一種基于預測的多式聯運集裝箱運輸路徑選擇方法

陳慶佳　徐磊　徐碩江

關鍵詞：多式聯運運輸集裝箱路徑選擇；海鐵聯運路徑查詢系統；運輸節點和路線的預測概念

中圖分類號：F252文獻標識碼：Ａ文章編號：2096-7934（2023）05-0087-10

一、引言

當今世界貿易發展迅速，全球貨運量逐年增長。作為最重要的運輸方式之一，集裝箱運輸已成為全球貨物貿易的主要手段之一。商業貨物可以放置在裝運集裝箱內，然后通過卡車、火車、飛機或裝運船舶來運輸到目的地。這種運輸方式可以提高集裝箱的裝載和卸載速度，同時實現出貨量和處理裝備的標準化。貨物可以從源集裝箱倉庫通過火車或裝運船舶經裝運集裝箱運輸到目的地集裝箱倉庫，或者從集裝箱倉庫通過卡車運輸到客戶位置，或者從一個客戶位置運輸到另一個客戶位置。但是，這種傳輸網絡非常復雜，需要考慮進度、容量、速度和成本等多種因素并進行預先規劃。此外，在集裝箱運輸中，貨物需要通過多種運輸方式來到目的地，而不同的運輸方式有著各自的優勢和限制。例如，海運可以輸送大量貨物，但速度較慢，而航空運輸則速度較快但成本較高。多式聯運可以將不同的運輸方式整合起來，從而充分利用各種運輸方式的優點，降低運輸成本和時間，減少排放和擁堵，提高運輸效率［1］。因此，在多式聯運過程中，選擇和優化運輸路線是提高集裝箱多式聯運優勢、節能降耗、提高我國集裝箱物流服務水平的重要措施。合理的多式聯運運輸路徑可以縮短運輸時間、降低運輸成本、提高客戶滿意度，具有廣泛的應用前景。

現有研究中，學者分別對多式聯運集裝箱路徑選擇進行規劃，比如：李玉民， 郭曉燕 和楊露［2］ 研究了中歐集裝箱多式聯運路徑選擇問題，提出了一種綜合考慮運輸時間、運輸費用和碳排放三方面因素的國際集裝箱多式聯運路徑選擇模型，并采用遺傳算法進行求解。為了驗證該模型的有效性，南京到柏林的實例被使用。王清斌， 韓增霞和計明軍等［3］在充分考慮集裝箱內陸運輸路徑因素的同時，研究了集裝箱多式聯運在運輸方式轉換過程中節點作業隨機特征對運輸效率的影響。一個混合整數規劃模型被提出以研究了如何更合理有效地組織集裝箱多式聯運以降低運輸成本，提高產品在市場中的競爭力。為了更加科學合理地規劃多式聯運網絡路徑和選擇運輸方式，呂學偉， 楊斌和黃振東［4］以基于運輸方式硬時間窗和收貨人收貨的軟時間窗所構成的混合時間窗為約束條件，以總成本最小為目標，建立多式聯運最優路徑選擇模型，運用蟻群算法求解相關算例，并將結果與無混合時間窗約束下的優化結果進行比較。為了克服貨運代理在運輸過程中面臨的集裝箱短缺問題，Chen， Zhang and Gao et al［5］開發了一個使總運輸成本、運輸時間和集裝箱使用成本最小化的多式聯運路線選擇的優化模型，其中考慮了集裝箱和路線選擇之間的相互關系以及集裝箱使用的時間限制。為了解決這個多目標問題， 歸一化正態約束法（the normalized normal constraint method，NNCM）被提出以獲得帕累托解。之后，四川攀枝花鐵礦石運輸的案例研究被提出以驗證模型的有效性。萬杰和魏爽［6］ 在其提出的混合整數規劃模型中集成考慮運輸成本、運輸時間以及物流服務質量三個方面因素，在最小化運輸成本、運輸時間的同時，最大化物流服務質量。最后設計遺傳算法和蟻群算法相結合的混合算法對模型進行求解。然而，以上這些相關研究都是基于固定歷史信息為目標的多式聯運路徑選擇模型，存在選擇的局限性，缺乏路徑選擇的靈活性和適應性。

因此，為了提高交通物流的效率和準確性，一些研究人員使用機器學習或深度學習的方法對交通物流信息進行預測。潘華［7］提出了一種鐵路物流節點分層分類布局規劃的方法。為了對鐵路物流節點分品類貨源需求進行預測，他們對所采用的基于因果關系的多元線性回歸預測法和基于時間序列的加權平滑預測法進行加權算術平均的計算，從而建立其組合預測模型。此模型可以根據歷史數據和其他因素預測未來的貨源需求之后，通過構建宏觀-微觀一體化空間布局規劃模型，得出了物流節點布局方案。Cao［8］提出了一種深度學習CNN-GRU（卷積神經網絡-門控循環單元）組合模型來預測鐵路物流的交通速度。該模型使用卷積神經網絡（CNN）提取速度數據的空間特征，并使用門控循環單元（GRU）提取速度數據的時間特征。其實驗結果表明，組合模型的預測精度優于單個GRU和CNN模型。此模型預測的鐵路物流的交通速度被用以構建了多目標優化的旅行推銷員問題（TSP），并通過一個考慮提高轉移概率、信息素更新和數據特征的改進蟻群算法來解決這個問題。Bui-Duy and Vu-Thi-Minh［9］在關于亞洲地區集裝箱船的航線選擇中使用了深度學習人工神經網絡（ANN）通過亞洲地區船隊的運營信息來預測集裝箱船的燃油消耗。之后在給定集裝箱航線的假設下，使用預測結果與非對稱旅行商問題（ATSP）算法相結合，設計出符合航運公司期望的最佳路線。Xu， Chan and Zhang［10］提出了幾種結合SARIMA和SVR的混合模型來預測航空業中的統計指標，他們通過引入高斯白噪聲（Gaussian White Noise）以提高預測的精度。最后，采用中國民航局官方網址跨度十三年的數據以檢驗所提出的模型的性能。

然而，關于引入了運輸節點和路線的預測概念的多式聯運集裝箱路徑選擇優化方法，并沒有學者考慮過。本研究的主要優點在于引入了運輸節點和路線的預測概念，改善了已往路徑選擇優化方法基于固定歷史信息的局限性問題，為運輸任務選擇從貨運起點到終點的最佳運輸路線。

二、多式聯運集裝箱運輸路徑選擇方法運作流程

文章所要解決的技術問題是提供一種選擇性靈活、能夠避免選擇局限性，且適應性良好的多式聯運集裝箱運輸路徑選擇方法。文章所采用的技術方案是，一種多式聯運集裝箱運輸路徑選擇方法如圖1所示，該方法包括下列步驟。

（1）準備節點數據：通過獲取節點的歷史信息來得到節點數據，所述節點為機場貨運場站、鐵路貨運場站、公路貨運場站以及港口碼頭貨運場站的集合，所述節點數據包括節點所在貨運場站的貨物倉儲成本以及處理時間；

（2）預測節點未來的可用性：基于步驟（1）中的節點數據對未來一段時間內的節點可用性進行預測。其方法為：首先，采用自舉匯聚隨機采樣法對節點數據進行有放回的隨機采樣，即每采集到一個樣本后，都將樣本放回，再次隨機采集下一個樣本，將每次采集到的樣本組成樣本集；然后，對樣本集進行預測來得到節點未來的可用性，所述節點未來的可用性標示為可用節點或不可用節點；

（3）準備線路數據：通過獲取線路的歷史信息來得到線路數據，所述線路數據包括運輸每個集裝箱的裝卸成本、燃料成本、文件成本、設備成本以及額外成本，還包括線路固定成本；

（4）預測線路未來的可用性：基于步驟3中的線路數據對未來一段時間內的線路可用性進行預測，所述線路未來的可用性標示為可用線路或不可用線路；

（5）獲取需要運輸的貨物的訂單數據：所述貨物的訂單數據包括貨物的發貨地、收貨地、發貨時間、收貨時間、貨物體積、重量和種類以及優化目標；

（6）計算得到最優運輸方式和路徑：將步驟2中預測得到的可用節點以及步驟4中預測得到的可用線路輸入到CVXPY優化計算框架中，并使用CBC求解器（COIN-OR中用C++編寫的開源混合整數線性規劃求解器）對最優線路進行求解，最終得出費用優先、時間優先和綜合最優的運輸方式和路徑。

文章采用上述多式聯運集裝箱運輸路徑選擇方法（如圖1所示）。該方法中考慮了多種集裝箱運輸方式的結合方案，為用戶提供了最優化的運輸路徑。通過引入運輸節點和運輸線路的預測步驟，改善了已往路徑選擇方法中基于固定歷史信息的局限性問題。引入節點和線路信息預測框架提高了路徑選擇系統對未來運力變化的適應能力，并且選擇性靈活。該方法為用戶提供選擇成本和時間權重的功能，可以根據權重計算綜合指標，從而尋找最優方案。

圖1 一種多式聯運集裝箱運輸路徑選擇方法解釋

三、多式聯運集裝箱運輸路徑規劃模型

該方法是構建一站式電子預定及追蹤平臺的核心，它為多式聯運集裝箱預定系統提供了線路支持，同時也支持集裝箱全球定位等拓展功能。以下內容將對此進行詳細解釋。

一種多方式聯合運輸和路徑選擇優化方法及系統，如圖2所示，從總時間最短、總費用最低和綜合最優三種條件下分析運輸方式和路徑的優化，其特征在于優化方法步驟如下。

圖2 一種多方式聯合運輸和路徑選擇優化方法及系統

（一）準備節點數據（包含倉儲數據）

節點指機場貨運場站、鐵路貨運場站、公路貨運場站和港口碼頭的集合，所述節點作為貨運起始地和目的地，承運人在一次運力運輸中的起始地和目的地是確定的，則設所述節點之間的貨運起始地為i，貨運目的地為j。節點數據中應包含節點所在地貨場或倉庫的倉儲成本、處理時間等信息，如表1所示。

表1 節點數據

（二）預測節點未來的可用性

基于節點的歷史數據對未來的一段時間內的節點可用性和相關信息進行預測，并將預測得出的結果應用于線路的選擇優化過程。本步驟中節點可用性標示為可用或不可用，相關信息包含倉儲成本、處理時間等信息，如圖3所示。

使用自舉匯聚隨機采樣法（Bootstrap aggregating）對歷史數據進行有放回隨機采樣（Bootstrap），每采集一個樣本后，都將樣本放回。因此，之前采集到的樣本在放回后有可能繼續被采集到。隨機采樣過程會獲得T個采樣集，每個采樣集內有m個樣本，與訓練機的大小一致。

使用指數平滑（Exponential Smoothing）、季節性差分自回歸滑動平均模型（Seasonal Autoregressive Integrated Moving Average）、隨機森林（Random Forest）、專家系統（Expert System）、支持向量機（Support Vector Machine）、人工神經網絡（Artificial Neural Network）等對采樣集進行預測，最后對不同模型得出的結果進行算術平均得到最終結果。

圖3 節點未來可用性預測框架

（三）準備線路數據

線路數據是指：在時刻t，一個集裝箱使用某一運輸方式從節點i到節點j的數據，包含單個集裝箱的裝卸成本，燃料成本，文件成本，設備成本和額外成本，以及與集裝箱個數無關的線路固定成本等，如表2所示。

表2 線路數據

（四）預測線路未來的可用性

基于線路的歷史數據對未來一段時間內的線路可用性和相關信息進行預測，并將預測得出的結果應用于線路的選擇優化過程，如圖4所示。

①使用SARIMA對線路的歷史數據進行擬合，獲得SARIMA的相關參數。

②對擬合后的SARIMA進行反向推導，得出與線路相關的高斯白噪聲數據。

③使用支持向量機對高斯白噪聲和線路歷史數據進行規律挖掘，并使用參數尋優算法尋找支持向量機的最優參數組合。之后，使用訓練好的支持向量機模型對未來的線路數據進行預測。

圖4 線路未來可用性預測框架

（五）獲取需要運輸的貨物的訂單數據

需要運輸的貨物的訂單數據是指貨物的發貨地、收貨地、發貨時間、收貨時間、貨物體積、重量和種類、優化的目標（總成本最低、總時間最短、綜合最優中時間和成本的占比）。

表3 訂單數據信息

（六）計算獲取最佳運輸方式和路徑

將節點數據、線路數據以及貨物數據輸入到CVXPY優化計算框架中，使用CBC求解器對最優線路進行求解，得出費用優先、時間優先和綜合最優的運輸方式和路徑。

包括以下參數：

表4尋優方程所涉及的變量，對應的解釋，以及取值范圍

1優化目標

（1）成本最優：

四、海鐵聯運路徑查詢系統

基于文章所提到的基于預測的多式聯運集裝箱運輸路徑選擇方法，在本案例研究中，首先，本案例收集了2020年浙江省內和省外到寧波的鐵路運費數據，這些數據包括不同起點和終點之間的運費、運輸時間、班次、附加費等信息。通過這些數據，可以更好地評估鐵路運輸在多式聯運中的優劣和成本效益。其次，本案例還收集了2020年浙江省內拖卡價格數據，其中包括拖卡的起點、終點和運費等數據。這些數據反映了拖卡運輸在省內不同線路上的價格。這些數據對于衡量拖卡運輸在多式聯運中的地位和優劣也非常有幫助。另外，本案例使用人工查詢和記錄的方法獲取了各大船公司主要航線的運費數據，這些數據包括海運的起點和終點、航線和運費等信息。這些數據可以幫助我們更好地評估海運在多式聯運中的地位和優劣。最終，將上述數據整合到一個總表格中，用于文章提出的路徑選擇方法，以得出較優的路徑方案。

基于上文所提出的基于預測的多式聯運集裝箱運輸路徑選擇方法，本研究使用Python編程語言構建了一個海鐵聯運路徑查詢系統。該系統分為三個部分：第一部分為系統的初始界面，該界面提供三種路徑優化目標，分別為“成本最低”、“時間最短”和“綜合最優”。第二部分為訂單信息填寫頁面，用戶將在該頁面中依次對訂單的“發貨地”、“收貨地”、“貨物的體積（立方米）”、“發貨日期”、“收貨日期”和優選方案（“智能優選”、“鐵路優先”或“公路優先”）進行填寫和勾選。第三部分為預測和搜索，輸入對應的參數之后，系統將會自動地對節點數據、線路數據進行準備與預測，并把預測的節點數據、線路數據以及貨物數據輸入到CVXPY優化計算框架中，使用CBC求解器對最優線路進行求解，得出費用優先、時間優先和綜合最優的運輸方式和路徑。

在測試案例中，研究選擇“成本最低”作為優化目標。訂單的發貨地為“安徽省-廣德”，收貨地為“Brazil-Navegantes Warehouse （via GIOIA TAURO））”，貨物的體積為50立方米，發貨日期為2021年12月25日，收貨日期為2022年2月28日，優選方案為智能優選。

經過系統的計算，此次運輸的發貨時間為2021年12月25日，抵達時間為2022年2月27日，總時間64天，總成本159620人民幣，詳細線路為“安徽省廣德”-“安徽省廣德站”-“寧波港站”-“寧波港”-“Brazil-navegantes Port （via GIOIA TAURO）”-“收貨人”。經過相關人員的核驗，該線路與人工選擇的線路相一致，證明了該模型的有效性。

五、總結

集裝箱運輸是全球貨物貿易中重要的一種運輸方式，它高效、標準化并可通過多種交通方式來運輸商業貨物。然而，這種傳輸網絡非常復雜，需要考慮多種因素進行預先規劃。多式聯運可以將不同的運輸方式整合起來，從而充分利用各種運輸方式的優點，降低運輸成本和時間，減少排放和擁堵，提高運輸效率。然而，在過去關于集裝箱路徑選擇優化方法的研究中，學者提出的方法往往依賴于固定的歷史數據，不能很好地應對未來不確定性的變化。因此，本研究提出了一種集裝箱多式聯運路徑選擇優化方法，通過引入預測節點和線路的概念，克服了以往路徑選擇優化方法在基于固定歷史信息的局限性問題，以更準確和可靠的方式確定最佳的多式聯運集裝箱運輸路徑。最后，本研究通過演示我們搭建的海鐵聯運路徑查詢系統驗證了此優化方法的有效性。該方法在未來的物流運輸中有著廣泛的應用前景，可以為物流公司提供更加高效的物流解決方案，促進經濟的發展和進步。

參考文獻：

［1］ARCHETTI C， PEIRANO L， SPERANZA M GOptimization in multimodal freight transportation problems： asurvey ［J］.European journal of operational research， 2022， 299（1）： 1-20

［2］李玉民， 郭曉燕， 楊露考慮多目標的中歐集裝箱多式聯運路徑選擇 ［J］.鐵道科學與工程學報， 2017， 14（10）： 2239-2248

［3］王清斌， 韓增霞， 計明軍， 等基于節點作業隨機特征的集裝箱多式聯運路徑優化 ［J］.交通運輸系統工程與信息， 2011， 11（6）： 137-144

［4］呂學偉， 楊斌， 黃振東混合時間窗約束下多式聯運最優路徑選擇研究 ［J］.鐵道運輸與經濟， 2018， 40（8）： 6-11

［5］CHEN D D， ZHANG Y， GAO L P， et alOptimizing multimodal transportation routes considering container use ［J］.Sustainability， 2019， 11（19）

［6］萬杰， 魏爽基于混合算法的多目標多式聯運路徑選擇問題研究 ［J］.天津大學學報（自然科學與工程技術版）， 2019， 52（3）： 285-292

［7］潘華鐵路物流節點分層分類布局規劃研究 ［D］.北京：北京交通大學， 2012

［8］CAO KA Machine learning-based approach to railway logistics transport path optimization ［J］.Mathematical problems in engineering， 2022

［9］BUIDUY L， VUTHIMINH NUtilization of a deep learning-based fuel consumption model in choosing a liner shipping route for container ships in Asia ［J］.The Asian journal of shipping and logistics， 2021， 37（1）： 1-11

［10］XU S J， CHAN H K， ZHANG T TForecasting the demand of the aviation industry using hybrid time series SARIMA-SVR approach ［J］.Transportation research part e-logistics and transportation review， 2019， 122： 169-180

A Predictive-based Method for Selecting Transportation

Routes in Multimodal Container Transport

CHEN Hing-kai1，2， XU Lei3， XU Shuo-jiang4， ZENG Fang-li1，5

（1 Nottingham University Business School China， University of Nottingham Ningbo China， Ningbo，Zhejiang 315100;

2 Nottingham Ningbo China Beacons of Excellence Research and Innovation Institute， University

of Nottingham Ningbo China，Zhejiang， Ningbo 315100;

3 Sinotrans Ningbo International Forwarding Agency Co，Ltd，Ningbo， Zhejiang 315010;

4 School of Artificial Intelligence， Guilin University of Electronic Technology， Guilin ， Guangxi 541004;

5 Zhejiang Wanli University， Logistics and E-Commerce School， Ningbo， Zhejiang 315000）

Abstract： With the rapid development of the global economy and globalization， trade and logistics activities are thriving worldwide As an efficient mode of transportation， container multimodal transport has become an indispensable part of the global logistics industry However， due to the complexity of transport nodes and routes， selecting the optimal transport path has always been a challenge In previous studies， scholars have proposed some optimization methods for route selection， but these methods often rely on fixed historical data and cannot adapt well to future uncertainties Therefore， this study proposes an optimization method for route selection in container multimodal transport， which improves the limitations of existing methods by introducing the concept of predictive nodes and routes， and determines the optimal transport path in a more accurate and reliable manner Finally， the effectiveness of the proposed method is validated through a sea-rail intermodal route query system

Keywords： multimodal transport；container route selection; sea-rail intermodal route query system; predictive concept of transport nodes and routes

基金項目：2017年寧波市科技計劃項目“基于統一信息技術標準的‘海陸聯運供應鏈整合與優化：寧波港研究”（2017D10032）