CN113762896B - 一种基于层次分析法的物流园车辆动态排队方法 - Google Patents

一种基于层次分析法的物流园车辆动态排队方法 Download PDF

Info

Publication number
CN113762896B
CN113762896B CN202111072860.2A CN202111072860A CN113762896B CN 113762896 B CN113762896 B CN 113762896B CN 202111072860 A CN202111072860 A CN 202111072860A CN 113762896 B CN113762896 B CN 113762896B
Authority
CN
China
Prior art keywords
weight
vehicle
pick
type
score
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.)
Active
Application number
CN202111072860.2A
Other languages
English (en)
Other versions
CN113762896A (zh
Inventor
黎立璋
陈伯瑜
张庆东
徐哲壮
温蔚翔
陈康
郭凌欢
蔡东洲
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.)
Fuzhou University
Fujian Sangang Minguang Co Ltd
Original Assignee
Fuzhou University
Fujian Sangang Minguang Co Ltd
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 Fuzhou University, Fujian Sangang Minguang Co Ltd filed Critical Fuzhou University
Priority to CN202111072860.2A priority Critical patent/CN113762896B/zh
Publication of CN113762896A publication Critical patent/CN113762896A/zh
Application granted granted Critical
Publication of CN113762896B publication Critical patent/CN113762896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于层次分析法的物流园车辆动态排队的方法，根据物流园当天出货客户的数据，建立动态的评价指标，采用层次分析法，获得各项指标动态的权重值。实现将权重和对应的指标得分值乘积和作为判断结果，进行排序，确定车辆的入场顺序，确保物流园入园车辆排队的公平性和合理性。

Description

一种基于层次分析法的物流园车辆动态排队方法
技术领域
本发明涉及一种物流园入园作业车辆的调度方法，特别是一种基于层次分析法的物流园车辆动态排队方法。
背景技术
在传统的物流园车辆调度系统中，车辆的入园排队顺序是由操作人员现场进行人工安排，遵循先到先排的准则，同时需要考虑入场的取货点，特殊用户的优先安排等因素。因此传统的物流园车辆入园顺序依赖现场工作人员的工作经验，效率低下，错误率高，缺乏整体安排，时常造成园区车辆入园顺序混乱。传统的物流园车辆排队顺序安排，客户满意度低，由于没有完备的排队规范，人为支配权高，插队现象严重。同时由于先到先排的机制，造成物流厂区入口经常为了抢位产生堵塞现象，同时也大大加大了客户的等待时间，需要对现有的模式进行优化，将车辆分配到不同时间段，提高取货效率和客户满意度。
申请号为：CN201910832747.6，名称为：运粮车辆作业队列融合及复合提醒的方法。该方法是运粮车辆预约排队，利用权重排队法结合预约时间顺序计算车辆的排队顺序。根据粮库的出入库作业流程。对于权重排队法，是根据车辆的登记类型、车辆类型、客户类型、粮食类型等设置权重，由实际值乘以权重得到车辆的排队顺序。该方法权重是单一的，不能适应复杂的取货情况。申请号为：CN201811060342.7，名称为：物流在线调度方法及系统。该方法是实时获取车辆和货物的位置信息，形成提货单，根据所述车辆类别对应的车辆考核排名确定出车名单。提升物流质量和客户满意度。该方法没有考虑到时间序列，造成货单派发时效性不足。
发明内容
本发明的目的在于克服上述现有技术中的不足之处，提出一种基于层次分析法的物流园车辆动态排队的方法。
本发明是通过如下方式实现的：
一种基于层次分析法的物流园车辆动态排队的方法，包括以下步骤：
S1获取数据：从物流园数据库中获取当天物流园入园的车辆预约顺序，车辆数量、当天车辆取货重量的变异系数、客户类型、客户信用评价数据；
S2构建指标：根据物流园实际作业情况，选取预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价作为影响排队顺序的四个指标；
S3构造两两比较判断矩阵，对比不同指标之间的重要程度，采用1-9互反性标度理论量化；
S4：构建两两比较判断矩阵为：
判断矩阵表示与该层因素对上一层因素的相对重要性，其中a11表示自身重要性的比较，所以a11等于1，及判断矩阵对角线元素均为1，A矩阵为预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价矩阵，其中，a21表示客户类型对比预约顺序的重要性，a31表示当天车辆取货重量的变异系数对比预约顺序的重要性，a41表示客户信用评价对比预约顺序的重要性，其他系数以此类推；
S5：根据从物流园数据库获取的数据，构建一个动态的判断矩阵，计算最大特征值和最大特征向量，获得权重向量，进行一致性检验，确定每个指标的权重；
S6：确定每个指标的权重后，根据物流园数据库的数据，设定每个指标的得分值计算；
S7：最后将所有车辆的排队顺序得分进行降序排列，得到车辆排队顺序表Sc，按顺序给每辆车分配不同的时间段入园取货。
进一步，所述S3的所述采用1-9互反性标度理论量化为：1：同等重要，3：稍微重要，5：比较重要，7：很重要，9：绝对重要，2、4、6和8：对应中间状态的值。
进一步，所述S5具体步骤如下：
S51：预约顺序和客户类型的两两判断：根据物流园的销售现状，客户类型分为三种，普通客户，优先客户，重要客户；三者的取货优先级依次递增，但为了维持客户排队的相对公平性，当非普通客户nsp占总客户数nnum比重越高时，预约顺序的重要性越大，当非普通客户占比越低时，客户类型的重要性可以提升；物流园能通过设置不同的占比阈值nset，来根据实际需要调节两者关系，其表达式为：
式中：type为客户类型，order为预约顺序，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β，b为可变参数，物流园企业可根据实际工作情况调整参数，从而调整预约顺序和客户类型的两两相关程度；表示向上取整。
S52：当天车辆取货重量的变异系数与其他指标的两两判断：车辆取货重量的变异系数Sn，表示整个取货重量的数据离散程度，变异系数越小，数据的离散程度越小，取货重量集中在一个数据段，此时如果取货重量中存在较偏离均值的数据，对队伍次序的影响程度较高，相反变异系数越大，取货重量分布的较为分散，较为偏离均值的数据对队伍次序影响不大，变异系数和预约顺序、客户类型的两两判断表达式为：
式中：distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β为可变参数，物流园企业可根据实际工作情况调整参数，从而调整取货重量的变异系数和其他指标的两两相关程度；表示向上取整。
S53信用评价指标和其他指标的两两判断表达方式为：
式中：credit为客户信用评价，distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，α，β，θ为可变参数，物流园企业可根据实际工作情况调整参数，从而调整信用评价指标和其他指标的两两相关程度；表示向上取整。
S54通过上述方法构建出了完整的判断矩阵A后，计算得到最大特征值λmax和最大特征向量vT；
Av＝λmaxv
vT＝[u1 u2 … un]，
式中，ui为最大特征值λmax对应的特征向量
S55将最大特征向量归一化，得到权重向量w，表达式如下：
式中，ui为最大特征值λmax对应的特征向量；
S56为了验证构建的判断矩阵是否符合逻辑，需要进行一致性检验；计算一致性指标CI，CI＝0表示完全一致，CI越大越不一致，具体计算表达式如下：
式中，n为判断矩阵的阶数，λmax为最大特征值；
S57根据判断矩阵的阶数n，查找对应的平均随机一致性指标RI，n＝1，RI＝0；n＝2，RI＝0；n＝3，RI＝0.58；n＝4，RI＝0.90；n＝5，RI＝1.12；n＝6，RI＝1.24；n＝7，RI＝1.32；n＝8，RI＝1.41；n＝9，RI＝1.45；
S58计算一致性比例CR＝CI/RI，当CR<0.1，认为矩阵的一致性是可以接受的，当CR>0.1，需要调整上述计算判断矩阵公式中的参数，直到通过一致性检验，确定最后的权重。
进一步，所述S6具体为
S61：预约顺序Porder，设置最高得分Pmax和基础得分Pb，根据每天的车辆入园数量nnum，按预约位次Nw越前，得分越高的原则，设定的得分值计算如下：
S62：客户类型Ptype，客户类型T分为三种，普通客户Plow，优先客户Pmid，重要客户Phigh，标号分别为1，2，3；三者的取货优先级依次递增，优先级越高，得分越高，设定的得分值计算如下：
S63：当天车辆取货重量的变异系数Pdistribution，计算每一个车辆取货重量qi和所以车辆取货重量均值的差，差值越接近0，得分在基础分上下浮动，当差值为正且离0越远时，证明取货重量远大平均数，得分将减少，安排在计划时间的后段，当差值为负数且离0越来越远，证明取货重量远小于平均数，得分将增加，安排在计划周期前段，设定的得分值计算如下：
S64：客户信用评价Pcredit，记录的违约的次数nd，α为可变参数，物流园企业可根据实际的工作情况调整参数，从而调整客户信用评价得分值基数。设定的得分值计算如下：
S65：将每一辆车的得分值Pe＝[Porder Ptype Pdistribution Pcredit]乘上对应的权重向量w，得到每一辆车的最终排队顺序得分值P，对应如下：
P＝w*Pe。
本发明的有益效果在于：建立了物流园车辆入园的有序排队顺序，提高了入园取货效率，同时能提前发布给客户取货时间，减少客户等待时间，提升客户满意度。根据动态的权重调整步骤，可以根据物流园的数据进行权重指标的动态调整，增加整个系统的适用性。建立了客户信用评价体系，能规范企业和客户的行为，促进整个产业的良性循环。
附图说明
图1为本发明的流程示意图；
图2为本发明所述动态权重算法流程图。
具体实施方式
下面结合附图和本发明的实例，对本发明作进一步的描述。
一种基于层次分析法的物流园车辆动态排队的方法，包括以下步骤：
S1获取数据：从物流园数据库中获取当天物流园入园的车辆预约顺序，车辆数量、当天车辆取货重量的变异系数、客户类型、客户信用评价数据；
S2构建指标：根据物流园实际作业情况，选取预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价作为影响排队顺序的四个指标；
S3构造两两比较判断矩阵，对比不同指标之间的重要程度，采用1-9互反性标度理论量化；所述S3的所述采用1-9互反性标度理论量化为：1：同等重要，3：稍微重要，5：比较重要，7：很重要，9：绝对重要，2、4、6和8：对应中间状态的值；
S4：构建两两比较判断矩阵为：
判断矩阵表示与该层因素对上一层因素的相对重要性，其中a11表示自身重要性的比较，所以a11等于1，及判断矩阵对角线元素均为1，A矩阵为预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价矩阵，其中，a21表示客户类型对比预约顺序的重要性，a31表示当天车辆取货重量的变异系数对比预约顺序的重要性，a41表示客户信用评价对比预约顺序的重要性，其他系数以此类推；
S5：根据从物流园数据库获取的数据，构建一个动态的判断矩阵，计算最大特征值和最大特征向量，获得权重向量，进行一致性检验，确定每个指标的权重；
，所述S5具体步骤如下：
S51：预约顺序和客户类型的两两判断：根据物流园的销售现状，客户类型分为三种，普通客户，优先客户，重要客户；三者的取货优先级依次递增，但为了维持客户排队的相对公平性，当非普通客户nsp占总客户数nnum比重越高时，预约顺序的重要性越大，当非普通客户占比越低时，客户类型的重要性可以提升；物流园能通过设置不同的占比阈值nset，来根据实际需要调节两者关系，其表达式为：
式中：type为客户类型，order为预约顺序，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β，b为可变参数，物流园企业可根据实际工作情况调整参数，从而调整预约顺序和客户类型的两两相关程度；表示向上取整。
S52：当天车辆取货重量的变异系数与其他指标的两两判断：车辆取货重量的变异系数Sn，表示整个取货重量的数据离散程度，变异系数越小，数据的离散程度越小，取货重量集中在一个数据段，此时如果取货重量中存在较偏离均值的数据，对队伍次序的影响程度较高，相反变异系数越大，取货重量分布的较为分散，较为偏离均值的数据对队伍次序影响不大，变异系数和预约顺序、客户类型的两两判断表达式为：
式中：distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β为可变参数，物流园企业可根据实际工作情况调整参数，从而调整取货重量的变异系数和其他指标的两两相关程度；表示向上取整。
S53信用评价指标和其他指标的两两判断表达方式为：
式中：credit为客户信用评价，distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，α，β，θ为可变参数，物流园企业可根据实际工作情况调整参数，从而调整信用评价指标和其他指标的两两相关程度；表示向上取整。
S54通过上述方法构建出了完整的判断矩阵后，计算得到最大特征值λmax和最大特征向量vT；
Av＝λmaxv
vT＝[u1 u2…un]，
式中，ui为最大特征值λmax对应的特征向量
S55将最大特征向量归一化，得到权重向量w，表达式如下：
式中，ui为最大特征值λmax对应的特征向量；
S56为了验证构建的判断矩阵是否符合逻辑，需要进行一致性检验；计算一致性指标CI，CI＝0表示完全一致，CI越大越不一致，具体计算表达式如下：
式中，n为判断矩阵的阶数，λmax为最大特征值；
S57根据判断矩阵的阶数n，查找对应的平均随机一致性指标RI，n＝1，RI＝0；n＝2，RI＝0；n＝3，RI＝0.58；n＝4，RI＝0.90；n＝5，RI＝1.12；n＝6，RI＝1.24；n＝7，RI＝1.32；n＝8，RI＝1.41；n＝9，RI＝1.45；
S58计算一致性比例CR＝CI/RI，当CR<0.1，认为矩阵的一致性是可以接受的，当CR>0.1，需要调整上述计算判断矩阵公式中的参数，直到通过一致性检验，确定最后的权重。
S6：确定每个指标的权重后，根据物流园数据库的数据，设定每个指标的得分值计算；
S61：预约顺序Porder，设置最高得分Pmax和基础得分Pb，根据每天的车辆入园数量nnum，按预约位次Nw越前，得分越高的原则，设定的得分值计算如下：
S62：客户类型Ptype，客户类型T分为三种，普通客户Plow，优先客户Pmid，重要客户Phigh，标号分别为1，2，3；三者的取货优先级依次递增，优先级越高，得分越高，设定的得分值计算如下：
S63：当天车辆取货重量的变异系数Pdistribution，计算每一个车辆取货重量qi和所以车辆取货重量均值的差，差值越接近0，得分在基础分上下浮动，当差值为正且离0越远时，证明取货重量远大平均数，得分将减少，安排在计划时间的后段，当差值为负数且离0越来越远，证明取货重量远小于平均数，得分将增加，安排在计划周期前段，设定的得分值计算如下：
S64：客户信用评价Pcredit，记录的违约的次数nd，α为可变参数，物流园企业可根据实际的工作情况调整参数，从而调整客户信用评价得分值基数。设定的得分值计算如下：
S65：将每一辆车的得分值Pe＝[Porder Ptype Pdistribution Pcredit]乘上对应的权重向量w，得到每一辆车的最终排队顺序得分值P，对应如下：
P＝w*Pe。
S7：最后将所有车辆的排队顺序得分进行降序排列，得到车辆排队顺序表Sc，按顺序给每辆车分配不同的时间段入园取货。
具体实施例
S1和S2从某钢铁厂云平台获取入园车辆总数量nnum，车辆预约顺序Y＝(y1,y2,…,yn)，车辆的取货重量K＝(k1,k2,…,kn),客户的类型T＝(t1,t2,..,tn),客户的信用评价C＝(c1,c2,…,cn)等数据；
S3案例获取的数据是总车辆5，车辆预约顺序Y＝(2,4,1,5,3)，车辆取货重量K＝(15,50,45,40,70),客户的类型T＝(1,3,1,1,2),客户的信用评价C＝(1,0,0,3,2)；
S4设定非普通车辆的占比阈值nset，这里设定nset＝0.3；
S4计算预约顺序和客户类型的两两重要性评分
S4计算取货重量的变异系数Sn
S4计算变异系数和预约顺序、客户类型的两两重要性评分
S4计算信用评价和其他指标间的两两重要性评分
S4得到的判断矩阵为
S5判断矩阵的最大特征值和特征向量为
S5验证判断矩阵的逻辑合理性，计算一致性比例CR值
通过一致性检验，构建的判断矩阵合理；
S5归一化特征向量，得到权重向量W
W＝[0.5470.28480.11040.0577]；
S6根据数据，计算每辆车每一项的指标得分值Pe
S6计算每一辆车最终的总得分值
P＝W*Pe＝[83.92，83.87，85.29，73.01，80.71]；
S7确定最后的排序S
S＝三号车→一号车→二号车→五号车→四号车；
S7根据钢铁厂的作业时间，分配每辆车的作业时间段，假设只有一个取货台的情况下：
三号车 8:00-8:45
一号车 8:50-9:05
二号车 9:10-10:00
五号车 10:05-11:15
四号车 11:20-12:00
本发明的有益效果在于：建立了物流园车辆入园的有序排队顺序，提高了入园取货效率，同时能提前发布给客户取货时间，减少客户等待时间，提升客户满意度。根据动态的权重调整步骤，可以根据物流园的数据进行权重指标的动态调整，增加整个系统的适用性。建立了客户信用评价体系，能规范企业和客户的行为，促进整个产业的良性循环。

Claims (2)

1.一种基于层次分析法的物流园车辆动态排队的方法，包括以下步骤：
S1获取数据：从物流园数据库中获取当天物流园入园的车辆预约顺序，车辆数量、当天车辆取货重量的变异系数、客户类型、客户信用评价数据；
S2构建指标：根据物流园实际作业情况，选取预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价作为影响排队顺序的四个指标；
S3构造两两比较判断矩阵，对比不同指标之间的重要程度，采用1-9互反性标度理论量化；
S4：构建两两比较判断矩阵为：
判断矩阵表示与本层因素对上一层因素的相对重要性，其中a11表示自身重要性的比较，所以a11等于1，及判断矩阵对角线元素均为1，A矩阵为预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价矩阵，其中，a21表示客户类型对比预约顺序的重要性，a31表示当天车辆取货重量的变异系数对比预约顺序的重要性，a41表示客户信用评价对比预约顺序的重要性，其他系数以此类推；
S5：根据从物流园数据库获取的数据，构建一个动态的判断矩阵，计算最大特征值和最大特征向量，获得权重向量，进行一致性检验，确定每个指标的权重；
所述S5具体步骤如下：
S51：预约顺序和客户类型的两两判断：根据物流园的销售现状，客户类型分为三种，普通客户，优先客户，重要客户；三者的取货优先级依次递增，但为了维持客户排队的相对公平性，当非普通客户nsp占总客户数nnum比重越高时，预约顺序的重要性越大，当非普通客户占比越低时，客户类型的重要性可以提升；物流园能通过设置不同的占比阈值nset，来根据实际需要调节两者关系，其表达式为：
式中：type为客户类型，order为预约顺序，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β，b为可变参数，物流园企业可根据实际工作情况调整参数，从而调整预约顺序和客户类型的两两相关程度；表示向上取整；
S52：当天车辆取货重量的变异系数与其他指标的两两判断：车辆取货重量的变异系数Sn，表示整个取货重量的数据离散程度，变异系数越小，数据的离散程度越小，取货重量集中在一个数据段，此时如果取货重量中存在较偏离均值的数据，对队伍次序的影响程度较高，相反变异系数越大，取货重量分布的较为分散，较为偏离均值的数据对队伍次序影响不大，变异系数和预约顺序、客户类型的两两判断表达式为：
式中：distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，nsp为非普通客户，nnum为总客户数，nset为占比阈值，α，β为可变参数，物流园企业可根据实际工作情况调整参数，从而调整取货重量的变异系数和其他指标的两两相关程度；表示向上取整；
S53信用评价指标和其他指标的两两判断表达方式为：
式中：credit为客户信用评价，distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，Sn为车辆取货重量的变异系数，α，β，θ为可变参数，物流园企业可根据实际工作情况调整参数，从而调整信用评价指标和其他指标的两两相关程度；表示向上取整；
S54通过上述方法构建出了完整的判断矩阵后，计算得到最大特征值λmax和最大特征向量vT；
Av＝λmaxv
vT＝[u1 u2 ... un]，
式中，ui为最大特征值λmax对应的特征向量；
S55将最大特征向量归一化，得到权重向量w，表达式如下：
式中，ui为最大特征值λmax对应的特征向量；
S56为了验证构建的判断矩阵是否符合逻辑，需要进行一致性检验；计算一致性指标CI，CI＝0表示完全一致，CI越大越不一致，具体计算表达式如下：
式中，n为判断矩阵的阶数，λmax为最大特征值；
S57根据判断矩阵的阶数n，查找对应的平均随机一致性指标RI，n＝1，RI＝0；n＝2，RI＝0；n＝3，RI＝0.58；n＝4，RI＝0.90；n＝5，RI＝1.12；n＝6，RI＝1.24；n＝7，RI＝1.32；n＝8，RI＝1.41；n＝9，RI＝1.45；
S58计算一致性比例CR＝CI/RI，当CR<0.1，认为矩阵的一致性是可以接受的，当CR>0.1，需要调整上述计算判断矩阵公式中的参数，直到通过一致性检验，确定最后的权重；
S6：确定每个指标的权重后，根据物流园数据库的数据，设定每个指标的得分值计算；
所述S6具体为
S61：预约顺序Porder，设置最高得分Pmax和基础得分Pb，根据每天的车辆入园数量nnum，按预约位次Nw越前，得分越高的原则，设定的得分值计算如下：
S62：客户类型Ptype，客户类型T分为三种，普通客户Plow，优先客户Pmid，重要客户Phigh，标号分别为1，2，3；三者的取货优先级依次递增，优先级越高，得分越高，设定的得分值计算如下：
S63：当天车辆取货重量的变异系数Pdistribution，计算每一个车辆取货重量qi和所以车辆取货重量均值的差，差值越接近0，得分在基础分上下浮动，当差值为正且离0越远时，证明取货重量远大平均数，得分将减少，安排在计划时间的后段，当差值为负数且离0越来越远，证明取货重量远小于平均数，得分将增加，安排在计划周期前段，设定的得分值计算如下：
S64：客户信用评价Pcredit，记录的违约的次数nd，α为可变参数，物流园企业可根据实际的工作情况调整参数，从而调整客户信用评价得分值基数；设定的得分值计算如下：
S65：将每一辆车的得分值Pe＝[Porder Ptype Pdistribution Pcredit]乘上对应的权重向量w，得到每一辆车的最终排队顺序得分值P，对应如下：
P＝w*Pe；
S7：最后将所有车辆的排队顺序得分进行降序排列，得到车辆排队顺序表Sc，按顺序给每辆车分配不同的时间段入园取货。
2.如权利要求1所述的一种基于层次分析法的物流园车辆动态排队的方法，其特征在于：所述S3的所述采用1-9互反性标度理论量化为：1：同等重要，3：稍微重要，5：比较重要，7：很重要，9：绝对重要，2、4、6和8：对应中间状态的值。
CN202111072860.2A 2021-09-14 2021-09-14 一种基于层次分析法的物流园车辆动态排队方法 Active CN113762896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072860.2A CN113762896B (zh) 2021-09-14 2021-09-14 一种基于层次分析法的物流园车辆动态排队方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111072860.2A CN113762896B (zh) 2021-09-14 2021-09-14 一种基于层次分析法的物流园车辆动态排队方法

Publications (2)

Publication Number Publication Date
CN113762896A CN113762896A (zh) 2021-12-07
CN113762896B true CN113762896B (zh) 2024-06-11

Family

ID=78795429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072860.2A Active CN113762896B (zh) 2021-09-14 2021-09-14 一种基于层次分析法的物流园车辆动态排队方法

Country Status (1)

Country Link
CN (1) CN113762896B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119890A (zh) * 2019-04-27 2019-08-13 五邑大学 一种基于ahp-灰色关联分析的铁路乘车方案排序方法
CN110766183A (zh) * 2019-09-04 2020-02-07 安徽博微长安电子有限公司 运粮车辆作业队列融合及复合提醒的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463548B (zh) * 2014-12-25 2018-07-13 南京大学 一种多因素影响下的承运量化选择方法
US11107031B2 (en) * 2015-02-18 2021-08-31 Ryder Integrated Logistics, Inc. Vehicle fleet control systems and methods
WO2017218362A1 (en) * 2016-06-16 2017-12-21 Ryder Integrated Logistics, Inc. Vehicle fleet control systems and methods
CN110175687A (zh) * 2019-05-27 2019-08-27 杭州亚美利嘉科技有限公司 物流园区车辆智能调度方法和装置
CN110705852A (zh) * 2019-09-19 2020-01-17 安徽百诚慧通科技有限公司 一种基于层次分析法的车辆风险评估方法
CN111311116B (zh) * 2020-03-12 2024-03-01 上海东普信息科技有限公司 基于智慧园区的车辆调度方法、装置、设备和存储介质
CN111612395A (zh) * 2020-05-19 2020-09-01 衢州学院 一种危化品车辆运输状态评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119890A (zh) * 2019-04-27 2019-08-13 五邑大学 一种基于ahp-灰色关联分析的铁路乘车方案排序方法
CN110766183A (zh) * 2019-09-04 2020-02-07 安徽博微长安电子有限公司 运粮车辆作业队列融合及复合提醒的方法

Also Published As

Publication number Publication date
CN113762896A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Karmaker Determination of optimum smoothing constant of single exponential smoothing method: a case study
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN110826886A (zh) 一种基于聚类算法和主成分分析的电力客户画像构建方法
CN104766215B (zh) 一种综合性、多维度的货主选择量化方法
CN109325659B (zh) 一种电网建设项目投资排序新方法
CN115907611B (zh) 一种基于配件市场价值的配件库存管控方法
CN113408869A (zh) 一种配电网建设目标风险评估方法
CN111667090A (zh) 一种基于深度置信网络与权值共享的负荷预测方法
CN113344467A (zh) 一种电力工程资金预测方法和装置
CN112818525A (zh) 一种水电机组状态评价方法及其系统
Vahabi et al. A sales forecasting model in automotive industry using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA)
CN111932044A (zh) 一种基于机器学习的钢铁产品价格预测系统和方法
Xu et al. A multi-object decision-making method for location model of manufacturing industry under uncertain environment
CN111260161B (zh) 一种众包任务下发的方法及设备
CN113762896B (zh) 一种基于层次分析法的物流园车辆动态排队方法
CN111967684B (zh) 一种基于大数据分析的计量资产主动配送方法
Chen Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification
CN113240165A (zh) 一种电网企业经营投入的优化分配系统及方法
JP2013033450A (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
CN115860552A (zh) 一种农村能源互联网综合效益评价方法
CN115689201A (zh) 面向企业资源供需调配的多准则智能决策优化方法及系统
CN113240359B (zh) 一种应对外界重大变动的需求预测方法
Yang et al. Optimization of profit distribution method under multifactor in construction supply chain
Ramadhani et al. Designing supply chain risk mitigation strategy in the cable support system industry of PT. X
CN117474385B (zh) 一种基于大数据的智能制造能力成熟度评估方法及系统

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
GR01 Patent grant
GR01 Patent grant