)算法的國(guó)內(nèi)外文獻(xiàn)研究分析,驗(yàn)證了群智能優(yōu)化算法可以有效地對(duì)自適用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化,而經(jīng)過(guò)改進(jìn)的粒子群算法收斂速度快從而避免了陷入局部最優(yōu)值,因此本文結(jié)合了改進(jìn)的粒子群算法的優(yōu)勢(shì),提出了一種混合自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)算法(HABP,Hybrid Adaptive Back Propagation Neural...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 課題來(lái)源及研究?jī)?nèi)容
    1.3 本文的組織架構(gòu)
第二章 相關(guān)技術(shù)研究
    2.1 基礎(chǔ)知識(shí)
        2.1.1 自適用BP神經(jīng)網(wǎng)絡(luò)
        2.1.2 物流數(shù)據(jù)預(yù)測(cè)問(wèn)題
    2.2 自適用BP神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        2.2.1 主要的自適用BP神經(jīng)網(wǎng)絡(luò)
        2.2.2 國(guó)內(nèi)外研究現(xiàn)狀
    2.3 物流數(shù)據(jù)預(yù)測(cè)問(wèn)題研究現(xiàn)狀
        2.3.1 數(shù)據(jù)預(yù)測(cè)應(yīng)用領(lǐng)域
        2.3.2 求解算法分類
        2.3.3 國(guó)內(nèi)外研究現(xiàn)狀
    2.4 本章小結(jié)
第三章 基于混合自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)優(yōu)化方法
    3.1 算法分析
    3.2 混合自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)
        3.2.1 BP神經(jīng)網(wǎng)絡(luò)
        3.2.2 小生境粒子群算法
        3.2.3 混合自適用BP神經(jīng)網(wǎng)絡(luò)算法
    3.3 基于混合自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的物流數(shù)據(jù)預(yù)測(cè)優(yōu)化方法
        3.3.1 問(wèn)題描述
        3.3.2 算法流程
    3.4 仿真與分析
        3.4.1 算法性能測(cè)試
        3.4.2 物流數(shù)據(jù)預(yù)測(cè)算例仿真
    3.5 本章小結(jié)
第四章 基于多標(biāo)簽分類的物流數(shù)據(jù)預(yù)測(cè)優(yōu)化方法
    4.1 問(wèn)題分析
    4.2 多標(biāo)簽分類預(yù)測(cè)策略
    4.3 基于多標(biāo)簽分類的物流數(shù)據(jù)預(yù)測(cè)優(yōu)化方法
        4.3.1 問(wèn)題描述
        4.3.2 算法流程
    4.4 仿真與分析
        4.4.1 仿真數(shù)據(jù)準(zhǔn)備
        4.4.2 仿真結(jié)果與分析
    4.5 本章小結(jié)
第五章 物流數(shù)據(jù)預(yù)測(cè)系統(tǒng)設(shè)計(jì)
    5.1 系統(tǒng)需求設(shè)計(jì)
        5.1.1 數(shù)據(jù)分析
        5.1.2 功能分析
    5.2 系統(tǒng)總體設(shè)計(jì)
        5.2.1 系統(tǒng)總體架構(gòu)
        5.2.2 系統(tǒng)網(wǎng)絡(luò)部署
    5.3 系統(tǒng)的模塊設(shè)計(jì)
    5.4 數(shù)據(jù)庫(kù)設(shè)計(jì)
    5.5 本章小結(jié)
第六章 物流數(shù)據(jù)預(yù)測(cè)系統(tǒng)原型實(shí)現(xiàn)與測(cè)試
    6.1 系統(tǒng)開發(fā)環(huán)境
    6.2 系統(tǒng)模塊設(shè)計(jì)
        6.2.1 用戶登陸模塊設(shè)計(jì)
        6.2.2 人員管理模塊設(shè)計(jì)
        6.2.3 訂單管理模塊設(shè)計(jì)
        6.2.4 數(shù)據(jù)預(yù)測(cè)模塊設(shè)計(jì)
        6.2.5 車輛調(diào)度模塊設(shè)計(jì)
    6.3 功能測(cè)試
        6.3.1 用戶登錄
        6.3.2 人員管理
        6.3.3 訂單管理
        6.3.4 數(shù)據(jù)預(yù)測(cè)
        6.3.5 車輛調(diào)度
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3988030