CN114077964A - 电子固废回收全流程智能解析方法及系统 - Google Patents

Abstract

本发明涉及一种电子固废回收全流程智能解析方法，包括获取电子固废产生量历史数据构建多元灰色模型，对多元灰色模型的预测值进行误差补偿，获得电子固废产生量预测值；基于预测值构建回收网点选址模型并对其进行求解，获得回收网点位置分布，根据回收网点位置分布构建分拣中心选址模型并对其进行求解，获得分拣中心位置分布；基于回收网点位置分布和分拣中心位置分布构建回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型，分别对其进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；对方案进行可视化处理。本发明针对电子固废回收全流程进行了智能解析，实现电子固废回收的信息化及智能化。

Description

电子固废回收全流程智能解析方法及系统

技术领域

本发明涉及智能信息交互技术领域，尤其是指一种电子固废回收全流程智能解析方法及系统。

背景技术

联合国大学的报告指出中国是全球第一大电子固废产生国。据统计2019年中国电子固废报废量已达1013万吨，而回收量只有154.6万吨，回收率不足15.3％。由于废旧电子产品中含有大量的重金属及有毒物质，这些没有被回收的废旧电器电子产品不仅会造成环境的污染，同时也导致了资源的浪费。这一现状的原因是电子固废回收流程各环节间的信息交互不畅通甚至没有数字化，而且对已有的数据没有进行深度解析进一步导致回收流程效率低下。因此对废旧电器电子产品的回收全流程进行研究，针对各回收环节解析其数据，将有助于提升废旧电器电子产品的回收效果。

现在的电子固废回收进入互联网+回收模式，流程是消费者线上下单，回收人员上门回收到回收网点，回收网点送到分拣中心进行分拣，最后送到外拆解企业进行破拆。但是现有的电子固废回收流程各环节间的信息交互不畅通甚至没有数字化，而且对已有的数据没有进行深度解析，进一步导致回收流程效率低下，甚至现有的解析基本只针对回收流程中的某环节，忽视各个流程间的数据的相关性，并且也没有充分利用历史数据的价值，导致其解析效果一般，无法提高回收效率。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的缺陷，提供一种电子固废回收全流程智能解析方法及系统，提高电子固废回收全流程中各参与主体的信息交互程度，降低了回收成本，实现了电子固废回收的信息化及智能化，能够提升电子固废回收网络构建的效率及科学性，节约线下回收人员的回收时间，降低了车辆运输过程中的运费，降低分拣中心与拆解企业间的供货调货成本，从而提高回收量与满意度。

为解决上述技术问题，本发明提供一种电子固废回收全流程智能解析方法，包括：

S1：获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

S2：基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

S3：基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

S4：对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

在本发明的一个实施例中，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值的方法包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下：

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1,2,…r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数,a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)-Y_G ⁽¹⁾(τ+t-1)；

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差如下：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_G ⁽⁰⁾

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1),Y_G ⁽⁰⁾(τ+2),…,Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1),σ⁽⁰⁾(τ+2),…,σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果如下：

其中，Y_H ⁽⁰⁾表示最终的电子固废产生量智能预测结果，

在本发明的一个实施例中，基于电子固废产生量预测值构建回收网点选址模型的方法包括：

对所述电子固废产生量预测值进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

在本发明的一个实施例中，根据所述回收网点位置分布构建分拣中心选址模型的方法包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

在本发明的一个实施例中，基于所述回收网点位置分布构建回收人员调度模型的方法包括：

将所述回收网点位置分布作为输入，回收人员调度方案作为输出构建回收人员调度模型。

在本发明的一个实施例中，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型包括：

对所述回收网点位置分布和所述分拣中心位置分布进行归一化处理；

将归一化处理后的回收网点位置分布和所述分拣中心位置分布作为输入，回收车辆调度方案作为输出构建回收车辆调度模型。

此外，本发明还提供一种电子固废回收全流程智能解析系统，包括：

数据获取模块，所述数据获取模块用于获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

位置分布规划模块，所述位置分布规划模块用于基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

智能调度模块，所述智能调度模块用于基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

可视化模块，所述可视化模块用于对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

在本发明的一个实施例中，所述数据获取模块包括电子固废预测子模块，所述电子固废预测子模块用于利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值，包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下：

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1,2,…r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数,a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)-Y_G ⁽¹⁾(τ+t-1)；

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差如下：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_G ⁽⁰⁾

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1)，Y_G ⁽⁰⁾(τ+2)，…，Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1)，σ⁽⁰⁾(τ+2)，…，σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果如下：

其中，Y_H ⁽⁰⁾表示最终的电子固废产生量智能预测结果，

在本发明的一个实施例中，所述位置分布规划模块包括回收网点构建子模块，所述回收网点构建子模块用于基于电子固废产生量预测值构建回收网点选址模型，包括：

对所述电子固废产生量预测值进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

在本发明的一个实施例中，所述位置分布规划模块包括分拣中心构建子模块，所述分拣中心构建子模块用于根据所述回收网点位置分布构建分拣中心选址模型，包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

本发明的上述技术方案相比现有技术具有以下优点：

本发明针对电子固废回收全流程进行了智能解析，充分挖掘历史数据中的价值，并针对性的建立模型，利用智能算法对模型进行求解，提高电子固废回收全流程中各参与主体的信息交互程度，降低了回收成本，实现了电子固废回收的信息化及智能化，能够提升电子固废回收网络构建的效率及科学性，节约线下回收人员的回收时间，降低了车辆运输过程中的运费，降低分拣中心与拆解企业间的供货调货成本，从而提高回收量与满意度。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1为本发明实施例一种电子固废回收全流程智能解析方法的流程示意图。

图2为本发明实施例一种电子固废回收全流程智能解析系统的硬件结构示意图。

图3为本发明实施例

附图标记说明如下：10、数据获取模块；20、位置分布规划模块；30、智能调度模块；40、可视化模块。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

请参阅图1所示，本实施例提供一种电子固废回收全流程智能解析方法，包括：

S1：获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

S2：基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

S3：基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

S4：对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S1中，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值的方法包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下式(1)，具体的，依据电子固废产生量、人口密度以及家庭可支配收入的历史数据构建多元灰色模型，该多元灰色模型的输入为人口密度以及家庭可支配收入序列X_i ⁽⁰⁾＝{X_i ⁽⁰⁾(1)，X_i ⁽⁰⁾(2)，…，X_i ⁽⁰⁾(r)}，i＝1，2的一次累加结果，表示为X_i ⁽¹⁾＝{X_i ⁽¹⁾(1)，X_i ⁽¹⁾(2)，…，X_i ⁽¹⁾(r)}，i＝1，2，其计算公式如下式(2)；多元灰色模型的输出预测序列为Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1)，Y_G ⁽⁰⁾(τ+2)，…，Y_G ⁽⁰⁾(τ+r)}的一次累加结果，表示为Y_G ⁽¹⁾＝{Y_G ⁽¹⁾(τ+1)，Y_G ⁽¹⁾(τ+2)，…，Y_G ⁽¹⁾(τ+r)}，其计算公式如下式(2)所示；其中，电子固废的产生量的历史数据为Y⁽⁰⁾＝{Y⁽⁰⁾(τ+1)，Y⁽⁰⁾(τ+2)，…，Y⁽⁰⁾(τ+r)}；

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1，2，...r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数，a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为式(3)：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下式(4)：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)- (4)

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1)，σ⁽⁰⁾(τ+2)，…，σ⁽⁰⁾(τ+r)}如下式(5)：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_G ⁽⁰⁾ (5)

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1)，Y_G ⁽⁰⁾(τ+2)，…，Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1)，σ⁽⁰⁾(τ+2)，…，σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果Y_H ⁽⁰⁾如下式(6)：

其中，Y_H ⁽⁰⁾表示最终的电子固废产生量智能预测结果，

在上述步骤S15中，所述智能学习方法可以为：神经网络、支持向量机、专家系统、模糊系统、深度学习、强化学习。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S2中，基于电子固废产生量预测值构建回收网点选址模型的方法包括：

获取待构建城市各区的电子固废产生量预测值以及经济指标数据，并对其进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点，具体的，可以取固废产生集中地区的几何中心作为固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

在上述步骤S2中，在构建回收网点选址模型后，利用智能算法对回收网点选址模型进行求解，得到回收网点位置分布，并根据各回收网点所覆盖的固废产生量预测值，按照一定的系数求得回收网点所配置的人员数量及车辆等信息。

在上述步骤S2中，电子固废产生量预测值由步骤S1预测所得，经济指标数据包括：建筑成本、运营成本、运输费用及货损费用。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S2中，根据所述回收网点位置分布构建分拣中心选址模型的方法包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

在上述步骤S2中，在构建分拣中心选址模型后，利用智能算法对分拣中心选址模型进行求解，得到分拣中心位置分布，并根据分拣中心所覆盖回收网点回收量，按照一定的系数求得回收网点所配置的人员数量及车辆等信息。

在上述步骤S2中，基于上下两层的相互联系和制约是上层主要考虑：经济指标及固废产生量预测结果等，下层主要考虑拆解企业的满意度与经济指标等。其中上层经济指标包括建筑成本、运营成本、运输费用及货损费用，下层经济指标包括交易价格、运输费用及货损费用。

在上述步骤S2中，上层主要考虑了决策层的成本控制问题，即从居民回收到分拣中心的上层，主要考虑的成本包括建筑成本、运营成本以及可变投资成本，其中可变投资成本主要包含运输费用，货物损害费用等。因此可得到上层模型的表达式如下：

其约束条件为：

V_i≤MaxV_i (12)

y_i＝{0，1} (13)

其中，约束式(10)表示所有分拣中心的投资成本之和有上限，约束式(11)表示至少有一个备选分拣中心被选中，约束式(12)表示分拣中心的库存必须小于最大库存；约束式(13)保证该上层模型的解为0-1型。

在上述步骤S2中，下层主要考虑本发明的后端即拆解企业是第三方企业，无法对其进行控制。因此我们主要考虑对拆解企业做到在保证自身成本最低的目标函数下，对供货的拆解企业服务满意度最高。因此需要考虑的主要有价格、距离以及货物损害情况等。因此下层模型的表达式如下：

其约束条件如下：

x_ij≤y_j (17)

x_ij＝{0，1} (18)

d_ij≤D (19)

j∈1，2，...，m (21)

其中，约束式(16)保证下层模型得到的解为0-1型数值，约束式(17)表示分拣中心与拆解企业合作建立在该地区建有分拣中心，约束式(18)表示分拣中心与拆解企业合作的模式，1代表合作，否则为0，约束式(19)表示分拣中心到拆解企业的距离不能超过最大距离。

在上述步骤S2中，对于模型的求解，尤其是针对于小规模的模型而言，变量个数较少，上层模型可以通过枚举法如分支定界法列出所有决策方案，并作为下层决策变量的解输入到下层模型，然后运用MATLAB函数工具箱求解，再将计算出的(Q，B)返回到上层目标函数，计算出对应决策方案的成本，筛选出成本最低的选址方案。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S3中，基于所述回收网点位置分布构建回收人员调度模型的方法包括：

将所述回收网点位置分布作为输入，回收人员调度方案作为输出构建回收人员调度模型。

在上述步骤S3中，回收人员调度模型的构建还与订单信息相关，例如具体如下：

获取线上订单信息及线下回收人员状态信息；在新增线上订单时,利用线上订单信息计算运输时间、拆卸时间及搬运时间等，合计为该订单预估所需回收时间，同时利用线下回收人员状态信息筛选出能够服务的回收人员；在筛选后的回收人员中，按照当前单数少、距离客户近及熟练程度高等指标综合排序；利用排序信息为排序第一的回收人员增加回收任务，更新回收人员服务时间列表；在用户删除订单或回收人员上门取件失败时，将相关回收人员该时间段时间列表置零，并更新回收人员服务时间列表；构建以回收人员服务时间列表为输入，以回收人员调度方案为输出的回收人员调度模型。

在上述步骤S3中，所述线上订单信息包括货品种类、有无电梯、货物体积、货品重量、回收地点、是否分批、特殊要求等；线下回收人员状态信息包括回收人员服务时间列表、回收人员当前位置、天气变化、交通状况、路况优劣、车辆性能等。

在上述步骤S3中，在一个优选的方案中，假设回收网点有K辆运输车辆，K＝{1,2,...,m}为车辆集，假设所有车辆均为一种类型，最大载重量为q；该回收网点向n个客户回收废弃电器电子产品，V＝{0,1,2,...n}表示客户集，A＝{d_ij|i,j∈V,i≠j}表示两客户间的直线距离；第i个客户货品存量为g_i，且g_i≤q，从而保证一个客户仅由一辆车配送。车辆路径优化问题的目标是合理安排运输车辆并确定每辆车的运输路线，从而保证运输路程最短。另外，给出以下约束条件：

每个客户仅由一辆车进行配送：

其中，y_ik表示第k辆车负责第i个客户的运输，i表示第i个客户，i∈V；k表示第k辆车，k∈K。

车辆k从客户i行驶至客户j：

其中，x_ijk表示车辆k从客户i行驶至客户j。

每条线路总运输货物重量不超过车辆的最大载重量：

其中，g_i表示第i个客户货品存量，

表示每条线路的总配送量。

上述车辆路径优化问题的目标函数为：

其中，d_ij表示客户i到客户j的距离。

基于上述内容的描述，本实施例将算法流程描述如下：

步骤1：在各城市地理位置已知的前提下，计算回收网点到客户以及不同客户之间的最短距离。车辆路径优化问题的解为一组遍历所有客户的路径。设两客户的坐标为(x_i,y_i)、(x_j,y_j)，其中，x_i表示客户i位置的横坐标，y_i表示纵坐标，计算其距离c_ij：

步骤2：计算节约里程，具体包括以下步骤：

步骤2.1:计算节约里程数P_ij:

p_ij＝c_i，0+c_0，j-c_ij (27)

其中，P_ij表示客户i与客户j的节约里程数，c_ij表示客户i到客户j的距离，c_i，0表示客户i到回收网点之间的直线距离，c_0，j表示客户j到回收网点之间的直线距离。

步骤2.2:对节约里程数降序排序并存储在集合S中，S＝{P_ij|P_ij＞0}，若S为空集则计算结束，否则，对S中的P_ij所涉及的客户点s_i、s_j进行判断，判断其是否满足以下条件：

1)s_i、s_j均不在已构成的路径上；

2)s_i和s_j一个为路径起点，一个为路径终点；

3)s_i不在路径上，s_j为路径起点；

4)s_i不在路径上，s_j为路径终点；

若满足上述条件之一，则进行步骤3，否则，从S中删掉当前P_ij。

步骤3：连接s_i和s_j为一条路径，判断包含s_i和s_j的路径上所有客户货物总量是否满足车辆最大载重量的要求，若满足，则将其记作v_l(l＝1,2,…,n),并加入路径集合中，判断下一组P_ij中涉及到的客户点s_i、s_j是否能进行连接为一条路径。

步骤4：重复步骤2、3中的内容，直至S为空集结束。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S3中，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型包括：

获取回收网点位置分布、分拣中心位置分布、当前各回收网点库存容量及分拣中心车辆信息，并进行归一化处理；

将归一化处理后的回收网点位置分布和所述分拣中心位置分布作为输入，回收车辆调度方案作为输出构建回收车辆调度模型。

在上述步骤S3中，所述分拣中心车辆信息包括：耗油量、承载能力、最高时速、车辆类型及最大行驶距离等。

在上述步骤S3中，在一个优选的方案中，假设有n个回收网点，m辆配送车辆，每个回收网点需求量为g_i(i＝1,2,…,n)，配送车辆类型完全一致，每辆车的最大载重量为q，最大装载量为V，网点i到网点j的距离为d_ij，0表示配送中心，配送中心到回收网点的距离为d_0j(j＝1,2,…,n)，

表示配送线路k所包含的回收网点数，

表示配送线路k的行驶里程。因为每辆车负责一条线路上所有回收网点的配送任务，所以要求每条线路回收网点的需求总量不超过每辆车的最大装载量。因此，模型建立如下：

模型需满足的约束条件包括：

条件1：每条线路的货物量(重量、体积)不能超过每辆车的最大载重，即：

其中，g_i表示第i个客户货品存量，v_i表示第i个客户货品体积，

表示每条线路配送货物总重量，

表示每条线路配送货物总体积。

条件2：如果车辆k从网点i行驶至网点j则为1，否则为0：

其中，x_ijk表示车辆k从客户i行驶至客户j。

条件3：如果网点i的配送任务由车辆k完成则为1，否则为0：

其中，y_ik表示第k辆车负责第i个客户的运输，i表示第i个客户，i∈V；k表示第k辆车，k∈K。

目标函数为：

目标1：所有配送线路的总送货里程数最小，即：

目标2：一次派出的配送车辆数最少：

因此，废旧电器电子产品车辆路径优化问题可描述为如下形式：

基于上述阐述的内容，使用GA-MOEAD算法求解式(33)的流程描述如下：

步骤1：随机产生种群(x₁，x₂，...，x_n)，并判断当前种群中的个体是否满足最大载重量和最少车辆的要求；

步骤2：计算目标函数值f₁(x_i)和f₂(x_i)并产生权值向量；

步骤3：计算任意两个权值向量之间的欧式距离，找出T个最近的权值向量。令B(i)＝{i₁，i₂，...，i_T}，其中i＝1，2，…，n，

是

最近的T个权值向量；

步骤4：从B(i)中随机选择两个解，执行交叉操作产生子代y，再对y执行变异操作产生y′；

步骤5：判断y′是否满足限重要求，如果不满足，删除y′并返回步骤4；

步骤6：储存子代并更新外部种群(简称EP)；

步骤7：判断是否达到终止条件，未达到则返回步骤5。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S3中，基于所述分拣中心位置分布构建长期供货模型的方法包括：

获取拆解企业及分拣中心的评价数据以及所有拆解企业和分拣中心的地理信息及体量数据，并进行归一化处理；利用模糊方法处理上述评价数据，获得双方的满意度矩阵；利用双方的满意度矩阵，构建以双方满意度最大为目标，结合适当约束的长期供货模型。

在上述步骤S3中，所述评价数据为货物种类、拆解范围、收货价格、分拣中心交易信誉、品牌范围、是否自备车辆、供货价格、发货速度及拆解企业交易信誉等。

在上述步骤S3中，在废旧电子产品回收中，分拣中心只能与一个拆解中心进行匹配，而拆解中心理论上没有分拣中心的数量限制，即为一对多的双边匹配。设所有的分拣中心集合为U＝{U₁，U₂，…U_m}，拆解中心的集合为V＝{V₁，V₂，…V_n}，其中m和n分别表示分拣中心U和拆解中心V的个数，并且m≥2，n≥2。U_i表示分拣中心集合U的第i个个体(i＝1，2，…，m)，V_j表示拆解中心集合V的第j个个体(j＝1，2，…，n)。同时双方的评价体系包括：分拣中心对拆解中心的评价体系

其中E_b表示第b个评价指标(b＝0，1，…，g)，包括语言评价指标

0-1评价指标

以及区间型评价指标等；同样拆解中心对分拣中心的指标体系为：

其中A_p表示第p个评价指标(p＝0，1，…，h)，同样包括语言评价指标

0-1评价指标

以及区间型评价指标等。为方便表达，记M＝{1，2，…，m}，N＝{1，2，…，n}，G＝{1，2，…，g}，H＝{1，2，…，h}。

下面给出长期供货的定义：

定义：长期供货中有映射ξ：U∪V→U∪V，且

都满足以下条件：

1)ξ(U_i)∈V；

2)ξ(V_j)∈U∪V_j；

3)ξ(U_i)＝V_j当且仅当ξ(V_j)＝U_i；

4)若存在ξ(V_j)＝V_i，则V_j未完成匹配。

在长期供货中，ξ(U_i)≠V_j表示U_i和V_j未达成匹配，(U_i，V_j)表示U_i和V_j达成匹配，也称作ξ匹配对；若(U_i，V_j)为ξ匹配对，则(V_j，U_i)也为ξ匹配对。ξ(V_j)＝V_i表示V_j未达成匹配，记ξ匹配。因此，ξ匹配可表示为ξ＝ξ_c∪ξ_u，其中ξ_c＝{(U_i，U_C(i))|i＝1，2，..，m}，ξ_U＝{(V_j，V_j)|{j＝1，2，...，n}\{C(1)，C(2)，...，C(m)}}，C(i)∈N，V_C(i)＝ξ(U_i)并且

都有C(i)≠C(k)。

根据上述分析，长期供货决策过程中，主要是考虑分拣中心和拆解中心的评价指标体系给出相对应的综合满意度值，最终根据满意度值进行匹配。

由以上分析，已知分拣中心U对拆解中心V需要考虑的评价体系为

同样地，拆解中心V对分拣中心U的指标体系为

根据实际情况，评价体系主要涉及四种类型指标，其中

为S₁类0-1指标，

为S₂类语言型指标，同理有S₃区间型指标和S₄一般数值型指标。

针对S₁类0-1型指标如手机能否开机、有无维修记录等，需要拆解中心V_j对分拣中心的第p个指标设置期望值

为分拣中心产品的实际值。若

则该评价指标值

为1，反之则为0。拆解中心根据实际情况得到分拣中心对拆解中心的0-1评价矩阵

以及拆解中心对分拣中心的评价矩阵

关于S₁类满意度计算公式：

由式(34)可得到分拣中心对拆解中心的满意度矩阵

和拆解中心对分拣中心的满意度矩阵

S₂类语言评价指标如分拣中心信誉度、产品描述符合度等，S₂语言评价信息一般由奇数个元素构成的有序集s＝{s₁，s₂，…，s_t}，分拣中心根据实际情况对产品进行描述得到评价指标s_q，将其转化为三角模糊函数f＝(f₁，f₂，f₃)，可得到S₂类语言评价矩阵

和

相应的转化公式：

最后根据分拣中心和拆解中心的偏好设定

和

得到相对应的三角模糊值

得到对应的满意度矩阵

和

则关于S₂类语言评价满意度值计算公式：

同样，S₃类区间型评价指标如产品价格，首先基于分拣中心对于产品的属性参数根据定价系统获得一定的参考定价

同时分拣中心基于给出自己的期望价格x_l＝「x₁，x₂]，x₁≤x₂且x₁，x₂∈R，得到分拣中心对拆解中心的区间满意度值矩阵

和拆解中心对分拣中心的区间满意度矩阵

则关于S₃类区间型评价满意度值计算公式：

根据公式(35)-(37)可以分别得出分拣中心对拆解中心以及拆解中心对分拣中心的满意度值矩阵

和

当匹配双方主体有硬性考量指标时，已有匹配算法并未实现对其精确筛选；同样，匹配双方对于期望指标更满意的主体未实现优先匹配。因此，本发明加入硬约束和软约束。硬约束是指一方指标属性值必须达到另一方的要求，即当主体U_i对于主体V中的指标A_p有硬性要求，若主体V_j未达到U_i的硬约束，则在满意度计算时赋极大负值-K_i，使其与无法与主体U_i实现匹配；软约束是指一方所提供指标属性值尽量能达到另一方的期望，即主体U_i对主体V中的指标A_p满意度值期望越高越好。计算公式如下：

其中式(38)中，

表示主体U_i对主体V中的指标A_p有硬约束，并赋负值K_i，且K_i足够大。式(39)中，

表示主体U_i对主体V中的指标A_p有软约束，K_i表示A_p指标下的赋值，

表示该指标根据式35-37算得的值。

由于每一个分拣中心对产品回收的需求大相径庭，给予统一的权重的分配显然不合理，因此本文针对废旧电子回收过程设计随机偏好序权重分配。而拆解中心对分拣中心的指标偏好相对固定，一般按照主观经验设定给出

具体如图3所示，其中指标序依次从左至右，重要程度依次降低，E_a,E_b,E_c为指标体系E中的指标，给定指标序列1～g分别给定权重分配

并使得

指标序值表根据分拣中心偏好设定，并自动更新相对应的满意度矩阵

和

根据式(35)-(37)对指标的处理方法，公式(34)-(39)计算得到的值为评价指标与期望之间的差距。根据图3权重的分配可得到差异矩阵

以及

其计算公式为：

其中，

来自图3的指标序值表，

由决策者通过经验主观给定，最后得到的差异矩阵表示分拣中心或网店的期望与实际值之间的差距，因此可以利用转化公式得到分拣中心对拆解中心的满意度值矩阵

以及拆解中心对分拣中心的满意度值矩阵

在废旧电子产品回收流程中，分拣中心和拆解中心主要关注的指标信息和属性按照其特定的序值偏好进行计算，并按照本发明提出的满意度值计算方式进行改进，最终得到关于分拣中心和拆解中心的满意度值矩阵。因此为确定分拣中心和拆解中心之间的多目标优化模型，可根据式(42)和(43)得到的满意度值矩阵可分别建立基于满意度值的多目标优化模型：

x_ij＝0或1，j＝1，2，…，m；j＝1，2，…，n (47)

其中，式(44)和(45)分别表示使分拣中心和拆解中心达到最大满意度值的目标函数；同时x_ij的值即表示了分拣中心和拆解中心的匹配结果。约束条件46表示分拣中心最多仅能匹配一个拆解中心，式(47)限定x_ij即匹配结果只能为0或1，当x_ij＝1时表示分拣中心i与拆解中心j达成匹配，反之即x_ij＝0表示未达成匹配。

通过建立式(44)-(47)的多目标优化模型实现了对分拣中心和拆解中心满意度最大化的目标，求解得到的结果即为分拣中心和拆解中心整体满意度值最大。而针对此多目标模型，本文使用较为广泛的线性加权的求解方式。首先通过主观经验给予不同的加权和的权重参数ω₁，ω₂，进而可实现总满意度值Z＝ω₁Z₁+ω₂Z₂最大：

x_ij＝0或1，j＝1，2，…，m；j＝1，2，…，n (50)

其中，

ω₁，ω₂的值也显示了本次匹配中对于分拣中心和拆解中心和重视程度，理论情况下通常取ω₁＝ω₂＝0.5。但具体取值以实际情况而论。

在本发明公开的一种电子固废回收全流程智能解析方法中，在步骤S3中，基于所述分拣中心位置分布构建短期调货模型的方法包括：

获取当前各分拣中心库存容量，拆解企业所需货物种类及数量及历史交易数据、长期供货子模块中的满意度矩阵、所有拆解企业和分拣中心的地理信息及体量数据，并进行归一化处理；利用拆解企业及分拣中心历史交易数据，获取各分拣中心与拆解企业的合作次数；利用拆解企业和分拣中心的地理信息及货物数量计算出运费；构建以运费最小化、调货误差最小化、满意度最大化为目标，结合相应约束的短期调货模型。

在上述步骤S3中，首先需要分析供货方案的期望，在拆解企业的短期供货问题中，供需双方的主要成本来自运输废旧电器电子产品产生的运费，同时短期供货方案应尽可能的接近拆解企业的需求值，此外如长期供货中所述拆解企业和分拣中心间的满意度也会影响短期供货方案的可行性，在实际执行情况中拆解企业也倾向于同已有合作历史的分拣中心再次合作。综上所述，本发明设置四个目标，分别为：运费最小化，误差最小化，双方满意度最大化及合作历史最大化。

为了使生成的供货方案具有可行性，还需要考虑实际供货时的约束条件，在确定了短期供货模型的目标与约束后，本发明对其进行了数学化表达，具体的表达式如下所示：

运费最小化目标函数综合考虑了在分拣中心与拆解企业进行交易的过程中的运输距离和运输货物重量，该目标函数的目的是：在总运输货物重量一定的前提下，为靠近的拆解企业分配较多的货物，为较远的拆解企业分配较少的货物以降低运费。该目标值越大说明运费得到了更好的节约，反之则运费较为高昂。其中运费最小化的目标函数为：

其中，caf_i为方案中分拣中心i计算得到的运费，N为供货分拣中心的数量。

误差最小化的目标函数考虑了拆解企业需求与实际调集到的分拣中心供货总和之间的差距。为了使最后的短期方案所调配的废旧电器电子产品尽可能的接近拆解企业的需求值，这里用拆解企业期望值减去方案实际的调货数量的绝对值作为误差。该目标值越小，说明分拣中心供货量与拆解企业需求量越接近。其中误差最小化的目标函数为：

其中，d为拆解企业的需求总量，m_i为第i个分拣中心供出的废旧电器电子产品质量。

满意度最大化的目标函数考虑了长期供货方案中设计的满意度指标，这一指标在短期供货中是影响最终调货方案的一大因素，为了使得最终的短期供货方案能够更具备可行性，本发明综合考虑分拣中心与拆解企业互相的满意度，设计了满意度最大化目标函数。其中满意度最大化的目标函数为：

其中，a_i为拆解企业对分拣中心的满意度；b_i为分拣中心对拆解企业的满意度。

最大化合作历史考虑了分拣中心与拆解企业之间的合作历史，通过爱博绿分拣仓储云系统中的订单模块，可以统计出各分拣中心与拆解企业的合作历史，为了拆解企业尽可能与有过合作历史的分拣中心再次合作，从而进一步提高短期供货方案的可行性，设计了合作历史最大化目标函数。其中合作历史最大化的目标函数为：

其中，h_i为分拣中心i与该拆解企业的合作次数。

废旧电器电子产品类约束指的是短期供货方案中分拣中心发出的货物需为拆解企业指定的货物。其中废旧电器电子产品品类约束的约束函数为：

配货数量非负约束是考虑到智能算法的解具有不确定性，很有可能会出现分拣中心发货数为负数的情况，因此需要约束；

所述配货数量非负约束的约束函数为：

g₂＝m_i≥0 (56)。

分拣中心库存约束的约束函数是考虑到分拣中心发货总量不能超过分拣中心的现有库存；为了使智能算法的解具有实际应用价值，需限制总供货量低于分拣中心现有库存总量，所述分拣中心库存约束的约束函数为：

g₃＝m_i≤s_i (57)

其中，s_i为拆解中心i的库存容量。

本发明针对电子固废回收全流程进行智能解析，充分挖掘历史数据中的价值，并针对性的建立模型，利用智能算法对模型进行求解，提高电子固废回收全流程中各参与主体的信息交互程度，降低了回收成本，实现了电子固废回收的信息化及智能化，能够提升电子固废回收网络构建的效率及科学性，节约线下回收人员的回收时间，降低了车辆运输过程中的运费，降低分拣中心与拆解企业间的供货调货成本，从而提高回收量与满意度。

实施例二

下面对本发明实施例二公开的一种电子固废回收全流程智能解析系统进行介绍，下文描述的一种电子固废回收全流程智能解析系统与上文描述的一种电子固废回收全流程智能解析方法可相互对应参照。

请参阅图2所示，本发明还提供一种电子固废回收全流程智能解析系统，包括：

数据获取模块10，所述数据获取模块10用于获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

位置分布规划模块20，所述位置分布规划模块20用于基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

智能调度模块30，所述智能调度模块30用于基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

可视化模块40，所述可视化模块40用于对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

在本发明公开的一种电子固废回收全流程智能解析系统中，所述数据获取模块包括电子固废预测子模块，所述电子固废预测子模块用于利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值，包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下：

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1,2,...r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数,a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)-Y_G ⁽¹⁾(τ+t-1)；

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差如下：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_c ⁽⁰⁾

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1),Y_G ⁽⁰⁾(τ+2),…,Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1),σ⁽⁰⁾(τ+2),…,σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果如下：

其中，Y_H ⁽⁰⁾表示最终的电子固废产生量智能预测结果，

在本发明公开的一种电子固废回收全流程智能解析系统中，所述位置分布规划模块包括回收网点构建子模块，所述回收网点构建子模块用于基于电子固废产生量预测值构建回收网点选址模型，包括：

对所述电子固废产生量预测值进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

在本发明公开的一种电子固废回收全流程智能解析系统中，所述位置分布规划模块包括分拣中心构建子模块，所述分拣中心构建子模块用于根据所述回收网点位置分布构建分拣中心选址模型，包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

本实施例的电子固废回收全流程智能解析系统用于实现前述的电子固废回收全流程智能解析方法，因此该系统的具体实施方式可见前文中的电子固废回收全流程智能解析方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的电子固废回收全流程智能解析系统用于实现前述的电子固废回收全流程智能解析方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种电子固废回收全流程智能解析方法，其特征在于，包括：

S1：获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

S2：基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

S3：基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

S4：对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

2.根据权利要求1所述的电子固废回收全流程智能解析方法，其特征在于：利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值的方法包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下：

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1,2,…r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数,a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)-Y_G ⁽¹⁾(τ+t-1)；

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差如下：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_G ⁽⁰⁾

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1),Y_G ⁽⁰⁾(τ+2),…,Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1),σ⁽⁰⁾(τ+2),…,σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果如下：

其中，

表示最终的电子固废产生量智能预测结果，

3.根据权利要求1所述的电子固废回收全流程智能解析方法，其特征在于：基于电子固废产生量预测值构建回收网点选址模型的方法包括：

对所述电子固废产生量预测值进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

4.根据权利要求1所述的电子固废回收全流程智能解析方法，其特征在于：根据所述回收网点位置分布构建分拣中心选址模型的方法包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

5.根据权利要求1所述的电子固废回收全流程智能解析方法，其特征在于：基于所述回收网点位置分布构建回收人员调度模型的方法包括：

将所述回收网点位置分布作为输入，回收人员调度方案作为输出构建回收人员调度模型。

6.根据权利要求1所述的电子固废回收全流程智能解析方法，其特征在于：基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型包括：

对所述回收网点位置分布和所述分拣中心位置分布进行归一化处理；

将归一化处理后的回收网点位置分布和所述分拣中心位置分布作为输入，回收车辆调度方案作为输出构建回收车辆调度模型。

7.一种电子固废回收全流程智能解析系统，其特征在于，包括：

数据获取模块，所述数据获取模块用于获取待预测地区的电子固废产生量以及影响固废产生量的历史数据，对所述历史数据进行归一化处理，利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值；

位置分布规划模块，所述位置分布规划模块用于基于电子固废产生量预测值构建回收网点选址模型，利用智能算法对回收网点选址模型进行求解，获得回收网点位置分布，并根据所述回收网点位置分布构建分拣中心选址模型，利用智能算法对分拣中心选址模型进行求解，获得分拣中心位置分布；

智能调度模块，所述智能调度模块用于基于所述回收网点位置分布构建回收人员调度模型，基于所述回收网点位置分布和所述分拣中心位置分布构建回收车辆调度模型，基于所述分拣中心位置分布构建长期供货模型及短期调货模型，利用智能算法分别对回收人员调度模型、回收车辆调度模型、长期供货模型及短期调货模型进行求解，获得回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案；

可视化模块，所述可视化模块用于对所述回收人员调度方案、回收车辆调度方案、长期供货方案及短期调货方案进行可视化处理。

8.根据权利要求7所述的电子固废回收全流程智能解析系统，其特征在于：所述数据获取模块包括电子固废预测子模块，所述电子固废预测子模块用于利用归一化处理后的历史数据构建多元灰色模型，利用智能学习算法对多元灰色模型的预测值进行误差补偿，获得待预测地区的电子固废产生量预测值，包括：

S11：利用归一化处理后的历史数据构建多元灰色模型如下：

其中，τ表示延迟时间，r表示历史时序数，t表示时序数；t＝1,2,…r表示时序数，

为X_i ⁽⁰⁾的一次累加结果，

为Y_G ⁽⁰⁾的一次累加结果，Y_G ⁽⁰⁾为多元灰色模型的输出预测序列；a和u均为模型参数,a表示控制系数，u表示灰色作用量；

S12：求解多元灰色模型的响应函数，所述响应函数的计算公式为：

其中，rf表示待预测的时序数，

S13：对所述响应函数中的卷积积分进行离散化处理，得到运算结果之后进行一阶累减，得到多元灰色模型的输出预测序列如下：

Y_G ⁽⁰⁾(τ+t)＝Y_G ⁽¹⁾(τ+t)-Y_G ⁽¹⁾(τ+t-1)；

S14：计算多元灰色模型的输出预测序列与实际的电子固废产生量之间的预测误差如下：

σ⁽⁰⁾＝Y⁽⁰⁾-Y_G ⁽⁰⁾

其中，Y_G ⁽⁰⁾＝{Y_G ⁽⁰⁾(τ+1),Y_G ⁽⁰⁾(τ+2),…,Y_G ⁽⁰⁾(τ+r)}，

σ⁽⁰⁾＝{σ⁽⁰⁾(τ+1),σ⁽⁰⁾(τ+2),…,σ⁽⁰⁾(τ+r)}；

S15：利用智能学习方法对多元灰色模型的预测误差进行智能补偿，得到误差补偿序列；

S16：将误差补偿序列与多元灰色模型的输出预测序列相加，得到最终的电子固废产生量预测结果如下：

其中，Y_H ⁽⁰⁾表示最终的电子固废产生量智能预测结果，

9.根据权利要求7所述的电子固废回收全流程智能解析系统，其特征在于：所述位置分布规划模块包括回收网点构建子模块，所述回收网点构建子模块用于基于电子固废产生量预测值构建回收网点选址模型，包括：

对所述电子固废产生量预测值进行归一化处理；

基于归一化处理后的电子固废产生量预测值确定固废产生集中点；

以最小化经济成本和最大化固废产生集中点覆盖率为目标构建回收网点选址模型。

10.根据权利要求7所述的电子固废回收全流程智能解析系统，其特征在于：所述位置分布规划模块包括分拣中心构建子模块，所述分拣中心构建子模块用于根据所述回收网点位置分布构建分拣中心选址模型，包括：

将回收网点和分拣中心作为上层，拆解企业作为下层，基于上下两层的相互联系和制约构建分拣中心选址模型。

Images