机构名称：
¥ 1.0
这项研究的目的是在货物货车途径问题中引起的组合选择问题。在这项研究中，提出的解决组合优化概率的方法包括多个阶段：数据清洁，数据预处理，K-NN和无能的车辆路由问题模型。结果表明，机器学习方法可以优化组合选择问题问题，尤其是在产生车辆路线点和交付能力时。通过考虑纬度和经度点来确定车辆路线的炭化。本研究构建了一个框架，并将其实现在多级优化模型中，以减少由不平衡的多种分类而导致的过度拟合和错误分类结果，这是由于“节点”对车辆路线的影响，并通过机器学习对车辆路线的影响。该模型的目的通常是了解问题中的机甲nism，以便它可以基于Jalur Nugraha Ekakurir交付路线对不平衡的车辆路线数据进行分类。因此，借助模型可以是基于货物运输数量的容量限制来确定车辆路线的模型。使用机器学习模型和测试k值的车辆路由问题的研究结果11，13，15。其具有k = 11精度的百分比为57.3265％，k = 13精度为57.3265％，k = 15精度为81.8645％。与奇数k值的测试结果相比，K 15 K = 15值更好，而K 11 K = 11，而13 k = 13，k 15 k = 15。结果，开发的模型在Cavaci Ty车辆路由问题模型的准确性方面的准确性为93.80％，时间序列的平均预期为93.31％，召回率为93.80％。获得的结果对于开发更现代的模型，机器学习>的车辆路线问题
车辆路由问题优化...
主要关键词
相关文件推荐
