城市群內基于云端物流整合信息管理系統構建

徐少堃

(安徽審計職業學院 商學系，合肥230001)

近幾年，我國農產品物流行業獲得了快速發展，但城市數量的增長速度要遠遠大于物流產品發展步伐，這就使得城市群內農產品物流管理問題日益突出，而這毫無疑問嚴重影響區域經濟的發展[1-3].駕駛員每天在城市各道路上進行物流運輸，基于其職位特征，需要駕駛員在駕駛過程中選擇一條最優的路徑，從而減少行駛時間[4-5].傳統的農產品物流管理模式，往往需要能夠結合城市群的分布特點[6]，以從中找到距離與時間最短的路徑，很多學者為了得到最短路徑，從延誤、限制等角度出發，并且將道路收費等因素考慮其中，而且還探究分析了費用最少的路徑.

在城市交通道路上處處可見駕駛員的身影，他們在物流配送的過程中已經對城市交通十分熟悉，但是在最優路徑選擇的方面能力還很有限.因此，本文提出基于云端物流整合信息管理系統，針對動態初始物流信息背景下區域經濟的發展，結合云端物流整合方法構建提出了動態物流路徑規劃.實驗結果表明：本文構建的信息管理系統可以根據動態的道路信息快速制定出最佳路徑.

1 云端物流整合信息算法

本文以路徑選擇信息素等級作為特征指標，使得城市物流管理都能夠進行等級劃分，而且還可進行量化分析.將GPS采樣點插入到了單臺云端物流整合軌跡各路段中，并且對于相同路段，兩個采樣點的距離與時間間隔作除法，得到了平均通行速度.以此為基本前提，就該時段內云端物流整合平均速度進行了分析，最終可得到在該時段內具有的平均通行速度Vi(t)：

(1)

通過對該時段內該路段對應平均通行速度的計算，能夠得到平均通行時間，即

(2)

式(2)中，Li代表的是路段i的長度.

本文考慮到存在的物流數據量很大，而且在各路段上與統計學分布規律也是相符的，則對于路段i，在[Tstart,Tend]這一時間范圍內，物流車量的通行頻率Ri(t)可進一步簡化，具體形式如下：

(3)

式(3)中，Δl代表的是采樣距離間隔；Δt對應表示的是時間間隔；ΔT反映的是采樣的終止時間與起始時間之差；該路段上的平均速度為Vi.

將得到的通行頻率Ri按照遞增順序進行排序，能夠得到{(1,R1),(2,R2),…,(i,Ri)}.分析可得，在起始時間[X0,X1]內聚集著具有較低通信頻率的部分，而且頻率值的增長是非常慢的.如果達到了一定閾值后，則在該區間內，主體物流對應的通行頻率將會表現為十分突出的指數分布特征.但是在整個路段分布中，這一區間的占比也非常少.

基于云端物流整合信息的分布情況，云端物流整合頻率等級c(Ei,t)可通過式(4)給出：

(4)

式(4)中，RX1、RX2、RXmax分別為路段，X1、X2、Xmax對應的通行頻率；a為用于信息管理頻率分級的重要參數.

2 城市群內云端物流整合信息管理模型

云端物流整合在選擇物流路徑的時候需要考慮的因素有很多，包括路徑的長度、已經具體的時間、當時的路況、所需的費用等等.這些將會受到決策變量的影響，而且彼此是存在沖突的，而導致無法進行合理的調和.整體來講，是很難于解空間中得到最優解的，該問題屬于多目標組合制定出行問題.在本文中，對于動態時間序列，包括行駛物流管理過程中有關道路選擇積累的經驗，構建了公眾出行物流管理模型，具體表示如下：

R(Ei,t)=E[S(t),T(t),P(t)]

(5)

式(5)中，S(t)代表的是對應時段t內，路徑具有的出行距離；T(t)反映的則是在該時段中，對應的出行時間；P(t)反映的是相對的信息素等級；E[S(t),T(t),P(t)]則是基于上述因素構建的決策制定模型；R(Ei,t)代表的則是基于云端物流整合信息素，進行的公眾出行路線規劃.構建該模型的主要目標是為了確保路徑盡量短，而且所需時間盡量少，對應的信息素等級應當是比較高的，關于S(t)、T(t)、P(t)的計算表達式分別為

(6)

(7)

(8)

式(6)～(8)中，V(En,t)表示的是在該時段內En上具有的平均速度.

如果目標之間具有博弈關系，那么在對此進行分析時，一般需要參考經驗來實施決策.在本文中所設置的目標決策函數，圍繞的是通行時間、路徑距離等信息素展開的分析，在此基礎上開展的綜合性考慮，可通過式(9)表達決策函數:

(9)

式(9)中，S′、T′、P′分別為S(t)、T(t)、P(t)標準化后的值;w1、w2、w3依次表示的是S′、T′、P′的權重.

在本文中將云端物流整合制定出行系統引入模型的構建，而且基于其具有的正反饋原理，與其于局部搜索中的特征，基于決策函數約束條件，可以選擇最為恰當的搜索策略，而且能夠確保螞蟻可在解集范圍內進行路徑尋找，從中獲得最為滿意的解.

3 試驗分析與比較

本文結合云端物流整合數據，選擇了徽州區農產品在城市群內產品物流部分路段進行實例驗證.基于Java+ArcEngine平臺進行了試驗，而且在信息素的基礎上進行了物流管理，因為無法得到當前的遙感影像，并且考慮到實際中城市交通是處于動態變化之中的.因此，在不同的工作日中，相同的時間段下，對應的路況水平存在較大相似性.在本文中，分析了高精度遙感影像，利用該影像能夠對各時段交通狀況進行較為客觀的反映.如圖1所示.在該路段，具有較大的車流量，而且道路占用率也是相對較高的，并且整個通行速度是非常慢的，城市群內農產品物流管理程度較大，行車需要等待較長時間.

圖1 2種系統規劃路線與物流人員實地路線對比

某駕駛人員已經有過30年的駕駛物流管理經驗，每天上午十點半出發，利用GPS來對其軌跡進行記錄，每隔一秒進行一次數據采集工作.如圖1所示為2種系統規劃路線與駕駛員實地路線對比.圖1中的A、B、C分別為選定的三條街道.

對比分析后能夠發現，利用本文系統進行的物流管理，與駕駛人員所選擇的路徑，都不會選擇這些路徑.故此，所需通行時間是較長的，而且實驗結果也驗證了.本文結合駕駛人員的經驗實施的物流管理，類似于駕駛員的路徑選擇.存在差異的部分是由于該路段臨時施工，駕駛員選擇繞路.

在進行的試驗中，將云端物流整合數據庫以及本文制定出行路徑中，提取了含有起止時間的，駕駛員進行的路徑選擇與規劃，并且將其展開了對比分析，結合式(10)計算得出了路徑相似度.

(10)

式(10)中，s表示的是云端物流整合軌跡與本文系統制定出行路徑之間具有的相似度，其中：與云端物流整合軌跡完全一致的軌跡條數為F，A代表的是云端物流整合軌跡總數，p代表的是路徑中與劃路徑部分一樣的云端物流整合軌跡條數，在該軌跡上相同軌跡長度為L(b)；Lt代表的是利用本文系統進行規劃得到的路徑長度.

如表1所示，即為在5個不同地點進行試驗所得到的結果.對比后發現，連接5個節點來制定出行路徑，和云端物流整合數據庫結果具有將近90%的相似度.在本文中，合計進行了10組試驗，系統制定出行路徑和云端物流整合模擬路徑，最低相似度為85.5%，最高將近92.2%，平均相似度為89.2%.

表1 系統制定出行路徑與云端物流整合軌跡數據相似度

4 結語

以徽州區農產品營銷情況為依據，針對動態初始物流信息進行整合，同時結合云端物流整合算法設計了動態信息管理系統.實驗結果表明本文構建的云端物流整合信息管理系統，在物流管理方面更具優勢，能夠為城市群內農產品營銷提供實時最佳的運輸途徑.