基于云平臺的冷鏈物流風險變化態勢跟蹤研究*

閆 明 陳 戀

（中國社會科學院 北京 102442）

1 引言

冷鏈物流屬于一種冷凍工藝，利用人工制冷方法實現生產與運輸的運作，其作用是確保物品質量不變質，降低經濟損耗［1～3］，為易壞物品生產與運輸提供一個完美的供應鏈。冷鏈物流的風險主要體現在物品運輸不及時導致其發生變質，直接影響消費者的身體健康，降低企業核心競爭力［4］。精準跟蹤冷鏈物流風險，會大大減少冷鏈的安全風險，確保冷鏈物品的安全供應，減少企業的安全成本，促進冷鏈物流企業健康長遠發展［5］。研究冷鏈物流跟蹤方法還會實現物品的全面監控，精準定位物品出現風險問題后的相關責任人，及時找出導致風險的原因，制定相關方案，避免類似風險事件發生［6］。云平臺能夠同時硬件與軟件資源，具備強大的數據處理與存儲等功能，具備可擴展性、數據移動性、安全性高與成本低等優點，適用于各個領域。因此，研究基于云平臺的冷鏈物流風險變化態勢跟蹤方法，精準跟蹤物流軌跡，實時獲取風險變化態勢，確保冷鏈物流的安全性。

2 基于云平臺的冷鏈物流風險變化態勢跟蹤

2.1 總體框架

云平臺的冷鏈物流風險變化態勢跟蹤方法的總體框架如圖1 所示。該方法的主要目標是冷鏈物流風險變化態勢跟蹤，將物品冷鏈需求特征當成核心數據，在硬件設備內存儲冷鏈基礎數據；在各個冷鏈環節中安裝無線傳感器即監控終端，實現跟蹤信號的實時感知；利用基于壓縮感知的數據傳輸方法完成跟蹤信號的傳輸；采用數據互聯算法依據跟蹤信號更新目標狀態，通過卡爾曼濾波算法過濾信號，求解目標三維坐標，通過匹配三維坐標與電子地圖中數據庫信息特征，獲取目標活動軌跡，查看目標是否遵循設定物流軌跡，完成風險變化態勢跟蹤；針對偏離設定物流軌跡的目標展開異常報警［7］，利于相關人員及時處理異常情況，解除風險。

圖1 總體框架

2.2 基于壓縮感知的實時感知數據傳輸方法

塑造稀疏采樣模型完成實時感知的傳感信息的壓縮采樣與傳輸，數據壓縮傳輸流程如圖2 所示。冷鏈物流利用無線通訊網絡交互無線傳感器和監控終端間的信息，小波變換可以較好地完成傳感數據的稀疏表示。冷鏈運輸車內傳感器節點獲取監控終端輸送的控制指令后［8］，開始采集信息并上傳至智能處理單元，利用監控終端壓縮信息后利用GPRS 遠程傳輸到監控終端，監控終端利用重構算法實現信息的精準重構。

圖2 數據壓縮傳輸流程

令無線傳感器采集的x 時刻N 維距離信號是d(x)∈RN，也是基站Ψ下的K-稀疏信號，其中一維離散信號的列向量是RN，稀疏變換d(x)的公式如式（1）。

求解d(x)和各觀測向量內積獲取對應的觀測值，公式如下：

其中，測量矩陣是Θ，Θ=ΦΨ，Ψ和Θ盡可能無任 何 關 聯 ；M×N的 觀 測 矩 陣 是。

精準重構d(x)的公式如下：

其中，d（x）的0-范數是l0；通過l0的優化問題計算d（x）的近似值，其中，重構獲取的優化稀疏系數是s^ 。

信息重構步驟如下。

步驟1：初始化，令集合I 是空集，保存已選擇的恢復矩陣基的下標，矩陣q 是空，其作用是存儲相應的基向量，殘差r=y，s 的初始值是0，恢復矩陣T=ΦΨ，迭代次數n=0；

步驟2：選取基向量，在T 內選取和r 內積最大的基向量，令該向量的下標是i，那么：，設

其中，T 的列向量是ti；更新置T內相應的基向量是0；

步驟3：計算稀疏表示，通過已選取的基向量稀疏表示信號，計算系數向量

步驟5：在n的稀疏度已最大或者s符合重構誤差情況下，結束迭代；反之，轉至步驟2，繼續操作。

2.3 風險變化態勢跟蹤算法

冷鏈物流風險變化態勢跟蹤算法為互聯、過濾與跟蹤處理實時感知的d(x) ，獲取物流風險變化態勢軌跡［9～10］。具體步驟如下：

1）在數個位置信號d（x）內，獲取距離最小的d（x），即目標位置，其作用是更新目標狀態［11］，公式如下：其中，更新前后的目標狀態分別是；常數是S。

利用聯合概率數據互聯算法實現數據互聯，令追蹤目標是j(j=1，2，…，mx)，定 位 目 標 是，基本確認矩陣的公式如下：

其中，二進制變量是?ja，在j 陷入a 的確認矩陣中時，?ja=1，反之，?ja=0。

j和a的互聯概率如下：

其中，1 用于描繪j 在這個位置中，否則，j 不在這個位置中。

2）信息過濾，利用卡爾曼濾波算法過濾監控終端信息，求解目標的三維坐標［12］，該算法的模型如下：

其中，狀態矢量是Wx；狀態轉移矩陣是Fx x-1；檢測矢量是Vx；干擾噪聲是Ux-1；控制矩陣是Lx-1；檢測矩陣是Hx；檢測的噪聲是Cx。

在整周模糊度是常數情況下的矩陣向量，利用常數模型計算目標的三維坐標，節約計算時間［13］，預估計值的計算公式如下：

求解卡爾曼增益矩陣，公式如下：

其中，互聯概率是Px x-1；Cx的方差矩陣是Yx。

遞推初值，公式如下：

其中，偏導是E。

3）目標跟蹤，該過程就是跟蹤目標的實時位置信息，即冷鏈運輸車的實時位置，匹配監控終端接收的信息和電子地圖中數據庫信息特征［14］，以搜尋的方式，在地圖中匹配信息特征，獲取冷鏈運輸車的活動軌跡；在全部d（x）內的最優匹配是d（x）最小同時符合設置的距離閾值條件的位置，即目標位置，通過實時獲取最優目標位置，判斷其是否偏離設定運輸軌跡，完成冷鏈物流風險態勢跟蹤［15］。

3 仿真測試實驗

3.1 實驗環境

以某物流公司為實驗對象，該公司共有10 輛冷鏈運輸車，在該物流公司的冷庫中安裝6 個無線傳感器，在每輛冷鏈運輸車內各安裝一個無線傳感器，無線傳感器安裝情況如圖3所示。

圖3 無線傳感器安裝情況

3.2 數據傳輸性能

隨機選取兩輛冷鏈運輸車，它們分別處于靜止狀態與行駛狀態，原始數據與重構數據對比結果如圖4 所示。由圖4 可知，在冷鏈運輸車處于靜止狀態時，本文方法重構的數據與原始數據完全相同，當冷鏈運輸車處于行駛狀態時，隨著時間的延長，運輸車的距離逐漸增加，本文方法重構的數據與原始數據存在一定的差距，但整體趨勢一致，僅有微小差別。實驗證明：本文方法具備較優的數據重構效果，為數據傳輸的精準性提供保障。

圖4 原始數據與重構數據對比結果

利用歸一化的均方誤差值（Normalized Mean Square Error，NMSE）評價數據傳輸效果，定義為

其中，數據重構前的第α個值是dα(n)；數據重構后的值是；范數l的取值為2。

兩種狀態下，本文方法數據傳輸的NMSE 測試結果如表1所示。由表1可知，隨著時間的延長，在靜止狀態下，本文方法數據傳輸的NMSE 為0%；在行駛狀態下，NMSE 隨著時間的延長整體呈現上升趨勢，平均NMSE為1.44%，均方誤差較小。實驗證明：本文方法數據傳輸的均方誤差較小，說明其數據傳輸的精度較高，為后續跟蹤提供更為精準的數據支持，間接提升跟蹤效果。

表1 NMSE測試結果

3.3 跟蹤效果

隨機選取兩輛冷鏈運輸車，這兩輛冷鏈運輸車需要配送物品的距離不同，其中一輛距離較遠，另一輛距離較近，利用本文方法跟蹤兩輛運輸車的物流軌跡，物流軌跡跟蹤結果如圖5 與圖6 所示。綜合分析圖5 與圖6 可知，在跟蹤距離較短的運輸車物流軌跡過程中，本文方法獲取的跟蹤物流軌跡與設定的物流軌跡僅有微小差別，整體趨勢基本一致，說明本文方法能夠實時得到較近距離跟蹤目標的位置信息，該運輸車并未偏離設定的物流軌跡，代表其沒有發生任何風險；在跟蹤距離較遠的運輸車物流軌跡過程中，本文方法依舊能夠有效跟蹤物流軌跡，且與設定的物流軌跡存在較小的誤差，整體趨勢大致相同，說明本文方法能夠實時精準獲取較遠距離跟蹤目標的位置信息，該運輸車也沒有偏離設定物流軌跡，代表其也沒有發生任何風險。實驗證明：本文方法能夠精準獲取較近與較遠距離的冷鏈物流運輸軌跡，有效跟蹤風險變化態勢。

圖5 距離較短的運輸車物流軌跡

圖6 距離較遠的運輸車物流軌跡

為進一步驗證本文方法跟蹤風險變化態勢的有效性，隨機選取兩輛運輸車，按照相同的設定物流軌跡配送物品，但其中一輛運輸車并未按照設定物流軌跡行駛，利用本文方法跟蹤這兩輛運輸車的風險變化態勢，結果如圖7所示。由圖7可知，本文方法可有效跟蹤兩輛運輸車的物流軌跡，運輸車1的跟蹤軌跡與設定的物流軌跡基本一致，說明該運輸車不存在風險；運輸車2 的跟蹤軌跡已偏離設定物流軌跡，說明該運輸車存在風險，此時需要根據跟蹤結果發送異常報警信息，經由相關人員解決風險事件。實驗證明：本文方法可有效跟蹤偏離設定物流軌跡的運輸車物流軌跡，并根據物流軌跡完成風險變化態勢的跟蹤。

圖7 物流軌跡跟蹤效果

在不同天氣時，利用本文方法跟蹤10 輛運輸車的風險變化態勢，選取距離精度與跟蹤成功率作為定量分析指標，結果如圖8 與圖9 所示。由圖8可知，隨著距離閾值的增長，本文方法在不同天氣時跟蹤的距離精度均有所提升，在晴天時的距離精度最高，雨天與霧天環境較為惡劣，其距離精度略低于晴天，當距離閾值達到30 時，三種天氣時的距離精度均趨于穩定，即使在雨天與霧天這樣的惡劣天氣時，本文方法跟蹤的距離精度很高。由圖9 可知，在晴天時的成功跟蹤率整體高于雨天以及霧天，因惡劣環境影響，導致雨天與霧天的平均成功率低于晴天，但下降幅度較小，說明本文方法成功跟蹤率受天氣影響較小。實驗證明：在不同天氣時，本文方法跟蹤風險變化態勢的成功率均較高，受天氣影響較小。

圖8 距離精度測試結果

圖9 成功跟蹤率測試結果

4 結語

冷鏈物流發展較快，但其采集因素的多樣性較差、跟蹤技術較低屬于該行業發展的一大難點，導致物流的風險顯著提升。為此研究基于云平臺的冷鏈物流風險變化態勢跟蹤方法，精準跟蹤物理軌跡，實時了解風險變化態勢，盡快找到發生風險的原因，降低物流風險發生概率，為冷鏈物流行業提供更為安全的物流環境。