一种基于改进K-means聚类算法的卷烟自提点选址方法及系统技术方案

本发明专利技术公开了一种基于改进K

【技术实现步骤摘要】
一种基于改进K
‑
means聚类算法的卷烟自提点选址方法及系统


[0001]本专利技术属于设施选址领域，具体涉及一种自提点选址。

技术介绍

[0002]随着电子商务、移动互联网等新兴业态的发展，物流配送在现代商业活动中扮演着越来越重要的角色，在此情形下，近些年来各省市的烟草公司也逐渐开始通过建立区域物流中心来实现对各级商户的配货、管理等。
[0003]但是想要全面实现直接配送到户的区域物流中心还是相对来说比较困难，特别是对于一些地广人稀、网点分布分散、配送范围大、运输距离长的偏远地区，配送路线固化且缺乏弹性，配送路线分配不均衡，难以满足当前业务的需要。基于固定路线下的弹性配送，卷烟配送人员长期服务某一片区卷烟零售户，有可能存在部分配送人员参与卷烟市场窜货、大户控制小户等扰乱正常市场秩序的行为，容易滋生廉洁问题。
[0004]而建立自提点不仅可以节约配送成本，降低对配送员的依赖性，还可以减少由于特殊情况，如天气状况恶劣、对路线不熟悉等原因导致商家拿货不及时的问题。建立卷烟自提点给予商家更多的选择，提高了经营的灵活性。
[0005]K
‑
means聚类算法是一种无监督学习算法，作为选址方法中的一种，其具有收敛速度较快、聚类效果较好等优点，但是其存在k值选择是随机的问题，由于K
‑
means要采用一种启发式的迭代求解方法，k个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响，因此需要选择合适的k个质心，最好这些质心不能太近。同时，传统的K
‑
means聚类算法是按照距离的相似性进行聚类，例如欧氏距离、曼哈顿距离、切比雪夫距离等，但均未考虑实际的情况。

技术实现思路

[0006]本专利技术针对现有技术存在的问题，提供了将K
‑
means聚类算法中的距离函数与社会经济指标及空间指标相结合，来进行自提点选址，更符合实际问题。
[0007]为了达到上述专利技术目的，本专利技术采用以下技术方案：
[0008]一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，方法包括步骤：
[0009]S1、获取多个商家交易信息，所述商家交易信息包括订单价格、需求量和位置信息；
[0010]S2、基于各商家的订单价格、需求量，对各商家进行打分以作为第一优质选址参数，同时基于预设个数的待选自提点信息和各商家位置信息，生成各商家与多个待选自提点的距离信息，作为第二优质选址参数；
[0011]S3、对第一优质选址参数数据、第二优质选址参数进行加权计算，以得到将修正距离参数，基于修正距离参数，运用k
‑
means聚类算法综合分析评估，以得到与各待选自提点对应的评估结果；
[0012]S4、对比各预设待选自提点的评估结果选择最优自提点。
[0013]优选地，步骤S2所述打分是通过熵权法实现。
[0014]优选地，所述通过熵权法进行打分具体包括：
[0015]S2.1、分别对各商家所对应的订单价格、需求量数据进行归一化处理；
[0016]S2.2、基于归一化处理后的数据，遍历计算各商家的订单价格、需求量占总商家订单价格、需求量的比重；
[0017]S2.3、基于各商家的订单价格、需求量比重，综合计算权重；
[0018]S2.4、基于权重数据得到各个商家的物流水平得分，以作为第一优质选址参数。
[0019]优选地，所述步骤S2.4中，第一优质选址参数计算式如下：
[0020][0021]其中，P
ij
表示订单价格总权重和需求量总权重之和，W
j
表示各商家的订单价格权重或各商家需求量的权重，m表示商家总个数。
[0022]优选地，所述步骤S2，生成的距离信息具体为：
[0023]基于商家位置信息、自选点位置信息，采用传统的欧式距离函数计算各商家与自选点之间的位置距离。
[0024]优选地，步骤S3所述修正距离参数计算式为：
[0025][0026]其中，x
i
表示第i个商家，x
i
表示第j个商家，表示第i个商家与第j个商家间距离的平方数，z
i
表示第i个商家的物流得分，z
j
表示第j个商家的物流得分，μ表示固定参数。
[0027]优选地，步骤S3中，运用k
‑
means聚类算法进行综合数据分析评估前，还对各商家修正的距离参数的数据采用手肘法进行归类聚合处理。
[0028]优选地，所述手肘法的计算公式为：
[0029][0030]其中，i表示各商家与自选点之间的位置距离数被划分的区段个数，c
i
是的各商家与自选点之间的位置距离被划分的第i个区段，p表示各商家与自选点之间的位置距离数，m
i
是各商家与自选点之间的位置距离数的质心，SSE是各商家与自选点之间的位置距离数据的聚类误差值。
[0031]优选地，所述步骤S3，具体包括：
[0032]S3.1、随机选择若干个归类聚合后的商家数据，作为初始中心点；
[0033]S3.2、遍历计算各待选自提点与初始中心点的距离，并将该数据点归到与其距离最近的中心点所在的簇；
[0034]S3.3、对于每个簇，计算其所有数据点的均值，作为该簇的新中心点；
[0035]S3.4、重复步骤S3.2和S3.3，直到簇的中心点不再发生变化，或者达到预设的最大迭代次数。
[0036]一种基于改进K
‑
means聚类算法的卷烟自提点选址系统，包括商家交易信息模块、待选自提点模块、数据处理模块、最优自提点输出模块；所述交易信息模块包括订单价格单元、需求量单元、位置信息单元；所述数据处理模块包括第一优质选址参数计算单元、第二优质选址参数计算单元，还包括依次连接的修正距离参数计算单元、k
‑
means聚类算法计算单元，所述第一优质选址参数计算单元分别与订单价格单元、需求量单元、修正距离参数计算单元连接，所述第二优质选址参数计算单元分别与位置信息单元、自提点信息模块、修正距离参数计算单元连接；所述k
‑
means聚类算法计算单元与最优自提点输出模块连接。
[0037]所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法及系统与现有的技术相比具有如下的优点和显著的效果：
[0038]一、本专利技术为物流中心提供了一种新的自提点选取方法，给予商家上门配送或自提的选择，进而增加商家经营的灵活性，从而提高客户的满意度；
[0039]二、本专利技术在选址上充分的结合实际情况，引入的第一优质选址参数充分考量了商家的现实经济指标，实现按需分配，按业绩给与商家便利，符合经济价值；同时考虑距离函数，做到了两者兼顾，满足商家对地理位置的需求。
[0040]三、本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，包括步骤：S1、获取多个商家交易信息，所述商家交易信息包括订单价格、需求量和位置信息；S2、基于各商家的订单价格、需求量，对各商家进行打分以将打分结果作为第一选址参数，同时遍历选取两个商家位置信息，生成对应的距离信息，作为第二选址参数；S3、对第一选址参数数据、第二选址参数进行加权计算，以得到将修正距离参数，基于修正距离参数，采用手肘法评估所有距离数据的聚类簇数；S4、基于聚类簇数、修正距离参数，运用k
‑
means聚类算法以综合分析评估以得到多个自提点选址结果信息。2.根据权利要求1所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，步骤S2所述打分是通过熵权法实现。3.根据权利要求2所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，所述通过熵权法进行打分具体包括：S2.1、分别对各商家所对应的订单价格、需求量数据进行归一化处理；S2.2、基于归一化处理后的数据，遍历计算各商家的订单价格、需求量占总商家订单价格、需求量的比重；S2.3、基于各商家的订单价格、需求量比重，综合计算权重；S2.4、基于权重数据得到各个商家的得分，以作为第一选址参数。4.根据权利要求3所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，所述步骤S2.4中，第一选址参数计算式如下：其中，P
ij
表示订单价格总权重和需求量总权重之和，W
j
表示各商家的订单价格权重或各商家需求量的权重，m表示商家总个数。5.根据权利要求1所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，所述步骤S2中，生成距离信息具体为：基于商家位置信息，采用传统的欧式距离函数计算所选取的两个商家间的位置距离。6.根据权利要求5或6所述的一种基于改进K
‑
means聚类算法的卷烟自提点选址方法，其特征在于，步骤S3中，所述修正距离参数计算式为：其中，x
i
表示第i个商家，x
i
表示第j个商家，...

【专利技术属性】
技术研发人员：鲁建厦，季鑫，邵益平，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：