随着信息技术的高速发展以及消费者的个性化增加等环境的变化，当今世界已经由以机器和原材料为特征的工业时代进入了以计算机和信息技术为特征的信息时代。进入21世纪的物流管理技术，不仅是企业战略的“商务物流”，而且是向整个社会实现物资供给的“社会物流”。信息化物流网络体系的应用是数据库的规模不断扩大，产生巨大的数据流，使企业很难对这些数据进行准确、高效的收集和及时决策。为了帮助决策者快速、准确地做出决策，实现对物流过程的控制，提高企业的运作效率。降低整个过程的物流成本，增加收益，就需要一种新的数据分析技术来处理数据。 

　　数据挖掘技术就是利用机器学习统计数学和可视化技术，从大量的数据库中确认出有效的、新颖的、潜在的、有用的以及最终挖掘出可理解模式的高级处理过程。也可以说数据挖掘是数据库中的知识发现（knowledge discovery in database,KDD）过程。 

　　数据挖掘 

　　数据挖掘是将人工智能技术（神经网络，模糊逻辑，遗传算法等）应用到大规模数据中，从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程 。 

　　数据挖掘作为知识发现的一个特定步骤，是知识发现的核心。数据挖掘是一系列技术及应用，或者说是对大容量数据及数据间关系进行考察和建模的方法集，它的目标是，利用算法，从数据中抽取模式，将大容量数据转换为有用的知识和信息。 

　　数据挖掘的任务是从数据中发现模式。这里所提的模式（pattern）已经超出传统的含义，它包括模型或结构; 过程的含义在于数据处理、寻找模式、评价知识及知识更新等可重复、迭代的步骤; 非平凡（nontrivial）的含义是指非一次性的计算结果，它包括寻找结构、寻找模型或模式、计算参数;有效性（validation）是指由建模数据得到的模型在应用到新数据时仍然有效。 

　　● 数据挖掘的过程： 

　　数据挖掘的过程一般由三个主要的阶段组成： 数据准备、数据采集、结果表达和解释。 

　　● 数据挖掘方法 

　　数据挖掘方法有很多种,其中比较典型的有关联分析、序列模式分析、分类分析、聚类分析等。 

　　(1)关联分析。即利用关联规则进行数据挖掘,而关联规则是描述事物之间同时出现的规律的知识模式,关联分析的目的是为挖掘出隐藏在数据间的相互关系。 

　　(2)序列模式分析。序列模式分析和关联分析相似,他把数据之间的关联性与时间性联系起来,为了发现序列模式,不仅需要知道事件是否发生,而且需要确定事件发生的时间。其目的也是为了挖掘数据之间的联系,但序列模式分析的侧重点在于分析数据间的前后或因果关系。 

　　(3)分类分析。分类分析就是分析示例数据库中的数据,为每个类别做出准确的描述建立分析模型或挖掘出分类规则,能够把数据集中的数据映射到某个给定的类上,其输入集是一组记录集合和几种标记。 

　　(4)聚类分析。与分类分析不同,聚类分析法的输入集是一组未标定的记录,也就是说此时输入的记录还没有进行任何分类。其目的是根据一定的规则,合理地划分记录集合,使组之间的差别尽可能大,组内的差别尽可能小。 

　　数据挖掘在物流中的应用 

　　信息是企业最重要的有效资源，信息技术的发展推动着传统企业的发展。现代化的物流管理需要完善的信息系统的支撑。现代物流的新理念包括： 反应快速化、服务系列化、作业规范化、目标系统化、手段现代化、组织网络化、经营市场化。这些因素是搭建新型物流管理系统的前提和条件。构建现代物流信息系统要本着主动性、灵活性、及时性的形式原则，更多借助和应用最先进的科学技术。 

　　伴随着信息时代的数据量剧增的显著特征。深化物流信息管理的最有效的方法是在其中引进数据挖掘技术。数据挖掘可以从数据中发现趋势和模式，人们通过数据挖掘得到的回报就是将这些新发现的知识变为经营上的成果。 

　　1、选址问题 

　　物流中心（流通中心、配送中心）选址问题属于最小成本问题，即求解是运输成本、变动处理成本和固定成本等之和为最小的最小化问题。 

　　物流中心选址，需要考虑到中心点数量和中心点如何分布等情况。由于单一中心选址较为简单，我们着重讨论多个中心选址的问题。所谓多中心选址是指在一些已知的备选地点中选出一定数目的地点来设置物流中心（流通中心、配送中心），使形成的物流网络的总费用最小 ，其中包括基本的投资费用、可变费用和不变费用。对于这类问题。在实际操作中，当问题规模变得很大，或者要考虑一些市场因素