摘要：广州市顺丰速运的网店布局存在着布局不合理、资源浪费等问题。首先利用爬虫技术获取与网点布局相关的服务设施的地理位置，接着利用ArcGIS工具将广州市网格化，随后利用SVM、BP神经网络以及KNN等机器学习算法以每个网格作为样本，建立广州市顺丰速运网点与各影响因素之间的机器学习模型。最后将训练好的模型进行stacking集成学习得到一个更优的模型。模型的拟合结果显示SVM、BP神经网络以及KNN算法建立的模型的预测结果都能达到83%以上的精确率、76%以上的正确率、60%以上的召回率以及69%以上的F1值，通过stacking集成学习得到的模型的预测结果达到了90%的精确率、84%的正确率、72%的召回率以及80%的F1值。结果都表明机器学习算法能很好的对广州市顺丰速运网点的布局进行预测。

关键词：网点布局；GIS系统；机器学习

目录

摘要

Abstract

一、 绪论-1

（一）-研究背景与研究意义-1

1.-研究背景-1

2.-研究意义-1

（二）-文献综述-2

1.-选址布局问题研究-2

2.-机器学习在物流中的应用研究现状-2

3.-文献总结-3

（三） 研究方法-3

二、 基于ArcGIS工具的快递网点布局分析-3

（一） 广州市顺丰速运网点布局现状-4

（二） 快递网点布局影响因素分析-5

1.-人口-5

2.-经济水平-5

3.-消费水平-5

4.-交通设施-5

5.-竞争情况-6

（三）-基于ArcGIS工具的数据获取与数据分析-6

1.-空间数据的获取-6

2.-空间数据分析-14

（四）-本章小结-16

三、 基于机器学习算法的顺丰速运网点布局模型-16

（一） 数据预处理-16

1.-数据归一化-16

2.-数据集划分-17

3.-模型结果评价指标-17

（二） 支持向量机（SVM）模型-18

1.-支持向量机类型-18

2.-模型建立及预测-21

（三） 神经网络模型-23

1.-BP神经网络模型-24

2.-BP神经网络的建立及预测-25

（四） K邻近算法（K-Nearest Neighbor，KNN）模型-26

1.-KNN模型-26

2.-模型建立及预测-28

（五）-本章小结-29

四、 基于集成学习的顺丰速运网点布局模型-29

（一） stacking算法-29

（二） Stacking集成模型的建立及预测-30

五、 总结与展望-31

（一） 实验结果总结-31

（二） 研究展望-32

参考文献-33

附录-34

致谢