全文总字数：6338字
1 国外研究现状
- 关于快递业务发展现状的研究
快递起源于20世纪初的西方经济，是物流产业的一个分支行业，是一种新型的运输方式，更是供应链的一个重要环节。快递业务由美国兴起，在日本得到进一步发展，于亚洲四小龙的崛起而延伸。日本宫城大学教授TOKUNAGA Yoshiyuki[1]早在1995年对快递服务行业近20年的发展进行研究，以宫城县为例，根据快递局部区域的无效传输，考虑一定数量的商品，建立了一种区域内货物运输相关的快递系统成本最小化模型。通过该模型实现快递服务分配和运输路径的最优。快递服务分配的合理化带动了快递服务提供商的快速发展，Xiang T.R. Kong[2]建立仿真模型以实现可重新配置的快递物流中心，以排序、订单发布和机器灵活性控制策略为基础，应用实验设计技术，通过控制因素、需求订单和系统参数的完全组合进行灵敏度分析。国际快递由复杂的快递链组成，英国学家Dan Elliott根据快递能够促进广泛贸易的功能，建立回归指数模型，重点讨论空运，特别是国际快递对国际贸易的贡献，通过计量经济学进一步验证了线性规范可以更好的拟合数据，强调了贸易双边性质和全球供应链日益重要的特点[3]。
(2) 关于快递业务量预测的研究
快递业务量预测方面，国际物流学术界也是近些年开始逐渐重视，匈牙利学者Joacute;zsef Dombi[4]为考察电子设备的购买生命周期，创新聚类时间序列预测方法，观察短期波动曲线，对备件物流服务中电子商品的需求预测。通过与广泛应用的方法进行比较，结果显示聚类时间序列预测法有利于长期预测，可被视为备件物流领域可行的替代备件需求预测技术。在2018年波兰学者JoannaBruzda重新研究了指数平滑模型在供应链和物流预测中的应用，根据月、季度和年度销售数据，采用计量经济学方法进行分位数预测，最终得出分位数平滑是最佳预测程序[5]。
(3) 关于时间序列方法的研究
时间序列预测方法就是定量回归预测法，根据过去的变化趋势和事物发展的规律性，预测未来的发展。最近这项预测方法引起了机器学习领域研究人员的注意，以解决传统预测方法的局限性。Alaa Sagheer[6]提出了一种深度学习方法能够解决传统预测方法的局限性并显示准确的预测--DLSTM架构，作为传统递归神经网络的拓展，使用两个油田的生产数据进行石油工业领域研究。用不同的测量标准，实证结果表明，所提出的DLSTM模型优于其他标准方法。Yiraito Hirata（2017）[7]对早晨太阳辐照度进行短期预测，使用无限维延迟坐标，根据日出前的时间序列预测日出后的太阳辐照度。结果证明短期时间预测误差小最小，具有有效的预测技能。为了论证在容易受伤害的居住者或有内容物的建筑物中，时间序列预测是过热预警系统的一部分。Matej Gustin（2018）基于ARX和ARMAX模型，使用2015年热浪期间记录的三个案例，对已使用每小时数据为自由住宅开发预测模型，研究住宅的监测数据测试该模型，，开发家庭热健康警告系统的试点研究。即使在炎热的夏季天气，开发的模型也能提供足够的72小时预测[8]。
2 国内研究现状
当前，中国快递业务量已经连续四年稳居世界第一，并且针对快递业发展的需求建立起初具规模的时间序列研究方法，但仍需借鉴国外先进的计算机编程软件和算法，对未来快递业务量进行准确预测，以实现降低运输成本减少资源浪费的目标。
(1) 关于快递业务发展现状的研究
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
