基于極限學(xué)習(xí)機(jī)的TOPSIS無(wú)車(chē)承運(yùn)人平臺(tái)評(píng)價(jià)系統(tǒng)

摘要：無(wú)車(chē)承運(yùn)人平臺(tái)作為一種新型運(yùn)作模式，將運(yùn)輸市場(chǎng)經(jīng)營(yíng)主體、運(yùn)力資源、 信息資源等進(jìn)行全面整合，利用互聯(lián)網(wǎng)開(kāi)放運(yùn)營(yíng)平臺(tái)，實(shí)現(xiàn)優(yōu)質(zhì)高效、各方利益共 贏，對(duì)于整合物流行業(yè)市場(chǎng)資源、規(guī)范各項(xiàng)業(yè)務(wù)標(biāo)準(zhǔn)和實(shí)現(xiàn)信息流智能化追溯，促 進(jìn)物流行業(yè)整體的轉(zhuǎn)型升級(jí)具有重要意義。本文針對(duì)無(wú)車(chē)承運(yùn)人平臺(tái)現(xiàn)有運(yùn)營(yíng)模式，結(jié)合實(shí)際解決了一些相關(guān)問(wèn)題：通過(guò)定量分析的方法，研究了影響無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素有哪些;通過(guò)建立數(shù)學(xué)模型，對(duì)已經(jīng)成交貨運(yùn)線路歷史交易數(shù)據(jù)中的定價(jià)進(jìn)行評(píng)價(jià);建立了關(guān)于線路定價(jià)的數(shù)學(xué)模型，給出了調(diào)價(jià)策略。

關(guān)鍵詞：因子分析;極限學(xué)習(xí)機(jī);TOPSIS 評(píng)價(jià);AHP

1探究無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素分析

首先，對(duì)于搜集的數(shù)據(jù)，利用拉依達(dá)準(zhǔn)則算法對(duì)其進(jìn)行分析和預(yù)處理，包括對(duì)數(shù)據(jù)中的壞值和缺失數(shù)據(jù)進(jìn)行處理，保證計(jì)算的準(zhǔn)確性。接著基于已處理的數(shù)據(jù)，使用因子分析算法，選取價(jià)格為被解釋變量而相關(guān)影響因子為解釋變量，解釋變量包括：里程數(shù)量、業(yè)務(wù)類型、調(diào)價(jià)比例、線路編碼、續(xù)簽狀態(tài)、運(yùn)輸時(shí)間長(zhǎng)短、需求狀態(tài)等，得出無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的影響因子。 最后，綜合各類情況，得出最終無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的影響因素。

使用因子分析算法，基于因子旋轉(zhuǎn)結(jié)果，將 4 個(gè)因子組件分別命名為線路因子、里程因子、需求因子、時(shí)長(zhǎng)因子。其中，線路因子主要由線路編碼、始發(fā)網(wǎng)點(diǎn)、目的網(wǎng)點(diǎn) 3 個(gè)變 量構(gòu)成，通過(guò)分析變量間的關(guān)系，可以將線路編碼（類型）直接映射作為線路因 子;里程因子主要由總里程變量構(gòu)成;需求因子主要由需求類型和需求緊急程度 2 個(gè)變量構(gòu)成，通過(guò)分析變量間的關(guān)系，可以將需求緊急程度直接映射作為需求因子;時(shí)長(zhǎng)因子主要由交易成功時(shí)長(zhǎng)變量構(gòu)成。 綜上所述，影響無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素為線路類型、 總里程、需求緊急程度和交易成功時(shí)長(zhǎng)。

2.對(duì)已經(jīng)成交貨運(yùn)線路歷史交易數(shù)據(jù)中的定價(jià)進(jìn)行評(píng)價(jià)

由于上述所求出的影響無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素為線路類型、總里程、需求緊急程度和交易成功時(shí)長(zhǎng)，我們將其作為層次分析法 AHP 中的方案層從而確定出其相應(yīng)之間的權(quán)重 W，隨后我們將權(quán)重 W 代入 TOPSIS 評(píng)價(jià)方法構(gòu)建評(píng)價(jià)矩陣X，借助使用 TOPSIS 評(píng)價(jià)方法我們可以將不同任務(wù)與正理 想解的貼進(jìn)度作為評(píng)價(jià)的有效手段。

通過(guò)層次分析法我們首先構(gòu)建出比較矩陣，通過(guò)對(duì)于四個(gè)不同影響因子之間的重要程度，我們構(gòu)建出比較矩陣并將其代入 MATLAB 程序中運(yùn)行相應(yīng)的 AHP 程序，得到四個(gè)不同影響因素的權(quán)重分別為 0.6599，0.1948，0.0965 以及 0.0487，我們同時(shí)將其當(dāng)作 TOPSIS 評(píng)價(jià)方法中的指標(biāo)權(quán)重 W。 同時(shí)，我們考慮 TOPSIS 評(píng)價(jià)方法中的指示值 L，因?yàn)榘ň€路類型、總里程、需求緊急程度和交易成功時(shí)長(zhǎng)等四個(gè)因素都為越大越優(yōu)型指標(biāo)，所以我們將其指示值都設(shè)置為 1。構(gòu)建 TOPSIS 評(píng)價(jià)系統(tǒng)，我們通過(guò)不同任務(wù)中與正期望不同的貼近值來(lái)評(píng)價(jià)其定價(jià)的好壞。將貼近值經(jīng)過(guò)從大到小排列，我們可以看出 TOPSIS 系統(tǒng)對(duì)于歷史交易數(shù)據(jù)中定價(jià)的評(píng)價(jià)，貼近值越大，代表了其評(píng)價(jià)越高

3. 通過(guò)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)建立關(guān)于線路定價(jià)的數(shù)學(xué)模型

我們通過(guò)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)建立關(guān)于線路定價(jià)的數(shù)學(xué)模型，將線路類型、 總里程、需求緊急程度作為數(shù)據(jù)的三個(gè)輸入而相應(yīng)的三次不同的價(jià)格以及成本價(jià) 將作為輸出，并將獲得的數(shù)據(jù)中的 10000 個(gè)任務(wù)作為訓(xùn)練集，6016 個(gè)任務(wù)作為測(cè)試集將神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后，將其對(duì)于數(shù)據(jù)中的 1489 個(gè)任務(wù)進(jìn)行預(yù)測(cè)，從而得出相應(yīng)的三次定價(jià)以及成本價(jià)。

首先我們將線路指導(dǎo)價(jià)（不含稅）確定為一次報(bào)價(jià)，將線路價(jià)格（不含稅）定位 三次報(bào)價(jià)，同時(shí)我們?nèi)∫淮螆?bào)價(jià)和二次報(bào)價(jià)的求和平均值作為二次報(bào)價(jià)。我們?cè)俅螌?duì)于數(shù)據(jù)通過(guò)極限學(xué)習(xí)機(jī)算法進(jìn)行求解，我們選擇原有的 16016 組數(shù)據(jù)作為訓(xùn)練集，采用剩下的數(shù)據(jù)作為測(cè)試集，計(jì)算后發(fā)現(xiàn)同預(yù)測(cè)結(jié)果對(duì)比，極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的 R 2 達(dá)到了 0.95898，同時(shí)得到相應(yīng)的第一次報(bào)價(jià)的預(yù)測(cè)值。對(duì)于第二次報(bào)價(jià)，我們采用相同的處理方法，將第二次報(bào)價(jià)作為神經(jīng)網(wǎng)絡(luò)的輸出，求得第二次報(bào)價(jià)的 R 2 為 0.96044。對(duì)于第三次報(bào)價(jià)，我們采用相同的處理方法，將第三次報(bào)價(jià)作為神經(jīng)網(wǎng)絡(luò)的輸出，求得第三次報(bào)價(jià)的 R 2 為 0.94097。對(duì)于線路總成本，我們采用相同的處理方法，求得 R 2 為 0.95952。針對(duì)于我們所給出的評(píng)價(jià)策略，其通過(guò)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)施，我們同時(shí)關(guān)注快速促進(jìn)成交以及較低的承運(yùn)成本，所以我們應(yīng)該盡量選擇交易時(shí)間較 短以及路線總成本較低的，同時(shí)我們將嘗試將交易時(shí)間較短，承運(yùn)成本較低的方案進(jìn)行優(yōu)先推薦。

4.總結(jié)

我們?cè)诜治隽双@得的數(shù)據(jù)后，進(jìn)行因子分析得到無(wú)車(chē)承運(yùn)人平臺(tái)線路交易價(jià)格的主要影響因素，再借助 TOPSIS 評(píng)價(jià)方法將不同任務(wù)與正理想解的貼進(jìn)度進(jìn)行 評(píng)價(jià)，然后通過(guò)訓(xùn)練集以及測(cè)試集讓計(jì)算機(jī)自主深度學(xué)習(xí)，鍛煉出一套滿足相應(yīng) 特征的模型，并使用了不止一種分析手段，通過(guò)相互印證，確保其在多個(gè)維度上 滿足所給數(shù)據(jù)的相應(yīng)的現(xiàn)實(shí)要求。終于我們得出了一套關(guān)于無(wú)車(chē)承運(yùn)人平臺(tái)相關(guān) 線路的合理報(bào)價(jià)以及最優(yōu)的報(bào)價(jià)策略。研究過(guò)程如下：

首先，我們通過(guò)獲得的部分的無(wú)車(chē)承運(yùn)人平臺(tái)交易數(shù)據(jù)和數(shù)據(jù)說(shuō)明，進(jìn)行量化處理，得到相關(guān)指標(biāo)的量化處理表。進(jìn)一步地，我們對(duì)數(shù)據(jù)進(jìn)行降噪處理，剔除其中的無(wú)效數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行二次整理，得到有效交易數(shù)據(jù)。根據(jù)處理后的有效數(shù)據(jù)，利用 SPSS 建立模型，對(duì)其進(jìn)行分析。不難發(fā)現(xiàn)，線路價(jià)格的主要影響因素需要建立相關(guān)性檢驗(yàn)?zāi)Ｐ停覀兺ㄟ^(guò) SPSS 采用降維并進(jìn)行因子分析的方法建立相關(guān)矩陣，從而分析得到無(wú)車(chē)承運(yùn)人平臺(tái)線路交易價(jià)格的主要影響因素。

然后由第一問(wèn)所求出的影響無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素為線路類型、總里程、需求緊急程度和交易成功時(shí)長(zhǎng)，我們將其作為層次分析法 AHP 中的方案層從而確定出其相應(yīng)之間的權(quán)重 W，隨后我們將權(quán)重 W 代入 TOPSIS 評(píng)價(jià)方法構(gòu)建評(píng)價(jià)矩陣 X，借助使用 TOPSIS 評(píng)價(jià)方法我們將不同任務(wù) 與正理想解的貼進(jìn)度作為評(píng)價(jià)的有效手段。

最后通過(guò)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)建立關(guān)于線路定價(jià)的數(shù)學(xué)模型，將線路類型、 總里程、需求緊急程度作為數(shù)據(jù)的三個(gè)輸入而相應(yīng)的三次不同的價(jià)格以及成本價(jià) 將作為輸出，我們先將數(shù)據(jù)中的 10000 個(gè)任務(wù)作為訓(xùn)練集，6016 個(gè)任務(wù)作為 25 測(cè)試集將神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后，我們將其對(duì)于1489 個(gè)任務(wù)進(jìn)行預(yù)測(cè)， 從而得出相應(yīng)的三次定價(jià)以及成本價(jià)。

結(jié)果顯示：選擇交易時(shí)間較短以及路線總成本較低的線路進(jìn)行承運(yùn)，承運(yùn)價(jià)格低，交易成功率高;減少交易時(shí)長(zhǎng)有利于降低承運(yùn)價(jià)格，也有利于交易成功; 需求緊急程度為常規(guī)的承運(yùn)訂單承運(yùn)價(jià)格較低，交易成功率高; 所以我們建議無(wú)車(chē)承運(yùn)人平臺(tái)盡量選擇交易時(shí)間較短以及路線總成本較低的線路進(jìn)行承運(yùn)，減少交易時(shí)長(zhǎng)，調(diào)整需求緊急程度。

參考文獻(xiàn)

[1]陳曉兵，吳劍鋒，黃馗， 等.趨勢(shì)導(dǎo)向的極限學(xué)習(xí)機(jī)小水電群出力預(yù)測(cè) [J].電氣自動(dòng)化，2020，42（2）：73-75. DOI：10.3969/j.issn.1000- 3886.2020.02.022.

[2]鄭茂輝，劉少非，柳婭楠， 等.基于粒子群優(yōu)化極限學(xué)習(xí)機(jī)的排水管結(jié)構(gòu) 狀況評(píng)價(jià)[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（4）：513-516，551. DOI：10.11908/j.issn.0253-374x.19085.

[3]趙國(guó)新，陳志煉，魏戰(zhàn)紅， 等.基于優(yōu)化極限學(xué)習(xí)機(jī)的工業(yè)控制系統(tǒng)入侵 檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（3）：608-613. DOI：10.16208/j.issn1000- 7024.2020.03.002.

[4]胡鐘，宋佳偉，王丹， 等.基于加權(quán) TOPSIS 法的膽囊切除術(shù)預(yù)防性應(yīng)用抗 菌藥物合理性評(píng)價(jià)[J].中國(guó)藥師，2020，23（4）：699-701.

作者簡(jiǎn)介：

王澤镕（2000-），女，漢族，山西陽(yáng)泉人，大連理工大學(xué)本科在讀，專業(yè)：應(yīng)用化學(xué)