第４０卷第ｌＯ期
２００
哈尔滨工业大学学报
ＪＯＵＲＮＡＬＯＦＨＡＲＢＩＮＩＮＳＴＩＴＵＴＥＯＦＴＥＣＨＮＯＬＯＧＹ
脚４０
Ｎｏ．１０
８年ｌＯ月
Ｏｃｔ．２００８
物流需求的动态预测方法
苗
鑫１一，西
宝１一，邹慧敏３
（１．哈尔滨工业大学管理学院，哈尔滨１５０００１，Ｅ・ｍａｉｌ：ｍｉａｏｘｉｎ＠ｙａｈｏｏ．ｃｎ；２．哈尔滨工业大学技术・政策・管理（ＴＰＭ）研究中心，哈尔滨１５０００６；３．南开大学商学院，天津３０００７１）一
摘要：立足ＪＩＴ（Ｊｕｓｔ
Ｉｎ
Ｔｉｍｅ）管理模式，以提高物流需求预测的准确性及实时性为目标，采用复合算法设
计物流需求的动态预测方法．以扩展卡尔曼滤波和人工神经网络相结合的复合算法作为动态预测的基本方法，量化了日照、湿度、温度等影响物流需求的动态影响因素，并将这些因素纳入到预测过程．借助Ｓｗａｒｍ仿真，论证了在预测模型中纳入动态影响因素可以提高物流需求预测的准确性和实时性．与常规ＢＰ算法的预测误差相比较，显示出该复合预测算法具有较高的可靠性．关键词：物流需求；动态预测；复合算法；Ｓｗａｒｍ；计算机仿真
中图分类号：Ｆ２５２．８文献标识码：Ａ文章编号：０３６７—６２３４（２００８）１０—１６１３—０４
Ｄｙｎａｍｉｃｆｏｒｅｃａｓｔｍｅｔｈｏｄｏｆｌｏｇｉｓｔｉｃｓｄｅｍａｌ
ＭＩＡＯＸｉｎｌ一，ＸＩＢａ０１一，ＺＯＵＨｕｉ．ｍｉｎ３
（１．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ
１５０００１，Ｃｈｉｎａ，Ｅ－ｍａｉｌ：ｍｉａｏｘｉｎ＠ｙａｈｏｏ．ｏｎ；
２．ＮａｔｉｏｎａｌＣｅｎｔｅｒｏｆＴｅｃｈｎｏｌｏｇｙ，ＰｏｌｉｃｙａｎｄＭａｎａｇｅｍｅｎｔ（ＴＰＭ），ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，
Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３０００７１，Ｃｈｉｎａ）
Ｈａｒｂｉｎ１５０００６，Ｃｈｉｎａ；３．ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，Ｎａｎｋａｉ
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ
ｏｎ
ｔｈｅ
ＪＩＴ（Ｊｕｓｔ
Ｉｎ
Ｔｉｍｅ）ｍａｎａｇｅｍｅｎｔｐａｔｔｅｒｎ，ｉｎｏｒｄｅｒｔｏｉｍｐｗｖｅｔｈｅｐｒｅｃｉｓｉｏｎａｎｄｔｈｅ
ｔｏ
ｒｅ—
ａｌｔｉｍｅａｂｉｌｉｔｙｏｆｌｏｇｉｓｔｉｃｓｄｅｍａｎｄｆｏｒｅｃａｓｔ，ａｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍＷａｓａｐｐｌｉｅｄｍｅｔｈｏｄｏｆ
ｄｅｓｉｇｎｔｈｅｄｙｎａｍｉｃｆｏｒｅｃａｓｔ
ｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ．Ｔｈｅ
ｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍｔｈａｔｃｏｍｂｉｎｅｓｔｈｅＥｘｔｅｎｄｅｄＫａｌｍａｎＦｉｌｔｅｒｗｉｔｈｔｈｅＡｒｔｉ—
ｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｗ舶ｕｓｅｄａｓｔｈｅｂａｓｉｃｍｅｔｈｏｄｆｏｒｄｙｎａｍｉｃｆｏｒｅｃａｓｔ．Ｄｙｎａｍｉｃｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｌｏｇｉｓ—ｔｉｅｓｄｅｍａｎｄ，ｓｕｃｈ．ａｓｓｕｎｌｉｇｈｔ，ｈｕｍｉｄｉｔｙ，ｔｅｍｐｅｒａｔｕｒｅａｎｄ
８０
ｏｎ，ｗｅｒｅ
ｑｕａｎｔｉｆｉｅｄａｎｄｔａｋｅｎｉｎｔｏｃｏｎｓｉｄｅｒａｔｉｏｎ
ｉｎｔｈｅｆｏｒｅｃａｓｔｐｒｏｃｅｓｓ．ＷｉｔｈｔｈｅａｓｓｉｓｔａｎｃｅｏｆＳｗａｒｍｓｉｍｕｌａｔｉｏｎ，ｗｅｄｅｍｏｎｓｔｒａｔｅｔｈａｔｃｏｎｓｉｄｅｒｉｎｇｄｙｎａｍｉｃｉｎ—ｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｉｎｔｈｅｆｏｒｅｃａｓｔ
ｍｏｄｅｌ
ｗｉｌｌｉｍｐｒｏｖｅｔｈｅｐｒｅｃｉｓｉｏｎａｎｄｔｈｅｒｅａｌｔｉｍｅａｂｉｌｉｔｙｏｆｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ
ｒｅ・
ｆｏｒｅｃａｓｔ．Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｆｏｒｅｃａｓｔ
ｅｒｒｏｒ
ｂｅｔｗｅｅｎｔｈｅｇｅｎｅｒａｌＢＰａｌｇｏｒｉｔｈｍａｎｄｔｈｅｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍ
ｖｅａｌｓｔｈｅｈｉｇｈｅｒｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ．Ｋｅｙ
ｗｏｒｄｓ：ｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ；ｄｙｎａｍｉｃ
ｆｏｒｅｃａｓｔ；ｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍ；Ｓｗａｒｍ；ｃｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎ
现代物流以精益、准时、敏捷等为特征，对物流需求预测提出了较高要求¨Ｊ．企业有必要对物流需求做出较为精细的动态预测，以便于把握时机，在恰当的时间做出补货、配送等安排，从而节约成本、获取利润．一般来讲，物流需求的定量预测方法有灰色系统法旧】、人工神经网络（３１等方
法．但是，单一的预测模型在基本假设及实际应用等方面有较多的局限性．采用复合算法设计物流需求的动态预测方法，既可以对一日内各时段的物流需求变化做出动态预测，又可以描述物流需求与其动态影响因素之间的作用关系．１
物流需求的动态特性
一天内的物流需求随时间变化，表现出相似
收稿日期：２００５—１０—２５．
基金项目：黑龙江省科学技术攻关计划资助项目（ＧＣ０４Ａ１０６）；
新世纪优秀人才支持计划资助项目．
作者简介：苗鑫（１９８ｌ～），男，讲师，博士；
西宝（１９７０４），男，教授．博士生导师．
的变化规律，而这种变化规律又随着工作日和公休日的不同以及季节和天气等差异而有所Ⅸ别．
尽管有规律可循，但是要想做出精细的预测
万方数据
哈尔滨丁业大学学报
第４０卷
并不容易．首先，预测建立在对历史数据分析的基础之上，随机和扰动因素是很难精确确定的．其次，有些复杂因素（如不同季节的温度变化），尽管其带来的影响是显而易见的，但是这些影响因素却很难定量表述．
总之，物流需求动态预测过程中规律性与随机性并存．未来某一时间的需求量通常同过去的需求水平、当前的需求状况、预测日的天气因素、１３期类型等多种因素有关．因此，动态预测方法应反映以下几种基本因素的影响：
①反映物流需求随季节、日期类型和一天内
的不同时间而周期性变化的特性；
②反映物流需求变动的本质规律；
．③反映温度、日照、天气等因素带来的影响．④近期物流需求变化对预测结果的影响要比先前数据的统计结果更重要；
⑤工作日和公休日应分别采用不同的预测模型来预测．２
基于ＥＫＦ训练的ＡＮＮ预测算法
２．１
ＡＮＮ预测方法的优越性和缺陷
物流需求动态预测问题是一种大规模多匹配
问题，很难确定预测模型的具体形式．而人工神经网络（ＡＮＮ）具有在未知自变量和因变量函数关系的情况下，仍可逼近任意非线性函数和精确拟合多变量问题的优越性．通过输入、输出数据的训练，可获得输入、输出间的匹配关系．应用人工神经网络模型可以方便地表达诸如气温、降水、１３期类型等影响冈素．
ＢＰ算法是用于训练多层前馈ＡＮＮ的经典算法．尽管算法已成功应用于许多领域并且得到了不断的改进，但仍有很多缺点．收敛缓慢和局部收敛就是其中比较明显的两条缺陷ＨＪ，这两条缺陷并未从根本上得到克服．而扩展卡尔曼滤波（ＥＫＦ）训练算法１５冉１根据最小均方差来估计连接权重，比ＢＰ算法需要更少的迭代．此外，无需收敛参数的计算使其更便于应用ｏ７。．因此，应用基于ＥＫＦ训练的ＡＮＮ方法作为物流需求动态预测的基本方法．
２．２
ＥＫＦ训练ＡＮＮ的原理
由ＢＰ算法可知，前馈ＡＮＮ的学习过程就是
在给定输入和输出样本的条件下对网络权重的调整过程．因此，前馈ＡＮＮ的训练可以看成是非线性状态估计问题．ＥＫＦ学习算法的基本思想就是将ＡＮＮ中各神经元之间的连接权重的学习问题作为ＥＫＦ中的状态向量的最优估计问题【ｓＪ．因为
万方数据
基于ＥＫＦ的学习算法近似给出了连接权重的最小方差估计，所以其迭代收敛速度比最速下降法要快．而且，不涉及决定收敛性能的调整参数，使其更便于应用‘９Ｊ．３
物流需求动态预测模型
利用ＡＮＮ建立物流需求动态预测模型时，选
择合适的样本集是非常重要的，恰当的选择可以大大提高训练速度和预测精度．如果在每次预测前都对样本进行筛选、选择与预测日气象条件相似的样本进行训练，那么就可以节省大量的训练时间，同时也可避免不相关样本的干扰．这样一来，根据不同的预测日就可以确定出不同的训练样本集，且训练出不同的权重和阈值．由于映射关系和样本集随时间变动，所以每次预测都要重新确定训练样本集并进行训练，这对于训练缓慢且不易收敛的ＡＮＮ算法来说是很困难的．但基于ＥＫＦ的ＡＮＮ学习算法在计算方面较为快捷，使得选用动态样本集进行预测成为可行．
相连续的前后几天的物流需求量有一定的关联性，考虑到其受温度、湿度、降水以及日期间隔等冈素影响，可以定义某预测日与第Ｋ天的相似度为
Ｓ（ｋ）＝Ｏｌ［（ｋ一乇）２＋（Ｌｊ。一《ｉ。）２］
＋／３［（ＲＨ。。。一Ｒ月：。）２＋（ＲＨ。妯一ＲＨｎｌｉ。）２］＋ｙ（Ｗ一旷）２＋６ＡＤ‘．
其中：７－衄、咒。、肼‘。、尺以ｉ。和形分别为某预测日
的最高温度、最低温度、最大相对湿度、最小相对湿
度和天气类型；毪、毪。、ｒｉｌｌ、足硪，和酽分别为
相应指标在第Ｋ天的值；∥为预测日与第Ｋ天之
间间隔的天数；ｉｘ够、Ｙ、６分别为反映温度、湿度、天气类型和日期间隔对物流需求影响的系数；Ｗ和
酽为天气类型，而天气类型有多种不同的表现，需
要对各种不同的状况进行量化之后，才能作为一个
变量进行处理．形和矿的取值如表１所示．Ｓ（Ｉ｜｝）越
小，表明相似程度越高，根据预测日的气象数据，在该日之前的样本集合内依次计算各天与该预测日的相似程度，从中选出若干具有较小的Ｓ（Ｊｉ｝）值的样本组成了动态训练样本集．
建立ＡＮＮ预测模型时，最重要的是选择输入变量，这没有约定俗成的规则，要视具体情况而定．由于前后几天在时间上具有一定的连续性。因关联．
把按照相似程度计算得到的样本集中的样本此可以认为前后连续几天的物流需求也有一定的依照自然时间顺序进行排列，记为
第１０期苗鑫，等：物流需求的动态预测方法
・１６１５・
Ｘ＝［ｘ１邑
ｘ３
…
ｘＭ］．其中：ｘ为总的样本集，Ｘｉ（１≤ｉ≤肘）为样本中的一个向量，其中的元素为历史需求数据、天气状况数据和１３期类型数据，肘为选出的样本总数．
根据经验，隐层单元数目一般选为（ＩＮ×ＯＮ）Ｖ２，ＩＮ和ＯＮ分别为输入层和输出层的单元数目．将样本集中的历史数据和预测１３的天气信息和日期类型信息作为网络的输入，ＡＮＮ计算结果即是预测日内２４个时段的需求预测值．
表１天气类型量化值
量化值
天气类型
ｌ晴２微云３
多云４
小雨５中雨６大（雷）雨７
小雪８
大雪
４
Ｓｗａｒｍ仿真分析
Ｓｗａｒｍ仿真平台由圣塔菲研究所（Ｓａｎｔａ
Ｆｅ
Ｉｎｓｔｉｔｕｔｅ，ＳＦＩ）开发，它可以支持一类具有运行上述模型功能的工具．Ｓｗａｒｍ是能为ＡＮＮ模拟程序提供支持的软件库．它由面向对象的程序语言Ｏｂｊｅｃｔｉｖｅ．Ｃ来执行【ｌ
０｜．
Ｓｗａｒｍ程序的执行是基于ＭｏｄｅｌＳｗａｒｍｓ和
Ｏｂｓｅｒｖｅｒ
Ｓｗａｒｍｓ来完成的．ＭｏｄｅｌＳｗａｒｍｓ作为核
心来启动、组织和编排仿真对象；Ｏｂｓｅｒｖｅｒ
Ｓｗａｒｍｓ
在仿真过程中观察和分析相关行为、驱动数据集从模型获取数据并将这些数据绘制成曲线图．
图１显示的是ＭｏｄｅｌＳｗａｒｍｓ对夏季的某一天内以小时为单位的某饮品需求动态预测的仿真参数界面．其中参数和变量的含义为：
图１
Ｓｗａｒｍ仿真参数界面
Ｄａｔａｂａｓｅ：物流需求的历史数据，ｄａｔａ．ｔｘｔ文件为训练样本集；
万方数据
形：天气，数字ｌ表示天气晴朗；Ｔ一：预测日的最高气温；Ｔ。；。：预测日的最低气温；Ｒ日。：预测日的最大相对湿度；ＲＨ面。：预测１３的最小相对湿度；Ｄ：日期类型，数字３代表星期３．
图２显示了预测值与真实值之间的差异．图３表达了ＥＫＦ训练的ＡＮＮ预测算法与ＢＰ训练的ＡＮＮ预测算法之间的误差对照．
图２预测值与真实值之间的比较
图３
ＥＫＦ训练算法与ＢＰ训练算法预测结果的误差对比
从图２，图３所显示的结果来看，ＥＫＦ训练的ＡＮＮ预测算法要比ＢＰ训练的ＡＮＮ预测算法理想．而且，预测值较为接近真实值，在一定意义上表明了该动态预测方法在某些物流需求预测方面具有适用性及相对较高的可靠性．５
结语
现代企业物流系统运作以精益性和动态性为特征．文中所提供的物流需求动态预测方法将会对物流系统预测理论的发展起到一定积极作用．
该预测方法可以将许多动态因素考虑在其中，使
物流需求预测更具准确性和实时性．Ｓｗａｒｍ仿真平台的应用将会为物流系统研究提供有力的工具
・１６１６・
哈尔滨工业大学学报
［６］ＷＡＮＧ
ＹＢ，ＰＡＰＡＧＥＯＲＧＩＯＵ
ｂａｓｅｄ
ｏｎ
第４０卷
Ｍ．Ｒｅａｌ—ｔｉｍｅｆｒｅｅｗａｙ
ｅｘｔｅｎｄｅｄｋａｌｍａｎｆｉｌ．
支持．
．．、
．．ｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａｔｉｏｎ
ｔｅｒ：ａ
参考文献：
［Ｉ］ＤＡＳ
Ｐ。ＣＨＡＵＤＨＵＲＹ
ｇｅｎｅｒａｌ印ｐｒｏａｃｈ…．Ｔ砌８呻ｔｉ佃Ｒ雠眦ｈ
Ｓ．Ｐｂｄｉｃｔｉ∞ｏｆｒｅｔａｉｌｓａｌｅｓｏｆ
ａｎｄ陀ｃｕｒ陀ｎｔ
ｎｅｕｍｌ
ｎｅｔ．
Ｐａｒｔ
Ｂ：Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ，２００５，３９（２）：１４１．－１６７．
￡Ｄｏｔｗｅ盯ｕ８ｉｎｇ‰ｄｆｊｒ帅ｒｄ
ｗｏｒｋｓ［Ｊ］．Ｎｅｕｒａｌ［２］
１６（４—５）：４９１—５０２．
［７］李明干，孙健利，刘沛．基于卡尔曼滤波的电力系统短期负荷预测［Ｊ］－继电器，２００４，３０（４）：９—
１２・
ｃｏｍｐｕｔｉｎｇ＆ａｐｐｌｉｅａｔｉｏ『ｌｓ。２００７，
周茵．残差灰色预测模型在物流需求预测中的应用［Ｊ］．铁道运输与经济，２００７，２９（１１）：５９—６１．
［８］刘春梅，沈毅，胡恒章，等－基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识［Ｊ］・哈尔滨工业大学学报・２０００，３２（２）：１０７—１１３・
［３］后锐，张毕西．基于ＭＬＰ神经网络的区域物流需
求预测方法及其应用．系统工程理论与实践，
２００５，２５（１２）：４３—４７．
［９］ＰＡＲＫ
Ｄ
Ｃ，Ｅｌ・ＳＨＡＲＫＡＷＩＭＡ，ＭＡＲＫＳＪ，ｅｔａｌ・
ａｎ
Ｅｌｅｃｔｒｉｃｌｏａｄｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇ
ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌ
ｏｎ
ｎｅｔ。
［４］田晓字，李明干，刘沛．基于Ｋａｌｍａｎ滤波的神经网络学习算法及其应用［Ｊ］．计算机与数字丁程，２００５．３３（２）：４０—４２．
ｗｏｒｋ［Ｊ］・ＩＥＥＥＴｍｎｓａｃｔｉｏｍ１９９１，６（２）：４４２—４４９・［１０］ＪＯＨＮＳＯＮＰ，ＬＡＮＣＡＳＴＥＲ
Ｐｏｗｅｒ
Ｓｙｓｔｅｍｓ，
Ａ．Ｓｗａｒｍ
ｕｓｅｒ
ｇｕｉｄｅ：
［５］ＩＩＧＵＮＩＹ，ＳＡＫＡＩ
Ｈ，Ｔｂｋｕｍ删Ｈ．Ａ
８
ｒｅａｌ．ｔｉｍｅ
ＳｗａｒｍＤｅｖｅｌｏｐｍｅｎｔＧｒｏｕｐ［ＥＢ／ＯＬ］，［２００４—１１一
ｌｅａｒＩｌｉｎｇ如ｒｉｔｌＩＩｎ
ｂａ８ｅｄｔｉｏｎ
Ｏｎ
ｏｎ
ｆｏｒ
ｍｕｌｔｉｌａｙｅ陀ｄ
ｎｅｕｎｄ眦砒
２６］，ｈｔｔｐ：／／ｗｗｗ・８Ｗ＆ｎｌｌ・ｏｒｇ・
ｔｈｅｅｘｔｅｎｄｅｄ
ｋａｌｍ曲ｆｉｌｔｅｒ［Ｊ］．ｉ瞅ｔｍ珊∞．
（编辑张红）
ｓｉｇｍａ
ｐｒｏｃｅｓｓｉｎｇ．１９９２．４０（４）：９５９—９６６．
（上接第１５６５页）
ｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａ
ａｓｓｏｃｉａｔｅｄｗｉｔｌｌｎｊｔｒｉｔｅｏｘｉｄａｔｉｏｎｉｎ
Ｍｉｃｒｏ－
ｆｒｅｓｈｗａｔｅｒａｎｄｍａｒｉｎｅ
参考文献：
［１］ＺＨＡＮＧ
Ｙｕ－ｑｉｎ，ＬＩＵ
ａｑｕａｒｉａ［Ｊ］．Ａｐｐｌ，Ｅｎｖｉｒｏｎ
ｂｉｏｌ，１９９６，６２：２８８８—２８９６．
Ｋａｉ－ｑｉ，ＷＡＮＧＧｅ．Ｓｃｒｅｅｎｉｎｇｏｆ
ｃｏｎ－
［７］ＢＲＡＫＥＲ
Ｇ，ＦＥＳＥＬＤＴ
Ａ，ＷＩＺＥＬＫＰ．Ｄｅｖｅｌｏｐｍｅｎｔｏｆ
ｄｅｎｉｔｒｉｆｙｉｎｇ
ｂａｃｔｅｒｉａａｎｄｄｅｔｅｒｍｉｎａｔｉｎｏｆｔｈｅｃｕｌｔｕｒｅ
ｏｆＡｇｒｏ—Ｅｎｖｉｒｏｎｍｅｎｔ
ＰＣＲｐｒｉｍｅｒｓｙｓｔｅｍｓｆｏｒａｍｐｌｉｆｉｃａｔｉｏｎｏｆｎｉｔｒｉｔｅｒｅｄｕｃｔａｓｅ
ｄｉｔｉｏｎｓ［Ｊ］．Ｊｏｕｍａｌ
２４（１）：１６５—１６８．
Ｓｃｉｅｎｃｅ，２００５，
ｇｅｎｅｓ（ｎｉｒＫａｎｄｎｉｔｓ）ｔｏｄｅｔｅｃｔｄｅｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａｉｎ
ｅｎｖｉｒｏｎｍｅｎｅｔａｌ
ｓａｍｐｌｅｓ［Ｊ］．ＡｐｐｌＥｎｖｉｒｏｎＭｉｃｒｏｂｉｏｌ，
［２］ＥＩＧＨＵＲＹ
ｂａｃｔｅｒｉａｌ
ＴＴ，ＢＩＳＨＯＰＰＬ．Ｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｒｏｌｅｏｆ
ａ－
１９９８．６４：３７６９—３７７５．
ＩＩｉｔｒｉｆｙｉｎｇｐｏｐｕｌａｔｉｏｎｓｉｎｎｉｔｒｏｇｅｎｒｅｍｏｖａｌｉｎ
［８］ＢＲＡＫＥＲＧ，ＺＨＯＵ
ｔａｓｅ
Ｊｚ，ＷＵＬＹ，ｅｔａ１．Ｎｉｔｒｉｔｅｒｅｄｕｃ—
ｔｏ
ｑｕａｔｉｃｔｒｅａｔｍｅｎｔ—９５５．
ｓｙｓｔｅｍｓ［Ｊ］．Ｗａｔｅｒ
Ｒｅｓ，１９８９，２３：９４７
ｇｅｎｅｓ（ｎｉｒＫａｎｄｎｉｅｓ）ａ８ｆｕｎｃｔｉｏｎａｌｍａｒｋｅｒｓ
ｏｆ
ｉｎ．
ｖｅｓｔｉｇａｔｅｄｉｖｅｒｓｉｔｙ
Ｖ
Ａ，ＳＴＲＯＭ
ＰＦ，ＦＩＮＳＴＥＩＮＭＳ．
ｄｅｎｉｔｒｉｆｙｉｎｇ
ｂａｃｔｅｒｉａｉｎＰａｃｉｆｉｃ
Ｅｎ—
［３］ＭＡＴＵＬＥＷＩＣＨ
Ｎｏｒｔｈｗｅｓｔｍａｒｉｎｅｓｅｄｉｍｅｎｔ
ｃｏｍｍｕｎｉｔｉｅｓ［Ｊ］．Ａｐｐｌ
Ｌｅｎｇｔｈｏｆｉｎｃｕｂａｔｉｏｎｆｏｒｐｒｅｓｅｎｔｉｎ
ｖａｒｉｏｕｓ
ｅｎｕｍｅｒａｔｉｎｇｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａ
Ｍｉｅｒｏｂｉｏｌ，
ｖｉｍｎＭｉｅｒｏｂｉｏｌ，２０００，６６：２０９６—２１０４．
ｅｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］．Ａｐｐｌ
［９］ＨＡＬＬＩＮ
Ｓ，ＬＩＮＧＤＧＲＥＮ
ＰＥ．ＰＣＲｄｅｔｅｃｔｉｏｎｏｆｇｅｎｅｓ
１９７５，２９：２５６—２６８．
ｅｎｃｏｄｉｎｇ
ｎｉｔｒｉｔｅｒｅｄｕｅｔｓｓｓｅｓｉｎ
ｄｅｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａｌＪ］．
［４］谢冰，徐华，徐亚同．荧光原位杂交法在活性污泥硝
化细菌检测中的应用［Ｊ］．上海环境科学，２００３，２
（５）：３６３—３６５．
Ｗ．Ｉｎｓｉｔｅａｎａｌｙ一
ＡｐｐｌＥｎｖｉｒｏｎＭｉｅｒｏｂｉｏｌ，１９９９，６５：１６５２—１６５７．
［１０］ＪＵＡＮ
Ｍｏｓｔ
ＭＧ．Ａｇｅｎｅｒａｌｐｕｒｐｏｓｅ
ｐｒｎｇｒａｍｆｏｒｏｂｔａｉｎｉｎｇ
ＰｒｏｂａｂｌｅＮｕｍｂｅｒｔａｂｌｅｓ［Ｊ］．ＪＭｉｃｒｏｂＭｅｔｈｏｄｓ。
［５］ＳＡＴＯｓＨＩ
Ｏ，ＨＩＳＡＳＨＩＳ．ＹＯＳＨＩＭＡＳＡ
１９９６，２６：２１５—２１８．
８ｉｓｏｆｎｉｔｒｉｆｙｉｎｇｉｚａｔｉｏｎａｎｄｔｈｅ
ｒｏｎ
ｂｉｏｆｉｌｍｓ
ａｓ
ｄｅｔｅｒｍｉｎｅｄｂｙｉｎｓｉｔｕｈｙｂｒｉｄ—
［１１］马放，任南琪，杨基先．污染控制微生物学实验［Ｍ］．
哈尔滨：哈尔滨工业大学出版社，２００２：３２—３８．
ｕ北ｏｆｍｉｅｒｏｅｌｅｃｔｒｏｄｅｓ［Ｊ］．Ａｐｐｌ，Ｅｎｖｉ．
Ｍｉｃｍｂｉ０１．１９９９，６５：３１８２—３０９１．
ＴＡ，ＤＥＬＯＮＧＥＦ．Ｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ
（编辑刘
ｏｆ
彤）
［６］ＨＯＶＡＮＥＣ
万方数据
第４０卷第ｌＯ期
２００
哈尔滨工业大学学报
ＪＯＵＲＮＡＬＯＦＨＡＲＢＩＮＩＮＳＴＩＴＵＴＥＯＦＴＥＣＨＮＯＬＯＧＹ
脚４０
Ｎｏ．１０
８年ｌＯ月
Ｏｃｔ．２００８
物流需求的动态预测方法
苗
鑫１一，西
宝１一，邹慧敏３
（１．哈尔滨工业大学管理学院，哈尔滨１５０００１，Ｅ・ｍａｉｌ：ｍｉａｏｘｉｎ＠ｙａｈｏｏ．ｃｎ；２．哈尔滨工业大学技术・政策・管理（ＴＰＭ）研究中心，哈尔滨１５０００６；３．南开大学商学院，天津３０００７１）一
摘要：立足ＪＩＴ（Ｊｕｓｔ
Ｉｎ
Ｔｉｍｅ）管理模式，以提高物流需求预测的准确性及实时性为目标，采用复合算法设
计物流需求的动态预测方法．以扩展卡尔曼滤波和人工神经网络相结合的复合算法作为动态预测的基本方法，量化了日照、湿度、温度等影响物流需求的动态影响因素，并将这些因素纳入到预测过程．借助Ｓｗａｒｍ仿真，论证了在预测模型中纳入动态影响因素可以提高物流需求预测的准确性和实时性．与常规ＢＰ算法的预测误差相比较，显示出该复合预测算法具有较高的可靠性．关键词：物流需求；动态预测；复合算法；Ｓｗａｒｍ；计算机仿真
中图分类号：Ｆ２５２．８文献标识码：Ａ文章编号：０３６７—６２３４（２００８）１０—１６１３—０４
Ｄｙｎａｍｉｃｆｏｒｅｃａｓｔｍｅｔｈｏｄｏｆｌｏｇｉｓｔｉｃｓｄｅｍａｌ
ＭＩＡＯＸｉｎｌ一，ＸＩＢａ０１一，ＺＯＵＨｕｉ．ｍｉｎ３
（１．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ
１５０００１，Ｃｈｉｎａ，Ｅ－ｍａｉｌ：ｍｉａｏｘｉｎ＠ｙａｈｏｏ．ｏｎ；
２．ＮａｔｉｏｎａｌＣｅｎｔｅｒｏｆＴｅｃｈｎｏｌｏｇｙ，ＰｏｌｉｃｙａｎｄＭａｎａｇｅｍｅｎｔ（ＴＰＭ），ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，
Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３０００７１，Ｃｈｉｎａ）
Ｈａｒｂｉｎ１５０００６，Ｃｈｉｎａ；３．ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，Ｎａｎｋａｉ
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ
ｏｎ
ｔｈｅ
ＪＩＴ（Ｊｕｓｔ
Ｉｎ
Ｔｉｍｅ）ｍａｎａｇｅｍｅｎｔｐａｔｔｅｒｎ，ｉｎｏｒｄｅｒｔｏｉｍｐｗｖｅｔｈｅｐｒｅｃｉｓｉｏｎａｎｄｔｈｅ
ｔｏ
ｒｅ—
ａｌｔｉｍｅａｂｉｌｉｔｙｏｆｌｏｇｉｓｔｉｃｓｄｅｍａｎｄｆｏｒｅｃａｓｔ，ａｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍＷａｓａｐｐｌｉｅｄｍｅｔｈｏｄｏｆ
ｄｅｓｉｇｎｔｈｅｄｙｎａｍｉｃｆｏｒｅｃａｓｔ
ｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ．Ｔｈｅ
ｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍｔｈａｔｃｏｍｂｉｎｅｓｔｈｅＥｘｔｅｎｄｅｄＫａｌｍａｎＦｉｌｔｅｒｗｉｔｈｔｈｅＡｒｔｉ—
ｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｗ舶ｕｓｅｄａｓｔｈｅｂａｓｉｃｍｅｔｈｏｄｆｏｒｄｙｎａｍｉｃｆｏｒｅｃａｓｔ．Ｄｙｎａｍｉｃｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｌｏｇｉｓ—ｔｉｅｓｄｅｍａｎｄ，ｓｕｃｈ．ａｓｓｕｎｌｉｇｈｔ，ｈｕｍｉｄｉｔｙ，ｔｅｍｐｅｒａｔｕｒｅａｎｄ
８０
ｏｎ，ｗｅｒｅ
ｑｕａｎｔｉｆｉｅｄａｎｄｔａｋｅｎｉｎｔｏｃｏｎｓｉｄｅｒａｔｉｏｎ
ｉｎｔｈｅｆｏｒｅｃａｓｔｐｒｏｃｅｓｓ．ＷｉｔｈｔｈｅａｓｓｉｓｔａｎｃｅｏｆＳｗａｒｍｓｉｍｕｌａｔｉｏｎ，ｗｅｄｅｍｏｎｓｔｒａｔｅｔｈａｔｃｏｎｓｉｄｅｒｉｎｇｄｙｎａｍｉｃｉｎ—ｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｉｎｔｈｅｆｏｒｅｃａｓｔ
ｍｏｄｅｌ
ｗｉｌｌｉｍｐｒｏｖｅｔｈｅｐｒｅｃｉｓｉｏｎａｎｄｔｈｅｒｅａｌｔｉｍｅａｂｉｌｉｔｙｏｆｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ
ｒｅ・
ｆｏｒｅｃａｓｔ．Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｆｏｒｅｃａｓｔ
ｅｒｒｏｒ
ｂｅｔｗｅｅｎｔｈｅｇｅｎｅｒａｌＢＰａｌｇｏｒｉｔｈｍａｎｄｔｈｅｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍ
ｖｅａｌｓｔｈｅｈｉｇｈｅｒｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ．Ｋｅｙ
ｗｏｒｄｓ：ｌｏｇｉｓｔｉｃｓ
ｄｅｍａｎｄ；ｄｙｎａｍｉｃ
ｆｏｒｅｃａｓｔ；ｃｏｍｐｏｕｎｄａｌｇｏｒｉｔｈｍ；Ｓｗａｒｍ；ｃｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎ
现代物流以精益、准时、敏捷等为特征，对物流需求预测提出了较高要求¨Ｊ．企业有必要对物流需求做出较为精细的动态预测，以便于把握时机，在恰当的时间做出补货、配送等安排，从而节约成本、获取利润．一般来讲，物流需求的定量预测方法有灰色系统法旧】、人工神经网络（３１等方
法．但是，单一的预测模型在基本假设及实际应用等方面有较多的局限性．采用复合算法设计物流需求的动态预测方法，既可以对一日内各时段的物流需求变化做出动态预测，又可以描述物流需求与其动态影响因素之间的作用关系．１
物流需求的动态特性
一天内的物流需求随时间变化，表现出相似
收稿日期：２００５—１０—２５．
基金项目：黑龙江省科学技术攻关计划资助项目（ＧＣ０４Ａ１０６）；
新世纪优秀人才支持计划资助项目．
作者简介：苗鑫（１９８ｌ～），男，讲师，博士；
西宝（１９７０４），男，教授．博士生导师．
的变化规律，而这种变化规律又随着工作日和公休日的不同以及季节和天气等差异而有所Ⅸ别．
尽管有规律可循，但是要想做出精细的预测
万方数据
哈尔滨丁业大学学报
第４０卷
并不容易．首先，预测建立在对历史数据分析的基础之上，随机和扰动因素是很难精确确定的．其次，有些复杂因素（如不同季节的温度变化），尽管其带来的影响是显而易见的，但是这些影响因素却很难定量表述．
总之，物流需求动态预测过程中规律性与随机性并存．未来某一时间的需求量通常同过去的需求水平、当前的需求状况、预测日的天气因素、１３期类型等多种因素有关．因此，动态预测方法应反映以下几种基本因素的影响：
①反映物流需求随季节、日期类型和一天内
的不同时间而周期性变化的特性；
②反映物流需求变动的本质规律；
．③反映温度、日照、天气等因素带来的影响．④近期物流需求变化对预测结果的影响要比先前数据的统计结果更重要；
⑤工作日和公休日应分别采用不同的预测模型来预测．２
基于ＥＫＦ训练的ＡＮＮ预测算法
２．１
ＡＮＮ预测方法的优越性和缺陷
物流需求动态预测问题是一种大规模多匹配
问题，很难确定预测模型的具体形式．而人工神经网络（ＡＮＮ）具有在未知自变量和因变量函数关系的情况下，仍可逼近任意非线性函数和精确拟合多变量问题的优越性．通过输入、输出数据的训练，可获得输入、输出间的匹配关系．应用人工神经网络模型可以方便地表达诸如气温、降水、１３期类型等影响冈素．
ＢＰ算法是用于训练多层前馈ＡＮＮ的经典算法．尽管算法已成功应用于许多领域并且得到了不断的改进，但仍有很多缺点．收敛缓慢和局部收敛就是其中比较明显的两条缺陷ＨＪ，这两条缺陷并未从根本上得到克服．而扩展卡尔曼滤波（ＥＫＦ）训练算法１５冉１根据最小均方差来估计连接权重，比ＢＰ算法需要更少的迭代．此外，无需收敛参数的计算使其更便于应用ｏ７。．因此，应用基于ＥＫＦ训练的ＡＮＮ方法作为物流需求动态预测的基本方法．
２．２
ＥＫＦ训练ＡＮＮ的原理
由ＢＰ算法可知，前馈ＡＮＮ的学习过程就是
在给定输入和输出样本的条件下对网络权重的调整过程．因此，前馈ＡＮＮ的训练可以看成是非线性状态估计问题．ＥＫＦ学习算法的基本思想就是将ＡＮＮ中各神经元之间的连接权重的学习问题作为ＥＫＦ中的状态向量的最优估计问题【ｓＪ．因为
万方数据
基于ＥＫＦ的学习算法近似给出了连接权重的最小方差估计，所以其迭代收敛速度比最速下降法要快．而且，不涉及决定收敛性能的调整参数，使其更便于应用‘９Ｊ．３
物流需求动态预测模型
利用ＡＮＮ建立物流需求动态预测模型时，选
择合适的样本集是非常重要的，恰当的选择可以大大提高训练速度和预测精度．如果在每次预测前都对样本进行筛选、选择与预测日气象条件相似的样本进行训练，那么就可以节省大量的训练时间，同时也可避免不相关样本的干扰．这样一来，根据不同的预测日就可以确定出不同的训练样本集，且训练出不同的权重和阈值．由于映射关系和样本集随时间变动，所以每次预测都要重新确定训练样本集并进行训练，这对于训练缓慢且不易收敛的ＡＮＮ算法来说是很困难的．但基于ＥＫＦ的ＡＮＮ学习算法在计算方面较为快捷，使得选用动态样本集进行预测成为可行．
相连续的前后几天的物流需求量有一定的关联性，考虑到其受温度、湿度、降水以及日期间隔等冈素影响，可以定义某预测日与第Ｋ天的相似度为
Ｓ（ｋ）＝Ｏｌ［（ｋ一乇）２＋（Ｌｊ。一《ｉ。）２］
＋／３［（ＲＨ。。。一Ｒ月：。）２＋（ＲＨ。妯一ＲＨｎｌｉ。）２］＋ｙ（Ｗ一旷）２＋６ＡＤ‘．
其中：７－衄、咒。、肼‘。、尺以ｉ。和形分别为某预测日
的最高温度、最低温度、最大相对湿度、最小相对湿
度和天气类型；毪、毪。、ｒｉｌｌ、足硪，和酽分别为
相应指标在第Ｋ天的值；∥为预测日与第Ｋ天之
间间隔的天数；ｉｘ够、Ｙ、６分别为反映温度、湿度、天气类型和日期间隔对物流需求影响的系数；Ｗ和
酽为天气类型，而天气类型有多种不同的表现，需
要对各种不同的状况进行量化之后，才能作为一个
变量进行处理．形和矿的取值如表１所示．Ｓ（Ｉ｜｝）越
小，表明相似程度越高，根据预测日的气象数据，在该日之前的样本集合内依次计算各天与该预测日的相似程度，从中选出若干具有较小的Ｓ（Ｊｉ｝）值的样本组成了动态训练样本集．
建立ＡＮＮ预测模型时，最重要的是选择输入变量，这没有约定俗成的规则，要视具体情况而定．由于前后几天在时间上具有一定的连续性。因关联．
把按照相似程度计算得到的样本集中的样本此可以认为前后连续几天的物流需求也有一定的依照自然时间顺序进行排列，记为
第１０期苗鑫，等：物流需求的动态预测方法
・１６１５・
Ｘ＝［ｘ１邑
ｘ３
…
ｘＭ］．其中：ｘ为总的样本集，Ｘｉ（１≤ｉ≤肘）为样本中的一个向量，其中的元素为历史需求数据、天气状况数据和１３期类型数据，肘为选出的样本总数．
根据经验，隐层单元数目一般选为（ＩＮ×ＯＮ）Ｖ２，ＩＮ和ＯＮ分别为输入层和输出层的单元数目．将样本集中的历史数据和预测１３的天气信息和日期类型信息作为网络的输入，ＡＮＮ计算结果即是预测日内２４个时段的需求预测值．
表１天气类型量化值
量化值
天气类型
ｌ晴２微云３
多云４
小雨５中雨６大（雷）雨７
小雪８
大雪
４
Ｓｗａｒｍ仿真分析
Ｓｗａｒｍ仿真平台由圣塔菲研究所（Ｓａｎｔａ
Ｆｅ
Ｉｎｓｔｉｔｕｔｅ，ＳＦＩ）开发，它可以支持一类具有运行上述模型功能的工具．Ｓｗａｒｍ是能为ＡＮＮ模拟程序提供支持的软件库．它由面向对象的程序语言Ｏｂｊｅｃｔｉｖｅ．Ｃ来执行【ｌ
０｜．
Ｓｗａｒｍ程序的执行是基于ＭｏｄｅｌＳｗａｒｍｓ和
Ｏｂｓｅｒｖｅｒ
Ｓｗａｒｍｓ来完成的．ＭｏｄｅｌＳｗａｒｍｓ作为核
心来启动、组织和编排仿真对象；Ｏｂｓｅｒｖｅｒ
Ｓｗａｒｍｓ
在仿真过程中观察和分析相关行为、驱动数据集从模型获取数据并将这些数据绘制成曲线图．
图１显示的是ＭｏｄｅｌＳｗａｒｍｓ对夏季的某一天内以小时为单位的某饮品需求动态预测的仿真参数界面．其中参数和变量的含义为：
图１
Ｓｗａｒｍ仿真参数界面
Ｄａｔａｂａｓｅ：物流需求的历史数据，ｄａｔａ．ｔｘｔ文件为训练样本集；
万方数据
形：天气，数字ｌ表示天气晴朗；Ｔ一：预测日的最高气温；Ｔ。；。：预测日的最低气温；Ｒ日。：预测日的最大相对湿度；ＲＨ面。：预测１３的最小相对湿度；Ｄ：日期类型，数字３代表星期３．
图２显示了预测值与真实值之间的差异．图３表达了ＥＫＦ训练的ＡＮＮ预测算法与ＢＰ训练的ＡＮＮ预测算法之间的误差对照．
图２预测值与真实值之间的比较
图３
ＥＫＦ训练算法与ＢＰ训练算法预测结果的误差对比
从图２，图３所显示的结果来看，ＥＫＦ训练的ＡＮＮ预测算法要比ＢＰ训练的ＡＮＮ预测算法理想．而且，预测值较为接近真实值，在一定意义上表明了该动态预测方法在某些物流需求预测方面具有适用性及相对较高的可靠性．５
结语
现代企业物流系统运作以精益性和动态性为特征．文中所提供的物流需求动态预测方法将会对物流系统预测理论的发展起到一定积极作用．
该预测方法可以将许多动态因素考虑在其中，使
物流需求预测更具准确性和实时性．Ｓｗａｒｍ仿真平台的应用将会为物流系统研究提供有力的工具
・１６１６・
哈尔滨工业大学学报
［６］ＷＡＮＧ
ＹＢ，ＰＡＰＡＧＥＯＲＧＩＯＵ
ｂａｓｅｄ
ｏｎ
第４０卷
Ｍ．Ｒｅａｌ—ｔｉｍｅｆｒｅｅｗａｙ
ｅｘｔｅｎｄｅｄｋａｌｍａｎｆｉｌ．
支持．
．．、
．．ｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａｔｉｏｎ
ｔｅｒ：ａ
参考文献：
［Ｉ］ＤＡＳ
Ｐ。ＣＨＡＵＤＨＵＲＹ
ｇｅｎｅｒａｌ印ｐｒｏａｃｈ…．Ｔ砌８呻ｔｉ佃Ｒ雠眦ｈ
Ｓ．Ｐｂｄｉｃｔｉ∞ｏｆｒｅｔａｉｌｓａｌｅｓｏｆ
ａｎｄ陀ｃｕｒ陀ｎｔ
ｎｅｕｍｌ
ｎｅｔ．
Ｐａｒｔ
Ｂ：Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ，２００５，３９（２）：１４１．－１６７．
￡Ｄｏｔｗｅ盯ｕ８ｉｎｇ‰ｄｆｊｒ帅ｒｄ
ｗｏｒｋｓ［Ｊ］．Ｎｅｕｒａｌ［２］
１６（４—５）：４９１—５０２．
［７］李明干，孙健利，刘沛．基于卡尔曼滤波的电力系统短期负荷预测［Ｊ］－继电器，２００４，３０（４）：９—
１２・
ｃｏｍｐｕｔｉｎｇ＆ａｐｐｌｉｅａｔｉｏ『ｌｓ。２００７，
周茵．残差灰色预测模型在物流需求预测中的应用［Ｊ］．铁道运输与经济，２００７，２９（１１）：５９—６１．
［８］刘春梅，沈毅，胡恒章，等－基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识［Ｊ］・哈尔滨工业大学学报・２０００，３２（２）：１０７—１１３・
［３］后锐，张毕西．基于ＭＬＰ神经网络的区域物流需
求预测方法及其应用．系统工程理论与实践，
２００５，２５（１２）：４３—４７．
［９］ＰＡＲＫ
Ｄ
Ｃ，Ｅｌ・ＳＨＡＲＫＡＷＩＭＡ，ＭＡＲＫＳＪ，ｅｔａｌ・
ａｎ
Ｅｌｅｃｔｒｉｃｌｏａｄｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇ
ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌ
ｏｎ
ｎｅｔ。
［４］田晓字，李明干，刘沛．基于Ｋａｌｍａｎ滤波的神经网络学习算法及其应用［Ｊ］．计算机与数字丁程，２００５．３３（２）：４０—４２．
ｗｏｒｋ［Ｊ］・ＩＥＥＥＴｍｎｓａｃｔｉｏｍ１９９１，６（２）：４４２—４４９・［１０］ＪＯＨＮＳＯＮＰ，ＬＡＮＣＡＳＴＥＲ
Ｐｏｗｅｒ
Ｓｙｓｔｅｍｓ，
Ａ．Ｓｗａｒｍ
ｕｓｅｒ
ｇｕｉｄｅ：
［５］ＩＩＧＵＮＩＹ，ＳＡＫＡＩ
Ｈ，Ｔｂｋｕｍ删Ｈ．Ａ
８
ｒｅａｌ．ｔｉｍｅ
ＳｗａｒｍＤｅｖｅｌｏｐｍｅｎｔＧｒｏｕｐ［ＥＢ／ＯＬ］，［２００４—１１一
ｌｅａｒＩｌｉｎｇ如ｒｉｔｌＩＩｎ
ｂａ８ｅｄｔｉｏｎ
Ｏｎ
ｏｎ
ｆｏｒ
ｍｕｌｔｉｌａｙｅ陀ｄ
ｎｅｕｎｄ眦砒
２６］，ｈｔｔｐ：／／ｗｗｗ・８Ｗ＆ｎｌｌ・ｏｒｇ・
ｔｈｅｅｘｔｅｎｄｅｄ
ｋａｌｍ曲ｆｉｌｔｅｒ［Ｊ］．ｉ瞅ｔｍ珊∞．
（编辑张红）
ｓｉｇｍａ
ｐｒｏｃｅｓｓｉｎｇ．１９９２．４０（４）：９５９—９６６．
（上接第１５６５页）
ｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａ
ａｓｓｏｃｉａｔｅｄｗｉｔｌｌｎｊｔｒｉｔｅｏｘｉｄａｔｉｏｎｉｎ
Ｍｉｃｒｏ－
ｆｒｅｓｈｗａｔｅｒａｎｄｍａｒｉｎｅ
参考文献：
［１］ＺＨＡＮＧ
Ｙｕ－ｑｉｎ，ＬＩＵ
ａｑｕａｒｉａ［Ｊ］．Ａｐｐｌ，Ｅｎｖｉｒｏｎ
ｂｉｏｌ，１９９６，６２：２８８８—２８９６．
Ｋａｉ－ｑｉ，ＷＡＮＧＧｅ．Ｓｃｒｅｅｎｉｎｇｏｆ
ｃｏｎ－
［７］ＢＲＡＫＥＲ
Ｇ，ＦＥＳＥＬＤＴ
Ａ，ＷＩＺＥＬＫＰ．Ｄｅｖｅｌｏｐｍｅｎｔｏｆ
ｄｅｎｉｔｒｉｆｙｉｎｇ
ｂａｃｔｅｒｉａａｎｄｄｅｔｅｒｍｉｎａｔｉｎｏｆｔｈｅｃｕｌｔｕｒｅ
ｏｆＡｇｒｏ—Ｅｎｖｉｒｏｎｍｅｎｔ
ＰＣＲｐｒｉｍｅｒｓｙｓｔｅｍｓｆｏｒａｍｐｌｉｆｉｃａｔｉｏｎｏｆｎｉｔｒｉｔｅｒｅｄｕｃｔａｓｅ
ｄｉｔｉｏｎｓ［Ｊ］．Ｊｏｕｍａｌ
２４（１）：１６５—１６８．
Ｓｃｉｅｎｃｅ，２００５，
ｇｅｎｅｓ（ｎｉｒＫａｎｄｎｉｔｓ）ｔｏｄｅｔｅｃｔｄｅｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａｉｎ
ｅｎｖｉｒｏｎｍｅｎｅｔａｌ
ｓａｍｐｌｅｓ［Ｊ］．ＡｐｐｌＥｎｖｉｒｏｎＭｉｃｒｏｂｉｏｌ，
［２］ＥＩＧＨＵＲＹ
ｂａｃｔｅｒｉａｌ
ＴＴ，ＢＩＳＨＯＰＰＬ．Ｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｒｏｌｅｏｆ
ａ－
１９９８．６４：３７６９—３７７５．
ＩＩｉｔｒｉｆｙｉｎｇｐｏｐｕｌａｔｉｏｎｓｉｎｎｉｔｒｏｇｅｎｒｅｍｏｖａｌｉｎ
［８］ＢＲＡＫＥＲＧ，ＺＨＯＵ
ｔａｓｅ
Ｊｚ，ＷＵＬＹ，ｅｔａ１．Ｎｉｔｒｉｔｅｒｅｄｕｃ—
ｔｏ
ｑｕａｔｉｃｔｒｅａｔｍｅｎｔ—９５５．
ｓｙｓｔｅｍｓ［Ｊ］．Ｗａｔｅｒ
Ｒｅｓ，１９８９，２３：９４７
ｇｅｎｅｓ（ｎｉｒＫａｎｄｎｉｅｓ）ａ８ｆｕｎｃｔｉｏｎａｌｍａｒｋｅｒｓ
ｏｆ
ｉｎ．
ｖｅｓｔｉｇａｔｅｄｉｖｅｒｓｉｔｙ
Ｖ
Ａ，ＳＴＲＯＭ
ＰＦ，ＦＩＮＳＴＥＩＮＭＳ．
ｄｅｎｉｔｒｉｆｙｉｎｇ
ｂａｃｔｅｒｉａｉｎＰａｃｉｆｉｃ
Ｅｎ—
［３］ＭＡＴＵＬＥＷＩＣＨ
Ｎｏｒｔｈｗｅｓｔｍａｒｉｎｅｓｅｄｉｍｅｎｔ
ｃｏｍｍｕｎｉｔｉｅｓ［Ｊ］．Ａｐｐｌ
Ｌｅｎｇｔｈｏｆｉｎｃｕｂａｔｉｏｎｆｏｒｐｒｅｓｅｎｔｉｎ
ｖａｒｉｏｕｓ
ｅｎｕｍｅｒａｔｉｎｇｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａ
Ｍｉｅｒｏｂｉｏｌ，
ｖｉｍｎＭｉｅｒｏｂｉｏｌ，２０００，６６：２０９６—２１０４．
ｅｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］．Ａｐｐｌ
［９］ＨＡＬＬＩＮ
Ｓ，ＬＩＮＧＤＧＲＥＮ
ＰＥ．ＰＣＲｄｅｔｅｃｔｉｏｎｏｆｇｅｎｅｓ
１９７５，２９：２５６—２６８．
ｅｎｃｏｄｉｎｇ
ｎｉｔｒｉｔｅｒｅｄｕｅｔｓｓｓｅｓｉｎ
ｄｅｎｉｔｒｉｆｙｉｎｇｂａｃｔｅｒｉａｌＪ］．
［４］谢冰，徐华，徐亚同．荧光原位杂交法在活性污泥硝
化细菌检测中的应用［Ｊ］．上海环境科学，２００３，２
（５）：３６３—３６５．
Ｗ．Ｉｎｓｉｔｅａｎａｌｙ一
ＡｐｐｌＥｎｖｉｒｏｎＭｉｅｒｏｂｉｏｌ，１９９９，６５：１６５２—１６５７．
［１０］ＪＵＡＮ
Ｍｏｓｔ
ＭＧ．Ａｇｅｎｅｒａｌｐｕｒｐｏｓｅ
ｐｒｎｇｒａｍｆｏｒｏｂｔａｉｎｉｎｇ
ＰｒｏｂａｂｌｅＮｕｍｂｅｒｔａｂｌｅｓ［Ｊ］．ＪＭｉｃｒｏｂＭｅｔｈｏｄｓ。
［５］ＳＡＴＯｓＨＩ
Ｏ，ＨＩＳＡＳＨＩＳ．ＹＯＳＨＩＭＡＳＡ
１９９６，２６：２１５—２１８．
８ｉｓｏｆｎｉｔｒｉｆｙｉｎｇｉｚａｔｉｏｎａｎｄｔｈｅ
ｒｏｎ
ｂｉｏｆｉｌｍｓ
ａｓ
ｄｅｔｅｒｍｉｎｅｄｂｙｉｎｓｉｔｕｈｙｂｒｉｄ—
［１１］马放，任南琪，杨基先．污染控制微生物学实验［Ｍ］．
哈尔滨：哈尔滨工业大学出版社，２００２：３２—３８．
ｕ北ｏｆｍｉｅｒｏｅｌｅｃｔｒｏｄｅｓ［Ｊ］．Ａｐｐｌ，Ｅｎｖｉ．
Ｍｉｃｍｂｉ０１．１９９９，６５：３１８２—３０９１．
ＴＡ，ＤＥＬＯＮＧＥＦ．Ｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ
（编辑刘
ｏｆ
彤）
［６］ＨＯＶＡＮＥＣ
万方数据