基于机器学习的北京市快递网点布局研究
发布时间：2023-12-27 11:18
【摘要】：快递网点在一个区域的重复选址或网点分布密集会导致分流、资源浪费现象,网点分布过稀疏又会导致对客户需求覆盖不够。合理的快递网点布局分析需要应用科学、综合的研究方法,对该网点所在区域的地理、社会、经济等因素进行全面研究。近些年来,随着大数据技术的不断发展和智慧城市研究的不断深入,我们可以利用的数据不断增多,利用这些大数据结合机器学习算法进行服务设施布局研究,有助于实现了城市规划的智能化发展,然而机器学习在快递网点选址和布局方面的应用仍然存在较大的空白。本研究采用机器学习及大数据分析技术,以北京市五环内为研究对象,拟在确定北京市快递网点与其他服务设施之间布局的量化关系模型。首先,利用爬虫技术收集影响网点布局的北京市人口、商业网点、交通站点的GIS位置,然后利用GIS的网格化手段将北京市五环内区域划分成大小合适的网格,统计网格内的各类服务网点的数量得到的样本数据。其次,利用多元线性回归模型确定物流网点数量与各因素之间的定量关系,随后又利用机器学习的神经网络、支持向量机、随机森林、GBDT算法,对样本样本数据集学习,从而建立了一系列快递网点数量的机器学习模型。最后通过对单一模型进行强化,得到最优的集成学习模型。本研究得到的模型和数据不仅为北京市五环内快递网点建设的合理规划提供决策依据,而且利用机器学习建立网点布局模型的思路为分析其他城市快递网点或物流服务设施布局提供方法借鉴。本篇论文含图47幅,表13个,参考文献77篇。
【内部图文】：
如图１－１所示是目前北京市快递网点（左）和住宅区（右）的分布热力图，可以看出二者的地理特征具有一定的相似性，其覆盖范围相似，无论是住宅区数据还快递网点数据均集中于五环内，且沿环线分布，二环和三环附近分布最密集。ＩＩ，：：％二二；￣ｖ＇－蠱ｙ图Ｍ北京市....
本文编号：2618966
【内部图文】：
如图１－１所示是目前北京市快递网点（左）和住宅区（右）的分布热力图，可以看出二者的地理特征具有一定的相似性，其覆盖范围相似，无论是住宅区数据还快递网点数据均集中于五环内，且沿环线分布，二环和三环附近分布最密集。ＩＩ，：：％二二；￣ｖ＇－蠱ｙ图Ｍ北京市....
图２－１神经网络结构图Ｆｉｇｕｒｅ２－１Ｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ２．３．３支持向量机支持向量机（ＳＶＭ）是一种可用于分类和回归归的有监督的机器学习模型。其最初是一个二元分类算法，线性分类和非线性分类都支持。经过演进，现在也应用于....
通过爬虫获得北京市六环内及周边各类餐饮服务设施的ＰＯＩ数据共计２４７６４条，包括各类中西餐厅、快餐店、酒楼、咖啡厅等。其分布如图３－４所示，从中可以看出，北京市六环内餐厅分布较为均匀，以小规模的聚集为主，且各个聚集群之间较为分散。ｎ，■、＇＼＇＼....
【文章页数】：121 页
【学位级别】：硕士
【文章目录】：
致谢
【文章页数】：121 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景
1.2 研究目的与意义
1.3 论文研究主要内容
1.3.1 研究内容
1.3.2 关键问题
1.3.3 研究方法
1.3.4 技术路线图
2 文献综述
2.1 快递网点研究现状
2.1.1 快递网点选址
2.1.2 快递网点布局分析
2.2 商业网点布局研究现状
2.2.1 基于GIS的选址策略研究
2.2.2 网点布局评价
2.2.3 机器学习在网点选址中的应用
2.3 机器学习理论
2.3.1 线性回归模型
2.3.2 BP神经网络模型
2.3.3 支持向量机
2.3.4 集成学习
3 基于GIS的快递网点选址分析
3.1 北京市快递网点分布现状
3.2 快递网点分布影响因素分析
3.2.1 影响因素综述
3.2.2 特征变量选取
3.3 基于GIS的空间数据分析
3.3.1 空间数据获取
3.3.2 空间数据网格分析
3.4 本章小结
4 快递网点布局的机器学习模型
4.1 数据集划分
4.2 快递网点布局的多元回归模型
4.2.1 多元线性回归模型构建
4.2.2 回归模型诊断
4.2.3 回归模型预测
4.3 快递网点布局的BP神经网络模型
4.3.1 神经网络拓扑结构建立
4.3.2 数据集处理
4.3.3 神经网络算法
4.3.4 训练结果及模型检验
4.4 快递网点布局的支持向量机模型
4.4.1 支持向量机模型构建
4.4.2 支持向量机模型预测
4.5 本章小结
5 基于集成学习的北京市快递网点布局模型
5.1 基于随机森林的快递网点布局模型
5.1.1 随机森林模型构建
5.1.2 随机森林模型预测
5.2 基于GBDT的快递网点布局模型
5.3 基于stacking的快递网点布局模型
5.3.1 模型结果对比
5.3.2 模型的集成学习
5.3.3 集成模型结果分析
5.4 本章小结
6 结论与展望
6.1 研究结论
6.2 研究展望
参考文献
附录A
附录B
附录C
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
本文编号：2618966
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/2618966.html
