自20世纪80年代以来,外包已成为商业领域中的一大趋势。企业越来越重视集中自己的主要资源与业务,而把其他资源与业务外包。中国的大多数汽车制造企业也会采用有限的物流业务外包形式将物流服务委托给第三方物流(Third Party Logistics,3PL)企业。存储控制对于3PL仓储企业减低运作成本、提高服务水平具有重要的现实意义,而这些3PL企业在服务中出于被动和从属地位,并不是完全的第三方物流服务,主要任务是仓储业务。这使得其进行存储控制变得更加困难。本文的研究对象即为面向汽车产前零部件的此类3PL仓储企业的存储控制问题。希望通过仓储企业本身出发,通过其仓储数据预测存储需求量,并通过一定的控制策略对3PL仓储企业存储的零部件进行管理,通过存储控制为所服务的汽车制造企业提供更加合理的订购建议,从而提高仓储企业的服务水平。3PL仓储企业在进行存储控制时面临以复杂和不确定为特征的动态需求环境,影响汽车零部件库存需求量的因素众多,该预测问题具有高度非线性与趋势不确定性,使得准确预测其库存需求量很困难,这也是汽车零部件存储控制中的难点。基于汽车零部件的需求特点,本文提出一种集成预测模型SIF,包含三个子模型：ARIMA模型、RBF神经网络模型和专家打分模型。该集成预测模型在预测汽车零部件周期性趋势基础上,综合考虑多种内、外部影响因素对零部件需求的影响,动态预测其需求的变化。对于不同的汽车零部件,其库存特点存在较大区别,因此在进行存储控制时,本文采用基于DEV法的ABC分类法对零部件进行合理分类。在对库存需求进行有效预测和合理分类的基础上,针对每类零部件提出不同的库存策略,并针对其中AD、BE和CV类零部件,提出了需求率随时间分段变化且允许缺货的库存控制模型。该模型在考虑缺货成本和服务水平的基础上,在每个周期内,根据库存需求趋势特点进行存储控制,得到每个阶段对应的订货周期和对应每个周期内不同的订货量。通过分段控制模型,分析对比零部件的需求变化趋势及3PL仓储企业的现有库存量,为汽车制造业提供更加合理的采购意见,从而提高存储控制的效率和企业的服务水平。最后通过实例研究,对某面向汽车产前零部件的3PL仓储企业提出了有效的存储控制策略。本文研究为这类3PL仓储企业的存储控制问题提供了新的思路。