一种基于层次分析法的物流园车辆动态排队方法与流程

1.本发明涉及一种物流园入园作业车辆的调度方法，特别是一种基于层次分析法的物流园车辆动态排队方法。


背景技术：

2.在传统的物流园车辆调度系统中，车辆的入园排队顺序是由操作人员现场进行人工安排，遵循先到先排的准则，同时需要考虑入场的取货点，特殊用户的优先安排等因素。因此传统的物流园车辆入园顺序依赖现场工作人员的工作经验，效率低下，错误率高，缺乏整体安排，时常造成园区车辆入园顺序混乱。传统的物流园车辆排队顺序安排，客户满意度低，由于没有完备的排队规范，人为支配权高，插队现象严重。同时由于先到先排的机制，造成物流厂区入口经常为了抢位产生堵塞现象，同时也大大加大了客户的等待时间，需要对现有的模式进行优化，将车辆分配到不同时间段，提高取货效率和客户满意度。
3.申请号为：cn201910832747.6，名称为：运粮车辆作业队列融合及复合提醒的方法。该方法是运粮车辆预约排队，利用权重排队法结合预约时间顺序计算车辆的排队顺序。根据粮库的出入库作业流程。对于权重排队法，是根据车辆的登记类型、车辆类型、客户类型、粮食类型等设置权重，由实际值乘以权重得到车辆的排队顺序。该方法权重是单一的，不能适应复杂的取货情况。申请号为：cn201811060342.7，名称为：物流在线调度方法及系统。该方法是实时获取车辆和货物的位置信息，形成提货单，根据所述车辆类别对应的车辆考核排名确定出车名单。提升物流质量和客户满意度。该方法没有考虑到时间序列，造成货单派发时效性不足。


技术实现要素：

4.本发明的目的在于克服上述现有技术中的不足之处，提出一种基于层次分析法的物流园车辆动态排队的方法。
5.本发明是通过如下方式实现的：
6.一种基于层次分析法的物流园车辆动态排队的方法，包括以下步骤：
7.s1获取数据：从物流园数据库中获取当天物流园入园的车辆预约顺序，车辆数量、当天车辆取货重量的变异系数、客户类型、客户信用评价数据；
8.s2构建指标：根据物流园实际作业情况，选取预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价作为影响排队顺序的四个指标；
9.s3构造两两比较判断矩阵，对比不同指标之间的重要程度，采用1
‑
9互反性标度理论量化；
10.s4：构建两两比较判断矩阵为：
[0011][0012]
判断矩阵表示与该层因素对上一层因素的相对重要性，其中a
11
表示自身重要性的比较，所以a
11
等于1，及判断矩阵对角线元素均为1，a矩阵为预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价矩阵，其中，a
21
表示客户类型对比预约顺序的重要性，a
31
表示当天车辆取货重量的变异系数对比预约顺序的重要性，a
41
表示客户信用评价对比预约顺序的重要性，其他系数以此类推；
[0013]
s5：根据从物流园数据库获取的数据，构建一个动态的判断矩阵，计算最大特征值和最大特征向量，获得权重向量，进行一致性检验，确定每个指标的权重；
[0014]
s6：确定每个指标的权重后，根据物流园数据库的数据，设定每个指标的得分值计算；
[0015]
s7：最后将所有车辆的排队顺序得分进行降序排列，得到车辆排队顺序表sc，按顺序给每辆车分配不同的时间段入园取货。
[0016]
进一步，所述s3的所述采用1
‑
9互反性标度理论量化为：1：同等重要，3：稍微重要，5：比较重要，7：很重要，9：绝对重要，2、4、6和8：对应中间状态的值。
[0017]
进一步，所述s5具体步骤如下：
[0018]
s51：预约顺序和客户类型的两两判断：根据物流园的销售现状，客户类型分为三种，普通客户，优先客户，重要客户；三者的取货优先级依次递增，但为了维持客户排队的相对公平性，当非普通客户n
sp
占总客户数n
num
比重越高时，预约顺序的重要性越大，当非普通客户占比越低时，客户类型的重要性可以提升；物流园能通过设置不同的占比阈值n
set
，来根据实际需要调节两者关系，其表达式为：
[0019][0020][0021]
式中：type为客户类型，order为预约顺序，n
sp
为非普通客户，n
num
为总客户数，n
set
为占比阈值，α，β，b为可变参数，物流园企业可根据实际工作情况调整参数，从而调整预约顺序和客户类型的两两相关程度；表示向上取整。
[0022]
s52：当天车辆取货重量的变异系数与其他指标的两两判断：车辆取货重量的变异系数s
n
，表示整个取货重量的数据离散程度，变异系数越小，数据的离散程度越小，取货重
量集中在一个数据段，此时如果取货重量中存在较偏离均值的数据，对队伍次序的影响程度较高，相反变异系数越大，取货重量分布的较为分散，较为偏离均值的数据对队伍次序影响不大，变异系数和预约顺序、客户类型的两两判断表达式为：
[0023][0024][0025]
式中：distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，sn为车辆取货重量的变异系数，n
sp
为非普通客户，n
num
为总客户数，n
set
为占比阈值，α，β为可变参数，物流园企业可根据实际工作情况调整参数，从而调整取货重量的变异系数和其他指标的两两相关程度；表示向上取整。
[0026]
s53信用评价指标和其他指标的两两判断表达方式为：
[0027][0028][0029][0030]
式中：credit为客户信用评价，distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，sn为车辆取货重量的变异系数，α，β，θ为可变参数，物流园企业可根据实际工作情况调整参数，从而调整信用评价指标和其他指标的两两相关程度；表示向上取整。
[0031]
s54通过上述方法构建出了完整的判断矩阵a后，计算得到最大特征值λ
max
和最大特征向量v
t
；
[0032]
av＝λ
maxv
[0033]
v
t
＝[u
1 u2ꢀ…ꢀ
u
n
]，
[0034]
式中，u
i
为最大特征值λ
max
对应的特征向量
[0035]
s55将最大特征向量归一化，得到权重向量w，表达式如下：
[0036][0037]
式中，ui为最大特征值λ
max
对应的特征向量；
[0038]
s56为了验证构建的判断矩阵是否符合逻辑，需要进行一致性检验；计算一致性指标ci，ci＝0表示完全一致，ci越大越不一致，具体计算表达式如下：
[0039][0040]
式中，n为判断矩阵的阶数，λmax为最大特征值；
[0041]
s57根据判断矩阵的阶数n，查找对应的平均随机一致性指标ri，n＝1，ri＝0；n＝2，ri＝0；n＝3，ri＝0.58；n＝4，ri＝0.90；n＝5，ri＝1.12；n＝6，ri＝1.24；n＝7，ri＝1.32；n＝8，ri＝1.41；n＝9，ri＝1.45；
[0042]
s58计算一致性比例cr＝ci/ri，当cr<0.1，认为矩阵的一致性是可以接受的，当cr>0.1，需要调整上述计算判断矩阵公式中的参数，直到通过一致性检验，确定最后的权重。
[0043]
进一步，所述s6具体为
[0044]
s61：预约顺序p
order
，设置最高得分p
max
和基础得分p
b
，根据每天的车辆入园数量n
num
，按预约位次n
w
越前，得分越高的原则，设定的得分值计算如下：
[0045][0046]
s62：客户类型p
type
，客户类型t分为三种，普通客户p
low
，优先客户p
mid
，重要客户p
high
，标号分别为1，2，3；三者的取货优先级依次递增，优先级越高，得分越高，设定的得分值计算如下：
[0047][0048]
s63：当天车辆取货重量的变异系数p
distribution
，计算每一个车辆取货重量q
i
和所以车辆取货重量均值的差，差值越接近0，得分在基础分上下浮动，当差值为正且离0越远时，证明取货重量远大平均数，得分将减少，安排在计划时间的后段，当差值为负数且离0越来越远，证明取货重量远小于平均数，得分将增加，安排在计划周期前段，设定的得分值计算如下：
[0049][0050]
s64：客户信用评价p
credit
，记录的违约的次数n
d
，α为可变参数，物流园企业可根据实际的工作情况调整参数，从而调整客户信用评价得分值基数。设定的得分值计算如下：
[0051][0052]
s65：将每一辆车的得分值p
e
＝[p
order p
type p
distribution p
credit
]乘上对应的权重向量w，得到每一辆车的最终排队顺序得分值p，对应如下：
[0053]
p＝w*p
e
。
[0054]
本发明的有益效果在于：建立了物流园车辆入园的有序排队顺序，提高了入园取货效率，同时能提前发布给客户取货时间，减少客户等待时间，提升客户满意度。根据动态的权重调整步骤，可以根据物流园的数据进行权重指标的动态调整，增加整个系统的适用性。建立了客户信用评价体系，能规范企业和客户的行为，促进整个产业的良性循环。
附图说明
[0055]
图1为本发明的流程示意图；
[0056]
图2为本发明所述动态权重算法流程图。
具体实施方式
[0057]
下面结合附图和本发明的实例，对本发明作进一步的描述。
[0058]
一种基于层次分析法的物流园车辆动态排队的方法，包括以下步骤：
[0059]
s1获取数据：从物流园数据库中获取当天物流园入园的车辆预约顺序，车辆数量、当天车辆取货重量的变异系数、客户类型、客户信用评价数据；
[0060]
s2构建指标：根据物流园实际作业情况，选取预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价作为影响排队顺序的四个指标；
[0061]
s3构造两两比较判断矩阵，对比不同指标之间的重要程度，采用1
‑
9互反性标度理论量化；所述s3的所述采用1
‑
9互反性标度理论量化为：1：同等重要，3：稍微重要，5：比较重要，7：很重要，9：绝对重要，2、4、6和8：对应中间状态的值；
[0062]
s4：构建两两比较判断矩阵为：
[0063][0064]
判断矩阵表示与该层因素对上一层因素的相对重要性，其中a
11
表示自身重要性的比较，所以a
11
等于1，及判断矩阵对角线元素均为1，a矩阵为预约顺序、客户类型、当天车辆取货重量的变异系数、客户信用评价矩阵，其中，a
21
表示客户类型对比预约顺序的重要性，a
31
表示当天车辆取货重量的变异系数对比预约顺序的重要性，a
41
表示客户信用评价对比预约顺序的重要性，其他系数以此类推；
[0065]
s5：根据从物流园数据库获取的数据，构建一个动态的判断矩阵，计算最大特征值和最大特征向量，获得权重向量，进行一致性检验，确定每个指标的权重；
[0066]
，所述s5具体步骤如下：
[0067]
s51：预约顺序和客户类型的两两判断：根据物流园的销售现状，客户类型分为三种，普通客户，优先客户，重要客户；三者的取货优先级依次递增，但为了维持客户排队的相对公平性，当非普通客户n
sp
占总客户数n
num
比重越高时，预约顺序的重要性越大，当非普通客户占比越低时，客户类型的重要性可以提升；物流园能通过设置不同的占比阈值n
set
，来根据实际需要调节两者关系，其表达式为：
[0068]
[0069][0070]
式中：type为客户类型，order为预约顺序，n
sp
为非普通客户，n
num
为总客户数，n
set
为占比阈值，α，β，b为可变参数，物流园企业可根据实际工作情况调整参数，从而调整预约顺序和客户类型的两两相关程度；表示向上取整。
[0071]
s52：当天车辆取货重量的变异系数与其他指标的两两判断：车辆取货重量的变异系数s
n
，表示整个取货重量的数据离散程度，变异系数越小，数据的离散程度越小，取货重量集中在一个数据段，此时如果取货重量中存在较偏离均值的数据，对队伍次序的影响程度较高，相反变异系数越大，取货重量分布的较为分散，较为偏离均值的数据对队伍次序影响不大，变异系数和预约顺序、客户类型的两两判断表达式为：
[0072][0073][0074]
式中：distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，sn为车辆取货重量的变异系数，n
sp
为非普通客户，n
num
为总客户数，n
set
为占比阈值，α，β为可变参数，物流园企业可根据实际工作情况调整参数，从而调整取货重量的变异系数和其他指标的两两相关程度；表示向上取整。
[0075]
s53信用评价指标和其他指标的两两判断表达方式为：
[0076][0077][0078][0079]
式中：credit为客户信用评价，distribution为当天车辆取货重量的变异系数，type为客户类型，order为预约顺序，sn为车辆取货重量的变异系数，α，β，θ为可变参数，物流园企业可根据实际工作情况调整参数，从而调整信用评价指标和其他指标的两两相关程度；表示向上取整。
[0080]
s54通过上述方法构建出了完整的判断矩阵后，计算得到最大特征值λ
max
和最大特征向量v
t
；
[0081]
av＝λ
maxv
[0082]
v
t
＝[u
1 u2ꢀ…ꢀ
u
n
]，
[0083]
式中，u
i
为最大特征值λ
max
对应的特征向量
[0084]
s55将最大特征向量归一化，得到权重向量w，表达式如下：
[0085][0086]
式中，ui为最大特征值λ
max
对应的特征向量；
[0087]
s56为了验证构建的判断矩阵是否符合逻辑，需要进行一致性检验；计算一致性指标ci，ci＝0表示完全一致，ci越大越不一致，具体计算表达式如下：
[0088][0089]
式中，n为判断矩阵的阶数，λmax为最大特征值；
[0090]
s57根据判断矩阵的阶数n，查找对应的平均随机一致性指标ri，n＝1，ri＝0；n＝2，ri＝0；n＝3，ri＝0.58；n＝4，ri＝0.90；n＝5，ri＝1.12；n＝6，ri＝1.24；n＝7，ri＝1.32；n＝8，ri＝1.41；n＝9，ri＝1.45；
[0091]
s58计算一致性比例cr＝ci/ri，当cr<0.1，认为矩阵的一致性是可以接受的，当cr>0.1，需要调整上述计算判断矩阵公式中的参数，直到通过一致性检验，确定最后的权重。
[0092]
s6：确定每个指标的权重后，根据物流园数据库的数据，设定每个指标的得分值计算；
[0093]
s61：预约顺序p
order
，设置最高得分p
max
和基础得分p
b
，根据每天的车辆入园数量n
num
，按预约位次n
w
越前，得分越高的原则，设定的得分值计算如下：
[0094][0095]
s62：客户类型p
type
，客户类型t分为三种，普通客户p
low
，优先客户p
mid
，重要客户p
high
，标号分别为1，2，3；三者的取货优先级依次递增，优先级越高，得分越高，设定的得分值计算如下：
[0096][0097]
s63：当天车辆取货重量的变异系数p
distribution
，计算每一个车辆取货重量q
i
和所以车辆取货重量均值的差，差值越接近0，得分在基础分上下浮动，当差值为正且离0越远时，证明取货重量远大平均数，得分将减少，安排在计划时间的后段，当差值为负数且离0越来越远，证明取货重量远小于平均数，得分将增加，安排在计划周期前段，设定的得分值计算如下：
[0098][0099]
s64：客户信用评价p
credit
，记录的违约的次数n
d
，α为可变参数，物流园企业可根据
实际的工作情况调整参数，从而调整客户信用评价得分值基数。设定的得分值计算如下：
[0100][0101]
s65：将每一辆车的得分值p
e
＝[p
order p
type p
distribution p
credit
]乘上对应的权重向量w，得到每一辆车的最终排队顺序得分值p，对应如下：
[0102]
p＝w*p
e
。
[0103]
s7：最后将所有车辆的排队顺序得分进行降序排列，得到车辆排队顺序表sc，按顺序给每辆车分配不同的时间段入园取货。
[0104]
具体实施例
[0105]
s1和s2从某钢铁厂云平台获取入园车辆总数量n
num
，车辆预约顺序y＝(y1,y2,
…
,y
n
)，车辆的取货重量k＝(k1,k2,
…
,k
n
),客户的类型t＝(t1,t2,..,t
n
),客户的信用评价c＝(c1,c2,
…
,c
n
)等数据；
[0106]
s3案例获取的数据是总车辆5，车辆预约顺序y＝(2,4,1,5,3)，车辆取货重量k＝(15,50,45,40,70),客户的类型t＝(1,3,1,1,2),客户的信用评价c＝(1,0,0,3,2)；
[0107]
s4设定非普通车辆的占比阈值n
set
，这里设定n
set
＝0.3；
[0108]
s4计算预约顺序和客户类型的两两重要性评分
[0109][0110]
s4计算取货重量的变异系数s
n
[0111][0112]
s4计算变异系数和预约顺序、客户类型的两两重要性评分
[0113][0114]
s4计算信用评价和其他指标间的两两重要性评分
[0115][0116]
s4得到的判断矩阵为
[0117][0118]
s5判断矩阵的最大特征值和特征向量为
[0119][0120]
s5验证判断矩阵的逻辑合理性，计算一致性比例cr值
[0121][0122]
通过一致性检验，构建的判断矩阵合理；
[0123]
s5归一化特征向量，得到权重向量w
[0124]
w＝[0.5470.28480.11040.0577]；
[0125]
s6根据数据，计算每辆车每一项的指标得分值p
e
[0126][0127]
s6计算每一辆车最终的总得分值
[0128]
p＝w*pe
＝
[83.92，83.87，85.29，73.01，80.71]；
[0129]
s7确定最后的排序s
[0130]
s＝三号车
→
一号车
→
二号车
→
五号车
→
四号车；
[0131]
s7根据钢铁厂的作业时间，分配每辆车的作业时间段，假设只有一个取货台的情况下：
[0132]
三号车8：00
‑
8：45一号车8：50
‑
9：05二号车9：10
‑
10：00五号车10：05
‑
11：15四号车11：20
‑
12：00
[0133]
本发明的有益效果在于：建立了物流园车辆入园的有序排队顺序，提高了入园取货效率，同时能提前发布给客户取货时间，减少客户等待时间，提升客户满意度。根据动态的权重调整步骤，可以根据物流园的数据进行权重指标的动态调整，增加整个系统的适用性。建立了客户信用评价体系，能规范企业和客户的行为，促进整个产业的良性循环。