基于極限學習機的TOPSIS無車承運人平臺評價系統

摘要：無車承運人平臺作為一種新型運作模式，將運輸市場經營主體、運力資源、 信息資源等進行全面整合，利用互聯網開放運營平臺，實現優質高效、各方利益共 贏，對于整合物流行業市場資源、規范各項業務標準和實現信息流智能化追溯，促 進物流行業整體的轉型升級具有重要意義。本文針對無車承運人平臺現有運營模式，結合實際解決了一些相關問題：通過定量分析的方法，研究了影響無車承運人平臺進行貨運線路定價的主要因素有哪些;通過建立數學模型，對已經成交貨運線路歷史交易數據中的定價進行評價;建立了關于線路定價的數學模型，給出了調價策略。

關鍵詞：因子分析;極限學習機;TOPSIS 評價;AHP

1探究無車承運人平臺進行貨運線路定價的主要因素分析

首先，對于搜集的數據，利用拉依達準則算法對其進行分析和預處理，包括對數據中的壞值和缺失數據進行處理，保證計算的準確性。接著基于已處理的數據，使用因子分析算法，選取價格為被解釋變量而相關影響因子為解釋變量，解釋變量包括：里程數量、業務類型、調價比例、線路編碼、續簽狀態、運輸時間長短、需求狀態等，得出無車承運人平臺進行貨運線路定價的影響因子。 最后，綜合各類情況，得出最終無車承運人平臺進行貨運線路定價的影響因素。

使用因子分析算法，基于因子旋轉結果，將 4 個因子組件分別命名為線路因子、里程因子、需求因子、時長因子。其中，線路因子主要由線路編碼、始發網點、目的網點 3 個變 量構成，通過分析變量間的關系，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成;需求因子主要由需求類型和需求緊急程度 2 個變量構成，通過分析變量間的關系，可以將需求緊急程度直接映射作為需求因子;時長因子主要由交易成功時長變量構成。 綜上所述，影響無車承運人平臺進行貨運線路定價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長。

2.對已經成交貨運線路歷史交易數據中的定價進行評價

由于上述所求出的影響無車承運人平臺進行貨運線路定價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長，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之間的權重 W，隨后我們將權重 W 代入 TOPSIS 評價方法構建評價矩陣X，借助使用 TOPSIS 評價方法我們可以將不同任務與正理 想解的貼進度作為評價的有效手段。

通過層次分析法我們首先構建出比較矩陣，通過對于四個不同影響因子之間的重要程度，我們構建出比較矩陣并將其代入 MATLAB 程序中運行相應的 AHP 程序，得到四個不同影響因素的權重分別為 0.6599，0.1948，0.0965 以及 0.0487，我們同時將其當作 TOPSIS 評價方法中的指標權重 W。 同時，我們考慮 TOPSIS 評價方法中的指示值 L，因為包括線路類型、總里程、需求緊急程度和交易成功時長等四個因素都為越大越優型指標，所以我們將其指示值都設置為 1。構建 TOPSIS 評價系統，我們通過不同任務中與正期望不同的貼近值來評價其定價的好壞。將貼近值經過從大到小排列，我們可以看出 TOPSIS 系統對于歷史交易數據中定價的評價，貼近值越大，代表了其評價越高

3. 通過極限學習機神經網絡建立關于線路定價的數學模型

我們通過極限學習機神經網絡建立關于線路定價的數學模型，將線路類型、 總里程、需求緊急程度作為數據的三個輸入而相應的三次不同的價格以及成本價 將作為輸出，并將獲得的數據中的 10000 個任務作為訓練集，6016 個任務作為測試集將神經網絡訓練好后，將其對于數據中的 1489 個任務進行預測，從而得出相應的三次定價以及成本價。

首先我們將線路指導價（不含稅）確定為一次報價，將線路價格（不含稅）定位 三次報價，同時我們取一次報價和二次報價的求和平均值作為二次報價。我們再次對于數據通過極限學習機算法進行求解，我們選擇原有的 16016 組數據作為訓練集，采用剩下的數據作為測試集，計算后發現同預測結果對比，極限學習機神經網絡的 R 2 達到了 0.95898，同時得到相應的第一次報價的預測值。對于第二次報價，我們采用相同的處理方法，將第二次報價作為神經網絡的輸出，求得第二次報價的 R 2 為 0.96044。對于第三次報價，我們采用相同的處理方法，將第三次報價作為神經網絡的輸出，求得第三次報價的 R 2 為 0.94097。對于線路總成本，我們采用相同的處理方法，求得 R 2 為 0.95952。針對于我們所給出的評價策略，其通過極限學習機神經網絡進行實施，我們同時關注快速促進成交以及較低的承運成本，所以我們應該盡量選擇交易時間較 短以及路線總成本較低的，同時我們將嘗試將交易時間較短，承運成本較低的方案進行優先推薦。

4.總結

我們在分析了獲得的數據后，進行因子分析得到無車承運人平臺線路交易價格的主要影響因素，再借助 TOPSIS 評價方法將不同任務與正理想解的貼進度進行 評價，然后通過訓練集以及測試集讓計算機自主深度學習，鍛煉出一套滿足相應 特征的模型，并使用了不止一種分析手段，通過相互印證，確保其在多個維度上 滿足所給數據的相應的現實要求。終于我們得出了一套關于無車承運人平臺相關 線路的合理報價以及最優的報價策略。研究過程如下：

首先，我們通過獲得的部分的無車承運人平臺交易數據和數據說明，進行量化處理，得到相關指標的量化處理表。進一步地，我們對數據進行降噪處理，剔除其中的無效數據，并對數據進行二次整理，得到有效交易數據。根據處理后的有效數據，利用 SPSS 建立模型，對其進行分析。不難發現，線路價格的主要影響因素需要建立相關性檢驗模型，我們通過 SPSS 采用降維并進行因子分析的方法建立相關矩陣，從而分析得到無車承運人平臺線路交易價格的主要影響因素。

然后由第一問所求出的影響無車承運人平臺進行貨運線路定價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長，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之間的權重 W，隨后我們將權重 W 代入 TOPSIS 評價方法構建評價矩陣 X，借助使用 TOPSIS 評價方法我們將不同任務 與正理想解的貼進度作為評價的有效手段。

最后通過極限學習機神經網絡建立關于線路定價的數學模型，將線路類型、 總里程、需求緊急程度作為數據的三個輸入而相應的三次不同的價格以及成本價 將作為輸出，我們先將數據中的 10000 個任務作為訓練集，6016 個任務作為 25 測試集將神經網絡訓練好后，我們將其對于1489 個任務進行預測， 從而得出相應的三次定價以及成本價。

結果顯示：選擇交易時間較短以及路線總成本較低的線路進行承運，承運價格低，交易成功率高;減少交易時長有利于降低承運價格，也有利于交易成功; 需求緊急程度為常規的承運訂單承運價格較低，交易成功率高; 所以我們建議無車承運人平臺盡量選擇交易時間較短以及路線總成本較低的線路進行承運，減少交易時長，調整需求緊急程度。

參考文獻

[1]陳曉兵，吳劍鋒，黃馗， 等.趨勢導向的極限學習機小水電群出力預測 [J].電氣自動化，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.基于粒子群優化極限學習機的排水管結構 狀況評價[J].同濟大學學報（自然科學版），2020，48（4）：513-516，551. DOI：10.11908/j.issn.0253-374x.19085.

[3]趙國新，陳志煉，魏戰紅， 等.基于優化極限學習機的工業控制系統入侵 檢測[J].計算機工程與設計，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 TOPSIS 法的膽囊切除術預防性應用抗 菌藥物合理性評價[J].中國藥師，2020，23（4）：699-701.

作者簡介：

王澤镕（2000-），女，漢族，山西陽泉人，大連理工大學本科在讀，專業：應用化學