CN104866997A - 一种用于车货在线配载的智能配对方法 - Google Patents

Abstract

本发明公开一种用于车货在线配载的智能配对方法，基于分词聚类空间方法充分考虑货主发布的货源信息和平台车辆信息，从多个维度对货主发布的货源信息进行分词，构造车辆信息聚类空间，通过浮动空间和模糊筛选，实现货源和车辆的在线智能配对；基于多属性决策模型将影响车辆选择的众多属性通过划分为相互联系的有序层次，使之条理化，根据车辆交易评价和平台的海量数据，对匹配车辆进行优化排序，使结果呈现更加直观。通过精确的大数据挖掘分析和复杂的模型算法较好地处理了以物流服务为交易对象的电子商务平台车货智能优化配对问题，使平台会员或其他会员能在无数车辆中快速、准确地找到最适合配载的车辆并做出符合自己需求的选择。

Description

一种用于车货在线配载的智能配对方法

技术领域

本发明涉及一种用于车货在线配载的优化智能配对方法，适用于物流电子平台从多个维度对货主发布的货源信息进行分词，构造车辆信息聚类空间，实现货源和车辆的在线智能配对，并对匹配车辆进行优化排序，属于智能配对技术领域。

背景技术

信息技术的不断发展，推动了电子商务与物流行业的深度结合，物流电子商务平台最大的特点就是实现在线找车和在线找货，然而要在平台海量车辆信息中快速、准确地找到合适的适配车辆是货主最关心的问题。现有物流电子商务平台大多照搬互联网搜索方法，分词体系的建立也相对不健全，无法客观、充分地反映货主发布的货源信息，对车辆信息的分类管理也不健全，无法实现快速准确的智能配对；此外大数据是物流电子商务平台的另一特点，货主发布货源信息后无法在海量的智能配对车辆中做出最优选择。因此，目前物流电子商务平台需要一种有利于用户快速、精准、客观、合理地选择车辆会员，从而提高运输效率的有效车货在线配载的智能配对方法。

发明内容

发明目的：针对现有物流电子商务平台车货智能配对方法中存在的问题与不足，在交易平台中的所有车辆信息及交易记录数据基础上，本发明提供一种基于分词聚类空间和多属性决策模型的车货在线配载智能配对方法及优化筛选模型。

技术方案：一种基于分词聚类空间和多属性决策模型的车货在线配载智能配对方法，适用于提供物流交易服务的电子商务平台中对车货进行智能配对。具体包括如下步骤：

(1)货源信息发布校检，并对货源信息进行层次分词

货主在线发布的货源信息一般必须包括：货物名称，货物类型，货物数量，重量，体积，车型要求，车长要求，启运地，目的地，装货时候，收货时间等，用从上至下层次分词法对货源信息进行分词，第一层信息为货物名称，第二层信息为货物类型、货物规格、货运时间和货运区间，第三层包括保鲜品、易碎品、危险品、常规品等货物类型属性，货物数量、重量、体积、包装等货物规格属性，装货时间、发车时间、到达时间、收货时间等货运时间属性，启运地、目的地等货运区间属性。

(2)平台数据库车辆信息提取，基于货源分词信息构造聚类空间

为确保车辆信息的真实性和安全性，平台录入的注册车辆信息一般包括车牌号，车辆类型，车厢长宽高，额定载重，购车日期，拖挂轮轴，发动机号，车辆照片等车辆基本信息，此外车辆可根据实际需要设定空车时间和行驶路线，以便在平台货源库快速寻找可运货源，提高货运效率。为了实现车货的智能配对，有必要针对货源信息划分车辆聚类空间，达到快速匹配的目的。基于货源第三层分词信息包括保鲜品、易碎品、危险品、常规品等货物类型属性，货物数量、重量、体积、包装等货物规格属性，装货时间、发车时间、到达时间、收货时间等货运时间属性，启运地、目的地等货运区间属性。确定车辆聚类空间子空间包括车型、载重、车长、发货时间、收货时间、启运地和目的地，聚类空间可以根据货源需求唯一确定一类车辆，实现智能配对。

(3)根据货源确定聚类空间浮动区间

一条货源信息包括确定的车型需求、载重需求、车长需求、发货时间需求、收货时间需求、启运地需求和目的地需求系列信息，但大多数车辆是不能同时满足这些精确需求的，因此某些信息会给定一个波动的可接受范围，比如载重量不小于50吨，收货时间为12：00-13:00之间等，车辆条件处于在这些浮动区间内的车辆都是满足货源需求的。浮动区间的可接受范围可以是货主自己设定也可以是平台根据车辆历史交易数据自动默认设定。

(4)模糊筛选，确定智能配对车辆方案集

根据货源信息和浮动区间，可以确定车辆信息聚类空间每个子空间的需求满足空间，凡是处于需求满足空间内或需求满足空间边缘的车辆都是满足要求的待选配对方案车辆，这些车辆构成平台智能配对车辆方案集。

(5)数据挖掘分析属性选取，确定待选方案车辆属性集

参考数据库和行业指标选取本平台需要的待选配对方案车辆的属性，根据待选配对方案车辆与各属性间的相互关系，对待选配对方案车辆进行智能排序和优化匹配。属性集：选取车龄、驾龄、运输准时性(准时到达和发车速度)、运输安全性(车辆参与的保障服务)、承运业务数、货损率和投诉次数七个评价指标作为影响方案的属性。

(6)属性集标准化处理

根据属性对待选配对方案车辆的影响来看，方案的属性有效益型和成本型两类。效益型属性其属性值越大越好，反之，成本型属性其属性值越小越好。并且各方案属性的量纲与量纲单位也不一样，因此必须对方案的各属性进行无量纲化处理，效益型属性与成本型属性的无量纲化处理如下：

效益型属性处理：b_ij＝(a_ij-a_j ^min)/(a_j ^max-a_j ^min)

成本型属性处理：b_ij＝(a_j ^max-a_ij)/(a_j ^max-a_j ^min)

其中，a_ij是方案i的第j个属性的属性值，b_ij是a_ij标准化处理后的值，a_j ^max是第j个属性P_j的最大值，a_j ^min是P_j的最小值。b_ij∈(0,1)，i＝1,2,...,m，j＝1,2,...,n，标准化矩阵B＝(b_ij)_m×n。

(7)进行多维分析，构建属性权重多元优化模型

考虑到信息反馈的有效性和信息处理的合理性，此处引入多元优化模型，从车辆交易评价和平台两个不同的维度，综合考量它们对待选配对方案车辆的不同影响，并在大数据分析的基础上对它们进行数理刻画。车辆交易评价和平台与货主的侧重点不同，因此对货主信誉的侧重点表现出不同的属性评价值。

①多元权重确定

为了减小单人偏好和认知局限对结果的影响，平台对所有货主对车辆各指标的历史评价打分进行加权平均，得出货主对车辆最直观的综合评价打分；为了减小单一维度评价带来的偏差，此处从另一个维度引入平台决策元---基于平台历史交易数据和交易行为对待选配对方案车辆进行补充评价打分。然后对打分进行标准化处理得到各属性的权重值，最后基于数据的完整性和真实性为两个决策元设置合理的重要程度系数。

两个维度确定的决策元T_k:k＝1,2；其中T₁代表承运人会员决策元，T₂代表平台决策元。

两个决策元赋值的属性权重为：w^k＝(w₁ ^k,w₂ ^k,...,w_n ^k)^T，k＝1,2

各决策元的重要程度为：z＝(z₁,z₂)^T，其中，z₁+z₂＝1，z_k≥0，k＝1,2。

②构建一元权重优化模型

考虑到车辆交易评价信息可能带有的主观因素，此处从主观权重确定法角度，综合大数据挖掘技术，构建属性权重优化模型如下：

$\min L_1=\underset{k=1}{\overset{2}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_k{(w_j-{w_j}^k)}^2$

$s.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1,w_j\≥0,j=1,2,...,n$

模型的含义是求得一个w_j，使得w_j和w_j ^k的总偏方差的平方和L₁最小。

③构建二元权重优化模型

为了尽量减小模型中人的因素，此处从客观权重确定法角度，对数据进行多维分析，构建属性权重优化模型如下：

G-minL＝(l₁,l₂,...l_m)

其中，a_j ^*＝max{a_1j,a_2j,...a_mj}为属性P_j的理想值，用等权线性加权法，可将模型简化为：

$\min L_2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{l}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2{w_j}^2$

$s.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1,w_j\≥0,j=1,2,...,n$

④合成单目标优化模型

将以上两个优化模型进行集成为G＝min(L₁,L₂)，并通过线性加权方法，将问题转化为如下的单目标优化模型：

$\min F=x\underset{k=1}{\overset{2}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_k{(w_j-{w_j}^k)}^2+y\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2{w_j}^2$

$s.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1,w_j\≥0,j=1,2,...,n$

x+y＝1，x＞0,y＞0

其中，x、y是多元优化模型的系数，表现为两者相对重要程度。通过构建拉格朗日函数，可得：

$w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j]$

其中， $c_j=1/[x+y\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2],d_j=x\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{z}_k{w_j}^k$

(8)求解属性权重

由于多个决策元(T_k:k＝1,2)对属性j的综合权重赋予值为：

$w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j],j=\mathrm{1,2},...,n$

属性权重多元优化模型的权重向量为：w^*＝[w₁,w₂,...w_j,...,w_n]，其中 $w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j]$

(9)待选配对方案车辆优化排序

待选配对方案车辆各属性相对评价矩阵为A^*＝(A_ij)_m×n＝Bw^*T

其中，A_ij为待选配对方案车辆i的第j个属性的最终权重值，B＝(b_ij)_m×n为属性集标准化矩阵。

则待选配对方案车辆i的相对评价

基于待选配对方案车辆的相对评价对待选配对方案车辆进行客观、合理的优化排序，能够使得货主优化更快速、更便捷、更合理的了解和选择适配货运车辆，极大地提高平台的货运效率。

有益效果：与现有技术相比，本发明适用于提供物流交易服务的电子商务平台中对车货进行智能配对。它的特点是从多个维度对货主发布的货源信息进行分词，构造车辆信息聚类空间，实现货源和车辆的在线智能配对；并将影响车辆选择的众多属性通过划分为相互联系的有序层次，使之条理化，根据车辆交易评价和平台的海量数据，对匹配车辆进行优化排序，使结果呈现更加直观。根据智能配对的优化排序结果，能够客观地获知车辆的综合运载情况，一定程度上解决了车货在线智能配对过程中某些信息不对称问题，使平台会员或其他会员能在无数车辆中快速、准确地找到最适合配载的车辆并做出符合自己需求的选择。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例的货源信息分词模型。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

(1)货源信息发布校检，并对货源信息进行层次分词

货主在线发布的货源信息一般必须包括：货物名称，货物类型，货物数量，重量，体积，车型要求，车长要求，启运地，目的地，装货时候，收货时间等，用从上至下层次分词法对货源信息进行分词如图2，第一层信息为货物名称，第二层信息为货物类型、货物规格、货运时间和货运区间，第三层包括保鲜品、易碎品、危险品、常规品等货物类型属性，货物数量、重量、体积、包装等货物规格属性，装货时间、发车时间、到达时间、收货时间等货运时间属性，启运地、目的地等货运区间属性。本实施例货源信息如表1：

表1 实施例货源信息表

货物名称	货物类型		保鲜品
				马鲛鱼	货物规格	数量	10箱
		重量	10吨
						体积	15m3
		包装	冷藏箱包装
					货运时间	发货时间	12:00±1h
		收货时间	20:00±1h
					货运区间	启运地	镇江惠龙港
		目的地	南京汉口路苏果超市

(2)平台数据库车辆信息提取，基于货源分词信息构造聚类空间

为确保车辆信息的真实性和安全性，平台录入的注册车辆信息一般包括车牌号，车辆类型，车厢长宽高，额定载重，购车日期，拖挂轮轴，发动机号，车辆照片等车辆基本信息，此外车辆可根据实际需要设定空车时间和行驶路线，以便在平台货源库快速寻找可运货源，提高货运效率。为了实现车货的智能配对，有必要针对货源信息划分车辆聚类空间，达到快速匹配的目的。基于货源第三层分词信息包括保鲜品、易碎品、危险品、常规品等货物类型属性，货物数量、重量、体积、包装等货物规格属性，装货时间、发车时间、到达时间、收货时间等货运时间属性，启运地、目的地等货运区间属性。确定车辆聚类空间子空间包括车型、载重、车长、发货时间、收货时间、启运地和目的地，聚类空间可以根据货源需求唯一确定一类车辆，实现智能配对。本实施例车辆信息聚类空间和浮动空间如表2：

表2 实施例车辆信息聚类空间与浮动空间

(4)模糊筛选，确定智能配对车辆方案集

根据货源信息和浮动区间，可以确定车辆信息聚类空间每个子空间的需求满足空间，凡是处于需求满足空间内或需求满足空间边缘的车辆都是满足要求的待选配对方案车辆，这些车辆构成平台智能配对车辆方案集。本实施例平台搜索到的满足条件的车辆有5辆，信息如下表3：

表3 实施例待选方案车辆方案集

(5)数据挖掘分析属性选取，确定待选方案车辆属性集

参考数据库和行业指标选取本平台需要的待选配对方案车辆的属性，根据待选配对方案车辆与各属性间的相互关系，对待选配对方案车辆进行智能排序和优化匹配。属性集：选取车龄、驾龄、运输准时性(准时到达和发车速度)、运输安全性(车辆参与的保障服务)、承运业务数、货损率和投诉次数七个评价指标作为影响方案的属性。本实施例待选方案车辆的相关属性信息如下表4：

表4 待选方案车辆方案属性信息表

	车龄	驾龄	准时性	安全性	业务数	货损率‰	投诉数
								A	5	9	一般	好	15	2	2
B	6	10	好	一般	20	1	1
								C	4	12	较好	好	18	2	3
D	7	8	一般	好	16	2	3
								E	5	15	一般	较好	30	1	4

(6)属性集标准化处理

根据属性对待选配对方案车辆的影响来看，方案的属性有效益型和成本型两类。效益型属性其属性值越大越好，反之，成本型属性其属性值越小越好。并且各方案属性的量纲与量纲单位也不一样，因此必须对方案的各属性进行无量纲化处理，效益型属性与成本型属性的无量纲化处理如下：

效益型属性处理：b_ij＝(a_ij-a_j ^min)/(a_j ^max-a_j ^min)

成本型属性处理：b_ij＝(a_j ^max-a_ij)/(a_j ^max-a_j ^min)

其中，a_ij是方案i的第j个属性的属性值，b_ij是a_ij标准化处理后的值，a_j ^max是第j个属性P_j的最大值，a_j ^min是P_j的最小值。b_ij∈(0,1)，i＝1,2,...,m，j＝1,2,...,n，标准化矩阵B＝(b_ij)_m×n。

根据上表4待选方案车辆属性信息表，各属性的量值有数量值和非数量值两类，其中非数量值必须进行数量化处理，才有比较的价值，本实施例非数量值的定量化处理如下表5：

表5 定量等级量化表

1	2	3	4	5	6	7	8	9
									最差	很差	差	较差	一般	较好	好	很好	最好

根据数量化处理后的属性集量值，可得待选方案车辆属性决策矩阵如下：

$A=\left[\begin{array}{ccccccc}5& 9& 5& 7& 15& 2& 2\\ 6& 10& 7& 5& 20& 1& 1\\ 4& 12& 6& 7& 18& 2& 3\\ 7& 8& 5& 7& 16& 2& 3\\ 5& 15& 5& 6& 30& 1& 4\end{array}\right]$

其中，车龄、驾龄、运输准时性(准时到达和发车速度)、运输安全性(车辆参与的保障服务)、承运业务数是效益型属性，属性值越大越好；货损率和投诉次数是成本型属性，属性值越小越好。对矩阵A进行标准化处理后，得到的标准化矩阵为：

$B=\left[\begin{array}{ccccccc}1/3& 1/7& 0& 1& 0& 1& 1/3\\ 2/3& 2/7& 1& 0& 1/3& 0& 0\\ 0& 4/7& 1/2& 1& 1/5& 1& 2/3\\ 1& 0& 0& 1& 0& 1& 2/3\\ 1/3& 1& 0& 1/2& 1& 0& 1\end{array}\right]$

(7)进行多维分析，构建属性权重多元优化模型

考虑到信息反馈的有效性和信息处理的合理性，此处引入多元优化模型，从车辆交易评价和平台两个不同的维度，综合考量它们对待选配对方案车辆的不同影响，并在大数据分析的基础上对它们进行数理刻画。车辆交易评价和平台与货主的侧重点不同，因此对货主信誉的侧重点表现出不同的属性评价值。

为了减小单人偏好和认知局限对结果的影响，平台对所有货主对车辆各指标的历史评价打分进行加权平均，得出货主对车辆最直观的综合评价打分；为了减小单一维度评价带来的偏差，此处从另一个维度引入平台决策元---基于平台历史交易数据和交易行为对待选配对方案车辆进行补充评价打分。然后对打分进行标准化处理得到各属性的权重值，最后基于数据的完整性和真实性设置重要程度系数。

本例对承运人会员和平台对各属性的打分进行加权平均，然后进行标准化处理得到：

车辆评价信息决策元赋值的属性权重为：

w¹＝(0.53,0.13,0.1,0.6,0.1,0.64,0.64)^T

平台决策元赋值的属性权重为：w²＝(0.2,0.2,0.4,0.75,0.15,0.9,0.4)^T

各决策元的重要程度为：z＝(0.45,0.55)^T。

(4)求解属性权重

为了使属性权重既包含主观偏好，又含有客观信息，可将主观权重优化模型和客观权重优化模型进行集成为G＝min(L₁,L₂)，并通过线性加权方法，将问题转化为如下的单目标优化模型：

$\min F=x\underset{k=1}{\overset{q}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_k{(w_j-{w_j}^k)}^2+y\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2{w_j}^2$

$s.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1,w_j\≥0,j=1,2,...,n$

x+y＝1，x＞0,y＞0

其中，x、y是多元优化模型的系数，表现为两者相对重要程度。现令x＝0.5,y＝0.5，通过构建拉格朗日函数，可得：

c＝(0.89,0.89,0.33,0.67,0.4,0.22,0.1)^T

d＝(0.15,0.1,0.11,0.31,0.06,0.38,0.25)^T

根据公式，则可求出同时反映承运人会员和平台信息的权重向量为：

w^*＝(0.23,0.19,0.07,0.28,0.07,0.11,0.04)^T

(9)待选配对方案车辆优化排序

待选配对方案车辆各属性相对评价矩阵为A^*＝(A_ij)_m×n＝Bw^*T

其中，A_ij为待选配对方案车辆i的第j个属性的最终权重值，B＝(b_ij)_m×n为属性集标准化矩阵。

则待选配对方案车辆i的相对评价

得到待选配对方案车辆的评价集于是有所以方案4是最优方案，即待选配对方案D是本实施例车货在线配载实现智能配对的最优配对车辆，其次为车辆C、车辆E、车辆A和车辆B，所以本实施例车货在线配载的智能配对结果如下表6：

表6 实施例车货在线配载的智能配对输出结果

Claims (1)

1.一种用于车货在线配载的智能配对方法，其特征在于，具体包括如下步骤：

(1)货源信息发布校检，并对货源信息进行层次分词

(2)平台数据库车辆信息提取，基于货源分词信息构造聚类空间

(3)根据货源确定聚类空间浮动区间

(4)模糊筛选，确定智能配对车辆方案集

(5)数据挖掘分析属性选取，确定待选方案车辆属性集

(6)属性集标准化处理

根据属性对待选配对方案车辆的影响来看，方案的属性有效益型和成本型两类；效益型属性与成本型属性的无量纲化处理如下：

效益型属性处理：b_ij＝(a_ij-a_j ^min)/(a_j ^max-a_j ^min)

成本型属性处理：b_ij＝(a_j ^max-a_ij)/(a_j ^max-a_j ^min)

其中，a_ij是方案i的第j个属性的属性值，b_ij是a_ij标准化处理后的值，a_j ^max是第j个属性P_j的最大值，a_j ^min是P_j的最小值；b_ij∈(0,1)，i＝1,2,...,m，j＝1,2,...,n，标准化矩阵B＝(b_ij)_m×n；

(7)进行多维分析，构建属性权重多元优化模型

①多元权重确定

为了减小单人偏好和认知局限对结果的影响，平台对所有货主对车辆各指标的历史评价打分进行加权平均，得出货主对车辆最直观的综合评价打分；为了减小单一维度评价带来的偏差，此处从另一个维度引入平台决策元---基于平台历史交易数据和交易行为对待选配对方案车辆进行补充评价打分。然后对打分进行标准化处理得到各属性的权重值，最后基于数据的完整性和真实性为两个决策元设置合理的重要程度系数；

两个维度确定的决策元T_k:k＝1,2；其中T₁代表承运人会员决策元，T₂代表平台决策元；

两个决策元赋值的属性权重为：w^k＝(w₁ ^k,w₂ ^k,...,w_n ^k)^T，k＝1,2

各决策元的重要程度为：z＝(z₁,z₂)^T，其中，z₁+z₂＝1，z_k≥0，k＝1,2；

②构建一元权重优化模型

构建属性权重优化模型如下：

$\begin{array}{cc}\min & L_1=\underset{k=1}{\overset{2}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_k{(w_j-{w_j}^k)}^2\end{array}$

$\begin{array}{ccc}s.t.& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1& w_j\≥0\end{array},j=\mathrm{1,2},...,n$

模型的含义是求得一个w_j，使得w_j和w_j ^k的总偏方差的平方和L₁最小。

③构建二元权重优化模型

构建属性权重优化模型如下：

G-minL＝(l₁,l₂,...l_m)

其中，a_j ^*＝max{a_1j,a_2j,...a_mj}为属性P_j的理想值，用等权线性加权法，可将模型简化为：

$\begin{array}{cc}\min & L_2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{l}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2{w_j}^2\end{array}$

$\begin{array}{ccc}s.t.& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1& w_j\≥0\end{array},j=\mathrm{1,2},...,n$

④合成单目标优化模型

将以上两个优化模型进行集成为G＝min(L₁,L₂)，并通过线性加权方法，将问题转化为如下的单目标优化模型：

$\begin{array}{cc}\min & F=x\underset{k=1}{\overset{2}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_k{(w_j-{w_j}^k)}^2+y\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2{w_j}^2\end{array}$

$\begin{array}{ccc}s.t.& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j=1& w_j\≥0\end{array},j=\mathrm{1,2},...,n$

x+y＝1，x＞0,y＞0

其中，x、y是多元优化模型的系数，表现为两者相对重要程度。通过构建拉格朗日函数，可得：

$w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j]$

其中， $c_j=1/[x+y\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({a_j}^{*}-a_{\mathrm{ij}})}^2],d_j=x\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{z}_k{w_j}^k$

(8)求解属性权重

由于多个决策元(T_k:k＝1,2)对属性j的综合权重赋予值为：

$w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j],j=\mathrm{1,2},...,n$

属性权重多元优化模型的权重向量为：w^*＝[w₁,w₂,...w_j,...,w_n]，其中 $w_j=c_j[d_j+(1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{d}_j)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j]$

(9)待选配对方案车辆优化排序

待选配对方案车辆各属性相对评价矩阵为A^*＝(A_ij)_m×n＝Bw^*T

其中，A_ij为待选配对方案车辆i的第j个属性的最终权重值，B＝(b_ij)_m×n为属性集标准化矩阵。

则待选配对方案车辆i的相对评价