城市群内基于云端物流整合信息管理系统构建

徐少堃

(安徽审计职业学院 商学系，合肥230001)

近几年，我国农产品物流行业获得了快速发展，但城市数量的增长速度要远远大于物流产品发展步伐，这就使得城市群内农产品物流管理问题日益突出，而这毫无疑问严重影响区域经济的发展[1-3].驾驶员每天在城市各道路上进行物流运输，基于其职位特征，需要驾驶员在驾驶过程中选择一条最优的路径，从而减少行驶时间[4-5].传统的农产品物流管理模式，往往需要能够结合城市群的分布特点[6]，以从中找到距离与时间最短的路径，很多学者为了得到最短路径，从延误、限制等角度出发，并且将道路收费等因素考虑其中，而且还探究分析了费用最少的路径.

在城市交通道路上处处可见驾驶员的身影，他们在物流配送的过程中已经对城市交通十分熟悉，但是在最优路径选择的方面能力还很有限.因此，本文提出基于云端物流整合信息管理系统，针对动态初始物流信息背景下区域经济的发展，结合云端物流整合方法构建提出了动态物流路径规划.实验结果表明：本文构建的信息管理系统可以根据动态的道路信息快速制定出最佳路径.

1 云端物流整合信息算法

本文以路径选择信息素等级作为特征指标，使得城市物流管理都能够进行等级划分，而且还可进行量化分析.将GPS采样点插入到了单台云端物流整合轨迹各路段中，并且对于相同路段，两个采样点的距离与时间间隔作除法，得到了平均通行速度.以此为基本前提，就该时段内云端物流整合平均速度进行了分析，最终可得到在该时段内具有的平均通行速度Vi(t)：

(1)

通过对该时段内该路段对应平均通行速度的计算，能够得到平均通行时间，即

(2)

式(2)中，Li代表的是路段i的长度.

本文考虑到存在的物流数据量很大，而且在各路段上与统计学分布规律也是相符的，则对于路段i，在[Tstart,Tend]这一时间范围内，物流车量的通行频率Ri(t)可进一步简化，具体形式如下：

(3)

式(3)中，Δl代表的是采样距离间隔；Δt对应表示的是时间间隔；ΔT反映的是采样的终止时间与起始时间之差；该路段上的平均速度为Vi.

将得到的通行频率Ri按照递增顺序进行排序，能够得到{(1,R1),(2,R2),…,(i,Ri)}.分析可得，在起始时间[X0,X1]内聚集着具有较低通信频率的部分，而且频率值的增长是非常慢的.如果达到了一定阈值后，则在该区间内，主体物流对应的通行频率将会表现为十分突出的指数分布特征.但是在整个路段分布中，这一区间的占比也非常少.

基于云端物流整合信息的分布情况，云端物流整合频率等级c(Ei,t)可通过式(4)给出：

(4)

式(4)中，RX1、RX2、RXmax分别为路段，X1、X2、Xmax对应的通行频率；a为用于信息管理频率分级的重要参数.

2 城市群内云端物流整合信息管理模型

云端物流整合在选择物流路径的时候需要考虑的因素有很多，包括路径的长度、已经具体的时间、当时的路况、所需的费用等等.这些将会受到决策变量的影响，而且彼此是存在冲突的，而导致无法进行合理的调和.整体来讲，是很难于解空间中得到最优解的，该问题属于多目标组合制定出行问题.在本文中，对于动态时间序列，包括行驶物流管理过程中有关道路选择积累的经验，构建了公众出行物流管理模型，具体表示如下：

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

(5)

式(5)中，S(t)代表的是对应时段t内，路径具有的出行距离；T(t)反映的则是在该时段中，对应的出行时间；P(t)反映的是相对的信息素等级；E[S(t),T(t),P(t)]则是基于上述因素构建的决策制定模型；R(Ei,t)代表的则是基于云端物流整合信息素，进行的公众出行路线规划.构建该模型的主要目标是为了确保路径尽量短，而且所需时间尽量少，对应的信息素等级应当是比较高的，关于S(t)、T(t)、P(t)的计算表达式分别为

(6)

(7)

(8)

式(6)～(8)中，V(En,t)表示的是在该时段内En上具有的平均速度.

如果目标之间具有博弈关系，那么在对此进行分析时，一般需要参考经验来实施决策.在本文中所设置的目标决策函数，围绕的是通行时间、路径距离等信息素展开的分析，在此基础上开展的综合性考虑，可通过式(9)表达决策函数:

(9)

式(9)中，S′、T′、P′分别为S(t)、T(t)、P(t)标准化后的值;w1、w2、w3依次表示的是S′、T′、P′的权重.

在本文中将云端物流整合制定出行系统引入模型的构建，而且基于其具有的正反馈原理，与其于局部搜索中的特征，基于决策函数约束条件，可以选择最为恰当的搜索策略，而且能够确保蚂蚁可在解集范围内进行路径寻找，从中获得最为满意的解.

3 试验分析与比较

本文结合云端物流整合数据，选择了徽州区农产品在城市群内产品物流部分路段进行实例验证.基于Java+ArcEngine平台进行了试验，而且在信息素的基础上进行了物流管理，因为无法得到当前的遥感影像，并且考虑到实际中城市交通是处于动态变化之中的.因此，在不同的工作日中，相同的时间段下，对应的路况水平存在较大相似性.在本文中，分析了高精度遥感影像，利用该影像能够对各时段交通状况进行较为客观的反映.如图1所示.在该路段，具有较大的车流量，而且道路占用率也是相对较高的，并且整个通行速度是非常慢的，城市群内农产品物流管理程度较大，行车需要等待较长时间.

图1 2种系统规划路线与物流人员实地路线对比

某驾驶人员已经有过30年的驾驶物流管理经验，每天上午十点半出发，利用GPS来对其轨迹进行记录，每隔一秒进行一次数据采集工作.如图1所示为2种系统规划路线与驾驶员实地路线对比.图1中的A、B、C分别为选定的三条街道.

对比分析后能够发现，利用本文系统进行的物流管理，与驾驶人员所选择的路径，都不会选择这些路径.故此，所需通行时间是较长的，而且实验结果也验证了.本文结合驾驶人员的经验实施的物流管理，类似于驾驶员的路径选择.存在差异的部分是由于该路段临时施工，驾驶员选择绕路.

在进行的试验中，将云端物流整合数据库以及本文制定出行路径中，提取了含有起止时间的，驾驶员进行的路径选择与规划，并且将其展开了对比分析，结合式(10)计算得出了路径相似度.

(10)

式(10)中，s表示的是云端物流整合轨迹与本文系统制定出行路径之间具有的相似度，其中：与云端物流整合轨迹完全一致的轨迹条数为F，A代表的是云端物流整合轨迹总数，p代表的是路径中与划路径部分一样的云端物流整合轨迹条数，在该轨迹上相同轨迹长度为L(b)；Lt代表的是利用本文系统进行规划得到的路径长度.

如表1所示，即为在5个不同地点进行试验所得到的结果.对比后发现，连接5个节点来制定出行路径，和云端物流整合数据库结果具有将近90%的相似度.在本文中，合计进行了10组试验，系统制定出行路径和云端物流整合模拟路径，最低相似度为85.5%，最高将近92.2%，平均相似度为89.2%.

表1 系统制定出行路径与云端物流整合轨迹数据相似度

4 结语

以徽州区农产品营销情况为依据，针对动态初始物流信息进行整合，同时结合云端物流整合算法设计了动态信息管理系统.实验结果表明本文构建的云端物流整合信息管理系统，在物流管理方面更具优势，能够为城市群内农产品营销提供实时最佳的运输途径.