基于学习的锯木厂选址多准则决策模型
机器学习
2026-04-08 v1
摘要
战略性地选址锯木厂对于提升木材供应链的效率、盈利能力和可持续性至关重要。我们的研究提出了一种基于学习的多准则决策（LB-MCDM）框架，该框架将机器学习（ML）与基于 GIS 的空间位置分析通过 MCDM 进行集成。所提出的框架提供了一种数据驱动的、无偏的、可复制的场地适宜性评估方法。我们通过密西西比州（MS）的案例研究展示了所提模型的效用。我们应用五种机器学习算法（随机森林分类器、支持向量分类器、XGBoost 分类器、逻辑回归和 K 近邻分类器）来识别密西西比州最合适的锯木厂位置。在这些模型中，随机森林分类器取得了最高的性能。我们使用 SHAP（SHapley Additive exPlanations）技术来确定每个准则的相对重要性，揭示供需比——一个反映当地市场竞争动态的复合特征——是最有影响力的因素，其次是道路、铁路线和城市区域距离。我们 LB-MCDM 模型生成的适宜性地图的验证表明，密西西比州景观的 10-11% 高度适宜锯木厂选址。
引用
@article{arxiv.2604.04996,
title = {Learning-Based Multi-Criteria Decision Making Model for Sawmill Location Problems},
author = {Mahid Ahmed and Ali Dogru and Chaoyang Zhang and Chao Meng},
journal= {arXiv preprint arXiv:2604.04996},
year = {2026}
}
备注
34 pages, 12 figures, 5 tables