熵权法-TOPSIS与ARIMA：快递需求预测与优化研究

"本文是关于2023年五一数学建模竞赛中B题——快递需求问题的研究论文，包含了完整的分析和代码，主要使用了matlab和lingo工具。作者运用了熵权法-TOPSIS评价模型、ARIMA模型、多层感知器神经网络模型和线性规划模型来解决快递需求预测和优化问题，旨在帮助快递公司提高效率、降低成本和提升服务。" 文章深入探讨了快递行业的关键问题，首先引入了熵权法-TOPSIS评价模型来评估城市在快递运输中的重要性。该模型基于供应和接收城市数量、发货量与收货量的平均值及变化率等六个指标，通过Matlab计算得出各城市的重要程度排名，结果显示L、G、V、W、B为前五大站点。 其次，作者利用ARIMA模型处理时间序列数据，对每天的总快递运输量和站点间的运输量进行预测。通过平稳性检验（ADF检验）和ACF、PACF图分析，构建了ARIMA(0,1,2)模型，并给出了预测结果。 接着，文章构建了多层感知器神经网络，以处理城市间快递发货的预测。输入层包含所有城市间的发货量，中间层和输出层分别采用ReLu和Sigmoid激活函数，通过Adam优化器训练，以预测发货能力。预测结果同样详列于正文和附录中。 此外，线性规划模型被用于最小化运输总成本，决策变量包括运输路径、成本和是否运输。模型确保了每个城市的出货和进货平衡，且出货量不超过其载货能力。模型求解结果也在正文和附录中给出。 最后，为了更好地理解快递需求，作者还应用了固定需求模型和非参数估计模型。固定需求模型基于中心极限定理设定需求常数，而非参数估计模型采用核密度估计直接从数据中推断概率分布，两者都经过交叉验证评估。 这篇论文提供了多角度的快递需求分析和预测方法，对快递公司的策略制定和运营优化具有实践指导意义。