货运公司申请量的预测及的收益估计模型[文档在线提供]

1货运公司申请量的预测及的收益估计模型摘要：本文建立了货运公司经济效益的整数优化模型，解决了货运公司的日收益和后一小段时间申请量预测极其预计收益问题。在预测下一步的申请量数据时采用了两种不同的方法（时间序列的加权平均值平移模型和神经网络预测模型），对下周七天的申请量和收益情况做出了的预测。模型I——整数规划模型，第一个题目，针对每一天的申请量，求解出了最佳批复方案即活鲜类：6460kg禽苗类：5000kg服装类：4000kg其他：0kg，且得出货运公司的最大获利。模型II——加权平均值时间序列平移预测模型，针对第二个题目，考虑到题目所给数据没有确定的规律性，针对相邻数据较大的跳跃性，我们对数据进行间隔分组后，建立了平均值平移预测模型，并用该模型根据已知的数据的前26项数据对第27至30项数据作出预测，并与原给的同期数据进行比较，作了相对误差分析，发现预测数据具有较高的可信度，我们用此模型合理的推测了下周七天的申请量的数据。模型III——神经网络预测模型，以申请前的数据作为输入因子，以要预测的申请量数据作为输出因子，建立神经网络预测模型，对后面的数据进行仿真预测如：前30天中的前29天的数据作为测试集的输入矢量，第30天的数据作为测试集的输出矢量。将30天中的后29天的数据作为测试集的输入，第31天的数据作为仿真结果。模型IV——效益预计整数规划模型，由于第三个题目跟第一个题目很相似，我们通过对模型I修改，建立了模型IV，并根据第二题模型II中得出的预测数据，利用该模型IV预计下周七天的收益。最后我们还对所建模型进行了评估，提出了模型的改进思路，为提高货运公司的收益作了相关因素分析，对货运公司的决策优化有一定帮助。关键字：整数规划模型预测模型时间序列间隔分组加权平均值平移预测神经网络预测21.问题的提出某货运公司拥有3辆卡车，每辆载重均为8000kg，可载体积为9.0843m，该公司为客户从甲地托运货物到乙地，收取一定的费用。托运货物可分为四类：A、鲜活类B、禽苗类C、服装类D、其他类，公司有技术实现四类货物任意混装。并且题目中给出了平均每类每kg所占体积和相应的托运单价。托运手续是客户首先向公司提出托运申请，公司给予批复，客户根据批复量交货给公司托运。申请量与批复量均以公斤为单位，例如客户申请量为1000kg，批复量可以为0~1000kg内的任意整数，若取0则表示拒绝客户的申请。在以上的条件下，题目中提出三个要解决的问题：（1）在已知条件下，求使得公司获利最大的批复方案；（2）在给出的一个月的申请量的情况下，要求预测以后七天内，每天各类货物申请量的约数。（3）根据题目二的预测结果，估算这七天的收益各位多少。2问题的分析货运公司的收益问题是一个求最大收益的整数规划问题，一个公司是赢利单位当然以最大的收益为主要目标。问题一就是求解最大收益的批复方案，就一个最优解问题，找出目标函数，列出所有的约束条件，就可以解决该问题；问题二是在已知的30天的申请量，来预测下周的各类货物的申请量，看到题目所给数据，并没有规律性，用简单的数学模型很难解决，我们可以建立加权平均值时间序列评议预测模型来解决这个问题。问题三是在问题二的基础上提出的，该问题用整数规划模型就可以很容易解决。3符号说明S：货运公司每天的收益，xi：货运公司对第i类货物的批复量，vi：第i类货物平均每千克所占的体积，gi：第i类货物的托运单价，yi：第i类货物的客户申请量，M1：表示前26天的第一组的申请量数据，M2：表示前26天的第二组的申请量数据，W1：表示第一组申请量数据的权向量，W2：表示第二组申请量数据的权向量。4基本假设1.卡车在两地间的托运成本不变，；2.卡车因的最大承载量不因使用时间而改变，且每辆卡车都能在最大限度内使用；3.托运单价稳定不变，申请客户不会毁约；4.附件一提供的数据真实可靠；5.忽略突发事件（交通事故，经济危机等）对货运公司运营情况的影响；6.假设各货物的申请量数据受季节因素的影响不大；5模型的建立与求解5.1问题一的分析、模型建立与求解5.1.1问题一的分析（1）求公司每天的收益，由于运输的固定成本不变，所以求解出运输的收入可3看成是公司收益的反映，问题中求公司最大收益的问题可转化为求最大收入的问题。由题意，每天的申请量yi和公司的批复量xi应该满足条件xi≤yi。（2）货运公司有三辆卡车，每辆卡车的载重量为8000kg，最大载重体积为9.084m3。为了使公司收益最大，应当使卡车得到充分利用，同时还应该保证安全，所以还必须不能超载，这就得到公司最大托运能力的约束条件：最大重量约束条件：40iix≤8000×3；最大体积约束条件：40iiivx≤9.084×3；（3）公司每天的收益S也就是货运公司对每类类货物的批复量xi与它所对应的托运单价gi的乘积的和。5.1.2模型I———问题一的模型建立由题设条件可建立模型I：其目标函数为：S=41iiigy；约束条件为：最大重量约束条件：40iix≤8000×3；最大体积约束条件：40iiivx≤9.084×3；最大审批量约束条件：xi≤yi；特殊约束条件：vx33≤（vx22+vx44）×3；整数约束条件：xi为整数（其中i为整数并且1≤i≤4）。5.1.3模型I的求解运用Lingo软件对该模型进行求解（具体程序见附录8.1），解得模型的最大值是S(max)=40232.00(元)，并且货运公司的批复方案如下：活鲜类：6460kg禽苗类：5000kg服装类：4000kg其他：0kg5.1.4模型I的结论分析由模型的结果可以看出，为了获得最大经济效益，公司优先考虑，货运单价高的货物，即先考虑服装类，然后考虑禽苗类，活鲜类，最后在条件允许的前提下才考虑托运其他类的货物。这在经济利益方面无疑是相当好的方案，但是，在现实生活中是不可行的，一个需要长期发展的货运公司，绝对不可以把客户申请的托运单价低的货物拒绝掉，那样会使得公司失掉好多客户。所以说，公司应该考虑综合效益，在考虑获利的同时应该尽量扩大自己的客户体系，吸引新客户保住老客户，进而为公司的长远发展奠定良好的基础。5.2问题二的分析、模型建立与求解5.2.1问题分析分析已知的数据，发现这些数据是一组复杂的离散数据，具有较大的不确定性，没有确定的规律可言，所以不能简单的直接用数学软件来拟合。针对这种情况，我们建立了加权平均值时间序列平移预测模型。45.2.2数据处理由于数据的跳跃性比较大，也就是项邻数据的差别较大，据此我们把这些数据的前26项（后四项用来检验模型预测数据的误差程度）按不同种类采用间隔取值分为为两组。即：第1、3、5、……25项数据（奇数项）为第一组，余下的2到26间的偶数项数据为第二组，然后对这两组分别用加权平均值时间序列平移法预测。5.2.3建立模型此模型一次可根据一类货物的前26天的申请量预测此类货物下两天的申请量(注：在用此模型对问题二中的四类货物申请量做预测时，应把要预测数据的前26项数据输入M中，次模型每次预测两项数据。如需进行多次预测更新，则应把前面M的前两个分量去掉，并用上一步预测得的两项数据作为向量M的后两个分量，依次类推进行多次预测)。用26维行向量M表示前26天的申请量数据（）：1226(,...,)MmmmM1表示前26天的第一组申请量数据：11325(,...,)mmmMM2表示前26天的第二组的申请量数据：22426(,...,)mmmMW1（列向量）表示第一组申请量数据的权向量：11213(,,...,)'W其中2113211iiiimmi=1,2,…,13W2（列向量）表示第一组申请量数据的权向量：11213(,,...,)'W其中21321iiiimmi=1,2,…,13第一、二组数据的预测值分别为：111*yWM222*yWM5.2.4模型II误差分析和应用模型用Matlab编程（见附录8.2）求解：我们先用前26天的数据预测了第27天到30天的数据,与原数据做了误差分析:5原始数据:ABCD271758357146542842283445385343484648291770361946282882303516391644314671模型预测检验数据A类B类C类D类271758357146542842283445385343484648291770361946282882303516391644314671模型预测数据与原始数据的(相对误差)分析:A类B类C类D类270.050.13-0.47-0.428-0.06-0.16-0.222.9429-0.13-0.1-0.610.2301.840.07-0.540.81分析上表可知,用此模型预测A,B两类货物的申请量时,与实际数据比较吻合,可以用此模型来预测后七天内的申请量数据；用此模型预测C,D两类货物的申请量时,与实际数据差别较大,说明这两类货物的申请量可能与一些未知的随机因素有关（也可能与此模型的适用范围有关）,而我们无法明确掌握他们对预测结果的影响方式和程度,因此只有先用此模型对后七天内C,D两类货物的申请量做出预测,在实际运用中根据经验和一些近期影响因素对预测结果作修正。后七天的预测数据(单位：公斤)A类B类C类D类3117783536662931053229443903544445683317843577675229423429163934556446433518083634691929923629743451543747883718003709674930526均值2286.2863677.7146213.4293727.143原数据均值2277.43428.2334555.12964.931比较后七天预测的数据均值与原给数据均值，可以认为：A，B两类数据的预测值是较好的预测值，C，D两类数据的预测值与实际尚有一定差距，在实际应用中应针对造成差异的原因对其作出修正。5.2.5模型的评估和改进我们建立的均值加权平移预测模型是依据时间序列的乘法模式T×S×I=Y(注：长期趋势T，季节变动S和不规则变动I)，简化后建立起来的。分析我们的模型预测（仅为长期趋势预测）的数据后，我们发现A,B两类货物申请量数据均值与原给定数据的均值比较接近，说明这它们受季节影响较小，C类货物申请量数据受季节影响教大（应针对其增大季节影响因子的权值），而D类货物申请量数据又受不规则变动的影响较大，并且不规则变动值又难以求得。所以我们就只求长期趋势和季节变动的预测值，以两者相乘之积为时间序列的预测值。总体来讲：模型二的优点是易于理解，预测结果稳定；缺点是时间序列的权值设置的不是很合理（不能预测受季节影响较大的数据），而且没有考虑随机因素对预测值的影响。模型的改进应该是根据经验和实际情况的变化对权值设置作优化处理，还要加入随机因素对预测值的影响。5.2.6人工神经网络模型的探索知识准备：人工神经网络（ArtificialNeuralNetwork,简称ANN）是人类在对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。他是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。他是有大量的功能简单的处理单元（神经元）相互连接形成的复杂的非线性系统，是对人脑的简化，抽象和模拟。可以反映人脑的功能的许多特性。神经网络可以通过学习，形成具有一定结构的自组织系统。完成n维空间向量到m维向量的高度非线性映射。当今社会，人工神经网络已经广泛应用于公司数据预测、分类、遥感数据和空间数据的综合分析、自然资源规划和地质研究、通讯、金融、生态模拟、市场预测中，本文利用人工神经网络重要模型之一BP网络模型与数学软件matlab相结合，解决货运公司数据预测问题。1.BP网络模型（ErrorBackＰropagation,简称ＢＰ），它是一种多层前馈神经网络，一般有一个输入层、一个或多个隐含层、一个输出层，隐含层的神经元均采用Ｓ型变换函数，输出层神经元采用纯线型变换函数。该网