| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 论文的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的主要内容 | 第12-14页 |
| 1.4 技术路线 | 第14-15页 |
| 1.5 论文的创新点 | 第15页 |
| 1.6 本章小结 | 第15-16页 |
| 2 区域物流需求预测相关理论分析及其影响因素分析 | 第16-23页 |
| 2.1 区域物流需求概述 | 第16-20页 |
| 2.1.1 区域物流需求概念 | 第16页 |
| 2.1.2 区域物流需求的特点 | 第16-17页 |
| 2.1.3 区域物流需求预测的特点 | 第17页 |
| 2.1.4 区域物流需求预测的步骤 | 第17-18页 |
| 2.1.5 常用的区域物流需求预测方法 | 第18-20页 |
| 2.2 区域物流需求影响因素分析 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 区域物流需求模型的建立 | 第23-42页 |
| 3.1 区域物流需求预测指标体系建立 | 第23-24页 |
| 3.1.1 区域物流需求预测指标的选取原则 | 第23页 |
| 3.1.2 物流需求指标体系建立 | 第23-24页 |
| 3.2 预测方法的选择 | 第24-25页 |
| 3.3 主成分回归预测模型 | 第25-28页 |
| 3.3.1 主成分分析原理 | 第25页 |
| 3.3.2 多元回归模型的定义 | 第25页 |
| 3.3.3 多元回归模型的建立 | 第25-28页 |
| 3.3.4 主成分回归分析模型的建立 | 第28页 |
| 3.4 多变量灰色预测模型 | 第28-34页 |
| 3.4.1 灰色系统理论介绍 | 第28-29页 |
| 3.4.2 灰色系统理论的作用 | 第29页 |
| 3.4.3 灰色生成的分类 | 第29-30页 |
| 3.4.4 对变量灰色预测模型建模原理 | 第30-34页 |
| 3.5 主成分分析RBF神经网络模型 | 第34-37页 |
| 3.5.1 RBF神经网络理论 | 第34-36页 |
| 3.5.1.1 RBF神经网络概念 | 第34-35页 |
| 3.5.1.2 RBF神经网络的结构 | 第35页 |
| 3.5.1.3 RBF神经网络的映射关系 | 第35-36页 |
| 3.5.2 基于主成分分析的RBF神经网络预测模型的建立 | 第36-37页 |
| 3.6 三种单一预测模型的比较 | 第37-38页 |
| 3.6.1 三种单一预测模型优缺点比较 | 第37页 |
| 3.6.2 三种单一预测模型的适用条件 | 第37-38页 |
| 3.7 基于Shapley组合预测模型的建立 | 第38-41页 |
| 3.7.1 组合预测方法概念 | 第38页 |
| 3.7.2 组合预测方法分类 | 第38-39页 |
| 3.7.3 组合预测方法的原理 | 第39页 |
| 3.7.4 Shapley值法的基本原理 | 第39-40页 |
| 3.7.5 基于Shapley值法的组合预测模型的构建 | 第40-41页 |
| 3.8 本章小结 | 第41-42页 |
| 4 山东省区域物流需求预测实例研究 | 第42-56页 |
| 4.1 山东省物流需求预测的必要性分析 | 第42页 |
| 4.2 数据来源及整理 | 第42-44页 |
| 4.2.1 数据来源 | 第42-43页 |
| 4.2.2 数据处理 | 第43-44页 |
| 4.3 主成分回归模型的建立 | 第44-47页 |
| 4.4 山东省物流需求多变量灰色模型的建立 | 第47-50页 |
| 4.5 PCA-RBF神经网络预测模型的建立 | 第50-51页 |
| 4.6 基于Shapley值法的组合模型预测 | 第51-54页 |
| 4.7 预测结果分析 | 第54-55页 |
| 4.8 本章小结 | 第55-56页 |
| 5 结论与展望 | 第56-58页 |
| 5.1 主要研究结论 | 第56页 |
| 5.2 不足与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |