基于Shapley值的冷链物流检测信息特征组合定价研究

发布时间：2023-10-27 20:07

　　为提高物流决策效率和品质,统计机器学习和数据定价分析作为新兴技术手段,能够为物流决策优化和有价值的数据共享过程带来新的视角和应用。例如,银行为冷链物流企业提供贷款业务前,购买关于冷链物流企业的数据来分析企业的经营能力,这一过程中需对交易的冷链检测信息数据进行定价。但因这类数据具有多样、数量繁多、价值不清晰等特点,通常冷链数据的价格难以有效确定。因此,本文针对冷链检测数据,提出基于Shapley值的冷链物流检测信息特征组合定价模型,解决冷链水产品货架期预测、冷链水产品智能分拣场景中的数据特征贡献分配及动态数据的定价问题。主要工作及创新如下:(1)针对冷链数据特征的重要性问题,研究了冷链检测数据机器学习中的特征选择模型。基于交叉验证的递归特征消除思想,结合特征排列组合,并考虑预测准确度,设计冷链检测信息的特征选择方法。研究了基于Shapley值的特征贡献分配问题,将特定实例的预测结果与数据集的平均预测值之差作为该实例的特征收益,对于局部解释,通过绘制两个随机实例来模拟特征的“缺席”与否,计算特征在特定实例的边际贡献,并将绝对值的均值视为该特征在数据集中的全局贡献。(2)在冷链物流仿真模型基...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究目的
        1.1.3 研究意义
    1.2 拟解决问题
    1.3 创新点
    1.4 论文结构
第2章 相关理论与文献综述
    2.1 文献综述
        2.1.1 冷链物流及冷链信息化系统研究现状
        2.1.2 基于机器学习的冷链物流智能决策支持
        2.1.3 基于Shapley值的分配算法研究现状
        2.1.4 冷链检测信息数据定价研究现状
    2.2 相关理论
        2.2.1 特征选择
        2.2.2 Shapley值
        2.2.3 货架期
    2.3 本章小结
第3章 冷链物流检测数据的货架期预测特征选择
    3.1 概述
    3.2 基于冷链物流检测数据的货架期预测流程分析
    3.3 基于冷链物流检测数据的货架期预测特征选择
        3.3.1 随机森林算法
        3.3.2 交叉验证的递归特征消除
        3.3.3 基于CV-RFE与排列组合的特征选择方法
    3.4 数值实验
        3.4.1 数据描述
        3.4.2 仿真实验
        3.4.3 实验结果
    3.5 本章小结与管理启示
第4章 基于Shapley值的冷链智能分拣预测系统应用
    4.1 冷链物流检测数据特征价值分配流程分析
    4.2 冷链智能分拣预测系统案例背景分析
    4.3 基于Shapley值的冷链物流检测数据价值分配
        4.3.1 机器学习算法的Shapley值
        4.3.2 近似Shapley值算法
    4.4 数值实验与实验结果
        4.4.1 数据来源
        4.4.2 实验结果
    4.5 本章小结与管理启示
第5章 冷链物流检测信息数据的动态交易定价
    5.1 问题描述
    5.2 模型基础
        5.2.1 符号说明
        5.2.2 假设条件
        5.2.3 定价分析
    5.3 建立模型
        5.3.1 乘权更新
        5.3.2 参数求解
        5.3.3 算法设计
    5.4 仿真实验
    5.5 本章小结与管理启示
第6章 结论与展望
    6.1 结论与管理启示
        6.1.1 结论
        6.1.2 管理启示
    6.2 展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3857187