.png){kind=icon}
返回
A progressive preference disaggregation method for temporal multiple criteria ranking problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.omega.2026.103570.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多准则排序问题的偏好分解方法旨在重构决策者（DM）的间接偏好信息。然而，该领域传统方法常无法捕捉决策问题的动态特性，忽视了偏好随时间的持续演变。为解决此局限，我们提出一种面向时序多准则排序问题的渐进价值驱动方法。该方法初始阶段类似UTA方法，同时强调偏好模型的经济性。为确保决策过程的稳定性，我们开发了几种数学规划模型，通过滑动窗口技术平衡以下权衡：准确重构决策者各时间戳的演变偏好与最小化与先前推断价值函数的偏差。此方法可防止因偏好信息增量变化导致的推断模型过度波动。此外，该方法允许考虑不同类型的偏好变化类型，基于边际价值、斜率、曲率或权重视角适应决策场景。最终，该方法提供最终时间戳的排序结果，并揭示价值函数随时间的演变模式。这种双重输出可追踪决策者偏好的变化，有助于深入理解决策内在的动态性。此外，我们引入偏好稳定性指标以量化时序多准则排序问题的稳定性，并在事后分析中应用平均稳定性指数。为展示方法的应用价值，我们通过环境污染、大学评估和城市健康三个真实案例验证其有效性。
Keyword:
preference disaggregation
multiple criteria ranking
temporal decision making
value function
sliding window technique
期刊
O
IF:
0
论文数:
170
被引数:
0
机构
引用论文
Data-driven preference learning methods for sorting problems with multiple temporal criteria基于数据的偏好学习方法：用于具有多个时间标准的排序问题
OAAI
.png){kind=icon}
OAAI分享收藏Scoring procedures for multiple criteria decision aiding with robust and stochastic ordinal regression具有稳健和随机顺序回归的多准则决策辅助的评分程序
PREAI
分享收藏Disaggregating time series on multiple criteria for robust forecasting: The case of long-term electricity demand in Greece在多个标准上分解时间序列以进行稳健预测: 以希腊的长期电力需求为例
PREAI
分享收藏RUTA: A framework for assessing and selecting additive value functions on the basis of rank related requirementsRUTA: 基于等级相关要求评估和选择加性价值函数的框架
PREAI
分享收藏Ordinal regression meets online learning: Interactive preference learning for multiple criteria choice and ranking with provable guarantees序号回归与在线学习：带有可证明保证的交互式偏好学习，用于多标准选择和排序OAAI
OAAI分享收藏
查看更多内容