【技术实现步骤摘要】
一种基于混合聚类算法进行物流中心选址的方法
[0001]本专利技术属于选址问题与数据挖掘交叉领域,具体涉及一种基于混合聚类算法进行物流中心选址的方法
。
技术介绍
[0002]目前生鲜
、
冷链等配送要求极高的时效性,对物流配送业提出了更高的标准,使得各大物流配送公司不断改进自己的配送路线与方式方法
。
物流中心是快件在整个过程中的关键中心,有着承上启下的核心作用,合适的物流中心可以使得快件在中转
、
运输
、
配送的过程中消耗较低的经济成本与时间成本,提高效率
。
[0003]物流中心选址与其他传统选址问题不同,根据物流的架构,一般分为四级配送:第一级是智能仓库,是最大的仓储中心,仓储着几乎所有可以运输的商品;第二级是省市级物流中心,负责进行中转
、
运输本省市的快件;第三级是区域内的配送站点,负责本区域内所有快件的调度;第四级是基层内的物流站点,由快递小哥负责短距离的配送
。
然而物流配送中心的建立投资巨大,不同的决策者可能会有不同的结果,若主观决策则可能造成较大的资源浪费,数据挖掘领域的聚类就是重要的辅助决策技术之一,通过挖掘出已存在的各站点坐标,应用聚类算法,距离为主要影响因素,挖掘出内在的隐含联系,建设合理的物流中心数量,减少路径配送时间与距离成本,提高平台的效率与利润,增加用户满意度,进一步减轻城市交通拥堵问题
。
[0004]近些年,站点选址问题受到了许多研究人员的研究 ...
【技术保护点】
【技术特征摘要】
1.
一种基于混合聚类算法进行物流中心选址的方法,其特征在于,包括以下步骤:步骤
1、
提出一种基于密度和距离的混合聚类应用方法
MS
‑
DPC
,将
MeanShift
算法的寻找密度极值点的过程与
DPC
算法分配非密度极值点的过程结合起来,控制聚类的数量;步骤
2、
预处理坐标数据,对物流中心数据进行数据清洗,主要保留属性有位置信息
、
快件饱和量
、
吞吐量;步骤
3、
根据应用数据,借用第三方地图平台,得到真实路网站点距离
n
×
n
数据矩阵,记作
A
=
(a
ij
)
m
×
n
,其中
n
代表物流中心的数量,
a
ij
代表第
i
站点与第
j
站点的真实路网距离;步骤
4、
根据步骤1提出来的方法,结合真实路网站点距离
n
×
n
数据矩阵
A
,代替高斯核函数中的欧氏距离,得到
ND
个聚类密度极值点,即
Ψ
=
{dep1,dep2,
…
,dep
ND
}
;其中,
dep(p)
代表第
p
个密度极值点;步骤
5、
建立聚类密度极值点和最大快件数量数据的联合模型,通过使用最大化算法,使得快件数量在阈值
T
内最大化的同时,站点到该密度极值点的距离之和最小;使
MS
‑
DPC
不仅考虑快件数量因素,还充分考虑真实情况下的路径,而不单单是地理位置邻近;步骤6:将处理后的
MS
‑
DPC
算法与联合模型融合,通过模型训练与测试,最终得到物流中心地址的预测结果
。2.
根据权利要求1所述的一种基于混合聚类算法进行物流中心选址的方法,其特征在于,步骤1分级聚类应用方法包括如下:步骤1‑1:给定一个含有
n
个点的
d
维空间
R
d
的数据集
X
=
{x1,x2,
…
x
n
}
,随机选择一个点
x
,以
x
为中心的
d
维球体,假设球体内除
x
外有
m
个点,
x
为起点,球体内的
m
个点
x
i
为终点,建立
m
个向量,将
m
个向量相加,得到
Mean shift
向量,那么
Mean shift
向量的基本形式为其中
M
表示向量,
x
i
表示一个点的位置坐标,
S
k
是一个半径为
r
的高维球区域,
h
是可根据数据集密集程度调整的参数,
k
表示有
k
个点落入
S
k
区域中,
Mean shift
向量为区域内的点到原点的向量和;步骤1‑2:对
center
(t+1)
=
center
(t)
+shift
(t)
,
center
(t)
是
t
时刻的
Mean shift
向量,以
t
时刻的
Mean shift
向量的终点为原点,做一个半径为
r
的高维球区域,重复以上步骤,得到一个新的
Mean shift
向量
shift
(t)
,两个向量相加得到
t+1
时刻的
Mean shift
向量,终点为
center
(t+1)
;经过多次迭代,
Mean shift
算法可以收敛到概率密度最大的地方,设该点为密度极值点
dep
;步骤1‑3:加入高斯核函数到基本的
Mean shift
向量中,则原向量形式变形为其中是高斯核函数,受带宽
h
与距离的影响,带宽
h
越小,距离越近,函数值越大;步骤1‑4:将高斯核函数中的欧式距离改为自适应距离,利用
DBSCAN
算法的密度可达概念:样本
X
在核心样本
Y
的邻域内,则称
Y
到
X
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。