多式聯運物流協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節，物流配送質量會直接影響用戶體驗[1，2]。合理安排多式聯運物流協同配送具有十分重要的意義。國內相關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劃方案，完成物流配送。但是，當前方法忽略了對物流協同配送數據的預處理，導致物流聯運協同配送耗時較長，無法獲取最優配送方案。為此，提出新的基于SVR-Kalman濾波的多式聯運物流協同配送算法。通過實驗驗證了所提算法能夠有效降低物流協同配送時間，同時還能夠獲取比較滿意的配送結果。

2 算法設計

2.1 多式聯運物流協同配送數據預處理

影響多式聯運物流協同配送的需要因素來自多個不同的方面：

1)經濟規模：經濟規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，假設物流配送區域內經濟水平發展比較好，同時對商品的原料以及未成品等需求增加。假設研究區域內經濟發展比較迅速且產業結構十分豐富，隨著人均收入水平的不斷提升，對區域物流的配送需求也會相應增加。假設研究區域內的經濟發展不穩定或者交叉，則表明物流需求和區域經濟兩者之間的發展呈正相關。

2)經濟結構：

經濟結構會直接對物流需求產生影響。

3)經濟空間結構。

對于我國而言，由于疆土比較遼闊，每個地區之間的風土人情以及地理物質都存在十分明顯的差異，因此需要結合區域經濟空間結構和自然環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，得到兩者之間的驅動關系

y=f{x1，x2，…，xn}

(1)

式中，y代表區域物流的需求；x1，x2，…，xn代表影響需求的n因素。

在進行多式聯運物流協同配送過程中[5，6]，需要對物流量數據進行采樣，同時組建數據庫。假設原始數據構建的數據庫采用Pi表示，經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時間段內物流需求總量波動情況；Pt代表t時間段內的物流量。

對多式聯運物流協同配送數據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]。在數據預處理過程中，主要以鄰近節點的感知數據為依據，當節點之間的感知能力越低，則說明節點提供的信息不確定性就越高。另外，節點越多表示消耗的能量也就越多。

在多式聯運物流協同配送過程中[9，10]，需要消除各個節點之間的不確定性，最終得到精準的多式聯運物流協同配送信息。其中，彈性空間模型S的存在是為了確保各個節點之間具有比較高的相關性，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度；e代表常數；λ代表波動調節參數。

在實際應用的過程中，為了確保多式聯運物流協同配送數據的可靠性，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]。

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

(4)

上式中，σ代表調節參數。

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

(5)

上式中，N(i)代表鄰近節點的總數。

設定彈性空間的上限值和下限值分別為ω和α，則采用數據挖掘技術對多式聯運物流協同配送數據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點的測量值進行加權平均去噪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，需要使用本地節點測量值和近鄰點測量值進行加權平均去噪，具體計算式為

(7)

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

2.2 基于SVR-Kalman濾波的多式聯運物流協同配送

將多式聯運物流協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。當完成多式聯運物流協同配送路段劃分后，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代表歷史數據的數量。

考慮到多式聯運物流協同配送預測時間和實際時間之間會產生誤差，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)兩者相結合，以此為依據，構建多式聯運物流協同配送模型。分析SVR模型[15]的相關理論可知，設定以f(x)為中心，構建間隔寬度為2ε的區間。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；lε代表不敏感損失函數。

在現實問題中，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，這樣就能夠將高維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濾波算法的狀態方程以及觀測方程可以表示為以下形式

(13)

式中，F代表狀態轉移矩陣；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：

通過多式聯運物流協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。

將兩種算法結合應用，同時以此為依據，構建多式聯運物流協同配送模型，具體的表達形式為

(18)

引入粒子群優化算法對構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參數進行初始化處理。

2)精準計算粒子的目標交叉函數，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)通過網絡搜索確定各個參數的最佳取值范圍。

5)通過粒子群算法獲取最優多式聯運物流協同配送方案。

3 仿真研究

為驗證所提基于SVR-Kalman濾波的多式聯運物流協同配送算法的綜合有效性，采用H商業物流管理系統提供的實際配送數據進行實驗測試。

以下給出具體的實驗配送數據：

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

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

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

利用表1給出形成的多式聯運物流協同配送線路：

表1 多式聯運物流協同配送線路

在單一區域掃描的基礎上，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運物流協同配送結果對比分析。

分析圖2中的實驗數據可知，隨著尺度的不斷增加，各個算法的不同測試指標均發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運物流協同配送結果，全面驗證了所提方法的優越性。

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，具體的實驗結果如圖3所示。

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

4 結束語

針對傳統算法存在的一系列問題，提出一種基于SVR-Kalman濾波的多式聯運物流協同配送算法。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境等多種外界因素的干擾，所提算法仍然存在不足，后續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域，確保物流系統的運行效率得到有效提升。

圖2 不同尺度下算法多式聯運物流協同配送對比

圖3 不同算法的配送結果測試分析