CN108764805A - 一种协同物流服务组合的多模型自适应推荐方法及系统 - Google Patents

一种协同物流服务组合的多模型自适应推荐方法及系统 Download PDF

Info

Publication number
CN108764805A
CN108764805A CN201810593021.7A CN201810593021A CN108764805A CN 108764805 A CN108764805 A CN 108764805A CN 201810593021 A CN201810593021 A CN 201810593021A CN 108764805 A CN108764805 A CN 108764805A
Authority
CN
China
Prior art keywords
demand
service
value
target requirement
indicate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810593021.7A
Other languages
English (en)
Inventor
薛霄
王淑芳
王俊峰
孟世琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201810593021.7A priority Critical patent/CN108764805A/zh
Publication of CN108764805A publication Critical patent/CN108764805A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种协同物流服务组合的多模型自适应系统及方法，包括如下步骤：初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；分析当前需求，根据外界环境构造目标需求事例的状态属性；按照服务协同的原则，筛选出构建服务组合方案的候选服务集合；按照基于案例推理算法（CBR）的运行步骤，对目标需求事例的特征属性进行预测；根据所预测的需求特征属性，选择合适的服务组合方法模型；执行所选择的服务组合方法模型，处理当前需求，直到满足方法模型的终止条件；循环执行，处理下一个需求；执行结束，输出需求序列的平均服务质量值。本发明能满足特定的市场条件，提高物流作业效率。

Description

一种协同物流服务组合的多模型自适应推荐方法及系统
技术领域
本发明涉及物流管理领域，具体涉及一种协同物流服务组合的自适应推荐方法及系统。
背景技术
当前随着第四方物流以及O2O(Online to Offline)模式的发展，物流需求大规模增加并呈现动态变化的趋势。因此，重点考察物流需求，实施系统分析，以提供与物流需求特点相匹配的策略和机制，是保障物流规划质量、满足用户群体的实现手段。
随着信息技术的发展，越来越多的物流企业将其核心业务封装为服务并发布在互联网中。网络中存在大量具有相同功能和不同服务质量(QoS，Quality of Service)的物流服务。为了能够满足某个特定的客户需求，往往需要多个物流服务通过协同来实现。当前有许多物流服务的组合方法模型，它们在处理需求序列时各具特点。例如，有的方法模型擅长于搜索可行解的速度，有的方法模型擅长于搜索最优解的精度，有的方法模型擅长于满足用户的多目标等。
不同的需求序列具有不同的市场特征，对于服务组合方法模型的性能要求各不相同。例如,如果序列中需求到来的频率相对较低，则每个需求的处理时间相对充足，会对方法模型寻找最优解的能力给予更高的优先级；如果序列中需求到来的频率相对较高，则每个需求的处理时间相对不足，会对方法模型寻找可行解的速度给予更高的优先级。
因此，协同物流服务组合的一个关键问题就在于，服务系统需要能够根据需求序列的特征来改变所调用的服务组合方法模型，这样可以降低订单延迟率，提高物流订单的作业效率，并最终保持较高的客户满意度。
发明内容
为解决上述问题，本发明提出了一种协同物流服务组合的多模型自适应推荐方法及系统,能够根据需求序列的特征来改变所调用的服务组合方法模型，从而最终提高物流订单的作业效率。
本发明具体通过以下技术方案实现：
一种协同物流服务组合的多模型自适应方法，包括如下步骤：
S1:初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；
S2：从需求序列中依次取出需求；分析当前需求的强制性约束条件，根据外界环境构造目标需求事例的状态属性；
S3:筛选出构建服务组合方案的候选服务集合；
S31：搜索最短服务路径；
根据用户的输入输出约束，按照Dijkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案；
S32：查找最短服务路径上两个相邻节点间符合运能要求的服务集合；
在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号；
S4:按照基于案例的推理算法(Case Based Reasoning,CBR)的运行步骤对目标需求事例的特征属性进行预测；
S5：根据所预测的目标需求事例的特征信息，采用模型自适应选择算法(AdaptiveModels Selection,AMS)来选择合适的服务组合方法模型；
S6：执行所选择的服务组合方法模型，直到满足终止条件；
S7：如果执行完序列中所有需求，则终止；否则，开始处理下一需求，重新执行S2-S6；
S8：输出需求序列的平均服务质量值。
优选地，所述步骤S3中通过以下步骤完成最短路径的搜索：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初始时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点；若V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)利用贪心策略不断对节点集合S进行扩展；
所有节点都有对应的距离值；集合S中节点距离值为从V0到此节点的最短路径长度；集合T中节点距离值为从V0到此节点的最短路径长度；依据最短路径不断增大的规律，依次把集合T中的服务节点放到集合S中，并确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度；
(3)修改集合T中其余节点的距离值；
加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；
重复执行上述步骤(2)以及(3)，当且仅当集合S里包括了所有节点，即S等于T的初始值时结束。
优选地，所述步骤S4具体包括如下步骤：
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S41：定义目标需求事例的状态信息与特征信息
一个需求事例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，ST表示季节类型，DT表示日期类型，HT表示节假日类型，TT表示时间类型；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的；
S42：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例；具体步骤按如下：
步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即单个状态属性之间的相似度；
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值；目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中，STAi-max表示该类型事例第i个状态属性的最大值；target_SAi表示目标需求事例的第i个状态属性值；instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值；|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离；
步骤422.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性；这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对4个状态属性的相似值加权求和而获得；具体计算公式如下：
其中，SIM(target,instance(j))表示目标需求事例与第j个历史需求事例的整体相似度，sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第i个状态属性在整体相似度计算中所占的权重；
步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库；
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库；
步骤424：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例的特征值是由k'个相似事例特征值的加权平均值，计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；TSi表示第i个历史需求事例SCi中的特征值；k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有k'个相似事例中的权重。
优选地，所述步骤S5采用AMS算法来适时地选择合适的服务组合方法模型，具体包括如下步骤：
S5.1：构建方法模型库，如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行；
通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性；每个需求处理结果的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重；若序列中某个需求没有得到处理，则其QoS为0；公式(5)表示方法模型j处理具有第i类特征的场景(Ωi)的平均QoS值，N表示该需求序列中所有需求的个数；
方法库可以根据需要，对模型库不断地更新，扩展和调整；
S5.2：以方法模型库为基础，根据所确定的目标需求事例特征，构建出相应的方法模型调用规则；如公式(6)所示
S5.3根据预测来判定目标需求事例的特征信息是否改变；若保持原有的特征信息,则保持原来的服务组合方法模型不变；如果特征信息发生变化，则根据公式(6)切换到合适的服务组合方法模型。
本发明还提供了一种协同物流服务组合的多模型自适应推荐系统，包括
人机操作模块，用于输入用户需求、候选服务及候选服务QoS、用户约束与偏好，以及外界服务环境参数；
参数预处理模块，用于初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；
客户需求分析模块，用于从需求队列中依次取出需求，分析当前客户需求的强制性约束条件，并根据外界环境构造目标需求事例的状态属性；
服务组合方案的候选服务集合构建模块，用于根据用户的输入输出约束，按照Dijkstra算法流程，搜索出满足输入输出条件的起点和终点间的最短路径，作为物流服务运输的执行路径，并查找符合运能要求的服务组合方案的候选服务集合；
需求特征属性预测模块，用于通过CBR算法对目标需求事例的需求特征属性进行预测；
服务组合方法选择模块，用于根据目标需求事例的特征属性，采用AMS算法来适时地选择合适的服务组合方法模型；
服务组合方法模型执行模块，用于进行所选择的服务组合方法模型的执行，并判断执行是否终止；
需求序列平均QoS值输出模块，用于输出需求序列的平均QoS值。
优选地，所述候选服务组合方案构建模块通过以下步骤完成最短路径的搜索：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初始时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点；若V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)利用贪心策略不断对节点集合S进行扩展；
所有节点都有对应的距离值。集合S中节点距离值：从V0到此节点的最短路径长度；集合T中节点距离值：从V0到此节点的最短路径长度(只包括将S中节点作为中间节点的路径)。依据最短路径不断增大的规律，依次把集合T中的服务节点放到集合S中，并确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度。
(3)修改集合T中其余节点的距离值；
加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；
重复执行上述步骤(2)以及(3)，当且仅当集合S里包括了所有节点，即S等于T的初始值时结束。
优选地，所述服务组合方案的候选服务集合构建模块通过以下步骤查找最短服务路径上两个相邻节点间符合运能要求的服务集合：
在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号。
优选地，所述需求特征属性预测模块通过以下步骤完成对目标需求事例的特征属性预测：
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S4.1：定义目标需求事例的状态信息与特征信息
一个需求事例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，ST表示季节类型，DT表示日期类型，HT表示节假日类型，TT表示时间类型；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的；
S4.2：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例；具体步骤按如下：
步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即单个状态属性之间的相似度；
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值；目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中STAi-max表示该类型事例第i个状态属性的最大值；target_SAi表示目标需求事例的第i个状态属性值；instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值；|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离；
步骤422.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性；这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对4个状态属性的相似值加权求和而获得；具体计算公式如下：
其中SIM(target,instance(j))表示目标需求事例与第j个历史需求事例的整体相似度，sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第i个状态属性在整体相似度计算中所占的权重；
步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库；
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库；
步骤424：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例的特征值是由k'个相似事例特征值的加权平均值；计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；TSi表示第i个历史需求事例SCi中的特征值；k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有相似事例中的权重。
优选地，所述服务组合方法模型选择模块通过以下步骤完成对最合适的服务组合方法模型的调用，具体包括如下步骤：
S5.1：构建方法模型库；如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行；
通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性；每个需求处理结果的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重；若序列中某个需求没有得到处理，则其QoS值为0；公式(5)表示方法模型j处理具有第i类特征的场景(Ωi)的平均QoS值，N表示该需求序列中所有需求的个数；
方法库可以根据需要，对模型库不断地更新，扩展和调整；
S5.2：以方法模型库为基础，根据所确定的需求特征，构建出相应的方法模型调用规则；如公式(6)所示
S5.3根据预测来判定目标需求事例的特征信息是否改变；若保持原有的特征信息,则保持原来的服务组合方法模型不变；如果特征信息发生变化，则根据公式(6)切换到合适的服务组合方法模型。
本发明具有以下有益效果：
本发明通过预测需求的特征信息，从而在不同的物流服务组合方法模型之间进行自适应地切换，不仅充分利用不同物流服务组合方法的优点，而且考虑到了物流服务间的协同作用。因此，基于本发明，可以更为有效地降低订单延迟率，保持较高的客户满意度，并最终提高物流订单的作业效率。
附图说明
图1为本发明实施例一种协同物流服务组合的多模型自适应推荐方法的步骤流程图。
图2为本发明实施例中的筛选候选服务集合的步骤流程图。
图3为本发明实施例中的预测目标需求事例特征属性的步骤流程图。
图4为本发明实施例中的自适应选择服务组合方法模型的步骤流程图。
图5为本发明实施例一种协同物流服务组合的多模型自适应推荐方法的一个实施例。
图6为本发明实施例中协同物流推荐系统所需要处理的需求序列趋势变化示意图。
图7为本发明实施例中四种物流服务组合推荐方法比较。
图8为本发明实施例一种协同物流服务组合的多模型自适应推荐系统的结构框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1-图4所示，本发明提供了一种协同物流服务组合的多模型自适应推荐方法，包括如下步骤：
S1:初始化多种服务组合发方法模型中所包含的算法参数、用户偏好以及外界服务环境；候选服务及候选服务QoS，用户约束及偏好；
S2：分析当前需求，根据外界环境构造目标需求事例的属性；
从需求队列中依次取出需求；
分析该需求的强制性约束条件：运量；
S3:筛选出构建服务组合方案的候选服务集合
S3.1：搜索最短路径
根据用户的输入输出约束，按照Di jkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案。具体算法步骤如下：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初使时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点。若存在V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)利用贪心策略不断对节点集合S进行扩展。
所有节点都有对照的距离值。S中节点距离值：从V0到此节点的最短路径长度；T中节点距离值：从V0到此节点的最短路径长度(只包括将S中节点作为中间节点的路径)。依据最短路径不断增大的规律，依次把T中的服务节点放到S中，确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度。
(3)修改集合T中其余节点的距离值：
加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值。重复执行上述步骤(2)以及(3)，当且仅当S里包括了所有节点，即S等于T的初始值时结束。
S3.2：查找服务路径上两个相邻节点间符合运能要求的候选服务集合
在两相邻业务结点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号；
S4:按照CBR算法的运行步骤对目标需求事例的特征属性进行预测；
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S4.1：定义目标需求事例的状态信息与特征信息
目标需求事例的特征决定了如何对于服务组合方法模型进行自适应的调整。为了实现这个目标，首先需要对目标需求事例的特征状况进行定义。一个需求实例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，其中ST表示季节类型(主要划分为：春、夏、秋、冬)，DT表示日期类型(属于每个季节的天数)，HT表示节假日类型(分为：节假日和非节假日，节假日主要包括周末和国家规定的节假日)，TT表示时间类型(按照全天24小时划分)；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的。(例如目标需求事例的频率特征是快还是慢)。
S4.2：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例。具体步骤按如下：
步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即状态属性之间的相似度。
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值。目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中STAi-max表示该类型事例第i个状态属性的最大值。target_SAi表示目标需求事例的第i个状态属性值。instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值。|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离。
步骤422.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性。这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对四个状态属性的相似值加权求和而获得。具体计算公式如下：
其中sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第j个状态属性在整体相似度计算中所占的权重。
步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库。
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库。
步骤424：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例的特征值是由k'个相似事例的特征值的加权平均值。计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；TSi表示第i个历史需求事例SCi中的特征值。k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的相似度；表示历史需求事例SCi在所有相似事例中的权重。
S5：根据预测的需求特征属性，选择合适的服务组合方法模型；
S5.1：构建方法模型库，能够给出各种服务组合方法在不同场景下的表现，从而为后续的方法调用提供依据。如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行。
不同类别的服务组合方法各有优劣，主要体现在寻优速度和寻优精度上。如表1所示，多种服务组合方法分别用于处理不同的需求状况(需求状况的具体定义见S4)，通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性。每个需求被处理的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重。若序列中某个需求没有得到处理则其QoS为0。公式(5)表示整个需求序列的平均QoS值，其中i、j表示在情景i下用模型j得到的处理结果。N表示需求序列中所有需求的个数。
表1不同需求特征场景下的服务组合方法库库
方法库可以根据需要(例如出现新的算法)，对模型库不断地更新，扩展和调整。
S5.2：以方法模型库为基础，根据所采用的需求特征对情景信息进行分类，构建出相应的方法模型调用规则。
公式中，确定需求特征的类别之后，在模型库中选择出该需求场景下AvQoS值最大的服务组合方法模型。
S5.3首根据预测来判定目标需求事例的特征信息是否改变。若保持原有的特征信息,则保持原来的服务方法模型不变；如果特征信息发生变化，则根据公式6切换到合适的服务组合方法模型。
S6：执行所选择的服务组合方法模型，直到满足终止条件
如果达到最大迭代次数，则算法终止执行，开始下一个需求，否则迭代次数加1，重新执行算法；
S7：循环执行，处理下一个需求
如果执行完所有需求则终止，否则执行下一需求，重新执行S2-S6；
S8：输出需求序列的平均QoS值(依据上述的公式5得出)。
实施例
这里的实施例用于说明协同物流服务组合过程中，多模型自适应方法在处理需求序列时，相比于其他方法能够获得更高的客户满意度。实验场景如图5所示，最短运输路径包括六个环节：S1，S2，S3，S4，S5，S6，其中每个环节包括30个物流服务可供选择。每个候选服务有五个QoS指标，包括交付时间(T,Time)、交付费用(P,Price)、递送的成功率(SR,Successful Execution Rate,SR)、信誉度(R,Reputation)及运能(LC,Load Capacity)。QoS属性的取值范围设置如下：交付时间(1h≤T≤24h)、交付费用(1$≤P≤100$)、递送的成功率(0.5≤SR≤1)、信誉度(R∈{1,2,3,4,5})以及运能(1≤LC≤20)。
假设单位时间内的需求是匀速到来的，实验中设置时间窗T＝10S，每个时间周期T＝1S。如图6所示，横轴表述需求序列的次序，纵轴表示某个需求序列中所包含的需求数目。在实验中随机生成每个需求的QoS指标权重wi∈(0,1),且w1+w2+w3+w4+w5＝1。在相同时间内，不同的物流服务组合方法分别用于处理图6表示的需求序列。最后，统计每种方法在单位时间内所处理需求的平均QoS值，用于表示各个方法的性能。
与多模型自适应推荐方法相比较的方法包括遗传算法GA、最大最小蚁群算法MMAS以及蜂群算法ABC。遗传算法是经典的进化方法；MMAS和ABC都是目前流行的群体智能方法。在GA中交叉概率pc＝0.85，变异概率pm＝0.05，在ABC中：引领蜂和跟随蜂数目BN＝28，扰动因子m＝0.5，MMAS的参数如下：信息素的相对重要程度ALF＝1，启发信息素的相对重要程度BAT＝3，信息素的最大值τmax＝2,信息素的最小值τmin＝0.1.
这三种算法的寻优能力为ABC>MMAS>GA，三种算法的寻优速度从高到低依次为GA>MMAS>ABC。这里，AMS算法将上述三种服务组合方法模型定义为模型库，需求特征主要根据频率特征进行判断，其自适应模型调整策略定义如下：
当NoR∈[0,900)时采用ABC算法模型；当NoR∈[900,1900)时采用MMAS算法模型；当NoR∈[1900,∞]时采用GA算法模型；自适应算法模型针对不同的需求状况有区分的应用三种算法用于快速响应用户的需求序列。AMS中：采样分析的时间间隔T1＝0.1S，即实时需求预测的时间为0.1S。
图7详细记录了这四种算法的最终运行结果，横轴表示时间，纵轴表示算法的平均QoS值。在整个时间段内，AMS算法的平均QoS值要优于GA、MMAS及ABC，基本与不同时段的最优解曲线相吻合，表现出很强的稳定性，非常适合用于解决物流服务组合问题。
如图8所示，本发明实施例提供了一种协同物流服务组合的多模型自适应推荐系统,包括：
所述候选服务组合方案构建模块通过以下步骤查找符合运能要求的服务路径：
步骤1：搜索最短路径
根据用户的输入输出约束，按照Di jkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案。步骤如下：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初使时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点。若存在V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)从集合T中提取与集合S中节点有关联边且权值最小的节点W放入S中，确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度；
(3)修改集合T中其余节点的距离值：加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；
重复执行上述步骤(2)以及(3)，当且仅当S里包括了所有节点，即S等于T的初始值时结束。
步骤2：查找最短服务路径上两个相邻节点间符合运能要求的候选服务集合
在两相邻业务结点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号；
所述需求频率属性预测模块通过以下步骤完成对目标需求事例的需求频率属性的预测：
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S4.1：定义目标需求事例的状态信息与特征信息
目标需求事例的特征决定了如何对于服务组合方法模型进行自适应的调整。为了实现这个目标，首先需要对目标需求事例的特征状况进行定义。一个需求实例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，其中ST表示季节类型(主要划分为：春、夏、秋、冬)，DT表示日期类型(属于每个季节的天数)，HT表示节假日类型(分为：节假日和非节假日，节假日主要包括周末和国家规定的节假日)，TT表示时间类型(按照全天24小时划分)；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的。(例如目标需求事例的频率特征是快还是慢)。
S4.2：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例。具体步骤按如下：
步骤1.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即状态属性之间的相似度。
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值。目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中STAi-max表示该类型事例第i个状态属性的最大值。target_SAi表示目标需求事例的第i个状态属性值。instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值。|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离。
步骤2.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性。这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对四个状态属性的相似值加权求和而获得。具体计算公式如下：
其中sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第j个状态属性在整体相似度计算中所占的权重。
步骤4.3.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库。
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库。
步骤4.4：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例列的特征值是由k'个相似事例的特征值的加权平均值。计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；TSi表示第i个历史需求事例SCi中的特征值。k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有相似事例中的权重。
所述服务组合方法模型选择模块根据预测的需求特征属性，通过以下步骤调用最合适的服务组合模型：
S5.1：构建方法模型库，能够给出各种服务组合方法在不同场景下的表现，从而为后续的方法调用提供依据。如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行。
不同类别的服务组合方法各有优劣，主要体现在寻优速度和寻优精度上。如表1所示，多种服务组合方法分别用于处理不同的需求状况(需求状况的具体定义见S4)，通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性。每个需求被处理的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重。若序列中某个需求没有得到处理则其QoS为0。公式(5)表示整个需求序列的平均QoS值，其中i、j表示在情景i下用模型j得到的处理结果。N表示需求序列中所有需求的个数。
表1不同需求特征场景下的服务组合方法库库
其中，方法库可以根据需要(例如出现新的算法)，对模型库不断地更新，扩展和调整。
S5.2：以方法模型库为基础，根据所采用的需求特征对情景信息进行分类，构建出相应的方法模型调用规则。
公式中，确定需求特征的类别之后，在模型库中选择出该需求场景下AvQoS值最大的服务组合方法模型。
S5.3首根据预测来判定目标需求事例的特征信息是否改变。若保持原有的特征信息,则保持原来的服务方法模型不变；如果特征信息发生变化，则根据公式6切换到合适的服务组合方法模型。

Claims (10)

1.一种协同物流服务组合的多模型自适应方法，其特征在于，包括如下步骤：
S1:初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；
S2：从需求序列中依次取出需求；分析当前需求的强制性约束条件，根据外界环境构造目标需求事例的状态属性；
S3:按照服务协同的原则，筛选出构建服务组合方案的候选服务集合；
S31：搜索最短服务路径；
根据用户的输入输出约束，按照Dijkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案；
S32：查找最短服务路径上两个相邻节点间符合运能要求的服务集合；
在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入第二候选服务集合中，并按顺序标号；
S4:按照基于案例的推理算法(CBR)的运行步骤对目标需求事例的特征属性进行预测；
S5：根据所预测的目标需求事例的特征信息，采用模型自适应选择算法(AMS)来选择合适的服务组合方法模型；
S6：执行所选择的服务组合方法模型，直到满足终止条件；
S7：如果执行完序列中所有需求，则终止；否则，开始处理下一需求，重新执行S2-S6；
S8：输出需求序列的平均服务质量值。
2.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S3中通过以下步骤完成最短路径的搜索：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初始时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点；若V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)利用贪心策略不断对节点集合S进行扩展；
所有节点都有对应的距离值；集合S中节点距离值为从V0到此节点的最短路径长度；集合T中节点距离值为从V0到此节点的最短路径长度；依据最短路径不断增大的规律，依次把集合T中的服务节点放到集合S中，并确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度；
(3)修改集合T中其余节点的距离值；
加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；
重复执行上述步骤(2)以及(3)，当且仅当集合S里包括了所有节点，即S等于T的初始值时结束。
3.如权利要求1所述的一种协同物流服务组合的多模型自适应推荐方法，其特征在于，所述步骤S3通过以下步骤查找最短服务路径上两个相邻节点间符合运能要求的候选服务集合：
在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号。
4.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S4具体包括如下步骤：
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S41：定义目标需求事例的状态信息与特征信息
一个目标需求事例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，ST表示季节类型，DT表示日期类型，HT表示节假日类型，TT表示时间类型；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的；
S42：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例；具体步骤按如下：
步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即单个状态属性之间的相似度；
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值；目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中，STAi-max表示该类型事例第i个状态属性的最大值；target_SAi表示目标需求事例的第i个状态属性值；instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值；|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离；
步骤422.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性；这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对4个状态属性的相似值加权求和而获得；具体计算公式如下：
其中，SIM(target,instance(j))表示目标需求事例与第j个历史需求事例的整体相似度，sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第i个状态属性在整体相似度计算中所占的权重(1≤i≤4)；
步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库；
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库；
步骤424：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例的特征值是由k'个相似事例特征值的加权平均值，计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；SCi表示第i个历史需求事例；TSi表示SCi中的特征值；k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有k'个相似事例中的权重。
5.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S5采用AMS算法来适时地选择合适的服务组合方法模型，具体包括如下步骤：
S5.1：构建方法模型库，如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行；
通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性；每个需求处理结果的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重；若序列中某个需求没有得到处理，则其QoS为0；公式(5)表示方法模型j处理具有第i类特征的场景(Ωi)的平均QoS值，N表示该需求序列中所有需求的个数；
方法库可以根据需要，对模型库不断地更新，扩展和调整；
S5.2：以方法模型库为基础，根据所确定的目标需求事例特征，构建出相应的方法模型调用规则；如公式(6)所示
S5.3 根据预测来判定目标需求事例的特征信息是否改变；若保持原有的特征信息,则保持原来的服务组合方法模型不变；如果特征信息发生变化，则根据公式(6)切换到合适的服务组合方法模型。
6.一种协同物流服务组合的多模型自适应推荐系统，其特征在于，包括
人机操作模块，用于输入用户需求、候选服务及候选服务QoS、用户约束与偏好，以及外界服务环境参数；
参数预处理模块，用于初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；
客户需求分析模块，用于从需求队列中依次取出需求，分析当前客户需求的强制性约束条件，并根据外界环境构造目标需求事例的状态属性；
服务组合方案的候选服务集合构建模块，用于根据用户的输入输出约束，按照Dijkstra算法流程，搜索出满足输入输出条件的起点和终点间的最短路径，作为物流服务运输的执行路径，并查找符合运能要求的服务组合方案的候选服务集合；
需求特征属性预测模块，用于通过CBR算法对目标需求事例的需求特征属性进行预测；
服务组合方法选择模块，用于根据目标需求事例的特征属性，采用AMS算法来适时地选择合适的服务组合方法模型；
服务组合方法模型执行模块，用于进行所选择的服务组合方法模型的执行，并判断执行是否终止；
需求序列平均QoS值输出模块，用于输出需求序列的平均QoS值。
7.如权利要求5所述的一种协同物流服务组合的多模型自适应推荐系统，其特征在于，所述候选服务组合方案构建模块通过以下步骤完成最短路径的搜索：
(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；
初始时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点；若V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；
(2)利用贪心策略不断对节点集合S进行扩展；
所有节点都有对应的距离值；集合S中节点距离值：从V0到此节点的最短路径长度；集合T中节点距离值：从V0到此节点的最短路径长度，只包括将S中节点作为中间节点的路径；依据最短路径不断增大的规律，依次把集合T中的服务节点放到集合S中，并确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度；
(3)修改集合T中其余节点的距离值；
加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；
重复执行上述步骤(2)以及(3)，当且仅当集合S里包括了所有节点，即S等于T的初始值时结束。
8.如权利要求5所述的一种协同物流服务组合的多模型自适应推荐系统，其特征在于，所述服务组合方案的候选服务集合构建模块通过以下步骤查找最短服务路径上两个相邻节点间符合运能要求的服务集合：
在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号。
9.如权利要求5所述的一种协同物流服务组合的多模型自适应推荐系统，其特征在于，所述需求特征属性预测模块通过以下步骤完成对目标需求事例的特征属性预测：
输入：目标需求事例的已知状态信息
输出：目标需求事例的关键特征信息
S4.1：定义目标需求事例的状态信息与特征信息
一个需求事例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，ST表示季节类型，DT表示日期类型，HT表示节假日类型，TT表示时间类型；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的；
S4.2：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例；具体步骤按如下：
步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即单个状态属性之间的相似度；
由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值；目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：
其中STAi-max表示该类型事例第i个状态属性的最大值；target_SAi表示目标需求事例的第i个状态属性值；instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值；|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离；
步骤422.计算目标需求事例与历史需求事例的整体相似度
目标需求事例包括4个状态属性；这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对4个状态属性的相似值加权求和而获得；具体计算公式如下：
其中SIM(target,instance(j))表示目标需求事例与第j个历史需求事例的整体相似度，sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第i个状态属性在整体相似度计算中所占的权重；
步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库；
首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库；
步骤424：根据相似事例的特征，预测目标需求事例的特征值
目标需求事例的特征值是由k'个相似事例特征值的加权平均值；计算公式为
其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；TSi表示第i个历史需求事例SCi中的特征值；k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有k'个相似事例中的权重。
10.如权利要求5所述的一种协同物流服务组合的多模型自适应推荐系统，其特征在于，所述服务组合方法模型选择模块通过以下步骤完成对最合适的服务组合方法模型的调用，具体包括如下步骤：
S5.1：构建方法模型库；如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行；
通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性；每个需求处理结果的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重；若序列中某个需求没有得到处理，则其QoS为0；公式(5)表示方法模型j处理具有第i类特征的场景(Ωi)的平均QoS值，N表示该需求序列中所有需求的个数；
方法库可以根据需要，对模型库不断地更新，扩展和调整；
S5.2：以方法模型库为基础，根据所确定的需求特征，构建出相应的方法模型调用规则；如公式(6)所示
S5.3 根据预测来判定目标需求事例的特征信息是否改变；若保持原有的特征信息,则保持原来的服务组合方法模型不变；如果特征信息发生变化，则根据公式(6)切换到合适的服务组合方法模型。
CN201810593021.7A 2018-06-11 2018-06-11 一种协同物流服务组合的多模型自适应推荐方法及系统 Pending CN108764805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810593021.7A CN108764805A (zh) 2018-06-11 2018-06-11 一种协同物流服务组合的多模型自适应推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810593021.7A CN108764805A (zh) 2018-06-11 2018-06-11 一种协同物流服务组合的多模型自适应推荐方法及系统

Publications (1)

Publication Number Publication Date
CN108764805A true CN108764805A (zh) 2018-11-06

Family

ID=64020892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810593021.7A Pending CN108764805A (zh) 2018-06-11 2018-06-11 一种协同物流服务组合的多模型自适应推荐方法及系统

Country Status (1)

Country Link
CN (1) CN108764805A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919361A (zh) * 2019-02-13 2019-06-21 广西大学 一种物流业务交易的协同响应控制模型
CN110737984A (zh) * 2019-10-15 2020-01-31 山东科技大学 云制造环境下的机械产品服务优选方法
CN110780862A (zh) * 2019-10-12 2020-02-11 南京邮电大学 基于关键路径生成树的自动服务组合方法
CN111539676A (zh) * 2020-05-12 2020-08-14 香港理工大学 一种适用于跨境电子商务的网络实体物流系统
CN113094589A (zh) * 2021-04-30 2021-07-09 中国银行股份有限公司 智能服务推荐方法及装置
CN113469505A (zh) * 2021-06-10 2021-10-01 哈尔滨工业大学 一种面向快件非标准服务的多主体协同运输资源调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102130955A (zh) * 2011-03-18 2011-07-20 东北大学 基于协同过滤的组合服务备选服务集生成系统及方法
CN105787610A (zh) * 2014-12-18 2016-07-20 中国科学院沈阳自动化研究所 一种支持时间序列匹配的案例推理方法
CN108076143A (zh) * 2017-12-01 2018-05-25 河南理工大学 一种物流Web服务动态优化组合方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102130955A (zh) * 2011-03-18 2011-07-20 东北大学 基于协同过滤的组合服务备选服务集生成系统及方法
CN105787610A (zh) * 2014-12-18 2016-07-20 中国科学院沈阳自动化研究所 一种支持时间序列匹配的案例推理方法
CN108076143A (zh) * 2017-12-01 2018-05-25 河南理工大学 一种物流Web服务动态优化组合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张焕焕: "协同物流中的服务组合算法比较研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919361A (zh) * 2019-02-13 2019-06-21 广西大学 一种物流业务交易的协同响应控制模型
CN109919361B (zh) * 2019-02-13 2022-11-18 广西大学 一种物流业务交易的协同响应控制装置
CN110780862A (zh) * 2019-10-12 2020-02-11 南京邮电大学 基于关键路径生成树的自动服务组合方法
CN110737984A (zh) * 2019-10-15 2020-01-31 山东科技大学 云制造环境下的机械产品服务优选方法
CN110737984B (zh) * 2019-10-15 2024-01-30 山东科技大学 云制造环境下的机械产品服务优选方法
CN111539676A (zh) * 2020-05-12 2020-08-14 香港理工大学 一种适用于跨境电子商务的网络实体物流系统
CN113094589A (zh) * 2021-04-30 2021-07-09 中国银行股份有限公司 智能服务推荐方法及装置
CN113094589B (zh) * 2021-04-30 2024-05-28 中国银行股份有限公司 智能服务推荐方法及装置
CN113469505A (zh) * 2021-06-10 2021-10-01 哈尔滨工业大学 一种面向快件非标准服务的多主体协同运输资源调度方法
CN113469505B (zh) * 2021-06-10 2022-09-27 哈尔滨工业大学 一种面向快件非标准服务的多主体协同运输资源调度方法

Similar Documents

Publication Publication Date Title
CN108764805A (zh) 一种协同物流服务组合的多模型自适应推荐方法及系统
CN105959374B (zh) 一种数据推荐方法及其设备
CN109919345A (zh) 拣货路径规划方法与装置
CN108108855B (zh) 一种输送线路径规划方法
CN109598430B (zh) 配送范围生成方法、装置、电子设备和存储介质
CN109919532A (zh) 一种物流节点确定方法及装置
CN103631939B (zh) 用于搜索引擎的数据处理方法和装置
CN110334286A (zh) 一种基于信任关系的个性化推荐方法
CN103824127B (zh) 云计算环境下服务的自适应组合优化方法
CN110705793A (zh) 一种社区结构下的生鲜电商仓库选址系统及方法
CN109034552B (zh) 面向供需不确定的社群化制造服务匹配方法及系统
CN111753215A (zh) 一种多目标推荐优化方法及可读介质
CN109063870A (zh) 基于q学习的组合服务策略优化方法及系统
CN114781717A (zh) 网点设备推荐方法、装置、设备和存储介质
CN109840625B (zh) 一种快递员群路径导航的方法
CN114936307A (zh) 一种范式化图模型构建方法
CN108829846B (zh) 一种基于用户特征的业务推荐平台数据聚类优化系统及方法
Zhang et al. Optimal inventory threshold for a dynamic service make‐to‐stock system with strategic customers
CN110049018A (zh) 基于增强学习的spma协议参数优化方法、系统及介质
CN114154685A (zh) 智能电网中电能数据调度方法
US20230368051A1 (en) Operations research and optimization method, apparatus, and computing device
CN117749697A (zh) 云网融合预调度方法、装置、系统及存储介质
Ulkhaq et al. Predicting customer churn: A comparison of eight machine learning techniques: A case study in an Indonesian telecommunication company
CN115150335B (zh) 一种基于深度强化学习的最优流量分割的方法和系统
Marbach Simulation-based methods for Markov decision processes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication