Page 105 - 运鑫服饰画册

基于车联网、大数据的融合创新应用研究 PAGE/104

6. 基于物流大数据的动态分析模型研究与应用

项目简介

伴随着大数据、云计算和人工智能等新一代信息技术的快速发展，物流大数据应用突飞猛进，从静态的基础数据，到
物流全过程状态监控的数据采集，让物流公司掌握的数据信息量迅速增多。而面对复杂的、动态的、大量的数据信息，使
用传统静态的数据挖掘技术进行数据处理，已经不能够满足当前实际运用的要求。在数据实时传输与处理的过程中，关键
就是如何处理好大量的无效信息，例如边界孤立点识别和重影识别等，因此，急需一种物流大数据动态分析模型来高效、
科学的管理相关物流信息。
本项目就是利用海量轨迹数据挖掘和路径规划相关理论 , 研究实时动态的物流大数据路径推荐模型，通过应用机器学
习与特征工程等技术，来挖掘物流车辆行驶规律，提出并实现针对物流车辆货运线路推荐系统的设计框架，实现提前做好
货品调配，合理规划物流路线方案等，从而提高高峰期间物流的配运效率，为物流公司提供基于时间、成本、路线等车辆
调度的应用服务，同时也为政府提供物流运价指数、货运效率指数等优先经济指标提供可靠的理论依据和技术支持手段。
本项目以物流车辆的海量 GPS 轨迹数据为基础，聚焦研究目标，以机器学习模型、大数据分析技术等为方法，利用
Tensorflow 等开源技术作为工具，研究动态物流大数据路径推荐模型。模型的主要功能是对物流车辆轨迹数据、车辆状
况数据进行智能化合成与分析，预测出高效、低成本的运输路径规划策略。为了实现上述功能，并保证模型可以运行在真
实的生产环节，项目有以下三个方面的研究内容。

1）多源异构物流大数据的融合与特征提取

本项目涵盖的物流数据来自于不同的业务系统，数据种类多，数据标准与格式不统一，为后续的模型构建带来了挑战。
为了构建性能优异的推荐模型，对不同的异构数据进行融合、特征提取是此类项目实施的关键。大数据融合最早由美国学
者提出，是一个新兴的交叉领域，近些年获得广泛的发展，应用于多个领域，其中包括目标识别、遥感、医学等方面。多
源异构数据融合是对多种数据进行认知、综合、判断的过程，参与融合的数据往往具有多源性、异构性、不完备性等特征。
而在物流大数据应用领域，常用的数据融合手段有证据理论、统计决策、贝叶斯估计等，均取得了一定效果。但是上述方
法仅适用于在静态环境，不能在动态运行环境中实施，同时其融合结果具有相当高的不确定性，例如贝叶斯估计带有很大
的高斯噪声。为了解决上述问题，本项目拟利用卡尔曼滤波和加权平均实现物流多源异构数据的融合，实现在动态运行环
境下的实时融合，同时设计一个基于生产式规则的算法，实现信息的互补，最终实现对数据的低、中、高三层次融合。

本项目数据预处理总体流程如下。

多源异构物流大数据预处理流程

为了提取到和目标任务关联性强的特征，本项目拟将传统特征工程方法与神经网络相结合的方法，通过专家咨询等手
段建立基于业务的特征集，同时，应用神经网络如自编码器实现特征的自动提取，用相关分析方法验证特征的重要性。