论文部分内容阅读
摘要：无车承运人平台作为一种新型运作模式，将运输市场经营主体、运力资源、 信息资源等进行全面整合，利用互联网开放运营平台，实现优质高效、各方利益共 赢，对于整合物流行业市场资源、规范各项业务标准和实现信息流智能化追溯，促 进物流行业整体的转型升级具有重要意义。本文针对无车承运人平台现有运营模式，结合实际解决了一些相关问题：通过定量分析的方法，研究了影响无车承运人平台进行货运线路定价的主要因素有哪些;通过建立数学模型，对已经成交货运线路历史交易数据中的定价进行评价;建立了关于线路定价的数学模型，给出了调价策略。
关键词：因子分析;极限学习机;TOPSIS 评价;AHP
1探究无车承运人平台进行货运线路定价的主要因素分析
首先，对于搜集的数据，利用拉依达准则算法对其进行分析和预处理，包括对数据中的坏值和缺失数据进行处理，保证计算的准确性。接着基于已处理的数据，使用因子分析算法，选取价格为被解释变量而相关影响因子为解释变量，解释变量包括：里程数量、业务类型、调价比例、线路编码、续签状态、运输时间长短、需求状态等，得出无车承运人平台进行货运线路定价的影响因子。 最后，综合各类情况，得出最终无车承运人平台进行货运线路定价的影响因素。
使用因子分析算法，基于因子旋转结果，将 4 个因子组件分别命名为线路因子、里程因子、需求因子、时长因子。其中，线路因子主要由线路编码、始发网点、目的网点 3 个变 量构成，通过分析变量间的关系，可以将线路编码（类型）直接映射作为线路因 子;里程因子主要由总里程变量构成;需求因子主要由需求类型和需求紧急程度 2 个变量构成，通过分析变量间的关系，可以将需求紧急程度直接映射作为需求因子;时长因子主要由交易成功时长变量构成。 综上所述，影响无车承运人平台进行货运线路定价的主要因素为线路类型、 总里程、需求紧急程度和交易成功时长。
2.对已经成交货运线路历史交易数据中的定价进行评价
由于上述所求出的影響无车承运人平台进行货运线路定价的主要因素为线路类型、总里程、需求紧急程度和交易成功时长，我们将其作为层次分析法 AHP 中的方案层从而确定出其相应之间的权重 W，随后我们将权重 W 代入 TOPSIS 评价方法构建评价矩阵X，借助使用 TOPSIS 评价方法我们可以将不同任务与正理 想解的贴进度作为评价的有效手段。
通过层次分析法我们首先构建出比较矩阵，通过对于四个不同影响因子之间的重要程度，我们构建出比较矩阵并将其代入 MATLAB 程序中运行相应的 AHP 程序，得到四个不同影响因素的权重分别为 0.6599，0.1948，0.0965 以及 0.0487，我们同时将其当作 TOPSIS 评价方法中的指标权重 W。 同时，我们考虑 TOPSIS 评价方法中的指示值 L，因为包括线路类型、总里程、需求紧急程度和交易成功时长等四个因素都为越大越优型指标，所以我们将其指示值都设置为 1。构建 TOPSIS 评价系统，我们通过不同任务中与正期望不同的贴近值来评价其定价的好坏。将贴近值经过从大到小排列，我们可以看出 TOPSIS 系统对于历史交易数据中定价的评价，贴近值越大，代表了其评价越高
3. 通过极限学习机神经网络建立关于线路定价的数学模型
我们通过极限学习机神经网络建立关于线路定价的数学模型，将线路类型、 总里程、需求紧急程度作为数据的三个输入而相应的三次不同的价格以及成本价 将作为输出，并将获得的数据中的 10000 个任务作为训练集，6016 个任务作为测试集将神经网络训练好后，将其对于数据中的 1489 个任务进行预测，从而得出相应的三次定价以及成本价。
首先我们将线路指导价（不含税）确定为一次报价，将线路价格（不含税）定位 三次报价，同时我们取一次报价和二次报价的求和平均值作为二次报价。我们再次对于数据通过极限学习机算法进行求解，我们选择原有的 16016 组数据作为训练集，采用剩下的数据作为测试集，计算后发现同预测结果对比，极限学习机神经网络的 R 2 达到了 0.95898，同时得到相应的第一次报价的预测值。对于第二次报价，我们采用相同的处理方法，将第二次报价作为神经网络的输出，求得第二次报价的 R 2 为 0.96044。对于第三次报价，我们采用相同的处理方法，将第三次报价作为神经网络的输出，求得第三次报价的 R 2 为 0.94097。对于线路总成本，我们采用相同的处理方法，求得 R 2 为 0.95952。针对于我们所给出的评价策略，其通过极限学习机神经网络进行实施，我们同时关注快速促进成交以及较低的承运成本，所以我们应该尽量选择交易时间较 短以及路线总成本较低的，同时我们将尝试将交易时间较短，承运成本较低的方案进行优先推荐。
4.总结
我们在分析了获得的数据后，进行因子分析得到无车承运人平台线路交易价格的主要影响因素，再借助 TOPSIS 评价方法将不同任务与正理想解的贴进度进行 评价，然后通过训练集以及测试集让计算机自主深度学习，锻炼出一套满足相应 特征的模型，并使用了不止一种分析手段，通过相互印证，确保其在多个维度上 满足所给数据的相应的现实要求。终于我们得出了一套关于无车承运人平台相关 线路的合理报价以及最优的报价策略。研究过程如下：
首先，我们通过获得的部分的无车承运人平台交易数据和数据说明，进行量化处理，得到相关指标的量化处理表。进一步地，我们对数据进行降噪处理，剔除其中的无效数据，并对数据进行二次整理，得到有效交易数据。根据处理后的有效数据，利用 SPSS 建立模型，对其进行分析。不难发现，线路价格的主要影响因素需要建立相关性检验模型，我们通过 SPSS 采用降维并进行因子分析的方法建立相关矩阵，从而分析得到无车承运人平台线路交易价格的主要影响因素。 然后由第一问所求出的影响无车承运人平台进行货运线路定价的主要因素为线路类型、总里程、需求紧急程度和交易成功时长，我们将其作为层次分析法 AHP 中的方案层从而确定出其相应之间的权重 W，随后我们将权重 W 代入 TOPSIS 评价方法构建评价矩阵 X，借助使用 TOPSIS 评价方法我们将不同任务 与正理想解的贴进度作为评价的有效手段。
最后通过极限学习机神经网络建立关于线路定价的数学模型，将线路类型、 总里程、需求紧急程度作为数据的三个输入而相应的三次不同的价格以及成本价 将作为输出，我们先将数据中的 10000 个任务作为训练集，6016 个任务作为 25 测试集将神经网络训练好后，我们将其对于1489 个任务进行预测， 从而得出相应的三次定价以及成本价。
结果显示：选择交易时间较短以及路线总成本较低的线路进行承运，承运价格低，交易成功率高;减少交易时长有利于降低承运价格，也有利于交易成功; 需求紧急程度为常规的承运订单承运价格较低，交易成功率高; 所以我们建议无车承运人平台尽量选择交易时间较短以及路线总成本较低的线路进行承运，减少交易时长，调整需求紧急程度。
参考文献
[1]陈晓兵，吴剑锋，黄馗， 等.趋势导向的极限学习机小水电群出力预测 [J].电气自动化，2020，42（2）：73-75. DOI：10.3969/j.issn.1000- 3886.2020.02.022.
[2]郑茂辉，刘少非，柳娅楠， 等.基于粒子群优化极限学习机的排水管结构 状况评价[J].同济大学学报（自然科学版），2020，48（4）：513-516，551. DOI：10.11908/j.issn.0253-374x.19085.
[3]赵国新，陈志炼，魏战红， 等.基于优化极限学习机的工业控制系统入侵 检测[J].计算机工程与设计，2020，41（3）：608-613. DOI：10.16208/j.issn1000- 7024.2020.03.002.
[4]胡钟，宋佳伟，王丹， 等.基于加权 TOPSIS 法的胆囊切除术预防性应用抗 菌药物合理性评价[J].中国药师，2020，23（4）：699-701.
作者简介：
王泽镕（2000-），女，汉族，山西阳泉人，大连理工大学本科在读，專业：应用化学
关键词：因子分析;极限学习机;TOPSIS 评价;AHP
1探究无车承运人平台进行货运线路定价的主要因素分析
首先，对于搜集的数据，利用拉依达准则算法对其进行分析和预处理，包括对数据中的坏值和缺失数据进行处理，保证计算的准确性。接着基于已处理的数据，使用因子分析算法，选取价格为被解释变量而相关影响因子为解释变量，解释变量包括：里程数量、业务类型、调价比例、线路编码、续签状态、运输时间长短、需求状态等，得出无车承运人平台进行货运线路定价的影响因子。 最后，综合各类情况，得出最终无车承运人平台进行货运线路定价的影响因素。
使用因子分析算法，基于因子旋转结果，将 4 个因子组件分别命名为线路因子、里程因子、需求因子、时长因子。其中，线路因子主要由线路编码、始发网点、目的网点 3 个变 量构成，通过分析变量间的关系，可以将线路编码（类型）直接映射作为线路因 子;里程因子主要由总里程变量构成;需求因子主要由需求类型和需求紧急程度 2 个变量构成，通过分析变量间的关系，可以将需求紧急程度直接映射作为需求因子;时长因子主要由交易成功时长变量构成。 综上所述，影响无车承运人平台进行货运线路定价的主要因素为线路类型、 总里程、需求紧急程度和交易成功时长。
2.对已经成交货运线路历史交易数据中的定价进行评价
由于上述所求出的影響无车承运人平台进行货运线路定价的主要因素为线路类型、总里程、需求紧急程度和交易成功时长，我们将其作为层次分析法 AHP 中的方案层从而确定出其相应之间的权重 W，随后我们将权重 W 代入 TOPSIS 评价方法构建评价矩阵X，借助使用 TOPSIS 评价方法我们可以将不同任务与正理 想解的贴进度作为评价的有效手段。
通过层次分析法我们首先构建出比较矩阵，通过对于四个不同影响因子之间的重要程度，我们构建出比较矩阵并将其代入 MATLAB 程序中运行相应的 AHP 程序，得到四个不同影响因素的权重分别为 0.6599，0.1948，0.0965 以及 0.0487，我们同时将其当作 TOPSIS 评价方法中的指标权重 W。 同时，我们考虑 TOPSIS 评价方法中的指示值 L，因为包括线路类型、总里程、需求紧急程度和交易成功时长等四个因素都为越大越优型指标，所以我们将其指示值都设置为 1。构建 TOPSIS 评价系统，我们通过不同任务中与正期望不同的贴近值来评价其定价的好坏。将贴近值经过从大到小排列，我们可以看出 TOPSIS 系统对于历史交易数据中定价的评价，贴近值越大，代表了其评价越高
3. 通过极限学习机神经网络建立关于线路定价的数学模型
我们通过极限学习机神经网络建立关于线路定价的数学模型，将线路类型、 总里程、需求紧急程度作为数据的三个输入而相应的三次不同的价格以及成本价 将作为输出，并将获得的数据中的 10000 个任务作为训练集，6016 个任务作为测试集将神经网络训练好后，将其对于数据中的 1489 个任务进行预测，从而得出相应的三次定价以及成本价。
首先我们将线路指导价（不含税）确定为一次报价，将线路价格（不含税）定位 三次报价，同时我们取一次报价和二次报价的求和平均值作为二次报价。我们再次对于数据通过极限学习机算法进行求解，我们选择原有的 16016 组数据作为训练集，采用剩下的数据作为测试集，计算后发现同预测结果对比，极限学习机神经网络的 R 2 达到了 0.95898，同时得到相应的第一次报价的预测值。对于第二次报价，我们采用相同的处理方法，将第二次报价作为神经网络的输出，求得第二次报价的 R 2 为 0.96044。对于第三次报价，我们采用相同的处理方法，将第三次报价作为神经网络的输出，求得第三次报价的 R 2 为 0.94097。对于线路总成本，我们采用相同的处理方法，求得 R 2 为 0.95952。针对于我们所给出的评价策略，其通过极限学习机神经网络进行实施，我们同时关注快速促进成交以及较低的承运成本，所以我们应该尽量选择交易时间较 短以及路线总成本较低的，同时我们将尝试将交易时间较短，承运成本较低的方案进行优先推荐。
4.总结
我们在分析了获得的数据后，进行因子分析得到无车承运人平台线路交易价格的主要影响因素，再借助 TOPSIS 评价方法将不同任务与正理想解的贴进度进行 评价，然后通过训练集以及测试集让计算机自主深度学习，锻炼出一套满足相应 特征的模型，并使用了不止一种分析手段，通过相互印证，确保其在多个维度上 满足所给数据的相应的现实要求。终于我们得出了一套关于无车承运人平台相关 线路的合理报价以及最优的报价策略。研究过程如下：
首先，我们通过获得的部分的无车承运人平台交易数据和数据说明，进行量化处理，得到相关指标的量化处理表。进一步地，我们对数据进行降噪处理，剔除其中的无效数据，并对数据进行二次整理，得到有效交易数据。根据处理后的有效数据，利用 SPSS 建立模型，对其进行分析。不难发现，线路价格的主要影响因素需要建立相关性检验模型，我们通过 SPSS 采用降维并进行因子分析的方法建立相关矩阵，从而分析得到无车承运人平台线路交易价格的主要影响因素。 然后由第一问所求出的影响无车承运人平台进行货运线路定价的主要因素为线路类型、总里程、需求紧急程度和交易成功时长，我们将其作为层次分析法 AHP 中的方案层从而确定出其相应之间的权重 W，随后我们将权重 W 代入 TOPSIS 评价方法构建评价矩阵 X，借助使用 TOPSIS 评价方法我们将不同任务 与正理想解的贴进度作为评价的有效手段。
最后通过极限学习机神经网络建立关于线路定价的数学模型，将线路类型、 总里程、需求紧急程度作为数据的三个输入而相应的三次不同的价格以及成本价 将作为输出，我们先将数据中的 10000 个任务作为训练集，6016 个任务作为 25 测试集将神经网络训练好后，我们将其对于1489 个任务进行预测， 从而得出相应的三次定价以及成本价。
结果显示：选择交易时间较短以及路线总成本较低的线路进行承运，承运价格低，交易成功率高;减少交易时长有利于降低承运价格，也有利于交易成功; 需求紧急程度为常规的承运订单承运价格较低，交易成功率高; 所以我们建议无车承运人平台尽量选择交易时间较短以及路线总成本较低的线路进行承运，减少交易时长，调整需求紧急程度。
参考文献
[1]陈晓兵，吴剑锋，黄馗， 等.趋势导向的极限学习机小水电群出力预测 [J].电气自动化，2020，42（2）：73-75. DOI：10.3969/j.issn.1000- 3886.2020.02.022.
[2]郑茂辉，刘少非，柳娅楠， 等.基于粒子群优化极限学习机的排水管结构 状况评价[J].同济大学学报（自然科学版），2020，48（4）：513-516，551. DOI：10.11908/j.issn.0253-374x.19085.
[3]赵国新，陈志炼，魏战红， 等.基于优化极限学习机的工业控制系统入侵 检测[J].计算机工程与设计，2020，41（3）：608-613. DOI：10.16208/j.issn1000- 7024.2020.03.002.
[4]胡钟，宋佳伟，王丹， 等.基于加权 TOPSIS 法的胆囊切除术预防性应用抗 菌药物合理性评价[J].中国药师，2020，23（4）：699-701.
作者简介：
王泽镕（2000-），女，汉族，山西阳泉人，大连理工大学本科在读，專业：应用化学