基于学习的多准则决策模型用于选址问题

strategically locating sawmills 对 timber supply chains 的效率、盈利能力和可持续性至关重要，但涉及一系列复杂的决策因素，包括 proximity to resources and markets、proximity to roads and rail lines、distance from urban areas、slope、labor market、以及 existing sawmill data。虽然传统的多准则决策（MCDM）方法在选址时利用了这些因素，但由于依赖专家意见来确定相对因素权重，容易受偏见影响。机器学习（ML）模型提供了一种客观、数据驱动的替代方案，从大数据中直接派生这些权重，而无需主观加权。此外，ML 模型能够自主识别关键特征，无需主观特征选择。在本研究中，我们提出了集成 ML 和 MCDM 方法的方案，并通过美国密西西比州的案例研究展示了该集成模型用于改进 sawmill 选址决策的实用性。该集成模型灵活且可应用于 various 行业的选址问题。