[发明专利]一种综合性、多维度的货主选择量化方法

权利要求书

1.一种综合性、多维度的货主选择量化方法，其特征在于，具体包括如下步骤：

(1)数据分析选取可信度较评方案属性，构造方案集和属性集

(2)属性集标准化处理

对方案的各属性进行无量纲化处理，效益型属性与成本型属性的无量纲化处理如下：

效益型属性处理：b_ij＝(a_ij-a_j^min)/(a_j^max-a_j^min)

成本型属性处理：b_ij＝(a_j^max-a_ij)/(a_j^max-a_j^min)

其中，a_ij是方案i的第j个属性的属性值，b_ij是a_ij标准化处理后的值，a_j^max是第j个属性P_j的最大值，a_j^min是P_j的最小值；b_ij∈(0,1)，i＝1,2,...,m，j＝1,2,...,n，标准化矩阵B＝(b_ij)_m×n；

(3)进行多维分析，构建属性权重多元优化模型

引入多元优化模型，从承运人会员和平台两个不同的维度，综合考量它们对货主可信度的不同影响，并在大数据分析的基础上对它们进行数理刻画；承运人会员和平台与货主的接触点不同，因此对货主可信度的侧重点表现出不同的属性评价值；

(4)求解属性权重

由于多个决策元对属性j的综合权重赋予值为：

wj=cj[dj+(1-Σj=1ncjdj)/Σj=1ncj],j=1,2,...,n]]>

其中，

属性权重多元优化模型的权重向量为：w^*＝[w₁,w₂,...w_j,...,w_n]，其中

wj=cj[dj+(1-Σj=1ncjdj)/Σj=1ncj]]]>

属性集最终权重矩阵为A^*＝(A_ij)_m×n＝Bw^*T

其中，A_ij为可信度较评方案i的第j个属性的最终权重值，B＝(b_ij)_m×n为属性集标准化矩阵；

(5)计算较评方案标准化可信度得分，记录交易次数的时间-可信度得分曲线

依照所得属性集最终权重矩阵为A^*＝(A_ij)_m×n＝Bw^*T，计算较评方案标准化可信度得分，并绘制基于交易次数的时间-可信度得分曲线；

(6)计算较评方案间的和谐性指数和各属性的相对得分

平台为了满足不同平台会员的风险偏好或选择偏好，通过计算和谐性指数和各属性的相对标准化得分，为不同平台会员提供更多样化和更人性化的选择；

步骤3的具体步骤为：

①多元权重确定

为了减小单人偏好和认知局限对结果的影响，平台将所有承运人会员对货主各指标的历史评价打分进行加权平均，得出承运人会员对货主最直观的综合评价打分；为了减小单一维度评价带来的偏差，此处从另一个维度引入平台决策元---基于平台历史交易数据和交易行为对货主可信度进行补充评价打分；然后对打分进行标准化处理得到各属性的权重值，最后基于数据的完整性和真实性为两个决策元设置重要程度系数；

两个维度确定的决策元T_k,k＝1,2；其中T₁代表承运人会员决策元，T₂代表平台决策元；

两个决策元赋值的属性权重为：w^k＝(w₁^k,w₂^k,...,w_n^k)^T，k＝1,2

各决策元的重要程度为：z＝(z₁,z₂)^T，其中，z₁+z₂＝1，z_k≥0；

②构建一元权重优化模型

考虑到承运人会员对货主评价可能带有的主观因素，此处从主观权重确定法角度，综合大数据挖掘技术，构建属性权重优化模型如下：

min L1=Σk=12Σj=1nzk(wj-wjk)2]]>

s.t.Σj=1nwj=1wj≥0,j∈N]]>

其中N＝{1,2,...,n}为方案的属性集

模型的含义是求得一个w_j，使得w_j和w_j^k的总偏方差的平方和L₁最小；

③构建二元权重优化模型

此处从客观权重确定法角度，对数据进行多维分析，构建属性权重优化模型如下：

G-minL＝(l₁,l₂,...l_m)

其中，a_j^*＝max{a_1j,a_2j,...a_mj}为属性P_j的理想值，用等权线性加权法，可将模型简化为：

min L2=Σi=1mli=Σi=1mΣj=1n(aj*-aij)2wj2]]>

s.t.Σj=1nwi=1wj≥0,i∈M,j∈N]]>

其中M＝{1,2,...,m}为较评方案集，N＝{1,2,...,n}为方案的属性集

④合成单目标优化模型

将以上两个优化模型进行集成为G＝min(L₁,L₂)，并通过线性加权方法，将问题转化为如下的单目标优化模型：

min F=12Σk=12Σj=1nzk(wj-wjk)2+12Σi=1mΣj=1n(aj*-aij)2wj2]]>

s.t.Σj=1nwj=1wj≥0,i∈M,j∈N]]>

其中，M＝{1,2,...,m}为较评方案集，N＝{1,2,...,n}为方案的属性集；通过构建拉格朗日函数，可得：

wj=cj[dj+(1-Σj=1ncjdj)/Σj=1ncj]]]>

其中，

步骤(5)的主要计算步骤如下：

①计算可信度较评方案i的可信度得分，公式为

Mi=Σj=1nAij=Σj=1nbijwj=[bi1,bi2,...,bin]w1w2...wn]]>

其中，b_ij是方案i的第j个属性的属性值a_ij经过标准化处理后的值，为构建属性权重的多元优化模型后得出的各方案第j个属性的权重；

②标准化较评方案可信度得分

可信度较评方案集为：同行业内平均可信度，被评货主可信度，平台基准可信度，所以较评方案可信度得分集为：

M＝(M₁,M₂,M₃)＝(M_{同行业内平均可信度}，M_{被评货主可信度}，M_{平台基准可信度})

其中，1＝同行业内平均可信度,2＝被评货主可信度,3＝平台基准可信度

以平台基准可信度M_{平台基准可信度}为标准化基准可信度分，则各较评方案的标准化可信度得分m_i为：

i＝1,2,3，1＝同行业内平均可信度,2＝被评货主可信度,3＝平台基准可信度；

③计算相对标准化较评方案可信度得分

以标准化平台基准可信度m_{平台基准可信度}为相对得分评判基准信，则各较评方案的相对标准化可信度得分

m_i^*为：

m₁^*＝m₁-m₃

m₂^*＝m₂-m₃

m₃^*＝m₃-m₃＝0

m^*＝(m₁^*,m₂^*,m₃^*)即为所求各较评方案最终可信度得分；

④绘制基于交易次数的时间-可信度得分曲线

由于可信度得分会随着平台货主交易次数的更新而更新，根据上述计算结果可知平台基准可信度得分为0保持不变，具有实际意义；同行业内平均可信度会随着不同行业或整个平台的交易数据累积而不断更新；被评货主可信度随着该货主在平台进行交易次数的增加而变动；因此，以时间为横轴，可信度得分为纵轴，可以得出基于交易次数的时间-可信度得分曲线，根据曲线可以很直观的获得一段时间内同行业内或整个平台的货主可信度情况以及某个特定货主的可信度变动情况，可以帮助平台会员更好的控制风险和选择货主进行接单。

2.如权利要求1所述的综合性、多维度的货主选择量化方法，其特征在于，步骤(6)主要计算步骤如下：

①计算和谐性指数

和谐性指数J_ik是指较评方案i不劣于方案k的属性权重之和在所有权重的总和中所占的比例，依据属性j，j＝1,2,...,n，假如方案i优于方案k，i＝1,2,...,m,k＝1,2,...,m,i≠k，记为i＞k，从而将所有满足i＞k的属性j的集合记为U⁺(i,k)，同样可以得到U^＝(i,k)，具体如下：

U⁺(i,k)＝{j/1≤j≤n,A_ij＞A_ik}

U^＝(i,k)＝{j/1≤j≤n,A_ij＝A_ik}

则和谐性指数公式为：

Jik=Σj∈U+(i,k)Aij+Σj∈U=(i,k)AijΣj=1nAij]]>

②计算货主各属性的相对得分

依照所得属性集最终权重矩阵为A^*＝(A_ij)_m×n＝Bw^*T，货主各属性的相对标准化得分为a_2j^*＝A_2j-A_3j，其中，j＝1,2,...,n为方案属性；

最后得到货主各属性的相对标准得分集a₂^*＝(a₂₁^*,a₂₂^*,...a_2n^*)。