删失型数据广泛存在于工程实践与管理中,对于数据驱动的物流决策方法和理论提出了新的挑战。删失型数据由于其删失机制特殊性和复杂性,致使传统的决策方法和模型难以有效处理。因此,本文基于删失型数据的删失模式和数据分布,利用期望最大化算法、似然函数调整及模型校验准则等理论,研究了基于删失型数据的混合聚类模型及其物流决策支持应用研究。主要工作及创新如下:(1)综合评述了删失型数据的相关研究,并定义了删失型数据及其似然函数。从删失模式、维度,分析了删失数据的似然函数调整。(2)研究了服从高斯混合分布的删失型数据的期望最大化算法。首先给出基于随机性缺失数据的标准期望最大化算法的高斯混合聚类模型,推导出模型的参数估计值和似然函数。然后给出基于删失型数据的期望最大化算法的高斯混合聚类模型,分析在删失型数据下,调整后的似然函数和全数据得分向量,依此推理出删失型数据的参数估计值。聚类效果和校验准则证明本文提出的删失型数据的模型效果更好。(3)研究了服从泊松混合分布的删失型数据的期望最大化算法。首先讨论了泊松分布和高斯分布的关系,引出排队论模型下的泊松删失问题。然后基于零膨胀泊松混合模型的思想提出了统计口径变动泊松分布模型,该模型同样使用期望最大化算法计算模型参数,不同的是,该模型可以根据参数估计值给出删失型数据的估计分布。该模型突破可以零膨胀泊松模型的数据限制,适用于更复杂的删失型计数数据。(4)数据驱动的物流决策需要高质量的数据。无论是新零售、智慧物流还是仓储中心的容量规划等数据驱动的物流工程,都离不开数据的支撑,数据建设的重要性可见一斑。仿真实验和应用案例都证明了本文提出的方法可以提高数据质量,校正参数估计和数据分布,从数据质量层面为物流决策提供新思路和理论支撑。