CN109002934A - 一种货运网络新建物流节点相关重要指标预测方法 - Google Patents
一种货运网络新建物流节点相关重要指标预测方法 Download PDFInfo
- Publication number
- CN109002934A CN109002934A CN201811010982.7A CN201811010982A CN109002934A CN 109002934 A CN109002934 A CN 109002934A CN 201811010982 A CN201811010982 A CN 201811010982A CN 109002934 A CN109002934 A CN 109002934A
- Authority
- CN
- China
- Prior art keywords
- node
- logistics
- network
- value
- attraction
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种货运网络新建物流节点相关重要指标预测方法,属于复杂网络演化与拓扑结构优化领域。该方法首先提出物流节点吸引度的概念,然后通过对货运网络拓扑结构演化与拓扑结构优化,得到新建物流节点后的最优货运网络拓扑结构,从而确定新建物流节点最优吸引度综合值。最后根据新建物流节点最优吸引度综合值,使用熵权综合评价法的逆推法,反推新建物流节点指标值,从而实现科学预测物流节点的货运量、生产总值、占地面积、投资额度等指标值的目的。相比传统的盲目投资与“走一步看一步”式建设,本方法显著提高了决策效率,提升了决策准确性和科学性并降低了盲目投资与“走一步看一步”式建设所带来的潜在风险。
Description
技术领域
本发明属于复杂网络演化与拓扑结构优化领域,更具体地,涉及一种货运网络新建物流节点相关重要指标预测方法。
背景技术
物流节点的规划是指在考量特定的区域范围内的物流需求,在已有物流节点的分布情况和运营状况的前提下,确定需要新建物流节点的个数和类别,选择合适的布局地点,并计算出合理的建设规模。在具体的规划过程中,往往需要结合所在区位的特性、物资流量和流向,来协调好不同节点之间,节点和实际区域物流需求之间的关系,从而提高城市物流网络体系的运作效率,降低成本,实现物流资源配置的最优化。
但是,如何预测物流节点货运量、建设规模、投资额度,是决策者最为关注也最难把握的问题。
传统的盲目投资与“走一步看一步”式建设方法,难以科学预测新建物流节点货运量、确定建设规模、确定投资额度,无法保证决策的科学性与合理性,容易造成潜在问题与风险,使新建物流节点所起的作用难以达到预期。需要提出一种基于货运网络拓扑结构优化的物流节点相关重要指标预测方法以解决上述问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种科学预测物流节点货运量、建设规模、投资额度等指标值的计算方法,其目的在于,通过指标筛选及基于货运网络拓扑结构的优化,解决传统建设方法所不能克服的难以科学预测新建物流节点货运量、建设规模、投资额度,无法保证决策的科学性与合理性等问题,最大程度提升决策的科学性与合理性,减少潜在问题与风险,使新建物流节点在货运网络中达到的效果更加符合预期,提升决策者的决策效率。
为了实现上述目的,本发明提供了一种货运网络新建物流节点相关重要指标预测方法,包括如下步骤:
步骤1:采集物流节点吸引力影响因素指标值数据,并使用Spss分析,剔除信息高度重合的冗余指标,采取主成分分析法在损失很少信息的前提下将这若干个指标转化为少量互不相关的综合指标,作为物流节点吸引力影响因素的评价指标;
步骤2:使用熵指标模糊综合评价法计算物流节点吸引度;其中,
物流节点吸引度是指物流节点自身具备的、由其影响因素决定的吸引其他物流节点与之产生货运往来的可能性大小,数值表现为经过无量纲化处理的吸引度综合评判值,计算公式为:
Zi-吸引度综合评判值,
n-吸引力影响因素评价指标个数,
m-节点的总个数,
-各评价指标经过无量纲化处理之后的评判值,
Wj-各评价指标的权值,
i-节点的序号,
j-评价指标的序号;
步骤3:基于BA模型、BBV模型与引力模型构建货运网络静态无权演化模型与动态加权演化模型,对货运网络进行静态无权演化与动态加权演化;
步骤4:对步骤3演化得到的静态无权网络与动态加权网络进行货运网络拓扑结构优化,得出新建物流节点后的网络拓扑结构与新建物流节点最优吸引度Z;
步骤5:根据新建物流节点最优吸引度Z反推计算新建物流节点指标值。
进一步地,步骤2包括如下子步骤:
(2-1)根据步骤1选出的物流节点吸引力影响因素指标建立物流节点吸引力影响因素指标值矩阵xij,并对物流节点吸引力影响因素指标值矩阵xij进行规格化变换:
(2-2)对rij进行如下变换:
(2-3)计算指标j的熵值Ej:
(2-4)指标j的熵权Wj:
(2-5)将各指标经过规格化变化后的值与其对应的权值相乘后求和,以确定各评价指标的熵权综合评价值,即各个节点的吸引度综合值,其计算公式为:
进一步地,步骤3包括如下子步骤:
(3-1)建立各模型:
BA模型优先连接:
引力模型:
Fij——物流节点i与物流节点j之间的吸引力;
G——引力系数,平衡等式两端的量纲,其数值为1;
K——产业相关系数,由两节点主营产业的相关性确定;
Zi——物流节点i的吸引度;
Zj——物流节点j的吸引度;
Dij——物流节点i与j的距离;
构建货运网络演化优先连接概率:
φij——节点i与节点j连接概率;
k——节点连接度;
Fij——节点i与节点j之间的吸引力;
参数q、p用于调节节点连接度与物流吸引力之间的比例权重,其中,
q是根据原有节点等级不同而取值不同,原有节点等级越高,q取值越大;p是根据新节点的等级不同而取值不同,新加入的节点等级越高,p取值越大;
(3-2)静态无权演化模型算法步骤:
Step1:初始化:确定网络初始节点数n0和各节点度数k以及任意节点吸引度Zi,规定节点饱和度Kmax;
Step2:确定优先连接:随机选择新节点i,计算连接概率φij,并用冒泡法进行降序排列得到优先连接序列{φi1,φi2,φi3......φij};
Step3:连接节点:从Step2的序列中选择连接概率最大的前j个节点与新节点连接;
Step4:根据节点连接状况更新网络;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:如果网络演化节点数t<n0,则转至Step2继续演化计算,否则停止演化,转至Step7;
Step7:统计网络中节点基本统计属性特征并分析网络的状况;
(3-3)动态加权演化模型算法步骤:
Step1:初始化:规定网络初始节点数n0以及各节点度数kj,任意节点的吸引度si,确定优先连接的节点数m,确定节点饱和度Kmax,边权初值w0。
Step2:确定优先连接:选择新节点n与原有节点i连接,计算网络中原有节点对新加入节点的连接概率φin,并按降序排列得优先连接序列{φi1,φi2,φi3......φij},并按冒泡法降序排列来得到优先连接序列。
Step3:从Step2中得到的优先连接序列中选择连接概率最大的前m个节点与新节点连接,而且每连接一次,就产生一次权重的更新,更新完成再进行下一次的连接,直到连接完成;
Step4:完成连接后,更新网络中节点连接和权重变化以及权重更新引起的吸引力变化和概率变化;
(3-4)改变演化模型中的优先连接节点数m,重复上述步骤分别得出预定数量的不同的静态无权演化网络以及不同的动态加权演化网络。
进一步地,步骤(3-3)的Step4中权重和吸引力具体变化如下:
C.节点权重变化:
加入新节点n,新节点n与原有节点i相连后,会造成原本与节点i相连接的边的权重wij变化,即wij→wij+Δwij;同时,新节点n加入后,网络赋予<i,n>边的权重win=w0;
dij=R地*ACOS(COS(π*xi*/180-π*xj/180))*COS(π*yi/180-π*yj/160)(11)
其中,
E表示路网等级,
R地为地球半径,根据经纬度计算距离时默认为地球为圆形球体,单位为km;
δ为新节点n加入后引起的总节点吸引度和边权的变化之积,δ=s0/m,s0为节点初始吸引度;
加入新节点n前,与节点i连接的各边边权之和
加入新节点n后,节点i的点权Wi→Wi+δ+w0,节点j的点权Wj→Wj+Δwi;j
D.节点吸引力变化:
当加入节点新节点n后,由于节点n只与节点i相连接,引入了新的边<i,n>的权重win和δ,会使节点i的点权发生变化,由此导致Zi也发生变化;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:演化判定:若网络中演化节点t<n0,则转至Step2继续演化计算;否则停止演化,转至Step7;
Step7:结果统计:统计网络中的基本统计属性特征,分析网络状况。
进一步地,公式(10)中对E赋值采取以下规则:
①一级节点与一级节点间的货运往来通过城市外环线来完成,E取值为2;
②一级节点与二级节点间的货运往来通过快速路来完成,E取值为1;
③二级节点与二级节点间的货运往来通过主干路来完成,E取值为2;
④二级节点与三级节点间的货运往来通过次干路来完成,E值取为3;
⑤一级节点与三级节点间的货运往来通过次干路来完成,E值取为3。
进一步地,步骤(3-4)中m取2、3、4、5、6、7、10、15共8个不同值。
进一步地,步骤(4)包括如下子步骤:
(4-1)获取网络参数,包括:节点数、边数、平均度、聚类系数、网络直径、平均路径长度、全局有效性、局部有效性、系统总费用、拥堵因子;
(4-2)构建计算参数R:
其中,α、β、γ、δ分别表示系统总费用、鲁棒性、有效性及拥堵因子的相对重要度;
选用以下参数
R1=E全/(L*J*TC2) (14)
R2=E全/(L*J*TC3) (15)
作出R1、R2与平均度关系图,则两个关系图共同极值点所对应的平均度为最优平均度,从而确定拓扑结构最优的网络;
(4-3)根据城市物流节点分布现状,拟建一个新的物流节点,给出经纬度坐标值,并确定新建物流节点等级,将新建物流节点代入演化模型,得到新建物流节点后的网络参数表。
进一步地,步骤5包括如下子步骤:
(5-1)rij计算公式如下:
(5-2)然后计算Pij的取值矩阵:
(5-3)令含有未知数X的那一列的和:
(5-4)计算指标j的熵值Ej:
(5-5)计算指标j的熵权Wj:
结合式(6)及(18)~(20),化简可得一个含有未知数Y的方程。
(5-6)将拓扑结构优化得到的新建物流节点最优吸引度Z带入(5-5)化简得到的方程求解,最终得到Y的值;
(5-7)根据
可以进一步计算出指标值X。
进一步地,指标值X为新建物流节点货运量、生产总值、建设规模或投资额度。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)方法首先提出物流节点吸引度的概念,然后通过对货运网络拓扑结构演化与拓扑结构优化,得到新建物流节点后的最优货运网络拓扑结构,从而确定新建物流节点最优吸引度综合值。最后根据新建物流节点最优吸引度综合值,使用熵权综合评价法的逆推法,反推新建物流节点指标值,从而实现科学预测物流节点的货运量、生产总值、占地面积、投资额度等指标值的目的。
(2)相比传统的盲目投资与“走一步看一步”式建设,本方法显著提高了决策效率,提升了决策准确性和科学性并降低了盲目投资与“走一步看一步”式建设所带来的潜在风险。
(3)本发明采用基于货运网络拓扑结构优化的物流节点相关重要指标的预测方法,可以科学的预测决策者最为关注又最难把握的新建物流节点货运量、建设规模、投资额度等指标值,从而为决策者提供决策支持和理论依据;
(4)本发明所提出的预测方法能够最大程度提升决策的科学性与合理性,减少潜在问题与风险,使新建物流节点在货运网络中达到的效果更加符合预期,提升决策者的决策效率。
附图说明
图1为本发明基于货运网络拓扑结构优化的物流节点相关重要指标预测方法流程图;
图2为本发明熵指标模糊综合评价反推法计算新建物流节点流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1~2所示,本发明的优选实施例如下:
1.首先创建物流节点吸引力影响因素指标体系,步骤如下:
(1-1)初步确定物流节点吸引力影响因素,本实施例包括:
物流节点所在行政区的人口规模(单位:万人)
物流节点所在行政区的生产总值(单位:亿元)
物流节点所在行政区的规模以上的企业数
物流节点所在行政区社会消费品零售额(单位:万元)
物流节点所在行政区城镇居民年人均可支配收入(单位:元)
物流节点所在行政区城镇居民年人均消费支出(单位:元)
物流节点所在行政区物流基础建设投资额度(单位:亿元)
物流节点所在行政区物流需求集散地密度(通过物流节点所在行政区内企业个数与分区土地面积的比值来表示)
物流节点所在行政区产业结构和产业空间布局
交通通达度
分区环境影响评价
优惠政策
物流节点所在行政区土地可利用面积
物流节点的类型
物流节点的辐射半径(单位:公里)
交通基础设施依托程度
距离运输企业的远近
城市货运网络的布局结构
城市货运网络运输的货类品种复杂性
政府政策管控导向
核心企业培育
城市规划的具体指引
城市物流发展的历史传承性
物流节点货运量(单位:万吨)
交通运输设施的发展水平
货运网络的网络规模
城市货运网络的技术支持
劳动力及生产力布局
货物运输线路的合理性
距离港口、机场和码头位置的远近
消费需求
成本因素(运输成本、营运成本、建筑成本和土地成本、固定成本)和非成本因素(原材料、劳动力和市场等);
(1-2)采用spss分析剔除信息高度重合的冗余指标,采取主成分分析法在损失很少信息的前提下将这若干个指标转化为少量互不相关的综合指标;
2.采用熵指标模糊综合评价法计算物流节点吸引度综合值,步骤如下:
(2-1)对物流节点吸引力影响因素指标值矩阵xij进行规格化变换:
(2-2)对rij依次按如下的步骤做变换:
当rij=0时,上式应修改为:
(2-3)计算指标j的熵值Ej:
(2-4)指标j的熵权Wj:
(2-5)当各个指标的熵权值求出后,下一步即是将各指标的权值分别与其所对应的指标经过规格化变化后的值相乘后求和,以确定各评价指标的熵权综合评价值,即各个节点的吸引度综合值。其计算公式为:
3.基于BA模型,BBV模型与引力模型构建货运网络演化模型进行静态无权演化与动态加权演化,步骤如下:
(3-1)BA模型优先连接公式:
引力模型公式:
构建货运网络演化优先连接概率公式
参数q、p是用来调节节点度与物流吸引力之间的比例权重的。其中q是根据原有节点等级不同而取值不同,原有节点等级越高,q取值越大,因为较高等级节点的度影响会比低等级的度影响更大,比如物流园区下面还连接了很多的物流中心和配送中心,所以拥有相同度的物流园区和配送中心,物流园区和新节点会有更大的连接概率。p是根据新节点的等级而取值不同,新加入的节点等级越高,p取值越大,因为如果新加入的节点是较高等级的节点,吸引力的大小会随着新节点等级越高而影响权重增加。
(3-2)静态无权演化模型算法步骤:
Step1:初始化:确定网络初始节点数n0和各节点度数kj以及任意节点吸引度Zi,规定节点饱和度Kmax。
Step2:确定优先连接:随机选择新节点i,计算连接概率φij,并用冒泡法进行降序排列得到优先连接序列{φi1,φi2,φi3......φij}。
Step3:连接节点:从Step2的序列中选择连接概率最大的前j个节点与新节点连接;
Step4:更新网络:根据节点连接状况更新网络;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:演化判定:如果网络演化节点数t<n0,则转至Step2继续演化计算,否则停止演化,转至Step6;
Step7:结果统计:统计网络中节点基本统计属性特征并分析网络的状况。
(3-3)动态加权演化模型算法步骤:
Step1:初始化:规定网络初始节点数n0以及各节点度数kj,任意节点的吸引度si,确定优先连接的节点数m,确定节点饱和度Kmax,边权初值w0。
Step2:确定优先连接:选择新节点n与原有节点i连接,计算网络中原有节点对新加入节点的连接概率φin,并按降序排列得优先连接序列{φi1,φi2,φi3......φij},并按冒泡法降序排列来得到优先连接序列。
Step3:连接节点:从Step2中得到的优先连接序列中选择连接概率最大的前m个节点与新节点连接,而且每连接一次,就产生一次权重的更新,更新完成再进行下一次的连接,直到本次连接完成。
Step4:更新网络:完成连接后,更新网络中节点连接和权重变化以及权重更新引起吸引力变化和概率变化,权重和吸引力具体变化如下:
A.节点权重变化
加入新节点n,新节点n与原有节点i相连后,会造成原本与节点i相连接的边的权重wij变化,即wij→wij+Δwij。同时,新节点n加入后,网络赋予<i,n>边的权重win=w0;
dij=6371*ACOS(COS(π*xi*/180-π*xj/180))*COS(π*yi/180-π*yj/160)(11)
上式中的E表示路网等级,根据经纬度计算距离时默认为地球为圆形球体,上式中的6371指的是地球半径,单位为km。考虑到一级节点往往会选址在城市外围,大部分二级节点在城区郊区,三级节点在城市内部,而且现在城市内大部分快速路和主干路都对大货车采取限时段限行或直接禁止大货车走进程,这里对E赋值采取以下规则:
①一级节点与一级节点间的货运往来通过城市外环线来完成,E取值为2;
②一级节点与二级节点间的货运往来通过快速路来完成,E取值为1;
③二级节点与二级节点间的货运往来通过主干路来完成,E取值为2;
④二级节点与三级节点间的货运往来通过次干路来完成,E值取为3;
⑤一级节点与三级节点间的货运往来通过次干路来完成,E值取为3;
另外,δ为新节点n(与节点i相连,改变与i节点相连的其它边的权重)加入后引起的总节点吸引度和边权的变化之和为;
δ=s0/m
加入新节点n前,与i节点连接的各边边权之和(即节点i的点权)
加入新节点n后,与i节点相连接的各边(包括与n)的各边边权之和(即节点i的点权)Wi→Wi+δ+w0;
值得注意的是,加入新节点n后,原先与节点i相连的节点j的边权wij也会发生变化,所以节点j的点权也会发生变化,即Wj→Wj+Δwij;
B.节点吸引力会发生变化
根据节点吸引力公式(18)可知,Zi和Zj由节点自身吸引度与节点点权之和来决定。
当加入节点新节点n后,由于节点n只与节点i相连接,引入了新的边<i,n>的权重win和δ,会使节点i的点权发生变化,由此导致Zi也发生变化;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:演化判定。若网络中演化节点t<n0,则转至Step2继续演化计算;否则停止演化,转至Step6;
Step7:结果统计。统计网络中的基本统计属性特征,分析网络状况。
(3-4)改变演化模型中的优先连接节点数m,重复上述步骤分别得出m=2,3,4,5,6,7,10,15等8个不同的静态无权演化网络以及8个不同的动态加权演化网络,并将网络导入Gephi,以便后续计算网络参数时使用。
4.对演化得到的静态无权网络与动态加权网络进行拓扑结构优化,具体步骤如下:
(4-1)列出网络参数表:
(4-2)构建计算参数:
其中:R为计算参数值;α、β、γ、δ分别表示系统总费用、鲁棒性、有效性及拥堵因子的相对重要度,取值可以根据实际规划情况选取。分析计算参数值R的变化趋势可以为选取最优的拓扑网络平均度提供参考依据。
为了简化研究问题用平均最短路径长度来表示系统鲁棒性。根据实际情况,认为系统总费用重要度较高。因此选用以下参数:
R1=E全/(L*J*TC2) (14)
R2=E全/(L*J*TC3) (15)
使用excel分别作出R1,R2与平均度关系图,则两个关系图共同极值点所对应的平均度即为最优平均度,从而确定拓扑结构最优的网络。
(4-3)根据城市物流节点分布现状,拟建一个新的物流节点,给出经纬度坐标值,并确定新建物流节点等级。假设:新建物流节点为一级节点,现有的一级节点的吸引度在(42,73)范围内。那么根据试算法,可以为新建物流节点预设40、45、50、55、60、65,70,75等8个值。在拓扑结构最优的演化网络基础上,将新建物流节点代入演化模型,得到8个网络,得到新建物流节点后的网络参数表。
根据网络参数表,可以发现,当吸引度发生改变时,全局有效性并不会发生明显改变。因此,可以确定,现代城市相对成熟完善的货运网络多为随机网络:因为新加入节点在演化网络中不会对原有节点的布局形态和相关参数造成大的影响。
而在随机网络优化中,我们所遵循的原则是只考虑节点的位置,而不着重考虑节点的货运量、建设规模、投资额度等指标。货运量、建设规模、投资额度等指标按照尽量小的设置即可,那么吸引度Z就取最小值即可。
5.使用熵指标模糊综合评价法的反推法计算新建港口指标值,具体步骤如下:
(5-1)新建物流节点最优吸引度Z已知,由图2的计算流程可知,我们需要计算含有指标值X的rij和Wj。回顾熵权法rij(每一个值减去所在列的最小值的差除以这一列最大与最小值的差),计算公式如下:
(5-2)然后计算Pij(rij与当前列所有rij之和的比值)的取值矩阵:
(5-3)令含有未知数X的那一列的和满足:
(5-4)计算指标j的熵值Ej:
(5-5)根据图2可知:
结合式(6)、(18)~(20)和图2,化简可得一个含有未知数Y的方程,本实施例中,Y是为求解X方便而设定的一个含有X的方程,可以理解为求解过程中的中间值。
(5-6)将拓扑结构优化得到的新建物流节点最优吸引度Z带入方程求解。
在本实施例中,该求解过程借助于数学软件maple求解,最终得到Y的值;
(5-7)根据
按照相同的方法,可以进一步计算出指标值X,例如新建物流节点货运量、建设规模、投资额度等。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种货运网络新建物流节点相关重要指标预测方法,其特征在于,包括如下步骤:
步骤1:采集物流节点吸引力影响因素指标值数据,并使用Spss分析,剔除信息高度重合的冗余指标,采取主成分分析法在损失很少信息的前提下将这若干个指标转化为少量互不相关的综合指标,作为物流节点吸引力影响因素的评价指标;
步骤2:使用熵指标模糊综合评价法计算物流节点吸引度;其中,
物流节点吸引度是指物流节点自身具备的、由其影响因素决定的吸引其他物流节点与之产生货运往来的可能性大小,数值表现为经过无量纲化处理的吸引度综合评判值,计算公式为:
Zi-吸引度综合评判值,
n-吸引力影响因素评价指标个数,
m-节点的总个数,
-各评价指标经过无量纲化处理之后的评判值,
Wj-各评价指标的权值,
i-节点的序号,
j-评价指标的序号;
步骤3:基于BA模型、BBV模型与引力模型构建货运网络静态无权演化模型与动态加权演化模型,对货运网络进行静态无权演化与动态加权演化;
步骤4:对步骤3演化得到的静态无权网络与动态加权网络进行货运网络拓扑结构优化,得出新建物流节点后的网络拓扑结构与新建物流节点最优吸引度Z;
步骤5:根据新建物流节点最优吸引度Z反推计算新建物流节点指标值。
2.如权利要求1所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤2包括如下子步骤:
(2-1)根据步骤1选出的物流节点吸引力影响因素指标建立物流节点吸引力影响因素指标值矩阵xij,并对物流节点吸引力影响因素指标值矩阵xij进行规格化变换:
(2-2)对rij进行如下变换:
(2-3)计算指标j的熵值Ej:
(2-4)指标j的熵权Wj:
(2-5)将各指标经过规格化变化后的值与其对应的权值相乘后求和,以确定各评价指标的熵权综合评价值,即各个节点的吸引度综合值,其计算公式为:
3.如权利要求1或2所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤3包括如下子步骤:
(3-1)建立各模型:
BA模型优先连接:
引力模型:
Fij——物流节点i与物流节点j之间的吸引力;
G——引力系数,平衡等式两端的量纲,其数值为1;
K——产业相关系数,由两节点主营产业的相关性确定;
Zi——物流节点i的吸引度;
Zj——物流节点j的吸引度;
Dij——物流节点i与j的距离;
构建货运网络演化优先连接概率:
φij——节点i与节点j连接概率;
k——节点连接度;
Fij——节点i与节点j之间的吸引力;
参数q、p用于调节节点连接度与物流吸引力之间的比例权重,其中,
q是根据原有节点等级不同而取值不同,原有节点等级越高,q取值越大;p是根据新节点的等级不同而取值不同,新加入的节点等级越高,p取值越大;
(3-2)静态无权演化模型算法步骤:
Step1:初始化:确定网络初始节点数n0和各节点度数k以及任意节点吸引度Zi,规定节点饱和度Kmax;
Step2:确定优先连接:随机选择新节点i,计算连接概率φij,并用冒泡法进行降序排列得到优先连接序列{φi1,φi2,φi3......φij};
Step3:连接节点:从Step2的序列中选择连接概率最大的前j个节点与新节点连接;
Step4:根据节点连接状况更新网络;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:如果网络演化节点数t<n0,则转至Step2继续演化计算,否则停止演化,转至Step7;
Step7:统计网络中节点基本统计属性特征并分析网络的状况;
(3-3)动态加权演化模型算法步骤:
Step1:初始化:规定网络初始节点数n0以及各节点度数kj,任意节点的吸引度si,确定优先连接的节点数m,确定节点饱和度Kmax,边权初值w0。
Step2:确定优先连接:选择新节点n与原有节点i连接,计算网络中原有节点对新加入节点的连接概率φin,并按降序排列得优先连接序列{φi1,φi2,φi3......φij},并按冒泡法降序排列来得到优先连接序列。
Step3:从Step2中得到的优先连接序列中选择连接概率最大的前m个节点与新节点连接,而且每连接一次,就产生一次权重的更新,更新完成再进行下一次的连接,直到连接完成;
Step4:完成连接后,更新网络中节点连接和权重变化以及权重更新引起的吸引力变化和概率变化;
(3-4)改变演化模型中的优先连接节点数m,重复上述步骤分别得出预定数量的不同的静态无权演化网络以及不同的动态加权演化网络。
4.如权利要求3所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤(3-3)的Step4中权重和吸引力具体变化如下:
A.节点权重变化:
加入新节点n,新节点n与原有节点i相连后,会造成原本与节点i相连接的边的权重wij变化,即wij→wij+Δwij;同时,新节点n加入后,网络赋予<i,n>边的权重win=w0;
dij=R地*ACOS(COS(π*xi*/180-π*xj/180))*COS(π*yi/180-π*yj/160) (11)
其中,
E表示路网等级,
R地为地球半径,根据经纬度计算距离时默认为地球为圆形球体,单位为km;
δ为新节点n加入后引起的总节点吸引度和边权的变化之积,δ=s0/m,s0为节点初始吸引度;
加入新节点n前,与节点i连接的各边边权之和
加入新节点n后,节点i的点权Wi→Wi+δ+w0,节点j的点权Wj→Wj+Δwi;j
B.节点吸引力变化:
当加入节点新节点n后,由于节点n只与节点i相连接,引入了新的边<i,n>的权重win和δ,会使节点i的点权发生变化,由此导致Zi也发生变化;
Step5:Ki=Kmax的物流节点不参加后续的演化连接;
Step6:演化判定:若网络中演化节点t<n0,则转至Step2继续演化计算;否则停止演化,转至Step7;
Step7:结果统计:统计网络中的基本统计属性特征,分析网络状况。
5.如权利要求3所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,公式(10)中对E赋值采取以下规则:
①一级节点与一级节点间的货运往来通过城市外环线来完成,E取值为2;
②一级节点与二级节点间的货运往来通过快速路来完成,E取值为1;
③二级节点与二级节点间的货运往来通过主干路来完成,E取值为2;
④二级节点与三级节点间的货运往来通过次干路来完成,E值取为3;
⑤一级节点与三级节点间的货运往来通过次干路来完成,E值取为3。
6.如权利要求3所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤(3-4)中m取2、3、4、5、6、7、10、15共8个不同值。
7.如权利要求3所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤(4)包括如下子步骤:
(4-1)获取网络参数,包括:节点数、边数、平均度、聚类系数、网络直径、平均路径长度、全局有效性、局部有效性、系统总费用、拥堵因子;
(4-2)构建计算参数R:
其中,α、β、γ、δ分别表示系统总费用、鲁棒性、有效性及拥堵因子的相对重要度;
选用以下参数
R1=E全/(L*J*TC2) (14)
R2=E全/(L*J*TC3) (15)
作出R1、R2与平均度关系图,则两个关系图共同极值点所对应的平均度为最优平均度,从而确定拓扑结构最优的网络;
(4-3)根据城市物流节点分布现状,拟建一个新的物流节点,给出经纬度坐标值,并确定新建物流节点等级,将新建物流节点代入演化模型,得到新建物流节点后的网络参数表。
8.如权利要求1~3任意一项所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,步骤5包括如下子步骤:
(5-1)rij计算公式如下:
(5-2)然后计算Pij的取值矩阵:
(5-3)令含有未知数X的那一列的和:
(5-4)计算指标j的熵值Ej:
(5-5)计算指标j的熵权Wj:
结合式(6)及(18)~(20),化简可得一个含有未知数Y的方程。
(5-6)将拓扑结构优化得到的新建物流节点最优吸引度Z带入(5-5)化简得到的方程求解,最终得到Y的值;
(5-7)根据
可以进一步计算出指标值X。
9.如权利要求8所述的一种货运网络新建物流节点相关重要指标预测方法,其特征在于,指标值X为新建物流节点货运量、生产总值、建设规模或投资额度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010982.7A CN109002934A (zh) | 2018-08-31 | 2018-08-31 | 一种货运网络新建物流节点相关重要指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010982.7A CN109002934A (zh) | 2018-08-31 | 2018-08-31 | 一种货运网络新建物流节点相关重要指标预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002934A true CN109002934A (zh) | 2018-12-14 |
Family
ID=64591328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811010982.7A Pending CN109002934A (zh) | 2018-08-31 | 2018-08-31 | 一种货运网络新建物流节点相关重要指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002934A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210707A (zh) * | 2019-04-30 | 2019-09-06 | 跨越速运集团有限公司 | 基于熵权法的点部自动调度效率评价方法及系统 |
CN110855492A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及存储介质 |
CN111210166A (zh) * | 2020-02-17 | 2020-05-29 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
CN111667085A (zh) * | 2019-03-08 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 物流路由网络的确定方法、装置、介质及电子设备 |
CN112598896A (zh) * | 2020-12-07 | 2021-04-02 | 吉林大学 | 一种基于gps数据的工业园区物流关键路段识别方法 |
CN112825158A (zh) * | 2019-11-20 | 2021-05-21 | 顺丰科技有限公司 | 预测方法、预测装置、服务器及存储介质 |
CN113570238A (zh) * | 2021-07-26 | 2021-10-29 | 北京浩瀚深度信息技术股份有限公司 | 一种互联网质量指标评估方法以及质量优化方法及系统 |
CN113642138A (zh) * | 2021-08-16 | 2021-11-12 | 复旦大学 | T-cps框架下耦合网络元素处理与存储的多层网络构建方法 |
CN117611045A (zh) * | 2024-01-22 | 2024-02-27 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
-
2018
- 2018-08-31 CN CN201811010982.7A patent/CN109002934A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667085A (zh) * | 2019-03-08 | 2020-09-15 | 北京京东尚科信息技术有限公司 | 物流路由网络的确定方法、装置、介质及电子设备 |
CN111667085B (zh) * | 2019-03-08 | 2024-04-09 | 北京京东振世信息技术有限公司 | 物流路由网络的确定方法、装置、介质及电子设备 |
CN110210707A (zh) * | 2019-04-30 | 2019-09-06 | 跨越速运集团有限公司 | 基于熵权法的点部自动调度效率评价方法及系统 |
CN110855492A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及存储介质 |
CN112825158A (zh) * | 2019-11-20 | 2021-05-21 | 顺丰科技有限公司 | 预测方法、预测装置、服务器及存储介质 |
CN111210166B (zh) * | 2020-02-17 | 2023-06-20 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
CN111210166A (zh) * | 2020-02-17 | 2020-05-29 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
CN112598896A (zh) * | 2020-12-07 | 2021-04-02 | 吉林大学 | 一种基于gps数据的工业园区物流关键路段识别方法 |
CN112598896B (zh) * | 2020-12-07 | 2021-11-12 | 吉林大学 | 一种基于gps数据的工业园区物流关键路段识别方法 |
CN113570238A (zh) * | 2021-07-26 | 2021-10-29 | 北京浩瀚深度信息技术股份有限公司 | 一种互联网质量指标评估方法以及质量优化方法及系统 |
CN113642138B (zh) * | 2021-08-16 | 2023-03-21 | 复旦大学 | T-cps框架下耦合网络元素处理与存储的多层网络构建方法 |
CN113642138A (zh) * | 2021-08-16 | 2021-11-12 | 复旦大学 | T-cps框架下耦合网络元素处理与存储的多层网络构建方法 |
CN117611045A (zh) * | 2024-01-22 | 2024-02-27 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
CN117611045B (zh) * | 2024-01-22 | 2024-04-19 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002934A (zh) | 一种货运网络新建物流节点相关重要指标预测方法 | |
Zhang et al. | Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China | |
Shang et al. | A unified framework for multicriteria evaluation of transportation projects | |
Liu et al. | Urban renewal simulation with spatial, economic and policy dynamics: The rent-gap theory-based model and the case study of Chongqing | |
Fuglsang et al. | Modelling land-use effects of future urbanization using cellular automata: An Eastern Danish case | |
Kumar et al. | Mixed integer linear programming approaches for land use planning that limit urban sprawl | |
Zheng et al. | A stochastic simulation-based optimization method for equitable and efficient network-wide signal timing under uncertainties | |
Su et al. | A land use and transportation integration method for land use allocation and transportation strategies in China | |
CN107506433A (zh) | 城市发展空间格局情景模拟系统 | |
CN104361255B (zh) | 一种改进元胞自动机城市扩张模拟方法 | |
CN112070304B (zh) | 一种城市群要素相互作用测度方法、设备及存储介质 | |
Uddin et al. | A framework to measure transit-oriented development around transit nodes: Case study of a mass rapid transit system in Dhaka, Bangladesh | |
Liu et al. | Improving bicycle sharing operations: A multi-criteria decision-making approach | |
Chu et al. | A Physarum-inspired algorithm for logistics optimization: From the perspective of effective distance | |
Ji et al. | AVSS 2011 demo session: A large-scale benchmark dataset for event recognition in surveillance video | |
Gu et al. | Enhancing market service and enterprise operations through a large-scale GIS-based distribution system | |
CN103218768B (zh) | 一种城市中心区通达度的评价及应用方法 | |
Niyomubyeyi et al. | An improved non-dominated sorting biogeography-based optimization algorithm for multi-objective land-use allocation: a case study in Kigali-Rwanda | |
Lu et al. | Optimization of vehicle automatic navigation path based on remote sensing and GIS | |
Yoon et al. | Spatial Decision Support System for Development and Conservation of Unexecuted Urban Park using ACO-Ant Colony Optimization | |
Zhao et al. | Optimization of intensive land use in blocks of Xi’an from the perspective of bicycle travel | |
Ding et al. | Development of a Complex Network‐Based Integrated Multilayer Urban Growth and Optimisation Model for an Efficient Urban Traffic Network | |
Li et al. | Forecasting method for urban rail transit ridership at station level using back propagation neural network | |
Khadhir et al. | A microsimulation-based stochastic optimization approach for optimal traffic signal design | |
Almansoub et al. | Exploring the Effects of Transportation Supply on Mixed Land-Use at the Parcel Level. Land 2022, 11, 797 |
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: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |