基于时空数据挖掘的生鲜配送中心选址研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的及意义 | 第12页 |
| 1.3 相关问题的研究现状 | 第12-15页 |
| 1.3.1 数据挖掘问题的国内外研究现状 | 第12-14页 |
| 1.3.2 配送中心选址问题的国内外研究现状 | 第14-15页 |
| 1.4 论文研究内容 | 第15页 |
| 1.5 主要技术路线 | 第15-17页 |
| 2 相关理论与方法 | 第17-27页 |
| 2.1 生鲜配送中心功能与类型 | 第17-19页 |
| 2.1.1 生鲜配送中心的定义 | 第17页 |
| 2.1.2 生鲜配送中心功能 | 第17-18页 |
| 2.1.3 生鲜配送中心类型 | 第18-19页 |
| 2.2 生鲜产品生命周期评估方法 | 第19-20页 |
| 2.2.1 常数型生鲜腐败连续型生命周期函数 | 第19页 |
| 2.2.2 指数型生鲜腐败连续型生命周期函数 | 第19-20页 |
| 2.3 数据清洗基础理论 | 第20-21页 |
| 2.3.1 数据清洗定义 | 第20-21页 |
| 2.3.2 数据清洗的原理 | 第21页 |
| 2.4 数据挖掘方法 | 第21-23页 |
| 2.4.1 数据挖掘概念 | 第21页 |
| 2.4.2 数据挖掘的主要方法 | 第21-22页 |
| 2.4.3 数据挖掘一般流程 | 第22-23页 |
| 2.5 配送中心选址分析方法 | 第23-27页 |
| 2.5.1 配送中心选址原则 | 第23-24页 |
| 2.5.2 配送中心选址的步骤 | 第24-27页 |
| 3 数据处理与时空分析 | 第27-32页 |
| 3.1 数据处理 | 第27-28页 |
| 3.1.1 数据来源 | 第27页 |
| 3.1.2 数据清洗方法 | 第27-28页 |
| 3.2 时空分析方法 | 第28-32页 |
| 3.2.1 空间聚类分析 | 第28-30页 |
| 3.2.2 时间特征分析 | 第30-32页 |
| 4 配送中心选址模型的构建 | 第32-40页 |
| 4.1 构建模型的基本思路 | 第32页 |
| 4.2 选址模型建立的条件 | 第32-34页 |
| 4.3 选址模型建立的过程 | 第34-38页 |
| 4.3.1 配送中心区域筛选 | 第34-35页 |
| 4.3.2 配送中心位置确定 | 第35-38页 |
| 4.4 模型求解算法 | 第38-40页 |
| 4.4.1 配送中心区域筛选中的模型求解算法 | 第38页 |
| 4.4.2 配送中心位置确定中的模型求解算法 | 第38-40页 |
| 5 石家庄生鲜配送中心选址实例 | 第40-53页 |
| 5.1 数据来源与清洗 | 第40-43页 |
| 5.1.1 实例数据来源 | 第40页 |
| 5.1.2 实例数据清洗 | 第40-43页 |
| 5.2 配送中心选址 | 第43-53页 |
| 5.2.1 网点客户空间聚集性分析 | 第43-45页 |
| 5.2.2 生鲜产品需求量的时间特征分析 | 第45-48页 |
| 5.2.3 模型选址仿真求解 | 第48-53页 |
| 6 本文结论与展望 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 创新点 | 第53页 |
| 6.3 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间取得的科研成果清单 | 第60页 |
