基于深度學習與預檢故障數據庫的物流配送精準響應

摘要：針對常規的物流配送需求響應模型，在物流需求的預測上未考慮到預檢故障，導致物流配送效率較低問題，提出基于深度學習與預檢故障數據庫的精準物流配送需求響應模型。以預測的需求參數為基礎，通過深度學習網絡結構，將物流配送分為3種類型，對響應影響參數權重進行計算，根據計算參數建立響應規則，結合響應規則與因素影響權重，以LSTM結構作為模型的基礎結構，在物流配送產生需求時，形成物流響應，從而形成物流配送需求響應模型。結果表明，所設計的精準物流配送需求響應模型，能夠提高物流配送的效率。

關鍵詞：深度學習；預檢故障數據庫；精準物流配送；需求響應；LSTM結構

中圖分類號：TP311；F259文獻標識碼：A文章編號：1001-5922（2025）02-0137-04

Accurate response to logistics distribution based on deeplearning and pre-inspection fault database

FENG Kangjian1，FENG Lele2

（1.Railway Equipmenr Cangzhou Branch Co.，Ltd.，Cangzhou 061113，Hebei China；

2.China Energy Railway Equipment Company Limited Cangzhou Branch Co.，Ltd.，Cangzhou 061100，Hebei China）

Abstract：In view of the conventional logistics and distribution demand response model，the pre-inspection failure is not considered in the prediction of logistics demand，resulting in the low efficiency of logistics distribution，and an accurate logistics and distribution demand response model based on deep learning and pre-inspection fault data?base was proposed.Based on the predicted demand parameters，through the deep learning network structure，the lo?gistics distribution was divided into three types，the weight of the response influence parameters was calculated，the response rules were established according to the calculation parameters，the response rules were combined with the influence weights of the factors，the LSTM structure was used as the basic structure of the model，and the logistics response was formed when the demand was generated by the logistics distribution，so as to form the logistics distri?bution demand response model.The results showed that the designed demand response model for logistics distribu?tion could improve the efficiency of logistics distribution.

Key words：deep learning；pre-check fault database；accurate logistics delivery；requirement response；lstm struc?ture

在數字化、網絡化、智能化的工業4.0時代，各制造企業在生產、管理、裝備、物流、服務等方面不斷地進行科學技術的新探索[1]。除了新品、大修品，還應對檢修品、修舊利廢等全部生產物料進行實物管理[2]。目前在精準物流配送需求響應研究上，主要會運用到GM（1，1）-ARIMA組合模型對需求進行預測以及響應[3]、在基于LSTM物流資源需求下對物流配送需求進行響應等[4]。因此，基于深度學習與預檢故障數據庫，建立精準物流配送需求響應模型。

1基于深度學習與預檢故障數據庫的精準物流配送需求響應模型

1.1基于預檢故障數據庫預測物流需求

為了實現對物流配送需求的精準響應，在基于預檢故障數據庫下，預測物料需求。對長期車輛檢修進行預測，主要依據的內容為零部件的全生命周期里程及技術狀態等方面[5]。

同時根據車輛檢修長期積累的報廢率、更換率，對物料的短期及長期需求進行計算，使用平滑指數模型，作為預算模型[6]。將物流需求中的自變量與因變量之間的定量關系表示為：

式中：x為統計檢驗參數；c為待定系數；v為隨機變量參數；b為數據平方和；n為觀測值。將預檢故障數據庫中待定參數，帶入函數式的定量關系進行迭代計算，可以得到矩陣表達為：

式中：a為自由度參數；β為統計量變量參數；s為擬合程度。由于其回歸系數在統計上出現了顯著性差異，因此進行顯著性檢驗[7]，檢驗公式如下所示：

式中：f為檢驗矢量參數；j為原始故障數據庫中數據序列；h為統計量；g為常數項向量。對原始數據序列的誤差進行計算，可以得到其數據指標預測值[8]，表示為：

式中：k為無量綱化處理參數；l為關聯系數；q為分辨系數；w為物流周轉量。以BPTT算法作為數據訓練方法，并根據極限學習機網絡結構，對數據進行計算，結構如圖1所示。

根據極限學習機網絡結構，設置3個輸入序列，并設置遺忘門與輸出門，其中遺忘數值表示為：

式中：r為激活函數；t為變量映射數值；y為當前時刻的輸入參數。將元素相乘，得到輸出的預測結果：

式中：i為影響因子；p為支持向量；Z為歸一化后數據；X為隱層單元數據，得到最終物流需求參數。

1.2基于深度學習建立響應規則

使用深度學習，建立需求響應規則。將物料分為必換件、常用料、臨時用料3種類型，根據3種物料，分別建立不同的響應規則[9]，規則建立流程示意圖如圖2所示。

按照其流程，對不同種類物料的影響因素進行擬合，并以此對指標之間的關系進行計算，將配送的單個影響因素進行表達，其公式表示為：

式中：V為等級相關系數；B為影響因素參數；M為需求指標參數；N為影響因素[10]。將影響因素進行相關性分析，其公式表示為：

式中：S為線性組合；F為特征值參數；G為主成分影響參數。對相關性因素進行分析，并按照選取判斷原則對主要的參數數據進行選取，得到多個因素下的影響擬合情況，公式如下所示：

式中：Q為矩陣的特征值；L為滿足條件的核函數；K為累計貢獻率；J為非線性主成分向量。按照循環神經網絡結構，建立深度學習RNN隱藏層單元結構，如圖3所示。

按照RNN隱藏層單元結構，對輸出的權重進行計算，可以得到其隱含層節點數。將權重向量代入并對影響因素進行分析，并以此建立物料的響應規則，得到物流配送需求的響應規則，建立出物流配送的需求響應模型，其中主要響應規則示意圖如圖4所示。

1.3物流配送需求響應

根據車輛預檢情況或者車輛的裝用配件實際情況、實際檢修故障配送或者預先準備物料，逐步優化故障與實際配件更換規律的匹配關系。以LSTM結構作為模型的基礎結構，其中LSTM結構如圖5所示。

根據其LSTM結構，以及與物料對應的嚴格裝車關系，按車型，修程，轉向架，車鉤，制動缸型號等數據，建立和物料編碼中品名、規格型號的一一對應關系。根據其對應的關系，對數據的權重進行計算，并按照其權重，并結合其響應規則，將數據序列進行精度計算，其公式表示為：

E=R′T+Y′U（10）

式中：R為原數據序列；T為精度取值；Y為發展系數；U為響應預測值。根據其數據序列的精度，對物流配送的響應值進行計算，其公式表達為：

式中：O為相對誤差；P為非標準化系數；“為影響參數。根據其響應參數，在物流配送產生需求時，產生相應的響應，從而形成物流配送需求響應模型。

2實驗部分

2.1實驗設備

實驗中主要用到的硬件設備如表1所示。

其中使用到的智能料盒技術的數據采集系統：計重計數子系統+4G物聯網子系統，電氣規格：雙電源，聚合物鋰電池（3.7 V，10 000 mAh）和DC 5 V適配器；低功耗系統設計：非數據上報時間，主系統休眠，4 G模塊處于睡眠模式。

2.2實驗數據

建立物料與HCCBM故障之間的對應關系。將貨車檢修的常見故障與處理故障所需的物料進行對應，建立數據關聯關系，檢修故障與物料對應關系示例如圖6所示。

依托HCCBM平臺，結合該企業修車日計劃和車輛的配件基本信息、整車必換配件的規程要求，生成貨車檢修必換配件清單，檢修日計劃生成后但車輛未檢修前預先提報配送中心配送，生成必換件配送方案進行生產物料準備，并跟蹤配送流程。

2.3物流配送

初始化物料庫存，將現場既有物料庫存初始化導入系統，并對物料運輸小車進行改造，在運輸小車上安裝定位標簽，標簽內含定位儀，同時運輸小車加裝移動數據采集終端。移動終端具備高清攝像頭，超清屏幕，支持一維、二位是條碼掃描，支持超高頻RFID讀寫，實時接收數據。

運輸小車全部配送線路沿途覆蓋無線信號。運輸小車通過現場既有的北斗定位系統和小車上的標簽實現實時定位，小車的定位標簽含流量卡（12個月數據流量），室外定位精度小于50 cm；在室內通過新增的基站實時定位運輸小車，室內定位精度小于1 m。2.4實驗結果與分析使用所設計模型，對比文獻[3]與文獻[4]模型，對其進行實驗，結果如圖7所示。

2.4 實驗結果與分析

使用所設計模型，對比文獻[3]與文獻[4]模型，對 其進行實驗，結果如圖7所示。

由圖7可以看出，所設計的模型，對于物流配送的效率較高，說明所設計的需求響應模型，增加了其物流配送效率，具有較好的應用性。

3結語

研究基于深度學習與預檢故障數據庫，提出了一種精準物流配送需求響應模型。將物料配送與成本管理延伸到生產現場，對物料進行全過程追蹤，精準核算單車檢修成本，提高了物料管理的精準度，能夠提高企業預算的能力，加強企業的抗風險能力，達到資源的最佳優化配置，從而促進物流行業的科學發展。

【參考文獻】

[1]張宇華，王叢，孫曉鵬，等.基于多步逆向半云模型的價格型需求響應不確定性建模[J].電力系統自動化，2023，47（1）：105-114.

[2]謝雨奇，曾偉，馬瑞.考慮用戶響應度模糊控制的需求響應雙層博弈模型[J].電力工程技術，2022，41（6）：30-38.

[3]張婉琳.基于GM（1，1）-ARIMA組合模型的寧波港口物流需求預測分析[J].物流工程與管理，2023，45（1）：32-35.

[4]胡艷娟，胡偉，潘雷霆.一種基于LSTM物流資源需求預測模型[J].長春工業大學學報，2022，43（3）：193-201.

[5]王曉琳，孫曉燕，陳慧敏.基于灰色預測模型的廣西醫藥物流需求預測[J].中國市場，2022（5）：173-174.

[6]鄭若楠，李志浩，唐雅潔，等.考慮居民用戶參與度不確定性的激勵型需求響應模型與評估[J].電力系統自動化，2022，46（8）：154-162.

[7]武亞鵬，李慧穎，李婷，等.基于多模型組合的物流需求預測分析——以武漢市為例[J].物流技術，2022，41（6）：60-63.

[8]譚曉偉，王雪韻，胡大偉.考慮動態需求的多中心沿途補貨冷鏈物流配送路徑優化[J].四川大學學報：自然科學版，2023，60（2）：64-74.

[9]王燕.基于BP神經網絡模型的重慶農產品冷鏈物流需求預測研究[J].中國儲運，2023，（3）：118-119.

[10]付則晨.安徽省物流需求與產業結構的動態關系研究——基于灰色關聯模型[J].滁州學院學報，2022，24（2）：63-68.

[11]王珂.物流環境對導電膠耐腐蝕與粘接強度性能影響研究[J].粘接，2023，50（9）：19-22.

[12]孟慶芳.互聯網信息時代會計信息系統整合探析[J].產業科技創新，2023，5（5）：20-22.

[13]陳岫，平海，蔡城龍.基于物元可拓模型的企業物流承運商服務質量評價[J].云南師范大學學報（自然科學版），2022，42（1）：34-41.

[14]梁藝凡.中小皮革外貿企業向跨境電商轉型的問題與對策[J].中國皮革，2023，52（11）：28-30.

[15]張一龍.廣東省物流業高質量發展研究[J].合作經濟與科技，2024（1）：13-15.

[16]王幫俊，孫宇浩.考慮碳排放約束的加工中心布局優化[J].輕工機械，2023，41（6）：93-100.

[17]張校卿.基于供應鏈管理的電力物資倉儲物流系統分析[J].中國航務周刊，2023（50）：90-92.

[18]李靜，成志平.食品冷鏈物流平臺設計及包裝材料安全評價[J].粘接，2021，48（10）：151-154.

[19]鐘媛媛.低空經濟高質量發展對策研究——以深圳市龍華區為例[J].產業科技創新，2023，5（4）：20-22.

[20]高莉.物流智能配送中心運輸帶粘接技術[J].粘接，2022，49（8）：7-9.

[21]張夢薇.基于價值鏈分析的皮革企業庫存管理優化建議[J].中國皮革，2023，52（10）：47-49.

（責任編輯：平海，蘇幔）