رویکرد رگرسیون خطی حداقل مربعات فازي برای تعیین تقاضای اتفاقی در مساله مسیریابی وسیله نقلیه

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

رویکرد رگرسیون خطی حداقل مربعات فازي برای تعیین تقاضای اتفاقی در مساله مسیریابی وسیله نقلیه

عنوان لاتین

Fuzzy Least-Squares Linear Regression Approach to Ascertain Stochastic Demand in the Vehicle Routing Problem

برآورد تقاضاي تصادفي در توزيع فيزيكي به صورت عمومی و کار آمد در مديريت خطوط حمل و نقل در حال ظهور به عنوان يكي از عوامل مهم در حوزه برنامه ريزي شهري می باشد. این موضوع در بعضی از شهرداری ها مانند تهران بسیار مهم است، که یک مدیریت تقاضای هماهنگ مستلزم یک تحلیل واقع بینانه از سیستم مسیریابی می باشد. این روش به طور انتقادی به بررسی رویکرد رگرسیون خطی حداقل مربعات فازی (FLLR) برای تخمین تقاضا های تصادفی در مسئله مسیریابی خودرو (VRP) با توجه به ترتیبات ترجیحات مشتری می پردازد. یک روش FLLR برای حل مسئله VRP با تقاضای تصادفی پیشنهاد شده است: برآوردگر تقریبی فاصله حداقل مربعات فازی فازی (ADFL) ، برآوردگر ADFL برای داده های اصلی گرفته شده از مورد مطالعه به کار گرفته شده است. مقادیر SSR برآوردگر ADFL و تقاضای واقعی بدست آمده و سپس با مقادیر SSR تقاضای اسمی و تقاضای واقعی مقایسه شده است. نتایج تجربی نشان داد که روش پیشنهادی می تواند در حل مشکلات دارای شرایط مبهم و نامناسب بودن رتبه بندی ها به کار برده شود. نتایج بیشتر نشان داد که استفاده از برآورد کننده ADFL برای برطرف کردن چالشهای تقاضای تصادفی در مدیریت سیستم مسیریابی خودرو و حل مسائل مرتبط با آن واقع بینانه و کارآمد بوده است.

Estimation of stochastic demand in physical distribution in general and efficient transport routs management in particular is emerging as a crucial factor in urban planning domain. It is particularly important in some municipalities such as Tehran where a sound demand management calls for a realistic analysis of the routing system. The methodology involved critically investigating a fuzzy least-squares linear regression approach (FLLRs) to estimate the stochastic demands in the vehicle routing problem (VRP) bearing in mind the customer's preferences order. A FLLR method is proposed in solving the VRP with stochastic demands: approximate- distance fuzzy least-squares (ADFL) estimator ADFL estimator is applied to original data taken from a case study. The SSR values of the ADFL estimator and real demand are obtained and then compared to SSR values of the nominal demand and real demand. Empirical results showed that the proposed method can be viable in solving problems under circumstances of having vague and imprecise performance ratings. The results further proved that application of the ADFL was realistic and efficient estimator to face the stochastic demand challenges in vehicle routing system management and solve relevant problems.