云計算在加油站油品智能配送中的應用

丁勇

摘 要：目前大多數加油站的油品配送采用“油站要貨+人工調度”模式，主動配送比率低，人工干預多，溝通成本高，工作效率低。同時油品運營銷售過程中產生了大量的業務數據，具備業務數字化基礎。通過搭建云計算平臺對業務數據進行分布式存儲、分布式計算分析，同時基于人工智能算法構建銷量預測模型，基于加油站、車輛、油庫等資源構建主動配送模型，實現加油站的智能主動配送，從而降低運營成本，提高經濟效益。經過實例研究分析，對比云計算模型生成的配送計劃與人工方式生成的配送計劃，結果基本一致，生成配送計劃的效率有較大提升，說明模型可以用于實際業務。

關鍵詞：云計算;隨機森林;線性回歸;決策樹;HBASE;CDH;SPARK;ETL

1 基于云計算的油站智能配送系統架構及設計

系統整體架分為三部分，分別為內部系統、云計算平臺、應用端。內部系統為本文數據研究的數據來源，云計算平臺為本文提供分布式的數據存儲以及分布式的模型運算。應用端是研究結果的輸出方向，模型的運算結果主要提供給應用端進行使用。通過ETL的方式從內部系統進行歷史數據批量導入加上使用消息隊列等插件將獲取的實時數據匯總到云計算平臺，云計算平臺通過分布式計算引擎完成模型的運算，并將運算結果輸出給前端應用。具體的數據存取及計算見圖1所示：

2 數據計算建模

2.1 總體策略

綜合考慮必須送訂單、加油站配送優先級別、車隊優先級別及運輸限制、平衡滿載分卸發貨與缺載發貨、自動選取最佳取油油庫、多油庫和多路徑運輸優化、不同成本計算管理，滿足各種業務管理需求（按距離、按運輸量、按趟次和噸公里等）、配送限制設置：油庫、油站、槽車和司機等條件，采用遞歸式的智能探索優化算法，對所有運送的補貨計劃自動進行優化調度，自動產生單位體積運輸成本最低的配送計劃及配送單。配送優化模塊的目標是最優化的上車率，達到100%的自動上車率是配送優化的終極目標，以80%上車率為基本目標。

2.2 關鍵約束條件

關鍵約束限定了上車時的限制，充分考慮關鍵約束給出最優上車計劃。

（1）加油站約束，可分油品、分時段指定車輛范圍，典型場景為：卸油場地限制、分時段的通行證。

（2）油庫約束，加油站的油源優先級 典型場景： 加油站流向定義。

（3）車隊約束。承運加油站范圍。典型場景：承運商招投標的結果、車隊內部劃分所負責的片區。

（4）車輛約束。可分油品、分時段指定加油站范圍;車輛趟次等。典型場景： 車況導致某些區域不可到達、車型在加油站無法卸油、該車輛只負責某區域（例如外請車）。

（5）其他約束：限拖、班次趟定義、通行證、受限時段/錯峰時段/工作時段等。

3 數據模型計算結果分析

3.1 模型測試結果數據

通過系統獲取歷史銷量數據、日銷量均值數據、目前已配送的途數據以及配送及時的庫存數據先進行人工配送，再使用模型自動生成配送數據，從生產的配送數據中隨機抽檢10個加油站的某個油品的配送數據，數據情況分別如下表1、表2所示：

3.2 模型測試結果數據分析

通過對人工配送數據與模型根據預測結果配送的數據分析比較，發現通過云計算方式基于歷史數據進行銷量預測建模并自動生成的配送數據與人配送數據的誤差較小，具體誤差率見下表3所示：

3.3 結果數據說明

通過對人工配送結果和模型配送結果的對比分析，發現兩者生成的最終配送計劃誤差率較低幾乎一致，當模型生成配送計劃時如果有在途的配送計劃可能對模型產生影響，初步分析這種影響可能是因為在途配送的計劃在完成卸油后未及時更新配送單狀態造成的。對于銷量預測模型做出的預計銷量預測結果同樣誤差率較低平均誤差率在正負3%并不影響整體配送，但是通過數據分析可見，銷量越大的加油站反而預測結果越準，誤差率越低，反之銷量越小的加油站預測誤差率反而越高。