物流需求分析是指将物流需求与生产需求的社会经济活动进行相关分析的过程。由于物流活动日益渗透到生产、流通、消费整个社会经济活动之中，与社会经济的发展存在着密切的联系。

分析过去的物流需求状况进而能科学的预测未来的物流需求[1]，而且，通过分析公司过去的物流需求状况可以对公司做出战略决策。Rodrigo Mesa-Arango等人在文献[2]利用聚类技术对卡车的运输数据进行处理以决策出最好的卡车调度分配计划；Zhiguo Wang等人在文献[3]利用三指数平滑等方法对上海报废汽车产业的物流需求进行分析，该方法有助于弱电回收行业的管理和投资决策；Wei Gu等人在文献[4]中通过分析钢铁逆向物流的物流需求状况，运用多准则决策方法，分析了决策因素之间的依赖性和反馈性，提出了最合适的逆向物流策略。因此，对物流需求进行分析是非常重要的，它可以帮助物流决策者了解公司的经营状况、经济形势，也可以帮助物流决策者做出战略决策。

本文主要针对不同企业对物流需求的不同作出相应的物流供应商选择决策。

对于一个公司来讲，物流需求具有涉及面广、内涵丰富和无法进行单一计量的特点，因此，许多物流企业（包括希望介入物流服务领域的企业）较难把握市场需求和进行市场定位。衡量物流需求的因素有多种，公司的物流需求包括进货总量、各类产品进货量、人才需求量、运输量、商品流通量、物流需求的时间、物流需求的地点等等但是每个公司的物流需求侧重点都有所不同，因此，我们需要通过分析公司的物流需求侧重点，以此来确定公司的供应商选择决策。

供应商选择的评价方法较多，如层次分析法、神经网络算法、TOPSIS算法、灰色关联分析法、聚类算法等[5]。国内外已经有不少学者对供应商的选择提出多种看法，曾瑜等人在文献[5]中运用FCM和AHP对供应商进行选择，分析出最优供应商的共同特征，为以后供应商选择提供参考依据；张晓林在文献[6]中在分析设计供应商选择评价的指标体系的基础上，运用FAHP方法确定系统指标权重，通过动态模糊聚类对供应商进行评价选择；岳川在文献[7]中运用BP神经网络对通信设备供应商评价与选择；孙彪彪等人在文献[8]中运用AHP/熵值法/TOPSIS算法对供应商选择进行决策；甘龙祥在文献[9]中运用熵权灰色关联分析法选择供应商。在以上众多方法中，聚类算法表现出将无标签数据进行自动分类的优势。

聚类的进行供应商的选择，并且多家备选供应商的选择是人工筛选，存在着主观误差的缺陷。聚类算法具有自动分类的有事，本文选择k-means聚类算法，它的优点主要体现在一下几个方面：

（1）算法简单，容易实现 ；

（2）算法速度很快；

（3）对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常klt;lt;n。这个算法通常局部收敛；

（4）算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。