应用马尔科夫链预测邮政快递业务
摘 要：邮政这个传统企业正遭遇到前所未有的挑战，本文对邮政业务中的包裹量月统计数据，进行了自回归检验，发现满足马氏性；然后根据业务量划分规则对包裹量进行了分类，确定了三种状态，并求出个状态间的转移矩阵，最后用马儿科夫链的相关原理预测了未来四个月的业务量情况。
【关键词】马尔可夫链 转移概率矩阵 邮政业务预测
1 相关原理
1.1 马尔科夫链[1-3]
1.2 逐步回归[4]
逐步回归是实现变量选择的一种方法，基本思路为，先确定一初始子集，然后每次从子集外影响显著的变量中引入一个对影响最大的，再对原来子集中的变量进行检验，从变得不显著的变量中剔除一个影响最小的，直到不能引入和剔除为止。使用逐步回归有两点值得注意，一是要适当地选定引入变量的显著性水平和剔除变量的显著性水平，显然，越大，引入的变量越多；越大，剔除的变量越少。二是由于各个变量之间的相关性，一个新的变量引入后，会使原来认为显著的某个变量变得不显著，从而被剔除，所以在最初选择变量时应尽量选择相互独立性强的那些。
2 应用马尔科夫链预测快递业务情况
邮政业务在物流告诉发展的今天，正遭遇到前所未有的挑战。如何保持与繁多快递公司的竞争态势成为邮政业发展的头等大事。如何准确预测各月快递量，并合理分配资源，对其发展起着重要作用。
2.1 包裹业务的马氏性验证
下面需要检验各月快递量是否具有马氏性，即检验各月的快递量是否只依赖于上月的快递量情况，而受前面其他各月的影响很小。我们分别构造了各月快递量 的一期滞后、二期滞后、三期滞后。为了验证累计快递量的马氏性，下面考虑、、对的影响显著水平，取滞后后矩阵组成的后37行，第一列赋给变量，第二、三和四列依次赋给变量。问题就转化为自变量对因变量的影响程度，我们需要从中挑选出影响显著的自变量来建立回归模型，这就涉及到变量选择的问题，逐步回归是一种从众多变量中有效地选择重要变量的方法，所有对因变量影响显著的变量都选入模型，而影响不显著的变量都不选入模型。
3 结论
本文应用马尔科夫链模型对某市的邮政业务中的包裹业务进行了分析预测，预测到该市未来四个月的包裹量有两个月可以完成相应的业务量，二另外两个月则可能未完成相应的业务量，故邮政部门应该创新工作思路，拓展工作方式，争取到更多的业务量。
参考文献
[1]陆大淦.随机过程及其应用[M].北京：清华...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
