多式聯(lián)運物流協(xié)同配送模型設計與仿真

陸瑞新，劉春梅，聶 峰

(1. 江西科技學院，江西 南昌 330098；2. 南昌大學軟件學院，江西 南昌 330031)

1 引言

物流是面向客戶的服務環(huán)節(jié)，物流配送質(zhì)量會直接影響用戶體驗[1，2]。合理安排多式聯(lián)運物流協(xié)同配送具有十分重要的意義。國內(nèi)相關(guān)專家也給出了一些比較好的研究成果，例如王勇等人[3]以最小物流成本和最小生鮮商品損失價值為目標，構(gòu)建生鮮價值損失模型，采用GA-TS混合算法對模型進行求解，最終獲取最佳物流配送方案。石春花等人[4]優(yōu)先在灰狼捕食階段引入正弦和余弦搜索，選取最佳物流配送規(guī)劃方案，完成物流配送。但是，當前方法忽略了對物流協(xié)同配送數(shù)據(jù)的預處理，導致物流聯(lián)運協(xié)同配送耗時較長，無法獲取最優(yōu)配送方案。為此，提出新的基于SVR-Kalman濾波的多式聯(lián)運物流協(xié)同配送算法。通過實驗驗證了所提算法能夠有效降低物流協(xié)同配送時間，同時還能夠獲取比較滿意的配送結(jié)果。

2 算法設計

2.1 多式聯(lián)運物流協(xié)同配送數(shù)據(jù)預處理

影響多式聯(lián)運物流協(xié)同配送的需要因素來自多個不同的方面：

1)經(jīng)濟規(guī)模：經(jīng)濟規(guī)模是影響因素中的核心部分，是物流需求水平的決定性條件，假設物流配送區(qū)域內(nèi)經(jīng)濟水平發(fā)展比較好，同時對商品的原料以及未成品等需求增加。假設研究區(qū)域內(nèi)經(jīng)濟發(fā)展比較迅速且產(chǎn)業(yè)結(jié)構(gòu)十分豐富，隨著人均收入水平的不斷提升，對區(qū)域物流的配送需求也會相應增加。假設研究區(qū)域內(nèi)的經(jīng)濟發(fā)展不穩(wěn)定或者交叉，則表明物流需求和區(qū)域經(jīng)濟兩者之間的發(fā)展呈正相關(guān)。

2)經(jīng)濟結(jié)構(gòu)：

經(jīng)濟結(jié)構(gòu)會直接對物流需求產(chǎn)生影響。

3)經(jīng)濟空間結(jié)構(gòu)。

對于我國而言，由于疆土比較遼闊，每個地區(qū)之間的風土人情以及地理物質(zhì)都存在十分明顯的差異，因此需要結(jié)合區(qū)域經(jīng)濟空間結(jié)構(gòu)和自然環(huán)境制定對應的配送方案。

采用式(1)描述影響因素對物流需求的影響，同時對不同用戶的點物流需求進行預測，得到兩者之間的驅(qū)動關(guān)系

y=f{x1，x2，…，xn}

(1)

式中，y代表區(qū)域物流的需求；x1，x2，…，xn代表影響需求的n因素。

在進行多式聯(lián)運物流協(xié)同配送過程中[5，6]，需要對物流量數(shù)據(jù)進行采樣，同時組建數(shù)據(jù)庫。假設原始數(shù)據(jù)構(gòu)建的數(shù)據(jù)庫采用Pi表示，經(jīng)過一階差分獲取如式(2)所示的物流變量

St=Pt-Pt-1

(2)

式中，St代表在t時間段內(nèi)物流需求總量波動情況；Pt代表t時間段內(nèi)的物流量。

對多式聯(lián)運物流協(xié)同配送數(shù)據(jù)進行預處理主要劃分為三個層次，分別為信息源層、中間件層以及應用層[7，8]。在數(shù)據(jù)預處理過程中，主要以鄰近節(jié)點的感知數(shù)據(jù)為依據(jù)，當節(jié)點之間的感知能力越低，則說明節(jié)點提供的信息不確定性就越高。另外，節(jié)點越多表示消耗的能量也就越多。

在多式聯(lián)運物流協(xié)同配送過程中[9，10]，需要消除各個節(jié)點之間的不確定性，最終得到精準的多式聯(lián)運物流協(xié)同配送信息。其中，彈性空間模型S的存在是為了確保各個節(jié)點之間具有比較高的相關(guān)性，具體的表達形式如下

S=[R·eλ·Δ2]

(3)

式中，R代表鄰近空間的整體相關(guān)度；e代表常數(shù)；λ代表波動調(diào)節(jié)參數(shù)。

在實際應用的過程中，為了確保多式聯(lián)運物流協(xié)同配送數(shù)據(jù)的可靠性，需要設定彈性空間的下限值。因此，彈性空間模型具有比較強的適應能力，同時還能夠準確識別孤立噪聲點[11，12]。

兩個節(jié)點之間的距離越近，則說明兩個節(jié)點之間的相關(guān)性就越大。因此，需要通過徑向基函數(shù)計算隨機兩個節(jié)點之間的歐式距離dis(i，j)以及相關(guān)性r(i，j，σ)，具體的計算式如下：

(4)

上式中，σ代表調(diào)節(jié)參數(shù)。

為了準確衡量近鄰空間的空間相關(guān)度，需要計算各個節(jié)點和本地節(jié)點之間的相關(guān)度平均值R(i)，如式(5)所示：

(5)

上式中，N(i)代表鄰近節(jié)點的總數(shù)。

設定彈性空間的上限值和下限值分別為ω和α，則采用數(shù)據(jù)挖掘技術(shù)對多式聯(lián)運物流協(xié)同配送數(shù)據(jù)進行預處理的詳細操作步驟如下所示：

(1)對于近鄰空間S大于α的節(jié)點測量值而言，需要加你識別為孤立點，同時還因為其具有較大的不確定性，因此只能通過近鄰節(jié)點的測量值進行加權(quán)平均去噪x(i，t)，具體如式(6)所示：

(6)

上式中，x(j，t)代表原始測量值。

對于近鄰空間S小于σ或者等于σ的測量值，需要使用本地節(jié)點測量值和近鄰點測量值進行加權(quán)平均去噪，具體計算式為

(7)

將初始近鄰空間設定為最下近鄰空間，主要是由相關(guān)性最高的前ω個節(jié)點和本地節(jié)點組成的空間，同時設定節(jié)點之間的相關(guān)度是通過計算獲取的。同時借助數(shù)據(jù)挖掘算法[13，14]進行近鄰空間的大小，判定數(shù)據(jù)是否超出彈性范圍。在上述基礎上，進行數(shù)據(jù)清洗，最終完成多式聯(lián)運物流協(xié)同配送。

2.2 基于SVR-Kalman濾波的多式聯(lián)運物流協(xié)同配送

將多式聯(lián)運物流協(xié)同配送路程劃分為多段不同的路段。配送路段一共設立n個站點，將每個站點的坐標記錄為Si=(ai，bi)，(a，b)代表站點對應的經(jīng)緯度坐標，Si代表站點；ti代表路徑的運行時間總和。當完成多式聯(lián)運物流協(xié)同配送路段劃分后，整條路徑的行程時間等于全部路徑行程時間總和，如式(8)所示

(8)

式中，tall代表行程時間總和。

在沒有外部時間可以參考的情況下，選取歷史行程時間的平均值作為預測值，具體計算式如下

(9)

式中，tn代表預測時間值；m代表歷史數(shù)據(jù)的數(shù)量。

考慮到多式聯(lián)運物流協(xié)同配送預測時間和實際時間之間會產(chǎn)生誤差，因此需要引入一種基于延遲的預測模型，使其能夠獲取和真實值更加接近的預測值，如式(10)所示

(10)

在上述分析的基礎上，需要將支持向量機回歸(SVR)和卡爾曼濾波(Kalman)兩者相結(jié)合，以此為依據(jù)，構(gòu)建多式聯(lián)運物流協(xié)同配送模型。分析SVR模型[15]的相關(guān)理論可知，設定以f(x)為中心，構(gòu)建間隔寬度為2ε的區(qū)間。獲取以下形式的SVR線性回歸方程，如式(11)所示

(11)

式中，C代表正則化常數(shù)；lε代表不敏感損失函數(shù)。

在現(xiàn)實問題中，由于很多訓練樣本屬于非線性回歸[16，17]，因此需要將樣本αi映射到維度更高的特征空間k(xi，xj)中，這樣就能夠?qū)⒏呔S度中的樣本空間進行線性回歸，則對應的超平面f(x)就能夠描述為以下的形式

(12)

標準的Kalman濾波算法的狀態(tài)方程以及觀測方程可以表示為以下形式

(13)

式中，F(xiàn)代表狀態(tài)轉(zhuǎn)移矩陣；H代表觀測矩陣；G代表輸入控制矩陣；uk代表輸入控制變量；vk代表過程噪聲；wk代表觀測噪聲。

(14)

利用圖1給出Kalman濾波算法的詳細操作流程。

圖1 Kalman濾波算法操作流程圖

其中，Kalman濾波模型的組建過程如下所示：

通過多式聯(lián)運物流協(xié)同配送時間即可獲取以下形式的計算式

tall=t1+t2+…ti

(15)

對于Kalman濾波算法而言，一個站點即代表一個時刻點。其中，物流配送的Kalman濾波預測公式為

(16)

Kalman濾波更新公式為

(17)

式中，Wk+1代表模型的先驗估計值；zk+1代表在k+1站輸出的觀測值。

將兩種算法結(jié)合應用，同時以此為依據(jù)，構(gòu)建多式聯(lián)運物流協(xié)同配送模型，具體的表達形式為

(18)

引入粒子群優(yōu)化算法對構(gòu)建的配送模型進行求解，詳細的操作步驟如下所示：

1)對粒子的速度以及位置等相關(guān)參數(shù)進行初始化處理。

2)精準計算粒子的目標交叉函數(shù)，同時計算獲取最佳適應度取值。

3)更新粒子的位置和速度。

4)通過網(wǎng)絡搜索確定各個參數(shù)的最佳取值范圍。

5)通過粒子群算法獲取最優(yōu)多式聯(lián)運物流協(xié)同配送方案。

3 仿真研究

為驗證所提基于SVR-Kalman濾波的多式聯(lián)運物流協(xié)同配送算法的綜合有效性，采用H商業(yè)物流管理系統(tǒng)提供的實際配送數(shù)據(jù)進行實驗測試。

以下給出具體的實驗配送數(shù)據(jù)：

1)尺度為S，有貨區(qū)域的數(shù)量總和為10.客戶數(shù)量總和為60，全部客戶的貨物之和為62.32。

2)尺度為M，有貨區(qū)域的數(shù)量總和為16，客戶數(shù)量總和為200，全部客戶的貨物之和為118.22。

3)尺度為L，有貨區(qū)域的數(shù)量總和為20，客戶數(shù)量總和為288，全部客戶的貨物之和為251.22。

利用表1給出形成的多式聯(lián)運物流協(xié)同配送線路：

表1 多式聯(lián)運物流協(xié)同配送線路

在單一區(qū)域掃描的基礎上，分別采用所提算法、文獻[3]算法以及文獻[4]算法進行求解，利用圖2給出三種算法在不同角度下的多式聯(lián)運物流協(xié)同配送結(jié)果對比分析。

分析圖2中的實驗數(shù)據(jù)可知，隨著尺度的不斷增加，各個算法的不同測試指標均發(fā)生了十分明顯的變化。相比另外兩種方法，所提算法能夠獲取更加滿意的多式聯(lián)運物流協(xié)同配送結(jié)果，全面驗證了所提方法的優(yōu)越性。

為了更進一步驗證所提算法的有效性，采用三種不同的算法進行求解，具體的實驗結(jié)果如圖3所示。

分析圖3中的實驗數(shù)據(jù)可知，所提算法能夠以最短的時間完成多式聯(lián)運物流協(xié)同配送。由于所提算法對多式聯(lián)運物流協(xié)同配送數(shù)據(jù)進行預處理，有效刪除無效和冗余數(shù)據(jù)，這樣使所提算法能夠獲取更加滿意的配送結(jié)果。

4 結(jié)束語

針對傳統(tǒng)算法存在的一系列問題，提出一種基于SVR-Kalman濾波的多式聯(lián)運物流協(xié)同配送算法。實驗測試證明：所提算法能夠獲取更加滿意的物流協(xié)同配送方案，同時還能夠有效減少物流配送時間。由于受到時間以及環(huán)境等多種外界因素的干擾，所提算法仍然存在不足，后續(xù)將對其進行進一步完善，使其能夠廣泛適用于不同的研究領(lǐng)域，確保物流系統(tǒng)的運行效率得到有效提升。

圖2 不同尺度下算法多式聯(lián)運物流協(xié)同配送對比

圖3 不同算法的配送結(jié)果測試分析