數據挖掘技術在物流管理中的應用

    數據挖掘的主要方法包括基本統計分析、相關分析、回歸分析、時間序列分析、人工神經網絡方法等。不同的分析方法和挖掘工具有其獨特的特征和使用范圍。

    1.基本統計分析方法：統計學研究的對象是客觀事物的數量關系和數量特征。統計方法廣泛地運用于各個領域，供各個部門做出決策、執行計劃、檢查監督和宏觀調控。尤其在物流管理領域，基本統計方法起著信息咨詢、監督、輔助決策的作用。

    統計分析方法從總體中抽取一定數量的樣本并測出有關的數據以及利用數據所提供的關于總體的信息來推斷關于總體的結論。目前企業內部的相關海量數據或分散存儲，或是異構數據，無法利用基本的統計方法進行歸納推理。

    2.相關分析：相關分析法是測定經濟現象之間相關關系的規律性，并據以進行預測和控制的分析方法。物流管理中的各個要素間存在著大量的相互聯系、相互依賴、相互制約的關系，一類是函數關系，它反映著要素之間嚴格的依存關系；另一類為相關關系，就是說變量之間存在看不確定、不嚴格的依存關系。

    物流管理中的相關分析要解決以下問題：

    （1）確定物流各個要素之間有無相關關系以及相關關系的類型：正相關關系或負相關關系；直線關系還是曲線相關；一元相關還是多元相關。

    （2）確定各個要素之間相關關系的密切程度，通常是計算相關系數。

    （3）擬合回歸方程，如果要素間相關關系密切，就根據其關系的類型，建立數學模型用相應回歸方程來反映這種數量關系。

    （4）判斷回歸分析的可靠性，只有通過檢驗的回歸方程才能用于預測和控制。

    （5）根據回歸方程進行預測和控制。如果變量數量比較多并且變量之間無法用線性關系來表示，那么相關分析就不能很好的反映出各變量之間的關系。

    3.回歸分析：考察變量之間的數量變化規律，確定自變量和因變量之間的數學關系式，建立回歸方程，對回歸方程進行各種統計檢驗，并能進行預測。回歸分析按照涉及的自變量的多少，可分為一元回歸分析和多元回歸分析；按照自變量和因變里之間的關系類型，可分為線性回歸分析和非線性回歸分析。

    在物流管理中回歸分析應用的主要內容為：

    （1）從一組數據出發確定某些變量之間的定量關系式，并估計其中的未知參數。估計參數的常用方法是最小二乘法。

    （2）對這些關系式的可信度進行檢驗。

    （3）在多自變量共同影響一個因變量的關系中，判斷并將影響顯著的自變量選入模型中，而剔除影響不顯著的變量，通常用逐步回歸、向前回歸和向后回歸等方法。

    回歸分析僅考慮到變量之間的數量變化規律，沒有考慮到變里之間由于時間等因素產生的不確定關系，這使得回歸分析，特別是線性分析，對于時間不敏感變量的檢驗結果是可信的，對于時間敏感的變量的變化規律不能很好的表示。

    4.時間序列分析：對按時間順序的一組數字序列應用數理統計方法加以處理，以預測未來事物的發展。

    時間序列分析是定量預測方法之一，它的基本原理：一是承認事物發展的延續性，根據過去的變化趨勢預測未來的發展，前提是假定過去會同樣延續到未來；二是突出了時間因素在預測中的作用，因而存在預測誤差。當外界發生較大變化，預測往往會有較大偏差，為此要利用加權平均法對歷史數據進行處理。

    時間序列預測法簡單易行，便于掌握，中短期預測比長期預測的效果好。

    5.人工神經網絡：人工神經網絡（Artificial Neural Network.ANN）是一個由很多節點通過方向性連接組成的一個網絡結構，是基于模仿人的大腦的神經網絡的結構和功能而建立的一種具有學習能力的信息處理系統。ANN通過從過去的知識中學習、概括和抽取解決問題的經驗知識，可以將這些知識進行運用。

    ANN的優點是：并行處理；非線性映射；自學習功能；高速尋找優化解的能力。由于具有這些優點，ANN具有高度的非線性和極強的模糊推理能力，這是傳統數學分析方法無法比擬的。物流過程涉及的因素比較多，若僅用推理和建立數學模型的方法來解決物流管理中出現的問題是不夠的，還需依靠經驗和某些難以用公式表達的知識，因此，ANN比較適合于解決復雜的物流管理問題。