[发明专利]一种综合性、多维度的货主选择量化方法

摘要

本发明公开一种综合性、多维度的货主选择量化方法，适用于会员从多个维度对货主进行客观、综合的评估量化。该发明充分考虑货主准时装卸货、承运业务次数、遭平台会员投诉次数、货款支付及信息发布的及时率、一次报价成单率等多个影响选择度量指标，基于组合最小二乘法和ELECTRE‑II法的多属性决策模型的指标权重划分方法定量确定各指标权重，通过精确的大数据挖掘分析和模型算法较好地处理了以物流服务为交易对象的电子商务平台合理评定货主可信度问题，使平台会员能够判断待选货主的综合情况并做出符合自己需求的选择。

主权项

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：bij＝(aij‑ajmin)/(ajmax‑ajmin)成本型属性处理：bij＝(ajmax‑aij)/(ajmax‑ajmin)其中，aij是方案i的第j个属性的属性值，bij是aij标准化处理后的值，ajmax是第j个属性Pj的最大值，ajmin是Pj的最小值；bij∈(0,1)，i＝1,2,...,m，j＝1,2,...,n，标准化矩阵B＝(bij)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,...wj,...,wn]，其中wj=cj[dj+(1-Σj=1ncjdj)/Σj=1ncj]]]>属性集最终权重矩阵为A*＝(Aij)m×n＝Bw*T其中，Aij为可信度较评方案i的第j个属性的最终权重值，B＝(bij)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*＝(Aij)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Tk,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：wk＝(w1k,w2k,...,wnk)T，k＝1,2各决策元的重要程度为：z＝(z1,z2)T，其中，z1+z2＝1，zk≥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：minL1=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wj，使得wj和wjk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,...lm)其中，aj*＝max{a1j,a2j,...amj}为属性Pj的理想值，用等权线性加权法，可将模型简化为：minL2=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：minF=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，bij是方案i的第j个属性的属性值aij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mi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mi*为：m1*＝m1‑m3m2*＝m2‑m3m3*＝m3‑m3＝0m*＝(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。