基于分形盒子維數(shù)的物流車輛位置追溯模型設(shè)計(jì)

王克鑄

六安職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理學(xué)院，安徽六安 237000

0 引言

物流車輛位置追溯對(duì)物流信息管理至關(guān)重要，物流車輛位置追溯方法主要有基于微型電子機(jī)械系統(tǒng)(micro-electro mechanical system，MEMS)傳感器的物流車輛位置及姿態(tài)追溯[1]和基于輕量化圖像分割的物流車輛特征定位[2]。前者利用車載平臺(tái)與物流中心聯(lián)網(wǎng)分析車輛的實(shí)時(shí)狀況，在物流運(yùn)輸過程中實(shí)現(xiàn)實(shí)時(shí)定位跟蹤；后者采用多尺度的空洞卷積增加物流車輛特征信息，并在目標(biāo)邊緣分割和內(nèi)部空洞填補(bǔ)后，利用最小外接四邊形框定車輛位置。上述傳統(tǒng)車輛位置追溯方法存在信息轉(zhuǎn)發(fā)限制，導(dǎo)致追溯時(shí)產(chǎn)生較大的距離誤差。

分形理論采用分?jǐn)?shù)維度視角和數(shù)學(xué)方法描述外部客觀事物，可突破物體時(shí)空維度的限制，描述客觀事物的真實(shí)屬性及狀態(tài)[3-4]。采用盒計(jì)數(shù)的方式構(gòu)建得到分形盒子維數(shù)，以覆蓋目標(biāo)圖像表面的最小盒子數(shù)為度量標(biāo)準(zhǔn)，構(gòu)建使用圖像匹配的過程[5-6]。海洋研究領(lǐng)域中研究者提出了分形方法，設(shè)定多種盒維數(shù)的相關(guān)系數(shù)，實(shí)現(xiàn)了對(duì)目標(biāo)船舶的位置追溯[7]。

本文以物流車輛的不光滑和不規(guī)則的復(fù)雜結(jié)果為描述對(duì)象，分析物流車輛隨機(jī)信號(hào)中存在的尺度不變性及相似性，以追蹤隨機(jī)信號(hào)的時(shí)間為追溯尺度，構(gòu)建基于分形盒子維數(shù)的物流車輛位置追溯模型，并設(shè)計(jì)模型框架測(cè)試其位置追溯性能。

1 物流車輛位置追溯模型設(shè)計(jì)

1.1 物流車輛的分形盒子維數(shù)參數(shù)

將固定范圍內(nèi)的所有物流車輛作為1個(gè)集合[8]，根據(jù)該集合占據(jù)的固定范圍空間，將物流車輛所在空間記為U，數(shù)值關(guān)系為：

|U|=sup{|x-y|:x,y∈U}，

式中x、y為U內(nèi)物流車輛點(diǎn)的坐標(biāo)。

控制U內(nèi)任意2車輛位置點(diǎn)間的距離為定值[9-10]，則具有分形覆蓋特點(diǎn)的集合

式中：i為集合的數(shù)量，Ui為分形覆蓋集合。

(1)

式中δ為上確界參數(shù)。

對(duì)式(1)進(jìn)行加權(quán)求和處理，得到Ui的上、下確界參數(shù)。以上、下確界參數(shù)作為物流車輛位置的信號(hào)特征，采用Hurst指數(shù)H描述分形特征的布朗運(yùn)動(dòng)粗糙性[11-12]，如圖1所示。

圖1 分形特征的布朗運(yùn)動(dòng)粗糙性

形成分形特點(diǎn)后，固定極限數(shù)值為0或∞，將對(duì)應(yīng)極限數(shù)值的物流車輛作為獨(dú)立個(gè)體，針對(duì)不同屬性的個(gè)體，定義其盒維數(shù)

(2)

式中：r為物流車輛的最大路徑，N為經(jīng)驗(yàn)函數(shù)。

定義計(jì)盒維數(shù)

(3)

當(dāng)式(2)(3)中的盒維數(shù)與計(jì)盒維數(shù)相等時(shí)，將F作為物流車輛的盒子維數(shù)。單一的物流車輛特征無法精確地顯示位置信息[13-15]。因此，為了增強(qiáng)分形盒子函數(shù)的特征提取量，將確定得到的分形特征劃分為不同區(qū)域，根據(jù)不同區(qū)域設(shè)定1個(gè)位置約束條件，以約束條件內(nèi)的標(biāo)度指標(biāo)作為物流車輛位置參數(shù)，整合參數(shù)為1個(gè)分形測(cè)度集合，將集中程度大的數(shù)值作為物流車輛的位置點(diǎn)，形成1個(gè)位置測(cè)度規(guī)則[16-18]。以得到的物流車輛的分形盒子維數(shù)參數(shù)作為處理對(duì)象，設(shè)定物流車輛位置更新流程。

在高良鄉(xiāng)的調(diào)查，大家說得最多的是《獻(xiàn)飯調(diào)》。每天的早飯、午飯、晚飯、夜宵等時(shí)段都有在棺材前的獻(xiàn)飯儀式，舉行這個(gè)儀式時(shí)，都要吹奏蘆笙，以便與亡靈“溝通”。

1.2 物流車輛位置更新流程

以物流車輛的分形盒子維數(shù)參數(shù)對(duì)應(yīng)的位置點(diǎn)作為處理對(duì)象，整合參數(shù)為1個(gè)物流車輛數(shù)據(jù)庫后，結(jié)合物流車輛所在的區(qū)域網(wǎng)，采用群組的方式，設(shè)定物流車輛位置更新流程如圖2所示。

圖2 物流車輛位置更新流程

由圖2可知：物流車輛位置在移動(dòng)過程中，更新流程不斷匯報(bào)車輛的位置信息，當(dāng)車輛觸發(fā)分形盒子維數(shù)參數(shù)條件時(shí)，形成1個(gè)固定的位置更新策略，同時(shí)在網(wǎng)絡(luò)環(huán)境的參與下，將物流車輛的位置發(fā)送給服務(wù)器[19-20]。

在物流車輛位置更新流程中，將設(shè)定的分形盒子維數(shù)參數(shù)作為距離閾值，將物流車輛作為1個(gè)移動(dòng)對(duì)象，假設(shè)車輛的觸發(fā)更新距離閾值為α，物流車輛有效范圍

式中m為更新參數(shù)。

在實(shí)際的距離更新過程中，需要頻繁地更新物流車輛的位置信息[21-22]。因此，以物流車輛的速度為計(jì)算對(duì)象，計(jì)算服務(wù)器周期內(nèi)接收到的車輛行駛距離

式中：t為物流車輛的行駛時(shí)間，v為統(tǒng)計(jì)周期內(nèi)物流車輛的行駛速度，v′為前一個(gè)行駛周期內(nèi)物流車輛的行駛速度。

采用兩跳機(jī)制將D發(fā)送給處理端口時(shí)，同步位置信息至處理基站，消除數(shù)據(jù)包轉(zhuǎn)發(fā)限制而產(chǎn)生的位置誤差[23]?；蚪Y(jié)合物流車輛的行駛條件，根據(jù)分形盒子維數(shù)的上、下確界參數(shù)，確定物流車輛的行駛速度，實(shí)現(xiàn)物流車輛的位置更新。在設(shè)定的物流車輛位置更新流程下，綜合物流車輛行駛的路線，構(gòu)建位置追溯模型。

1.3 追溯模型

采用車輛追蹤技術(shù)，確定當(dāng)前周期的位置信息后，將其作為物流車輛位置的監(jiān)測(cè)對(duì)象，為維持物流車輛位置信號(hào)的穩(wěn)定，定義多重分形譜偏斜度作為位置信號(hào)的穩(wěn)定參數(shù)，計(jì)算公式為：

(4)

式中：K為信號(hào)分形譜頂點(diǎn)的偏斜度，τ0為車輛位置信號(hào)的波動(dòng)參數(shù)化，τmin為最小奇異數(shù)，τmax為最大奇異數(shù)。

將K作為約束值，保持位置信號(hào)的穩(wěn)定。整合物流車輛行駛的路網(wǎng)后，構(gòu)建物流車輛位置追溯模型如圖3所示。

圖3 物流車輛位置追溯模型

圖3中采用計(jì)數(shù)器對(duì)物流車輛行駛過的路網(wǎng)進(jìn)行分區(qū)，設(shè)定路網(wǎng)區(qū)域數(shù)量閾值后，將處理后的路網(wǎng)作為1個(gè)拓?fù)渚W(wǎng)絡(luò)，根據(jù)實(shí)體間的鄰接關(guān)系，采用加權(quán)拓?fù)潢P(guān)系匹配算法構(gòu)建1個(gè)位置追溯候選區(qū)。將候選區(qū)內(nèi)的權(quán)重從小到大排列處理后作為位置追溯順序。為了消除追溯過程中產(chǎn)生的復(fù)雜度，在整合的路網(wǎng)中采用概率統(tǒng)計(jì)法構(gòu)建物流車輛位置推算方法，將概率最大的路徑作為追溯路徑[24-25]。為了消除物流車輛產(chǎn)生的偏離原始數(shù)值現(xiàn)象，在概率統(tǒng)計(jì)計(jì)算過程中，將式(4)中的K作為約束值，控制追溯位置點(diǎn)產(chǎn)生的偏離數(shù)值，完成對(duì)基于分形盒子維數(shù)的物流車輛位置追溯模型的設(shè)計(jì)。

2 仿真試驗(yàn)

2.1 準(zhǔn)備

收集物流車輛的位置數(shù)據(jù)并匹配對(duì)應(yīng)的模型算法，設(shè)計(jì)測(cè)試模型框架驗(yàn)證模型的性能，測(cè)試模型框架如圖4所示。

圖4 測(cè)試模型框架

物流車輛位置追溯模型需要計(jì)算機(jī)技術(shù)的支持，在圖4中，采用Java編程語言，使用6 GB內(nèi)存的Inter(R)Core(TM) i7作為模型搭載硬件，通過開發(fā)工具Eclipse開發(fā)模型數(shù)據(jù)。設(shè)定物流車輛位置移動(dòng)的數(shù)據(jù)文件，文件命名為WLCL-××,××對(duì)應(yīng)不同車輛的編號(hào)。

將設(shè)定的物流車輛位置移動(dòng)數(shù)據(jù)文件作為試驗(yàn)對(duì)象，傳輸?shù)綔y(cè)試模型框架中的服務(wù)器，分別采用傳統(tǒng)的基于MEMS傳感器的物流車輛位置及姿態(tài)追溯方案(模型1)、基于輕量化圖像分割的物流車輛特征定位方案(模型2)及本文模型進(jìn)行試驗(yàn)，對(duì)比3種模型的實(shí)際應(yīng)用性能。

2.2 結(jié)果及分析

假設(shè)物流網(wǎng)絡(luò)中有w輛車，模型位置追溯到n個(gè)移動(dòng)對(duì)象，構(gòu)建位置追溯模型的位置變化參數(shù)

p越大，表明位置追溯模型更新的物流車輛位置信息較為明顯。以物流車輛位置移動(dòng)數(shù)據(jù)作為模型處理對(duì)象，3種位置追溯模型的p如表1所示。

表1 3種位置追溯模型的p

由表1可知：針對(duì)相同位置數(shù)據(jù)集的文件，3種追溯模型的位置變化參數(shù)不同，模型1的平均位置變化參數(shù)為45.4%，在3種模型中最小，表明物流車輛在移動(dòng)過程中，模型1更新的位置信息較少，更新優(yōu)化效果較差；模型2的平均位置變化參數(shù)為68.7%，在3種模型中較大，表明模型2實(shí)際更新的物流車輛信息較多，模型2的更新優(yōu)化效果較好；本文模型的平均位置變化參數(shù)為82.4%，在3種模型中最大，表明該位置追溯模型實(shí)際更新得到的車輛信息數(shù)據(jù)最多，本文模型的更新優(yōu)化效果最明顯。

調(diào)用物流車輛行駛的地圖作為試驗(yàn)環(huán)境，采用位置與車輛的匹配準(zhǔn)確度作為模型性能指標(biāo)，匹配準(zhǔn)確度

式中：Cp為正確匹配到的物流位置點(diǎn)，Cn為需要匹配的物流車輛數(shù)量?？刂茖?shí)際匹配的物流車輛位置信息的匹配路徑相同，3種位置追溯模型的匹配準(zhǔn)確度如圖5所示。

圖5 3種位置追溯模型的匹配準(zhǔn)確度

由圖5可知：隨車輛位置點(diǎn)數(shù)的增加，3種模型的匹配準(zhǔn)確度均不斷增大，在位置點(diǎn)數(shù)為10萬個(gè)時(shí)，模型1、模型2和本文模型的匹配準(zhǔn)確度分別約為85%、88%、95%，與2種傳統(tǒng)模型相比，本文模型可正確匹配的物流車輛位置點(diǎn)最多。

控制3種位置追溯模型同時(shí)處理相同的位置文件，設(shè)定相同的物流車輛匹配路徑后，定義模型運(yùn)行返回值個(gè)數(shù)為0時(shí)，車輛位置產(chǎn)生了一定的誤差，統(tǒng)計(jì)3種模型的返回值個(gè)數(shù)為0時(shí)，3種位置追溯模型產(chǎn)生的位置誤差如表2所示。

表2 3種位置追溯模型的位置誤差

由表2可知：在設(shè)定相同的車輛位置路徑后，3種位置追溯模型表現(xiàn)出不同的位置誤差，模型1、模型2、本文模型產(chǎn)生的位置誤差分別為180～200、120～150、60～100 m，本文模型實(shí)際追溯物流車輛的位置最精確。

3 結(jié)語

隨著電商購物方式的興盛，物流行業(yè)實(shí)現(xiàn)了迅速發(fā)展，在大數(shù)據(jù)等技術(shù)的支持下，追蹤物流車輛位置成為物流行業(yè)的研究熱點(diǎn)。本文使用分形盒子維數(shù)作為算法支持，設(shè)計(jì)了物流車輛位置追溯模型，改善了傳統(tǒng)物流車輛位置追溯模型中位置誤差較大的問題，為今后研究物流車輛追溯方法提供了研究方向。但本文未詳細(xì)介紹分形盒子維數(shù)與位置追溯模型的融合原理，還需不斷地研究改進(jìn)。