許茂增，余國(guó)印

(重慶交通大學(xué) 管理學(xué)院，重慶 400074)

?

基于C # 與MATLAB混合編程的物流需求預(yù)測(cè)系統(tǒng)的實(shí)現(xiàn)

許茂增，余國(guó)印

(重慶交通大學(xué) 管理學(xué)院，重慶 400074)

根據(jù)物流需求數(shù)據(jù)的不同特點(diǎn)，歸納了灰色GM(1,1)模型、移動(dòng)平均值模型、指數(shù)平滑模型、季節(jié)指數(shù)模型、BP神經(jīng)網(wǎng)絡(luò)模型、線性回歸模型、多項(xiàng)式擬合模型和非線性回歸模型8種常見的物流需求預(yù)測(cè)模型，并據(jù)此為物流企業(yè)開發(fā)了基于C # 與MATLAB混合編程的物流需求預(yù)測(cè)系統(tǒng)，降低了物流企業(yè)物流需求預(yù)測(cè)的復(fù)雜度。最后通過預(yù)測(cè)實(shí)例表明該系統(tǒng)具有較好的適用性和較高的預(yù)測(cè)精度。

管理工程；混合編程；物流需求預(yù)測(cè)系統(tǒng)

0 引 言

物流需求預(yù)測(cè)是物流企業(yè)進(jìn)行資源合理配置過程中的重要環(huán)節(jié)，同時(shí)也是制定業(yè)務(wù)計(jì)劃和企業(yè)發(fā)展規(guī)劃的基礎(chǔ)性工作。對(duì)物流需求進(jìn)行準(zhǔn)確預(yù)測(cè)，更有利于企業(yè)發(fā)展戰(zhàn)略等的制定，因此如何尋找最合適的預(yù)測(cè)方法，獲得更高的預(yù)測(cè)精度，是企業(yè)關(guān)注的重點(diǎn)問題[1]。

在物流需求預(yù)測(cè)的理論研究上，學(xué)者們根據(jù)物流需求數(shù)據(jù)的不同特征，成功地應(yīng)用各種預(yù)測(cè)方法對(duì)物流需求進(jìn)行了預(yù)測(cè)。如：馬凱等[2]結(jié)合交通規(guī)劃四階段法的特點(diǎn)，在城市物流規(guī)劃中的物流需求預(yù)測(cè)基礎(chǔ)上,研究了物流需求分階段的預(yù)測(cè)方法，并對(duì)物流需求預(yù)測(cè)模型進(jìn)行了應(yīng)用分析；周曉娟等[3]根據(jù)河北省物流需求呈線性變化的特點(diǎn)，應(yīng)用多元線性回歸對(duì)其物流需求進(jìn)行了預(yù)測(cè)；閆娟等[4]將區(qū)域物流需求與地區(qū)經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)和資源分布密切聯(lián)系起來，并針對(duì)其較強(qiáng)的非線性變化和歷史數(shù)據(jù)小的特征，提出了一種新的基于泊松分布的神經(jīng)網(wǎng)絡(luò)需求預(yù)測(cè)算法；而在物流需求歷史數(shù)據(jù)充足的情況下，后銳等[5]應(yīng)用MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法提高了物流需求預(yù)測(cè)的精度；楊蕾等[6]則采用隨機(jī)時(shí)間序列模型對(duì)與時(shí)間序列強(qiáng)烈相關(guān)的物流需求進(jìn)行預(yù)測(cè)；司玲玲等[7]指出，物流受多種因素的影響，其需求具有趨勢(shì)性、較大波動(dòng)性和隨機(jī)性等變化特點(diǎn)，據(jù)此首先利用灰色GM(1,1)預(yù)測(cè)模型動(dòng)態(tài)預(yù)測(cè)物流需求變化趨勢(shì)，然后利用支持向量機(jī)(SVM)對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正，取得了較好的預(yù)測(cè)效果；施澤軍等[8]提出了在灰色模型GM(1，1)和三次指數(shù)平滑法基礎(chǔ)上的組合預(yù)測(cè)方法，并將其應(yīng)用到港口物流中的集裝箱吞吐量預(yù)測(cè)中；劉智琦等[9]在考慮不同因子對(duì)物流需求影響的基礎(chǔ)上，建立了因子分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的物流需求預(yù)測(cè)模型；此外，根據(jù)物流需求數(shù)據(jù)的實(shí)際特點(diǎn)，李自立等[10]運(yùn)用主成分分析法預(yù)測(cè)了湖北省區(qū)域物流需求；歐陽小迅等[11]建立了一個(gè)非線性的物流需求計(jì)量模型；耿立艷等[12]提出一種基于灰色關(guān)聯(lián)分析的最小二乘支持向量機(jī)物流需求預(yù)測(cè)方法，均取得了較好的預(yù)測(cè)效果。

實(shí)踐中，由于這些研究所使用的預(yù)測(cè)方法均以專業(yè)的理論為支撐，如BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法包含了神經(jīng)網(wǎng)絡(luò)理論和編程技術(shù)，不易為一般物流企業(yè)管理人員掌握使用，從而導(dǎo)致這些預(yù)測(cè)技術(shù)在物流企業(yè)中沒有得到廣泛的應(yīng)用。此外，在預(yù)測(cè)系統(tǒng)的開發(fā)方面，目前尚未有專門集成物流需求預(yù)測(cè)方法的預(yù)測(cè)系統(tǒng)。而市場(chǎng)上主要的預(yù)測(cè)軟件SPSS、Eviews等集成的方法并非專門針對(duì)物流需求數(shù)據(jù)的特征而設(shè)計(jì)，預(yù)測(cè)效果不理想。因此，針對(duì)物流需求數(shù)據(jù)的不同特征，綜合研究各種物流需求預(yù)測(cè)方法，開發(fā)一套集成物流需求預(yù)測(cè)常用方法的預(yù)測(cè)系統(tǒng)對(duì)于物流企業(yè)的物流需求預(yù)測(cè)工作十分必要。

在開發(fā)工具上，MATLAB的計(jì)算功能很強(qiáng)大，但其界面開發(fā)能力較差。C # 在設(shè)計(jì)開發(fā)Windows應(yīng)用程序方面界面友好，方便快捷[13]。因此筆者基于MATLAB和C # .NET，充分利用兩者各自的優(yōu)點(diǎn)，開發(fā)出了適合物流企業(yè)進(jìn)行物流預(yù)測(cè)的專門系統(tǒng)，提高了物流企業(yè)物流預(yù)測(cè)的準(zhǔn)確性。同時(shí)，該系統(tǒng)對(duì)使用者的理論要求不高，便于物流企業(yè)管理人員掌握。

1 C #.NET與MATLAB接口

通過C #.NET與MATLAB接口技術(shù)進(jìn)行混合開發(fā)，該系統(tǒng)集成了C # 和MATLAB各自的優(yōu)點(diǎn)，把計(jì)算過程和數(shù)據(jù)圖形顯示功能留給MATLAB完成，而用C # 語言編寫Windows應(yīng)用程序，對(duì)計(jì)算結(jié)果進(jìn)行分析和可視化處理，極大地提高了程序的開發(fā)效率[14]。表1為C #.NET與MATLAB接口的主要方法。

表1 C#.NET與MATLAB的主要接口方法

(續(xù)表1)

序號(hào)方法介紹④MATLAB引擎技術(shù)應(yīng)用程序運(yùn)行時(shí)一般是先向MATLAB計(jì)算引擎組件傳送數(shù)據(jù)和命令，再由MAT?LAB計(jì)算引擎與MATLAB服務(wù)器交互，最后由MATLAB計(jì)算引擎將運(yùn)算結(jié)果返回給應(yīng)用程序。

表1中的4種方法中，第1種方法調(diào)用過程復(fù)雜，且實(shí)現(xiàn)的功能有限；第2種方法計(jì)算速度慢；第3種方法的優(yōu)點(diǎn)在于利用C # 訪問該組件時(shí)，沒有必要進(jìn)行環(huán)境切換，因此可以獲得最快的運(yùn)行速度。此外，通過實(shí)驗(yàn)證明，在 .NET調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱時(shí)，前3種方法都是不可行的，只有MATLAB引擎技術(shù)能夠支持該調(diào)用。因此，本系統(tǒng)最終采用了第3、第4這兩種方法進(jìn)行對(duì)MATLAB的調(diào)用。

1)首先，對(duì)利用.NET組件技術(shù)調(diào)用MATLAB的流程進(jìn)行簡(jiǎn)要介紹。

步驟1：新建工程。選擇New Deployment Project→MATLAB Builder NE→.NetComponent，輸入工程名稱“yuce”并選擇保存位置。

步驟2：添加M文件。選擇projectAdd file，把需要編譯的M文件全部添加到相應(yīng)的文件夾中。

步驟3：編譯、打包。選擇 tools→Build編譯成.NET組件，點(diǎn)擊 tools→Package進(jìn)行打包。

步驟4：新建C # 項(xiàng)目，添加引用。

2)C # .NET環(huán)境下利用MATLAB引擎技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)(圖1)的步驟如下。

步驟1：編制M文件。在BP.m文件中編制了神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)邏輯，其函數(shù)定義為：

Function[wucha,yuce]=BP(input,cs1,cs2,hanshu1,hanshu2,hanshu3,hanshu4)

其中：input表示輸入的歷年物流需求量數(shù)據(jù)；cs1，cs2表示網(wǎng)絡(luò)的訓(xùn)練參數(shù)，hanshu1，hanshu2，hanshu3，hanshu4表示網(wǎng)絡(luò)的傳遞函數(shù)和網(wǎng)絡(luò)訓(xùn)練函數(shù)；wucha表示輸出預(yù)測(cè)的標(biāo)準(zhǔn)誤差；yuce表示最終的預(yù)測(cè)值。

步驟2：在Visual Studio.NET中添加COM引用“MATLAB Application(Version 7.13) Type Libray”，實(shí)例化引擎對(duì)象。

MLApp.MLApp MATLAB= new MLApp.MLApp ()。

步驟3：使用引擎對(duì)象提供的PutFullMatrix，GetFullMatrix，Execute這三個(gè)接口進(jìn)行對(duì)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用，參考代碼為：

MATLAB.PutFullMatrix("input", "base", x, x1);//向MATLAB Server中添加數(shù)據(jù)；

MATLAB.Execute(@"[wucha,yuce]=BP(input,cs1,cs2,hanshu1,hanshu2,hanshu3,hanshu4)");

MATLAB.GetFullMatrix("yuce", "base", ref yc, ref yuce_pi); //向MATLAB Server中讀取數(shù)據(jù)，yc和yuce_pi為預(yù)先定義好的System. Array對(duì)象；

yc.CopyTo(yucezhi, 0);//將預(yù)測(cè)結(jié)果保存到y(tǒng)ucezhi數(shù)組中。

圖1 C # .NET調(diào)用MATLAB工具箱過程

2 預(yù)測(cè)方法

集成到該系統(tǒng)中的數(shù)據(jù)處理方法有：移動(dòng)平均值預(yù)測(cè)法、灰色GM(1,1)預(yù)測(cè)法、指數(shù)平滑預(yù)測(cè)法、季節(jié)指數(shù)預(yù)測(cè)法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[15]、線性回歸預(yù)測(cè)法、多項(xiàng)式擬合法和非線性回歸預(yù)測(cè)法，如表2。其中，移動(dòng)平均值預(yù)測(cè)法集成了1次和2次平均值移動(dòng)法，指數(shù)平滑法包括1次、2次、3次指數(shù)平滑法，季節(jié)指數(shù)有水平模型、趨勢(shì)模型和環(huán)比法模型，線性回歸中有一元和多元線性回歸預(yù)測(cè)法，而非線性回歸預(yù)測(cè)法集成了雙曲線、冪函數(shù)、倒冪函數(shù)、對(duì)數(shù)曲線、S曲線、指數(shù)曲線、倒指數(shù)曲線、皮爾生長(zhǎng)曲線等模型。這些方法都是常用的物流需求預(yù)測(cè)方法，在使用該系統(tǒng)時(shí)可以根據(jù)數(shù)據(jù)的特征，選擇一種或多種方法進(jìn)行預(yù)測(cè)。

表2 系統(tǒng)集成預(yù)測(cè)方法

(續(xù)表2)

預(yù)測(cè)方法方法核心思想適用條件線性回歸根據(jù)樣本觀測(cè)值對(duì)線性模型的參數(shù)進(jìn)行估計(jì)，求得回歸方程，然后對(duì)回歸方程、回歸系數(shù)進(jìn)行顯著性檢驗(yàn)，最后利用回歸方程進(jìn)行預(yù)測(cè)自變量與因變量為線性關(guān)系多項(xiàng)式擬合以多項(xiàng)式曲線擬合數(shù)據(jù)，使數(shù)據(jù)點(diǎn)的誤差平方和最小因變量為自變量的多項(xiàng)式非線性回歸與線性回歸預(yù)測(cè)相比，針對(duì)非線性模型進(jìn)行預(yù)測(cè)自變量與因變量為非線性關(guān)系

3 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

本系統(tǒng)是基于Visual Studio 2010和MATLAB 2011平臺(tái)開發(fā)的，Visual Studio用于系統(tǒng)用戶界面的設(shè)計(jì)與開發(fā)，MATLAB負(fù)責(zé)科學(xué)計(jì)算和圖形的繪制功能。系統(tǒng)采用了C/S架構(gòu)。

如圖2，系統(tǒng)主要分為基礎(chǔ)數(shù)據(jù)、預(yù)測(cè)方法、預(yù)測(cè)效果檢驗(yàn)、幫助等模塊。其中，基礎(chǔ)數(shù)據(jù)模塊負(fù)責(zé)數(shù)據(jù)輸入等數(shù)據(jù)處理工作；預(yù)測(cè)方法模塊則提供了以上介紹的8種預(yù)測(cè)方法，用戶可以根據(jù)實(shí)際情況選擇其中一種或者多種方法進(jìn)行預(yù)測(cè)；在預(yù)測(cè)效果檢驗(yàn)?zāi)K中用戶可以通過預(yù)測(cè)的標(biāo)準(zhǔn)誤差值來比較不同預(yù)測(cè)方法的預(yù)測(cè)效果，也可從圖形中直觀地進(jìn)行判斷，從而選擇最優(yōu)的預(yù)測(cè)結(jié)果。幫助模塊對(duì)系統(tǒng)中集成的預(yù)測(cè)方法以及系統(tǒng)的使用方法進(jìn)行了詳細(xì)說明。

圖2 系統(tǒng)功能結(jié)構(gòu)

4 預(yù)測(cè)實(shí)例

為測(cè)試系統(tǒng)對(duì)于物流需求預(yù)測(cè)的適用性及預(yù)測(cè)精度，筆者收集了1993—2012年相應(yīng)的數(shù)據(jù)(表3)，并選取GM(1,1)模型、移動(dòng)平均法、指數(shù)平滑法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、線性回歸、多項(xiàng)式擬合和非線性回歸法對(duì)2013年的物流需求量進(jìn)行了預(yù)測(cè)。其中，對(duì)于社會(huì)物流需求的衡量，參照《中國(guó)物流年鑒》[16]統(tǒng)計(jì)數(shù)據(jù)說明，用“社會(huì)物流總額”(由工業(yè)品、農(nóng)產(chǎn)品、進(jìn)口貨物、再生資源、單位與居民物品組成)來表示。該指標(biāo)從其結(jié)構(gòu)成分來看，既包含了產(chǎn)業(yè)結(jié)構(gòu)因素，也包含了流通消費(fèi)領(lǐng)域，研究的層面較為全面。而對(duì)于線性回歸預(yù)測(cè)法，采用GDP、物流總費(fèi)用、全社會(huì)固定資產(chǎn)投資、進(jìn)口總額和出口總額等指標(biāo)作為模型變量。

表3 物流需求及經(jīng)濟(jì)指標(biāo)統(tǒng)計(jì)數(shù)據(jù)

表3資料社會(huì)物流總額和物流總費(fèi)用來源于《中國(guó)物流統(tǒng)計(jì)年鑒》[16]。

圖3、圖4為線性回歸預(yù)測(cè)法的界面和預(yù)測(cè)效果。通過線性回歸預(yù)測(cè)，社會(huì)物流總額與固定資產(chǎn)投資總額和進(jìn)口總額相關(guān)，表達(dá)式為：

社會(huì)物流總額=3.677 7×全社會(huì)固定資產(chǎn)投資+3.916 1×進(jìn)口總額

圖3 線性回歸預(yù)測(cè)界面

圖4 線性回歸預(yù)測(cè)效果

圖5為各種預(yù)測(cè)方法的預(yù)測(cè)效果。從圖5中可以看出各種預(yù)測(cè)方法的預(yù)測(cè)標(biāo)準(zhǔn)誤差從小到大分別為：多元線性回歸、非線性預(yù)測(cè)法(冪函數(shù))、多項(xiàng)式擬合(2次)、灰色預(yù)測(cè)法、指數(shù)平滑法(3次)、簡(jiǎn)單移動(dòng)平均法和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法。故應(yīng)該以多項(xiàng)式擬合預(yù)測(cè)法的預(yù)測(cè)值作為最終的預(yù)測(cè)值。通過該系統(tǒng)，2013年社會(huì)物流需求量最終的預(yù)測(cè)值為2 079 644億元，而國(guó)家統(tǒng)計(jì)局、國(guó)家發(fā)改委、中國(guó)物流與采購(gòu)聯(lián)合會(huì)聯(lián)合發(fā)布的數(shù)據(jù)為1 978 000億元，預(yù)測(cè)相對(duì)誤差為-5.1%，說明該系統(tǒng)對(duì)于物流需求預(yù)測(cè)具有良好的適用性且預(yù)測(cè)精度較高。

圖5 各種預(yù)測(cè)方法預(yù)測(cè)效果檢驗(yàn)

5 結(jié) 語

筆者在研究各種物流需求預(yù)測(cè)方法的基礎(chǔ)上，充分利用MATLAB強(qiáng)大的科學(xué)計(jì)算能力和C # .NET方便快捷的界面設(shè)計(jì)功能，通過混合編程技術(shù)將兩者集成在一起，以此為物流企業(yè)開發(fā)了集成物流需求預(yù)測(cè)常用方法的物流需求預(yù)測(cè)系統(tǒng)。通過預(yù)測(cè)實(shí)例表明，該系統(tǒng)對(duì)于物流需求預(yù)測(cè)具有很好的適用性，預(yù)測(cè)精度較高。系統(tǒng)操作簡(jiǎn)單，對(duì)使用者的專業(yè)知識(shí)要求不高，容易被物流企業(yè)管理人員掌握和使用。鑒于該系統(tǒng)操作的簡(jiǎn)便性和預(yù)測(cè)的準(zhǔn)確性，系統(tǒng)的使用將會(huì)提高物流企業(yè)對(duì)于物流需求預(yù)測(cè)的可操作性以及預(yù)測(cè)精度，對(duì)物流企業(yè)具有重要的實(shí)際意義。

[1] Rodrigo A G,Hani S M.Forecasting freight transportation demand with the space-time multinomial probity model [J].Transportation Research:Part B,2000(34):403-418.

[2] 馬凱，艾力·斯木吐拉.交通規(guī)劃四階段法在物流需求預(yù)測(cè)中的應(yīng)用[J].重慶交通大學(xué)學(xué)報(bào)：自然科學(xué)版,2009,28(4):745-750. Ma Kai,Eili Ismutull.Application of four-step method of traffic planning to logistics demand forecast [J].Journal of Chongqing Jiaotong University:Natural Science,2009,28(4):745-750.

[3] 周曉娟,景志英.基于多元線性回歸模型的河北省物流需求預(yù)測(cè)實(shí)證分析[J].物流技術(shù),2013,32(5):270-272. Zhou Xiaojuan,Jing Zhiying.Empirical analysis of logistics demand forecasting of Hebei based on multi-linear regression model [J].Logistics Technology,2013,32(5):270-272.

[4] 閆娟,李萍.泊松分布灰色理論在物流需求預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)仿真,2012,29(4):229-233. Yan Juan,Li Ping.Application research of poisson distribution grey theory in logistics demand forecasting [J].Computer Simulation,2012,29(4):229-233.

[5] 后銳,張畢西.基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2005(12):43-47. Hou Rui,Zhang Bixi.A method for forecasting regional logistics demand based on MLP neural network and its application [J].Systems Engineering-theory & Practice,2005(12):43-47.

[6] 楊蕾,張苗苗.時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用[J].商業(yè)時(shí)代,2013(13):26-27. Yang Lei,Zhang Miaomiao.The application of time series model in logistics demand forecasting [J].Commercial Times,2013(13):26-27.

[7] 司玲玲,王亞楠,徐貴軍.改進(jìn)灰色模型在物流需求預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)仿真,2012,29(6):192-194. Si Lingling,Wang Ya’nan,Xu Guijun.Logistics demand forecasting based on improved grey model [J].Computer Simulation,2012,29(6):192-194.

[8] 施澤軍,李凱.基于灰色模型和指數(shù)平滑法的集裝箱吞吐量預(yù)測(cè)[J].重慶交通大學(xué)學(xué)報(bào)：自然科學(xué)版,2008,27(2):302-204. Shi Zejun,Li Kai.Container throughput forecasting based on gray method and exponential smoothing method [J].Journal of Chongqing Jiaotong University:Natural Science,2008,27(2):302-204.

[9] 劉智琦,李春貴,陳波.基于因子分析與神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)[J].計(jì)算機(jī)仿真,2012,29(6):359-362. Liu Zhiqi,Li Chungui,Chen Bo.Regional logistics demand forecast based on factor analysis and neural network [J].Computer Simulation,2012,29(6):359-362.

[10] 李自立,黃芬.基于主成分分析的區(qū)域物流需求預(yù)測(cè)指標(biāo)研究[J].物流技術(shù)，2009,28(12):128-130. Li Zili,Huang Fen.Research on the forecasting indices of regional logistics demand based on PCA [J].Logistics Technology,2009,28(12):128-130.

[11] 歐陽小迅,戴育琴.社會(huì)物流需求的非線性模型分析[J].商業(yè)時(shí)代,2009(20):23-24. Ouyang Xiaoxun,Dai Yuqing.Non-linear model analysis of social logistics needs [J].Commercial Times,2009(20):23-24.

[12] 耿立艷,丁璐璐.基于灰關(guān)聯(lián)分析的最小二乘支持向量機(jī)物流需求預(yù)測(cè)[J].物流技術(shù),2013,32(10):130-132. Geng Liyan,Ding Lulu.Forecasting of logistics demand based on grey correlation analysis and least square SVM [J].Logistics Technology,2013,32(10):130-132.

[13] 黃海寬,張?jiān)其h,魏東,等.基于COM的MATLAB在中藥分析中的應(yīng)用[J].自動(dòng)化與儀表,2006(4):5-7. Huang Haikuan,Zhang Yunfeng,Wei Dong,et al.Application of MATLAB based on COM in Chinese medicine [J].Automation & Instrumentation,2006(4):5-7.

[14] 黃一丹,嚴(yán)洪森,馮麗娟,等.基于C#.NET與Matlab接口和BP網(wǎng)絡(luò)的汽車產(chǎn)量預(yù)測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展,2008,18(11):36-40. Huang Yidan,Yan Hongsen,Feng Lijuan,et al.Vehicle production forecasting based on BPNN and interface between C#.NET and Matlab [J].Computer Technology and Development,2008,18(11):36-40.

[15] 譚偉,陸百川,黃美靈.神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法用于航跡預(yù)測(cè)[J].重慶交通大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,29(1):147-150. Tan Wei,Lu Baichuan,Huang Meiling.Track prediction based on neural networks and genetic algorithm [J].Journal of Chongqing Jiaotong University:Natural Science,2010,29(1):147-150.

[16] 中國(guó)物流與采購(gòu)聯(lián)合會(huì).中國(guó)物流年鑒[M].北京:中國(guó)財(cái)富出版社,2013. China Federation of Logistics & Purchasing.China Logistics Yearbook [M].Beijing:China Fortune Press,2013.

Implementation of Logistics Demand Forecasting System Based onHybrid Programming with C # and MATLAB

Xu Maozeng, Yu Guoyin

(School of Management, Chongqing Jiaotong University, Chongqing 400074, China)

According to different characteristics of logistics demand data ,8 common logistics demand forecasting models was summarized, such as, the grey GM (1,1) model, the moving average model, the exponential smoothing model, the seasonal index model，BP neural network model, linear regression model, polynomial fitting model and nonlinear regression model and so on. On the basis of it, a logistics demand forecasting system based on the hybrid programming technology with C # and Matlab was developed for the logistics enterprises, and it reduced the complexity of logistics demand forecasting in the logistics enterprises. Finally, the forecasting example shows that the system has good applicability and high forecasting accuracy.

management engineering; hybrid programming; logistics demand forecasting system

10.3969/j.issn.1674-0696.2015.04.25

2013-06-11；

2014-06-22

教育部人文社科研究項(xiàng)目(10XJA790009)

許茂增(1960—)，男，陜西大荔人，教授，博士生導(dǎo)師，主要從事物流與供應(yīng)鏈管理方面的研究。E-mail：xmzzrxhy@eyou.com。

F252.21；TP311

A

1674-0696(2015)04-128-05