1）研究的目的及意义

随着我国经济不断发展、科技不断进步、政策环境的不断改善，我国物流业在近几年的时间里得到空前发展。然而我国物流业虽已跻身于经济发展的首要战略地位，但物流行业仍然存在诸多问题。一方面表现为原有的交通运输基础设施以及园区建设缺乏协调性、规范性，已满足不了当前及未来区域物流多样化需求；另一方面，一些物流基础设施在建设之前没有了解该区域物流需求的发展趋势出现建设重复、资源浪费以及供需不平衡现象。针对我国当前各区域物流业发展趋势及存在的问题，科学实施区域物流规划、加快区域物流资源整合、优化区域物流网络系统是当前的首要任务，而对区域物流需求进行预测分析是其重要环节。

区域物流需求预测是研究学者依据先进科学技术及理论方法对某一区域的社会物流需求进行分析预测的过程，其准确度将决定区域物流的规划是否合理。所以对区域物流规模的预测是所属地区政府和企业都相当关心的问题。因此对区域物流的预测需求量进行研究具有十分重要的理论和现实意义，同时为当地政府建设物流基础设施及制定物流产业规划策略提供指导建议和理论的依据。

区域物流需求预测方法主要有投入产出模型、回归分析法、货运强度法、弹性系数法、聚类(Clustering)、灰色GM (1, 1)模型、组合预测法、马尔可夫链、时空多项概率模型、决策支持系统发生器和人工神经网络等方法, 其预测模型典型代表主要有:基于约束逻辑程序的运输需求预测模型、时空多项概率模型的物流需求预测、决策支持系统运用于物流需求预测、灰色模型运用于对航空需求预测、多区间投入产出模型和空间价格均衡模型相结合的区域物流需求分析模型、以投入产出为基础的价值型的物流业需求估算方法、基于灰色GM (1, 1)模型的区域物流规模预测及基于BP模型神经网络的物流预测方法。

上述研究方法存在诸如由于真实的区域物流需求数据样本非常少从而极大地影响了预测的效果, 对小样本、高维度、呈非正态分布、含有非线性关系的数据处理效果不佳, 不能泛化、过于依赖经验风险最小化原则等不足, 为了解决这些问题, Vapnik等人根据统计学习理论提出了支持向量机(Support Vector Machine, SVM)学习方法。SVM理论以其较好的泛化能力在模式识别和非线性函数估计问题上取得了良好的应用效果,它是小样本统计估计和预测学习的可行理论, 具有运算简单、收敛速度快以及精度高等优势，能够有效地克服以上传统预测模型的种种问题，并且目前已成功地在函数逼近、模式的分类等实际问题中得到了广泛的应用。

2）国内外研究现状

国外的理论研究相对较为先进，很早便将支持向量机模型及支持向量回归机模型应用于实例中，验证该模型在进行需求预测方面的准确性。Jae H. Min, Young-Chan Lee (2005)^[1]应用支持向量机模型进行破产预测，并与多重判断分析、逻辑回归分析和BP神经网络相比较，证实支持向量机模型的准确性。Wang Guanghui (2012)^[2]用遗传算法优化了SVR的参数，应用SVR预测实际数据中供应链的需求，并与RBF神经网络方法进行比较，证明SVR在预测性能上优于RBF。Malek Sarhani,AbdellatifEl Afia(2014)^[3]使用粒子群优化（PSO）算法来优化SVR参数，通过将其应用于案例来调查供应链需求预测方法的准确性。

随着我国最近几年物流行业的快速发展，我国的学者也开始应用支持向量机模型及支持向量回归机模型来进行区域物流需求预测。黄虎,蒋葛夫,严余松,廖百胜,夏国恩（2008）^[4]应用基于结构风险最小化准则的支持向量回归机(SVR)方法, 建立“影响因素—区域物流需求” SVR预测模型来研究预测区域物流需求问题,发现该方法能获得较小的训练相对误差和测试相对误差。孙涵,杨普容,成金华(2011)^[5]通过对比得出非线性及高维模式识别问题中，SVR比BP神经网络等方法有更高的预测精度。王娜（2014）^[6]针对区域物流和区域经济之间的关系展开分析和讨论,并从经济发展影响因素的角度出发,建立了基于结构风险最小化原则的SVR预测模型,通过实证分析,证明模型的可行性和可信度。吕雅丽(2018)^[7]通过研究进一步证明支持向量机模型相对多元线性回归、BP 神经网络等在区域物流需求预测方面的精确度更佳。

2. 研究的基本内容与方案

1）研究目标

本论文系统阐述了国内外关于区域物流需求预测的有效技术方法，并在此基础上，针对影响物流需求的相关因素进行分析，确定以湖北省的货运量及货物周转量等经济指标为研究对象，构建区域物流需求的评价指标体系，然后建立基于支持向量回归机的区域物流需求预测数学模型，利用matlab软件实现算法，以湖北省为例进行区域物流需求预测的实证研究。