我国加入WTO后,物流业在国内呈现快速发展的态势,为国民经济的发展提供了基础保障,但也带来了大城市日益严重的交通问题,影响了物流业的发展速度。物流配送中心在进行运输配送运作时与外部的交通网络会存在一定的能力约束,若超过外部交通的通行能力会对整个交通网络产生压力,导致外部交通的无序与低效;同样超出配送中心服务能力的物流配送计划也无法按照顾客的要求准时履行。因此研究配送中心交通需求与外部道路交通通行能力匹配性有着非常重要的理论和实际意义。本文结合国家自然科学基金项目(项目批准号50778141)“城市铁路客运枢纽交通衔接合理性自动判别与仿真”对配送中心外部交通匹配性进行研究。把粗糙集理论和神经网络理论相结合,建立一种全新的粗糙集预处理数据的BP神经网络交通匹配模型。该模型充分发挥了粗糙集理论和神经网络理论各自的优势:神经网络具有并行处理、网络全局、信息分布存储等特点,可通过训练、学习产生一个非线性映射,自适应地对数据进行聚类,同时具有较好的抑制噪声干扰的能力和较强的鲁棒性。其缺点是当输入信息空间的维数较大时,网络不仅结构复杂,而且训练时间也很长。而粗糙集理论可对数据进行属性约简和值约简,消除样本中的噪声和冗余对象。这两者的结合不仅可以减小网络的规模,同时通过消除对象冗余可减少网络的训练和学习负担,还可以通过消除噪声提高神经网络预测的准确性。因此粗糙集理论与神经网融合方法具有的优点,非常适合处理像交通匹配这样的非结构化,非线性的复杂系统。本文共分五部分。第一部分介绍了本文研究交通匹配的研究背景和研究意义,及国内外研究现状。第二部分描述了城市主干道交通运行特性和配送中心外部货运交通的特点。第三部分介绍了道路交通通行能力与交通需求,对通行能力和交通需求的影响因素做了阐述,对交通匹配程度进行了分类。第四部分分别介绍了粗糙集理论和神经网络。阐述了粗糙集理论与神经网络技术相结合的模型构建思想和方法,建立一个粗糙集-神经网络交通匹配预测模型。利用统计资料对传统BP神经网络模型和粗糙集-神经网络模型分别进行验证,表明通过粗糙集与神经网络的结合模型进行交通匹配性判别可以减少网络的运算时间,提高网络模型的预测效率。第五部分结论部分主要总结了本文的研究成果和以后要努力的方向。