基于双约束重力模型的L-OD物流需求预测

大家好，我是讯享网，很高兴认识大家。

通过对蒲江县2021物流发展现状进行分析，运用数据爬取，使用高德地图API实现批量查询各小区中每一个地址（省、区/市县、乡镇）的经纬度数据，运用Geopy库中的默认WGS-84模型计算出误差在0.5%以内的小区距离，并以矩阵的形式导入Excel文件中，最后运用所获数据结合双约束重力模型，用编程迭代实现了蒲江县2025、2030、2035年的物流分布量预测。2021小区矩阵如下：

小区	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	合计
1	46317	91635	73508	59006	8616	67055	11590	97036	31078	16087			53264	11482		73041
2		91635	64444		3951	32679	7231	2830	31078	37074	13791	37776	70149	12010	5090	8688
3		91635	46317	80668	4107	8478	3232	5258	3166	3154	4497	6350	43070	37074	3034	3166
4			91635	73508	2566	76571	3819	35167	32613	15146	48875	95783	84036	7483	41074	6164
5	14864	31078	8364	20806	0	0	0	0	0	0	0	0	0	0	0	0	75112
6	63559		13089		0	0	0	0	0	0	0	0	0	0	0	0
7	61059	31078	53804		0	0	0	0	0	0	0	0	0	0	0	0
8	62858	11842	7009	53846	0	0	0	0	0	0	0	0	0	0	0	0
9	5894	11093	2344	2764	0	0	0	0	0	0	0	0	0	0	0	0	22095
10	4095	1817	1637	2296	0	0	0	0	0	0	0	0	0	0	0	0	9845
11	7093	5894	3022	4743	0	0	0	0	0	0	0	0	0	0	0	0	20752
12	64159	13425	12628	54865	0	0	0	0	0	0	0	0	0	0	0	0
13	71055	31078	7093	97036	0	0	0	0	0	0	0	0	0	0	0	0
14	21082	21082	11782	12868	0	0	0	0	0	0	0	0	0	0	0	0	66814
15	90722	11884	18444	31546	0	0	0	0	0	0	0	0	0	0	0	0
16	40072	7093	2896	74586	0	0	0	0	0	0	0	0	0	0	0	0
合计					19240		25872		97935	71461				68049		91059

在双约束重力模型中物流分布量的计算公式如下：

讯享网

确定阻抗矩阵

考虑蒲江与各小区的运输费用难以查询，并与各地区流通的交通工具并不相似，故费用与时间均不能作为阻抗矩阵的依据。故此处，以各小区的距离为阻抗矩阵。因每个小区的区域广阔，故取小区间的几何中心作为参考点，以各小区几何中心点间的距离为各小区之间的距离。

小区间距离获取的方法如下：首先在高德开发平台上申请用户key，使用高德地图API实现批量查询各小区中每一个地址（省、区/市县、乡镇）的经纬度，整理表格，用分类汇总方法计算出每一个L-OD小区的平均经纬度。

将小区经纬度数据导入python中，用Geopy库中的默认WGS-84模型计算出误差在0.5%以内的小区距离，并以矩阵的形式导入excel表中。

物流分布量预测

将2025年、2030年、2035年的预测物流发生量、吸引量以及各小区之间的距离阻抗矩阵数据导入Python中，用编程的方法进行重力模型系数迭代，由于所给数据显示小区5到小区16之间没有物流交换活动，因此进行重力模型系数迭代时不应考虑5-16小区。

将误差率err设置为0.000001，结果显示2025年预测迭代了7344次，2030年预测迭代了9019次，2035年预测迭代了10095次。将分布量预测结果导入xls文件中。应注意由于小区5到小区16之间没有物流交换，重力模型系数迭代时也未考虑5-16小区，因此在物流分布量预测表中也应人为将5-16小区之间的分布量设置为0，物流分布量迭代实现代码如下：

import copy import numpy as np import pandas as pd import xlwt import xlrd #读取发生量或吸引量 df=pd.read_excel(r"D:\预测2025.xlsx") dis=pd.read_excel('D:\距离.xlsx',header=None) #读取距离矩阵 A=df['A'] #读取第一列 P=df['P'] #读取第二列 #获取行列数 row=len(dis) col=dis.columns.size cut=4 k2=np.ones(16) #初始化重力模型系数 k1=np.ones(16) err=0.000001 #设定误差率 x=0 #控制循环条件 ite=0 #迭代次数 mat1=np.zeros(16) mat2=np.ones(16) #初始化迭代矩阵 while x==0 : for i in range(cut): a=0 for j in range(col): if dis[i][j]!=0: a=a+k2[j]*A[j]/dis[i][j] a=1/a k1[i]=a for i in range(cut,row): for j in range(cut): if dis[i][j]!=0: a=a+k2[j]*A[j]/dis[i][j] a=1/a k1[i]=a for j in range(cut): a=0 for i in range(row): if dis[i][j]!=0: a+=k1[i]*P[i]/dis[i][j] a=1/a k2[j]=a for j in range(cut,col): for i in range(cut): if dis[i][j]!=0: a=a+k1[i]*P[i]/dis[i][j] a=1/a k2[j]=a ite=ite+1 mat2=np.row_stack((mat2,k2)) mat1=np.row_stack((mat1,k1)) #更新矩阵 #判断是否继续迭代 for j in range(col): if abs(mat1[ite][j]-mat1[ite-1][j])>=err: x1=0 break else: x1=1 for j in range(col): if abs(mat2[ite][j]-mat2[ite-1][j])>=err: x2=0 break else: x2=1 if x2==1&x1==1 : x=1 else: x=0 print("mat1矩阵：",mat1) print("mat2矩阵：",mat2) print("ite=",ite) #计算分布量 l=np.zeros((16,16)) for i in range(row): for j in range(col): l[i][j]=k1[i]*k2[j]*P[i]*A[j]/dis[i][j] for i in range(cut,row): for j in range(cut,col): l[i][j]=0 filename =xlwt.Workbook() #创建工作簿 sheet1 = filename.add_sheet(u'sheet1',cell_overwrite_ok=True) #创建sheet for i in range (0,16): for j in range (0,16): sheet1.write(i,j,l[i,j]) filename.save('D:\物流分布量2.xls')

讯享网

代码运行结果如下：

将预测分布量导入excel，以2025年为例，预测结果整理如下：

2025年预测OD分布
	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	实际求和值	Pi
1	0		71537		21764		29593	86654	76897	32487	75806		67039	18159	52019	40316
2		0			1162	17899	1543	35272	16045	11271	58761			37429	64744	24722
3	59210		0		572	8990	742	15726	7205	6001	23005	39425	60862	12767	40984	14859
4				0	2949	48910	3687	55190	34463	48470			99504	25125	75207	45147
5	80450	5739	2554	14504	0	0	0	0	0	0	0	0	0	0	0	0
6		41619	18908		0	0	0	0	0	0	0	0	0	0	0	0
7		20646	8978	49138	0	0	0	0	0	0	0	0	0	0	0	0
8	71381	38809	15651	60485	0	0	0	0	0	0	0	0	0	0	0	0
9	15275	4257	1729	9108	0	0	0	0	0	0	0	0	0	0	0	0	30369	30373
10	3686	1708	823	7316	0	0	0	0	0	0	0	0	0	0	0	0	13533	13533
11	6547	6778	2400	12800	0	0	0	0	0	0	0	0	0	0	0	0	28525	28527
12	58757	53946	19155	67540	0	0	0	0	0	0	0	0	0	0	0	0
13	44292		48583	87465	0	0	0	0	0	0	0	0	0	0	0	0
14	14246	39221	12101	26224	0	0	0	0	0	0	0	0	0	0	0	0	91793	91846
15	37850	62922	36029	72803	0	0	0	0	0	0	0	0	0	0	0	0
16	45599	37349	20306	67937	0	0	0	0	0	0	0	0	0	0	0	0
实际求和值					26448		35565			98229				93480
Aj					26448		35565			98234				93544

基于双约束重力模型的L-OD物流需求预测

确定阻抗矩阵

物流分布量预测

相关推荐