CN111160635A - 一种基于ReliefF算法的区域物流需求影响因素预测方法 - Google Patents

一种基于ReliefF算法的区域物流需求影响因素预测方法 Download PDF

Info

Publication number
CN111160635A
CN111160635A CN201911315912.7A CN201911315912A CN111160635A CN 111160635 A CN111160635 A CN 111160635A CN 201911315912 A CN201911315912 A CN 201911315912A CN 111160635 A CN111160635 A CN 111160635A
Authority
CN
China
Prior art keywords
data
regional
logistics
relieff algorithm
total value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911315912.7A
Other languages
English (en)
Inventor
陈维娜
杨忠
唐玉娟
顾姗姗
王逸之
戴典芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN201911315912.7A priority Critical patent/CN111160635A/zh
Publication of CN111160635A publication Critical patent/CN111160635A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Abstract

本发明的目的是提出一种基于ReliefF算法的区域物流需求影响因素预测方法，利用ReliefF算法计算分析各个影响区域物流需求的特征值和区域物流需求的相关性大小，从而赋予特征不同的权重，从而得到各个影响区域物流需求的影响因素重要性大小。最后利用BP神经网络来验证所选取重要性强的特征的区域物流需求预测能力。

Description

一种基于ReliefF算法的区域物流需求影响因素预测方法
技术领域
本发明涉及一种ReliefF算法，根据各个特征值和类别的相关性赋予特征不同的权重。 通过对影响区域物流的因素进行相关性分析，从而得到各个影响区域物流需求的影响因素重 要性大小。
背景技术
近年来，区域物流是许多行业关注的重要问题。由于物流产业地位在国 家层面的确立，特别是物流业在服务业中的重要作用，物流业已成为各级政 府规划与发展的重点之一，不少区域将发展物流作为新的经济增长点。区域 物流不但是经济发展的保障，而且还能通过它优化产业结构、提高经济效率、 改善投资环境等提高经济质量。
对于任何国家或经济区域，只有流通活跃，才能使经济充满活力。物流活动是流通环节的重要组成部分，渗透于生产和消费的各个环节，是区域经济运行及发展必不可少 的纽带。尤其是在经济全球化、一体化，以及现代科学技术迅猛发展的背景下，传统的 区域经济理论和经济发展模式也受到了现代经济竞争方式和市场需求特质的挑战，区域 物流的效率、服务水平和物流成本已经成为影响区域经济发展及其竞争力的直接因素。 只有大力发展区域现代物流，提高物流的效率和效益，才能有效地满足区域生产者和消 费者的多种需求，使区域经济得到快速协调发展，同时提升区域经济综合竟争力。我国 现代物流整体规模扩大，发展速度加快，运行效率提高，对经济发展的支撑和促进作用 更加明显。作为物流业的组成部分，区域物流的发展促进了区域经济的发展。
影响区域物流需求的因素很多,但从宏观上考虑主要包括三大部分:区域经济规模、 产业结构、经济空间布局。从根本上说,区域经济发展的整体水平和规模是区域物流需求的决定因素,也是区域物流需求的源动力。区域物流需求与区域经济总量之间存在着 较强的相关关系。其次,区域产业结构是另一个重要因素。产业结构的差异将对物流的 需求功能、物流层次以及物流需求结构等方面产生重大影响。农林牧业对物流的需求 相对来说是粗放型需求,即物流需求量大但附加值低；工业物流需求则朝着精细化、高 附加值方向发展；而第三产业如流通产业则直接推动了现代物流业的发展。此外,区域 内贸易及区域人均收入和消费水准也是影响区域物流需求的重要方面。从而选取影响区 域物流需求的各项经济指标如下:1、区域经济总量指标:地区国民生产总值；2、区域产 业结构指标:工业总产值、农业总产值、第三产业总产值；3、域内外贸易指标:区域零 售总额、区域外贸总额；4、区域消费水平:人均消费水平。共七个影响区域物流需求的 影响因素。
发明内容
本发明的目的是提出一种基于ReliefF算法的区域物流需求影响因素预测方法，利 用ReliefF算法来分析地区国民生产总值、工业总产值、农业总产值、第三产业总产值、区域零售总额、区域外贸总额、人均消费水平七个影响区域物流需求的影响因素，分析 七个特征的权重大小，从而得出对于影响区域物流需求的因素重要性排序，为达此目的：
本发明提供一种基于ReliefF算法的区域物流需求影响因素预测方法，具体步骤如下：
步骤1：收集整理所需要分析的数据。影响区域物流需求的数据特征多且数据结构复杂， 需要将各数据归一化处理操作，将数据归一化在0到1的数值有利于分析数据之间的相关性；
步骤2：数据的规范化。将数据构建为行向量为样本序列号，列向量为样本特征的一个 数据列表，便于后续的算法进行直接获取操作；
步骤3：构建ReliefF算法模型；
步骤4：将地区国民生产总值、工业总产值、农业总产值、第三产业总产值、区域零售 总额、区域外贸总额、人均消费水平七个影响区域物流需求的影响因素送入ReliefF算法模 型中进行相关性分析；
步骤5：最后利用BP神经网络来分析检验所选取重要性强的特征是否具有很好的区域物 流预测能力。
作为本发明进一步改进，所述步骤1中归一化的计算公式入下：
Figure BDA0002325818760000021
其中xi表示归一化前的数据，xi *表示归一化后的数据xmax、xmin分别表示数据的最大值 和最小值。
作为本发明进一步改进，所述步骤4中梯度计算公式入下：
Figure BDA0002325818760000022
其中W(A)表示特征A的权重，diff(A,R1,R2)为R1和R2在特征A上的差，Mj(C)表在类C中的第j个近邻样本，p(C)为该类别的比例，p(Class(R)为选取的某样本类别比例。
本发明提供基于ReliefF算法的区域物流需求影响因素预测方法，具体设计优点如下：
1、本发明通过ReliefF算法来分析区域物流需求影响因素，通过特征权重算法将各个特 征和类别的相关性赋予特征不同的权重，从而可以得到区域物流需求影响因素重要性排序。
2、该方法科学地分析出区国民生产总值、工业总产值、农业总产值、第三产业总产值、 区域零售总额、区域外贸总额、人均消费水平对于影响区域物流需求的重要特征因素。
3、本方法在分析区域物流需求影响因素实际应用中可行性高，有实际的工程应用价值。
附图说明
图1是本发明整体算法原理流程图；
图2是ReliefF算法原理流程图；
图3是ReliefF算法分析的特征之间重要性权重关系。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于ReliefF算法的区域物流需求影响因素预测方法，首先根据区 域物流需求的相关影响，分析出能够对区域物流需求有影响贡献的特征因素。收集整理出国民生产总值、工业总产值、农业总产值、第三产业总产值、区域零售总额、区域外 贸总额、人均消费水平七个影响因素，然后构建ReliefF算法模型实现相关性分析。最 后利用BP神经网络来验证特征对于影响区域物流需求的有效性。
本发明的整体算法原理流程如图1所示。
首先收集整理所需要分析的数据。影响区域物流需求的数据特征多且数据结构复杂，需 要将各数据归一化处理操作，将数据归一化在0到1的数值有利于分析数据之间的相关性。 归一化处理后的数据的稳定性较强，变化不会过于剧烈，数据分布较为平稳，有利于相关性 分析算法的实现。归一化处理后的数据需要进行数据的规范化，即将数据构建为行向量为样 本序列号，列向量为样本特征的一个数据列表，便于后续的算法进行直接获取操作。规范化 的数据结构是算法实现的关键步骤，规范的数据结构有利于ReliefF算法的分析计算过程。
在数据处理并规范化后，则构建完整的ReliefF算法模型来分析区域物流需求的影响因 素重要性大小，ReliefF算法流程图如图2所示。ReliefF算法为首先取不同类别的样本若干， 对每类样本。然后从所有样本中，随机取出一个样本R，在与样本R相同分类的样本组内， 取出k个最近邻样本。接着在所有其他与样本R不同分类的样本组内也分别取出k个最近邻 样本，最后计算每个特征的权重T。
经过ReliefF算法模型后的特征重要性如图3所示，其中1到7分别代表国民生产总值、工业总产值、农业总产值、第三产业总产值、区域零售总额、区域外贸总额、人 均消费水平七个特征。从结果分析可以得出区域外贸总额、区域零售总额、第三产业总 产值这三个影响因素对于影响区域物流需求贡献较大。国民生产总值、工业总产值、人 均消费水平这三个特征对于影响区域物流需求贡献较小。从而可以分析得出特征影响因 素的权重大小，从而得到了影响区域物流需求的因素重要性排序。
最后通过利用BP神经网络，然后利用分析出来的区域外贸总额、区域零售总额、第三产业总产值这三个对于影响区域物流需求贡献较大的影响因素来进行建模训练。得到区域物流需求预测的精度为96.2％，从而可以证明该三个影响因素确实对于影响区域物流需求来说贡献较大。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制， 而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.基于ReliefF算法的区域物流需求影响因素预测方法，具体步骤如下，其特征在于,
步骤1：收集整理所需要分析的数据。影响区域物流需求的数据特征多且数据结构复杂，需要将各数据归一化处理操作，将数据归一化在0到1的数值有利于分析数据之间的相关性；
步骤2：数据的规范化。将数据构建为行向量为样本序列号，列向量为样本特征的一个数据列表，便于后续的算法进行直接获取操作；
步骤3：构建ReliefF算法模型；
步骤4：将地区国民生产总值、工业总产值、农业总产值、第三产业总产值、区域零售总额、区域外贸总额、人均消费水平七个影响区域物流需求的影响因素送入ReliefF算法模型中进行相关性分析；
步骤5：最后利用BP神经网络来分析检验所选取重要性强的特征是否具有很好的区域物流预测能力。
2.根据权利要求1所述的基于ReliefF算法的区域物流需求影响因素预测方法，其特征在于：所述步骤1中归一化的计算公式入下：
Figure FDA0002325818750000011
其中xi表示归一化前的数据，xi *表示归一化后的数据xmax、xmin分别表示数据的最大值和最小值。
3.根据权利要求1所述的基于ReliefF算法的区域物流需求影响因素预测方法，其特征在于：所述步骤4中梯度计算公式入下：
Figure FDA0002325818750000012
其中W(A)表示特征A的权重，diff(A,R1,R2)为R1和R2在特征A上的差，Mj(C)表在类C中的第j个近邻样本，p(C)为该类别的比例，p(Class(R)为选取的某样本类别比例。
CN201911315912.7A 2019-12-19 2019-12-19 一种基于ReliefF算法的区域物流需求影响因素预测方法 Pending CN111160635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911315912.7A CN111160635A (zh) 2019-12-19 2019-12-19 一种基于ReliefF算法的区域物流需求影响因素预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911315912.7A CN111160635A (zh) 2019-12-19 2019-12-19 一种基于ReliefF算法的区域物流需求影响因素预测方法

Publications (1)

Publication Number Publication Date
CN111160635A true CN111160635A (zh) 2020-05-15

Family

ID=70557371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911315912.7A Pending CN111160635A (zh) 2019-12-19 2019-12-19 一种基于ReliefF算法的区域物流需求影响因素预测方法

Country Status (1)

Country Link
CN (1) CN111160635A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707317A (zh) * 2021-08-23 2021-11-26 电子科技大学 一种基于混合模型的疾病危险因素重要性分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002933A (zh) * 2018-08-29 2018-12-14 武汉大学 基于ReliefF和t-SNE的配电线路线变关系模型优化方法
CN109359966A (zh) * 2018-07-25 2019-02-19 西北工业大学 一种检测物流包裹计费异常的方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359966A (zh) * 2018-07-25 2019-02-19 西北工业大学 一种检测物流包裹计费异常的方法及设备
CN109002933A (zh) * 2018-08-29 2018-12-14 武汉大学 基于ReliefF和t-SNE的配电线路线变关系模型优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔雨欣: "基于Lasso-BP 神经网络的河北省物流需求预测研究" *
张一茗等: "基于ReliefF 特征量优化及BP 神经网络识别的高压隔离开关故障类型与位置诊断方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707317A (zh) * 2021-08-23 2021-11-26 电子科技大学 一种基于混合模型的疾病危险因素重要性分析方法
CN113707317B (zh) * 2021-08-23 2023-04-07 电子科技大学 一种基于混合模型的疾病危险因素重要性分析方法

Similar Documents

Publication Publication Date Title
CN106845717B (zh) 一种基于多模型融合策略的能源效率评价方法
CN103679132B (zh) 一种敏感图像识别方法及系统
CN104572449A (zh) 一种基于用例库的自动化测试方法
CN107957946B (zh) 基于邻域嵌入保护算法支持向量机的软件缺陷预测方法
CN107766929A (zh) 模型分析方法及装置
CN109657721A (zh) 一种结合模糊集和随机森林树的多类别决策方法
CN110659207A (zh) 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法
CN108388929A (zh) 基于代价敏感和半监督分类的客户分类方法及装置
CN108319984A (zh) 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN111476274B (zh) 一种大数据预测分析的方法、系统、装置及存储介质
CN105868906A (zh) 一种优化的区域发展成熟度分析方法
CN115602337A (zh) 一种基于机器学习的刺激隐核虫疾病预警方法及系统
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN115310752A (zh) 面向能源大数据的数据资产价值评价方法及系统
CN112416588B (zh) 一种基于随机森林算法的资源分配方法
CN111160635A (zh) 一种基于ReliefF算法的区域物流需求影响因素预测方法
Ilich et al. Modeling of employment structural transformations
CN109685133A (zh) 基于构建的预测模型低成本、高区分度的数据分类方法
CN113344391A (zh) 基于dea改进模型的人工智能企业创新效率的评价方法
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法
CN105678430A (zh) 基于邻近项目Slope One算法的用户改进推荐方法
CN112785156B (zh) 一种基于聚类与综合评价的产业领袖识别方法
CN116185684A (zh) 一种服务器故障根因分析模型的构建方法及应用

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication