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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
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。
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)
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)
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 |
-
2021
- 2021-09-14 CN CN202111072860.2A patent/CN113762896B/zh active Active
Patent Citations (2)
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 |