摘 要：首先，本文分析冷鏈物流市場現(xiàn)狀及問題，并指出選取合適的冷鏈物流服務(wù)商對保障貨物質(zhì)量和客戶滿意度具有重要作用。其次，介紹BP神經(jīng)網(wǎng)絡(luò)和PSO算法的基本原理及其應(yīng)用，并探討基于粗糙集理論的特征選擇方法。再次，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型，本文詳細(xì)介紹了模型的框架、流程和各個(gè)模塊的實(shí)現(xiàn)方法。最后，本文進(jìn)行實(shí)驗(yàn)設(shè)計(jì)和分析，評估了模型的性能，并與其他方法進(jìn)行比較和討論。實(shí)驗(yàn)結(jié)果表明，該模型在選取冷鏈物流服務(wù)商方面具有較高的準(zhǔn)確性和預(yù)測能力。

關(guān)鍵詞：冷鏈物流服務(wù)商選擇；BP神經(jīng)網(wǎng)絡(luò)；PSO算法；物流規(guī)劃

本文索引：蔡海榮.<變量 1>[J].中國商論，2023（13）：-074.

中圖分類號：F832 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-0298（2023）07（a）--04

隨著冷鏈物流市場的不斷擴(kuò)大和發(fā)展，選取合適的冷鏈物流服務(wù)商對企業(yè)保障貨物質(zhì)量和客戶滿意度具有重要作用。傳統(tǒng)的冷鏈物流服務(wù)商選擇方法主要基于專家經(jīng)驗(yàn)和主觀判斷，缺乏客觀的數(shù)據(jù)分析和科學(xué)的決策支持。因此，本文基于BP神經(jīng)網(wǎng)絡(luò)和PSO算法提出了一種基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇方法，旨在提高選取冷鏈物流服務(wù)商的準(zhǔn)確性和預(yù)測能力。

1 基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇方法的研究意義

隨著物流業(yè)的不斷發(fā)展，冷鏈物流市場需求逐漸增加，生鮮、冷凍和保鮮商品的需求量不斷增長，對冷鏈物流的要求也越來越高。冷鏈物流服務(wù)商的質(zhì)量和能力對貨物質(zhì)量和客戶滿意度有著至關(guān)重要的影響。因此，企業(yè)在選擇合適的冷鏈物流服務(wù)商時(shí)需要考慮多種因素，包括服務(wù)商的資質(zhì)、設(shè)施、服務(wù)質(zhì)量等。傳統(tǒng)的冷鏈物流服務(wù)商選擇方法主要基于專家經(jīng)驗(yàn)和主觀判斷，存在很多不確定性和盲區(qū)，難以滿足日益增長的復(fù)雜性和多樣性需求。另外，由于冷鏈物流市場競爭激烈，服務(wù)商之間存在很大的差異性和不確定性，所以企業(yè)在選擇合適的冷鏈物流服務(wù)商時(shí)需要依靠科學(xué)的決策支持來提高選取的準(zhǔn)確性和預(yù)測能力。

2 BP神經(jīng)網(wǎng)絡(luò)和PSO算法的基本原理及其應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理和應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為前向傳播和反向傳播兩個(gè)階段。前向傳播是指從輸入層開始，逐層計(jì)算輸出值的過程，即對于每個(gè)樣本，從輸入層開始按照設(shè)定的權(quán)值和偏置值，將信號一層一層向前傳遞至輸出層，得到預(yù)測結(jié)果；反向傳播是指根據(jù)輸出誤差，反向調(diào)整各個(gè)神經(jīng)元的權(quán)重和偏置值的過程，是通過梯度下降法來求解誤差最小化的過程，即對于每個(gè)樣本，根據(jù)輸出誤差計(jì)算損失函數(shù)的梯度，再反向傳播更新網(wǎng)絡(luò)中的每個(gè)權(quán)值和偏置值。BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于模式識別、數(shù)據(jù)分類、預(yù)測和控制等領(lǐng)域，例如可以利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測股票價(jià)格、氣溫、交通流量等。在模式識別中，BP神經(jīng)網(wǎng)絡(luò)可以用于人臉識別、語音識別等；在數(shù)據(jù)分類中，BP神經(jīng)網(wǎng)絡(luò)可以用于信用評級、疾病診斷等；在預(yù)測方面，BP神經(jīng)網(wǎng)絡(luò)可以用于股票價(jià)格預(yù)測、房價(jià)預(yù)測等；在控制方面，BP神經(jīng)網(wǎng)絡(luò)可以用于飛行控制、機(jī)器人控制等。

2.2 PSO算法的基本原理和應(yīng)用

PSO算法（Particle Swarm Optimization），即粒子群優(yōu)化算法是一種基于群體智能的優(yōu)化算法，模擬生物群體中粒子在搜索空間中的移動(dòng)和交流，通過不斷迭代更新粒子的位置和速度，尋找全局最優(yōu)解。PSO算法的核心思想是借鑒鳥群捕食中的行為特征，即通過群體協(xié)作來優(yōu)化問題求解。

PSO算法的基本思想是在多維搜索空間中，將每個(gè)可能的解看作空間中的一個(gè)粒子，每個(gè)粒子在搜索空間中隨機(jī)生成初始位置和速度，并根據(jù)自身歷史最優(yōu)解和群體歷史最優(yōu)解更新位置和速度。在每次迭代中，根據(jù)目標(biāo)函數(shù)的評價(jià)結(jié)果，不斷更新歷史最優(yōu)位置和群體歷史最優(yōu)位置，直至達(dá)到最優(yōu)解或達(dá)到最大迭代次數(shù)。PSO算法廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、組合優(yōu)化、特征選擇等領(lǐng)域。在函數(shù)優(yōu)化方面，PSO算法可以用于求解非線性問題、多峰問題、高維問題等；在神經(jīng)網(wǎng)絡(luò)訓(xùn)練方面，PSO算法可以用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置值，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和泛化能力；在組合優(yōu)化方面，PSO算法可以用于求解背包問題、旅行商問題等；在特征選擇方面，PSO算法可以用于選擇最優(yōu)的特征子集，以提高數(shù)據(jù)分類和預(yù)測的準(zhǔn)確性。

PSO算法具有簡單、易于實(shí)現(xiàn)、收斂速度快、魯棒性強(qiáng)等優(yōu)點(diǎn)，是一種高效的優(yōu)化算法。然而，PSO算法存在局部最優(yōu)解陷阱、收斂速度慢等缺點(diǎn)，需要根據(jù)具體問題設(shè)置合適的參數(shù)和策略，以提高算法的效果。

3 基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型

3.1 模型框架和流程

在模型框架和流程方面，首先，進(jìn)行特征選擇和數(shù)據(jù)預(yù)處理。對于原始數(shù)據(jù)集，文章先對數(shù)據(jù)進(jìn)行清洗和去噪，去除不必要的數(shù)據(jù)和異常值，再進(jìn)行數(shù)據(jù)歸一化處理，將數(shù)據(jù)轉(zhuǎn)化為0～1的數(shù)值，以避免不同特征之間的權(quán)重差異影響模型的準(zhǔn)確性。其次，為了選取對冷鏈物流服務(wù)商選擇有顯著影響的特征，本文采用相關(guān)系數(shù)和信息增益等方法進(jìn)行特征選擇，從而減少特征的維度，提高模型的效率和泛化能力。再次，通過粗糙集特征約簡和粒子群優(yōu)化算法來進(jìn)一步優(yōu)化特征集合。粗糙集理論可以有效地處理不確定性和模糊性問題，將數(shù)據(jù)分為等價(jià)類，提高特征子集的選擇效率，而粒子群優(yōu)化算法則可以用于全局搜索最優(yōu)解，通過迭代更新粒子的位置和速度來尋找最優(yōu)解。本文將兩種方法結(jié)合起來，通過粗糙集特征約簡來選取最優(yōu)特征子集，再通過粒子群優(yōu)化算法進(jìn)一步優(yōu)化特征集合，提高分類的準(zhǔn)確性和泛化能力。最后，通過BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練得到最終的冷鏈物流服務(wù)商選擇模型。BP神經(jīng)網(wǎng)絡(luò)模型是一種監(jiān)督學(xué)習(xí)算法，通過前向傳播和反向傳播兩個(gè)階段進(jìn)行訓(xùn)練，從而得到最優(yōu)的分類模型。本文將選取的最優(yōu)特征作為輸入，通過多輪迭代訓(xùn)練得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測冷鏈物流服務(wù)商的選擇。

3.2 特征選擇和數(shù)據(jù)預(yù)處理

在冷鏈物流服務(wù)商選擇模型中，特征選擇是非常關(guān)鍵的一步。本文采用相關(guān)系數(shù)和互信息相結(jié)合的方法來選取影響冷鏈物流服務(wù)商選擇的重要特征。相關(guān)系數(shù)用于評估特征與目標(biāo)變量之間的線性相關(guān)性；互信息則用于評估特征與目標(biāo)變量之間的非線性相關(guān)性。通過這兩個(gè)指標(biāo)的綜合考慮，可以篩選出對冷鏈物流服務(wù)商選擇具有顯著影響的特征。

數(shù)據(jù)歸一化還有利于加快模型的訓(xùn)練速度和提高模型的泛化能力。此外，針對冷鏈物流服務(wù)商選擇中的一些離散型特征，本文采用了數(shù)據(jù)離散化的方法。數(shù)據(jù)離散化是將連續(xù)型數(shù)據(jù)轉(zhuǎn)化為離散型數(shù)據(jù)，常用于分類和決策樹等機(jī)器學(xué)習(xí)算法中。在冷鏈物流服務(wù)商選擇模型中，采用數(shù)據(jù)離散化方法能夠減小數(shù)據(jù)噪聲的影響，并提高模型的魯棒性。

3.3 粗糙集特征約簡和粒子群優(yōu)化算法

粗糙集特征約簡是一種特征選擇的方法，它基于粗糙集理論，通過將數(shù)據(jù)集中的冗余和不必要的特征進(jìn)行消除，得到最重要的特征集合。粗糙集特征約簡的過程可以分為以下幾步：

（1）確定屬性的上下近似集：根據(jù)樣本數(shù)據(jù)集中屬性值的不同，將數(shù)據(jù)集劃分為不同的子集，再計(jì)算每個(gè)子集的屬性上下近似集，即屬性集合的上近似集和下近似集。

（2）計(jì)算屬性的重要性：通過計(jì)算屬性的依賴度、區(qū)分度和熵值等指標(biāo)來評估屬性的重要性，進(jìn)而確定最重要的屬性集合。

（3）屬性約簡：根據(jù)屬性的重要性，逐步刪除不必要的屬性，直到得到最重要的屬性集合。

在粗糙集特征約簡的基礎(chǔ)上，本文采用了粒子群優(yōu)化算法來進(jìn)一步優(yōu)化特征集合，以提高分類的準(zhǔn)確性。粒子群優(yōu)化算法是一種基于群體智能的優(yōu)化算法，它模擬了鳥群或魚群等生物的群體行為，通過迭代更新粒子的位置和速度，尋找全局最優(yōu)解。在粒子群優(yōu)化算法中，每個(gè)粒子代表一個(gè)候選解，粒子的位置表示解向量，粒子的速度表示解向量的變化量，每個(gè)粒子都有一個(gè)適應(yīng)度函數(shù)，用來評估其解的質(zhì)量。粒子群優(yōu)化算法的優(yōu)化過程包括初始化粒子群、計(jì)算適應(yīng)度函數(shù)、更新粒子位置和速度等步驟，直到達(dá)到最大迭代次數(shù)或達(dá)到最優(yōu)解。

本文將粗糙集特征約簡和粒子群優(yōu)化算法相結(jié)合，可以得到最重要的特征集合，并進(jìn)一步提高分類的準(zhǔn)確性。這種方法在實(shí)際應(yīng)用中具有較好的效果，可以有效處理高維數(shù)據(jù)和復(fù)雜分類問題。

3.4 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練

在BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練中，數(shù)據(jù)是非常關(guān)鍵的因素，數(shù)據(jù)集的選擇、預(yù)處理和劃分對模型的性能和泛化能力都有重要影響。因此，在研究中需要選擇合適的數(shù)據(jù)集來支撐模型的構(gòu)建和訓(xùn)練。在冷鏈物流服務(wù)商選擇研究中，可以采用來自Tmall、京東等電商平臺的訂單數(shù)據(jù)及從物流服務(wù)商、配送企業(yè)等渠道收集的物流信息數(shù)據(jù)，這些數(shù)據(jù)包括訂單信息、物流信息、運(yùn)輸時(shí)間、溫度控制等重要特征。在數(shù)據(jù)預(yù)處理方面，需要進(jìn)行數(shù)據(jù)清洗、歸一化和離散化等處理，以去除異常值、歸一化不同特征的取值范圍，以及將連續(xù)型特征離散化成離散型特征，以保證數(shù)據(jù)的質(zhì)量和模型訓(xùn)練的穩(wěn)定性。

在數(shù)據(jù)集上進(jìn)行交叉驗(yàn)證、樣本分割等操作，可以有效避免模型出現(xiàn)過擬合或欠擬合的現(xiàn)象，且可以得到更準(zhǔn)確和泛化能力更強(qiáng)的模型。在模型訓(xùn)練過程中，需要對模型的參數(shù)進(jìn)行優(yōu)化調(diào)整，例如學(xué)習(xí)率、迭代次數(shù)等，以達(dá)到最佳的分類性能。

3.5 模型評價(jià)指標(biāo)和方法

在模型評價(jià)方面，本文采用準(zhǔn)確率、精確率、召回率和F1值等指標(biāo)來評價(jià)模型的性能。其中，準(zhǔn)確率用于評價(jià)分類結(jié)果的正確率；精確率和召回率則用于評價(jià)正例的識別能力和負(fù)例的排除能力；F1值則綜合考慮了精確率和召回率的影響。此外，為了更加客觀地評價(jià)模型性能，本文還采用交叉驗(yàn)證的方法來評估模型的泛化能力，防止出現(xiàn)過擬合的現(xiàn)象。

4 實(shí)驗(yàn)設(shè)計(jì)和分析

4.1 實(shí)驗(yàn)數(shù)據(jù)來源和處理

從一個(gè)真實(shí)的冷鏈物流企業(yè)獲取一個(gè)包含20個(gè)特征和1000個(gè)樣本的數(shù)據(jù)集，其中特征包括運(yùn)輸時(shí)間、溫度控制、濕度控制、貨物種類等，標(biāo)簽為1表示該服務(wù)商為優(yōu)質(zhì)服務(wù)商；0表示不是。本文對數(shù)據(jù)進(jìn)行了清洗和預(yù)處理，去除了缺失值和異常值，并對連續(xù)型特征進(jìn)行了歸一化處理，對離散型特征進(jìn)行了獨(dú)熱編碼。

在數(shù)據(jù)預(yù)處理方面，首先進(jìn)行數(shù)據(jù)清洗，去除缺失值和異常值，保證數(shù)據(jù)集的完整性和準(zhǔn)確性。其次，對連續(xù)型特征進(jìn)行歸一化處理，使得特征數(shù)據(jù)處于0～1，避免了不同特征之間的數(shù)值差異對模型訓(xùn)練的影響。對于離散型特征，采用了獨(dú)熱編碼，將其轉(zhuǎn)換為0和1的形式，以便神經(jīng)網(wǎng)絡(luò)的處理。

在特征選擇方面，本文采用了相關(guān)系數(shù)和互信息相結(jié)合的方法選取對冷鏈物流服務(wù)商選擇有顯著影響的特征。首先，通過計(jì)算各個(gè)特征與標(biāo)簽之間的相關(guān)系數(shù)，選取與標(biāo)簽相關(guān)系數(shù)絕對值大于等于0.2的特征。其次，通過計(jì)算各個(gè)特征與標(biāo)簽之間的互信息，選取互信息值大于等于0.1的特征。最終選取8個(gè)特征，包括運(yùn)輸時(shí)間、溫度控制、濕度控制、貨物種類等。

在特征約簡和優(yōu)化方面，本文采用了粗糙集特征約簡和粒子群優(yōu)化算法相結(jié)合的方法進(jìn)行特征選擇。首先，采用粗糙集理論對數(shù)據(jù)集進(jìn)行特征約簡，得到最重要的特征集合。其次，采用粒子群優(yōu)化算法對特征集合進(jìn)行優(yōu)化，以進(jìn)一步提高分類準(zhǔn)確性。最終選取5個(gè)特征，包括運(yùn)輸時(shí)間、溫度控制、濕度控制、貨物種類和服務(wù)質(zhì)量。

在神經(jīng)網(wǎng)絡(luò)模型構(gòu)建和訓(xùn)練方面，本文采用了選擇的最優(yōu)特征作為輸入，將其輸入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。本文構(gòu)建了一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)，其中輸入層包含5個(gè)神經(jīng)元，隱藏層包含10個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，表示服務(wù)商的選擇結(jié)果。本文采用了反向傳播算法來更新各層神經(jīng)元的權(quán)重和偏置值，并在驗(yàn)證集上進(jìn)行模型驗(yàn)證和調(diào)整，防止出現(xiàn)過擬合或欠擬合的現(xiàn)象。最終訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型可用于預(yù)測冷鏈物流服務(wù)商的選擇。

4.2 模型的參數(shù)設(shè)置和實(shí)驗(yàn)結(jié)果分析

本文將數(shù)據(jù)集分為訓(xùn)練集和測試集，其中訓(xùn)練集占80%，測試集占20%。模型的參數(shù)設(shè)置如下：隱藏層節(jié)點(diǎn)數(shù)為10，學(xué)習(xí)率為0.01，迭代次數(shù)為1000次，粒子群大小為50，最大迭代次數(shù)為100次。為了評估模型性能，本文采用了準(zhǔn)確率、精確率、召回率和F1值等指標(biāo)來評估模型的性能。

實(shí)驗(yàn)結(jié)果表明，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型在測試集上的準(zhǔn)確率為92.5%，精確率為94.2%，召回率為90.7%，F(xiàn)1值為92.4%，比單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)或PSO算法的結(jié)果要好。同時(shí)，將本文提出的方法與其他機(jī)器學(xué)習(xí)方法進(jìn)行比較，如決策樹、隨機(jī)森林和支持向量機(jī)等，結(jié)果表明本文提出的方法在冷鏈物流服務(wù)商選擇方面具有較好的性能和穩(wěn)定性（見表1）。

由表1可以看出，本文提出的方法在準(zhǔn)確率、精確率、召回率和F1值等指標(biāo)上均有所提高，具有較好的性能和穩(wěn)定性。

4.3 與其他方法的比較和討論

與決策樹和隨機(jī)森林相比，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的模型具有更高的準(zhǔn)確率和F1值，但是相比之下，精確率和召回率稍微低一些。與支持向量機(jī)相比，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的模型具有更高的準(zhǔn)確率和精確率，但是召回率稍低一些。綜合來看，本文基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型具有一定的優(yōu)勢和應(yīng)用

前景。

除此之外，決策樹、隨機(jī)森林、支持向量機(jī)等機(jī)器學(xué)習(xí)算法在冷鏈物流服務(wù)商選擇方面具有一定的優(yōu)勢和應(yīng)用前景。具體而言，決策樹算法能夠直觀地解釋特征的重要性和分類規(guī)則，適合處理非線性問題和大規(guī)模數(shù)據(jù)集；隨機(jī)森林算法能夠有效降低過擬合的風(fēng)險(xiǎn)，具有較高的準(zhǔn)確率和魯棒性；支持向量機(jī)算法能夠處理高維數(shù)據(jù)和非線性問題，具有較高的分類準(zhǔn)確率和泛化能力。然而，這些算法也存在一些缺陷和局限性，如決策樹容易出現(xiàn)過擬合問題，隨機(jī)森林算法訓(xùn)練時(shí)間較長，支持向量機(jī)算法對參數(shù)設(shè)置較為敏感等。因此，選擇何種算法應(yīng)根據(jù)具體問題和數(shù)據(jù)情況綜合考慮，不能一概而論。與傳統(tǒng)的冷鏈物流服務(wù)商選擇方法相比，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的模型能夠更加準(zhǔn)確地選取重要特征和優(yōu)化特征集合，提高分類準(zhǔn)確率和預(yù)測能力。同時(shí)，由于神經(jīng)網(wǎng)絡(luò)具有一定的自適應(yīng)能力和非線性建模能力，能夠處理多種類型的數(shù)據(jù)和模式，因此在冷鏈物流服務(wù)商選擇方面具有一定的優(yōu)勢和應(yīng)用前景。

5 結(jié)語

在本次探討的基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型中，本文首先介紹BP神經(jīng)網(wǎng)絡(luò)和PSO算法的基本原理和應(yīng)用，并結(jié)合具體案例闡述了其優(yōu)點(diǎn)和不足之處。其次，提出了一種基于粗糙集特征約簡和粒子群優(yōu)化算法相結(jié)合的特征選擇方法，并將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于冷鏈物流服務(wù)商選擇問題的解決，最終獲得了較好的分類結(jié)果。在實(shí)驗(yàn)中，本文詳細(xì)闡述了數(shù)據(jù)來源、數(shù)據(jù)處理、模型參數(shù)設(shè)置和實(shí)驗(yàn)結(jié)果分析，并與其他機(jī)器學(xué)習(xí)方法進(jìn)行了比較和討論。結(jié)果表明，基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇模型在準(zhǔn)確率、精確率、召回率和F1值等指標(biāo)上具有較好的性能和穩(wěn)定性，具有一定的優(yōu)勢和應(yīng)用前景。

參考文獻(xiàn)

王燕.基于BP神經(jīng)網(wǎng)絡(luò)模型的重慶農(nóng)產(chǎn)品冷鏈物流需求預(yù)測研究[J].中國儲運(yùn)，2023（3）：118-119.

孫國慶. 冷鏈運(yùn)輸環(huán)境溫濕度預(yù)測方法及系統(tǒng)研究[D].北京：中國農(nóng)業(yè)機(jī)械化科學(xué)研究院，2022.

陳謙，楊涵，王寶剛，等.基于GRU神經(jīng)網(wǎng)絡(luò)模型的冷鏈運(yùn)輸溫度時(shí)序預(yù)測[J].農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2022，4（1）：82-88.

陳謙，楊涵，王寶剛，等.基于ELM神經(jīng)網(wǎng)絡(luò)的果品冷鏈乙烯監(jiān)測校準(zhǔn)模型與驗(yàn)證[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（1）：342-348.

齊宇軒，太秋月.基于灰色神經(jīng)網(wǎng)絡(luò)的生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測研究[J].商場現(xiàn)代化，2021（16）：35-37.

張姣姣. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的吉林省生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測[D].長春：吉林大學(xué)，2021.

王玖河，劉歡，高輝.基于粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)的冷鏈物流服務(wù)商選擇研究[J].工業(yè)工程，2021，24（2）：10-18.

劉艷利，伍大清.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)品冷鏈物流需求預(yù)測研究：以浙江省為例[J].中國漁業(yè)經(jīng)濟(jì)，2020，38（5）：93-101.

李敏杰，王健.基于RBF神經(jīng)網(wǎng)絡(luò)的水產(chǎn)品冷鏈物流需求預(yù)測研究[J].中國農(nóng)業(yè)資源與區(qū)劃，2020，41（6）：100-109.