一种基于时间序列预测与层次分析的路线规划方法技术

本发明专利技术公开了一种基于时间序列预测与层次分析的路线规划方法，所述方法根据当前状态与预测状态结合进行多步预测，实现路线的规划，其实现结构包括：目标层、准则层、时效性优化层、方案层，其中准则层和时效性优化层是同步进行的，时效性优化层只影响最终的数据层面。本发明专利技术方法通过在准则层对于一些具有时效性的准则进行预测，一方面解决了难以完全定量的复杂系统难以做出决策的问题，另一方面解决了多准则中某些准则具有时效性而导致决策不够优的问题，提高了对于一些难以完全定量并且某些准则具有时效性的复杂系统决策的最优率。

【技术实现步骤摘要】
一种基于时间序列预测与层次分析的路线规划方法
本专利技术涉及优化推荐
，具体提供一种基于时间序列预测与层次分析的路线规划方法。
技术介绍
时间序列是某个时间段或者某些时间点对应的不同数值的数值对，这些数值对只有两个具体数据：时间要素、数值要素。时间要素可以是某一个时间段或者某一个时刻。例如一个杂货铺一周(七天)的销售额为时间段的时间要素，而一天二十四小时每个整点所对应的气温为时间点的时间要素。这些时间序列都直接或者间接的反应者某种事物的发展变化趋势与状态，也就是时间序列变化的背后必然蕴藏着非直观的某种变换规律，通过对这些时序数据分析能够解释变化的内在原因，为预测和决策提供可靠的数据支持。时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。但是无法提供一种解决方案或者决策。时间序列预测ARMA(p，q)模型中包含了p个自回归项和q个移动平均项，ARMA(p，q)模型可以表示为：式中符号：p和q是模型的自回归阶数和移动平均阶数；φ和θ是不为零的待定系数；εt独立的误差项；Xt是平稳、正态、零均值的时间序列。层次分析(AHP)是将决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。这种方法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。以假期旅游为例：假如有3个旅游胜地A、B、C供你选择，你会根据诸如景色、费用和居住、饮食、旅途条件等一些准则去反复比较这3个候选地点。首先，你会确定这些准则在你的心目中各占多大比重，如果你经济宽绰、醉心旅游，自然分别看重景色条件，而平素俭朴或手头拮据的人则会优先考虑费用，中老年旅游者还会对居住、饮食等条件寄以较大关注。其次，你会就每一个准则将3个地点进行对比，譬如A景色最好，B次之；B费用最低，C次之；C居住等条件较好等等。最后，你要将这两个层次的比较判断进行综合，在A、B、C中确定哪个作为最佳地点。其中准则层的定量信息存在一定的过时性，对于一些对时效性和前瞻性要求较高的场景无法适用，例如，我将在三个小时候出行，那么此时做出的决策就没有前瞻性。注：自适应差分处理：一个非平稳时间序列接受了d次差分处理并成为平稳序列。根据实际的时间序列自动递增d，直到时间序列成为平稳序列或者当d超出设定的临界值，则数据处理失败。时序数据：时序数据是指时间序列数据。时间序列数据是同一统一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的，要求具有可比性。时序数据可以是时期数，也可以时点数。时效性准则：是指同一件事物在不同的时间具有很大的性质上的差异，我们管这个差异性叫时效性。ARMA模型：自回归滑动平均模型(英语：Autoregressivemovingaveragemodel，简称：ARMA模型)。是研究时间序列的重要方法，由自回归模型(简称AR模型)与移动平均模型(简称MA模型)为基础“混合”构成。
技术实现思路
本专利技术的技术任务是针对上述存在的问题，解决综合花费以及用户偏好设置的路线规划过程中存在具有时效性因子而导致路线规划不符合预期的情况，提供一种基于时间序列预测与层次分析的路线规划方法，为多目标、多准则并且准则具有时效性或无结构特性的复杂决策问题提供简便的决策方法，尤其适合于对决策结果难于直接准确计量的场合。为实现上述目的，本专利技术提供了如下技术方案：一种基于时间序列预测与层次分析的路线规划方法，所述方法根据当前状态与预测状态结合进行多步预测，实现路线的规划，其实现结构包括：目标层、准则层、时效性优化层、方案层，其中准则层和时效性优化层是同步进行的，时效性优化层只影响最终的数据层面，对于整个过程的模型构建没有影响。本专利技术的优化之处主要是对于类似于交通状况这种具有时效性的准则，解决时效性准则打分失效的问题。所述实现内容包括：1)对于动态添加的准则进行量化处理；2)对于具有时效性的准则的过往数据进行ARMA模型处理，产生预测的准则数据，保证方案的决策不会因为时效性准则的数据过期而导致决策最优率下降；3)根据以往数据进行预测，自动进行打分。所述方法实现步骤如下：步骤1：确定目标层：根据应用场景不同，确定将要决策的目标；步骤2：动态添加准则层：根据添加的准则，自动构建准则序列，生成准则向量，构建准则层模型；步骤3：时效性优化层：根据准则层是否包含具有时效性的准则进行分析处理；步骤4：决策层进行决策，根据生成的权重排序从而选择最佳的规划方案。所述步骤3中，当包含具有时效性的准则时处理步骤包括：1)将具有时效性的准则的原始数据转换成时序数据；2)进行空值处理；3)进行数据的平稳性处理(自适应差分处理)；4)进行ARMA模型的自动构建；5)进行数据预测，将数据落入到自定义的打分区间。当不包含具有时效性的准则时：以常规的层次分析进行处理。所述方法旅游路线模型构建过程包括：1)首先确定目标层，为用户A选择最佳的旅游路线方案；2)准则层确定，根据用户选择r1，r2，r3(为了描述方便，此处以及下面将各个准则进行简记)，确定准则层包含r1，r2，r3；3)r1属于时效性准则，对r1具有时效性优化，利用优化层对其进行优化；4)现有路线为l1，l2，l3，则备选方案为：l1，l2，l3。5)进行决策计算。所述方法根据景色、费用以及交通拥堵情况进行两两比较，得出相应的对比矩阵，根据个人喜好进行打分，确定准则层。所述方法根据时间序列预测，进行打分处理，确定时序准则优化层，所述时间序列预测过程如下：1)取出以往该几个路线的路况因子的历史数据；2)进行去空处理；3)根据数据进行自差分处理，进行数据的平稳性处理；4)根据ARIMA模型，依据公式Yi＝βi1X1i+βi2X2i+βi3X3i自动构建，其中Xji为对路况具有影响的影响因素，时间序列表达式则为：与现有技术相比，本专利技术一种基于时间序列预测与层次分析的路线规划方法具有以下突出的有益效果：本专利技术方法通过在准则层对于一些具有时效性的准则进行预测，一方面解决了难以完全定量的复杂系统难以做出决策的问题，另一方面解决了多准则中某些准则具有时效性而导致决策不够优的问题，提高了对于本文档来自技高网...

【技术保护点】
1.一种基于时间序列预测与层次分析的路线规划方法，其特征在于，所述方法根据当前状态与预测状态结合进行多步预测，实现路线的规划，其实现结构包括：目标层、准则层、时效性优化层、方案层，其中准则层和时效性优化层是同步进行的，时效性优化层只影响最终的数据层面。/n

【技术特征摘要】
1.一种基于时间序列预测与层次分析的路线规划方法，其特征在于，所述方法根据当前状态与预测状态结合进行多步预测，实现路线的规划，其实现结构包括：目标层、准则层、时效性优化层、方案层，其中准则层和时效性优化层是同步进行的，时效性优化层只影响最终的数据层面。


2.根据权利要求1所述的一种基于时间序列预测与层次分析的路线规划方法，其特征在于，所述实现内容包括：
1)对于动态添加的准则进行量化处理；
2)对于具有时效性的准则的过往数据进行ARMA模型处理，产生预测的准则数据，保证方案的决策不会因为时效性准则的数据过期而导致决策最优率下降；
3)根据以往数据进行预测，自动进行打分。


3.根据权利要求2所述的一种基于时间序列预测与层次分析的路线规划方法，其特征在于，所述方法实现步骤如下：
步骤1：确定目标层：根据应用场景不同，确定将要决策的目标；
步骤2：动态添加准则层：根据添加的准则，自动构建准则序列，生成准则向量，构建准则层模型；
步骤3：时效性优化层：根据准则层是否包含具有时效性的准则进行分析处理；
步骤4：决策层进行决策，根据生成的权重排序从而选择最佳的规划方案。


4.根据权利要求3所述的一种基于时间序列预测与层次分析的路线规划方法，其特征在于，所述步骤3中，当包含具有时效性的准则时处理步骤包括：
1)将具有时效性的准则的原始数据转换成时序数据；
2)进行空值处理；
3)进行数据的平稳性处理；
4)进行...

【专利技术属性】
技术研发人员：石梦飞，江磊，陈磊，张乾坤，马肖，
申请(专利权)人：山东汇贸电子口岸有限公司，
类型：发明
国别省市：山东;37