论文部分内容阅读
摘 要：随着现代物流与大数据技术的快发展，大数据分析在物流领域发挥越来越重要的作用。为了快速适应现代物流发展趋势，在多车场状态下有效降低成本，提高作业效率，探究大数据技术在多车场动态车辆路径问题中的应用成为研究的热点。本文结合工作实践，以大数据分析技术为研究视角，基于交通流的多车场动态车辆路径规划问题进行研究，并提出针对性的建议。
关键词：现代物流;大数据;车辆路径;交通流
随着现代经济的快速发展，社会对物流行业发展的要求越来越高，而且物流行业在国民经济中的地位越来越高。相关统计数据显示，不同国家物流成本在GDP中的占比存在较大差异，在欧美发达国家，物流成本约占GDP的10%，在中等发达国家，物流成本约占GDP的16%，而我国目前物流成本约占GDP的18%。由此可见，积极探索现代技术融入物流行业发展，充分发挥大数据技术提升物流效率、降低物流成本，对国民经济发展具有积极的意义。
1.多车场车辆路径问题
（1）多车场车辆路径问题描述
在传统单车场模式下，车辆在单一车场规划下完成客户任务。但随着物流业的高速发展，以及物流配送任务的网络化、专业化和复杂化，单一车场模式很难满足多客户需求，且容易造成成本过高、效率下降等问题。在大数据技术的支持下，企业开始建立多个配送中心，面对多客户个性需求，实现小批量、小范围、近距离、多批次的配送活动。在这种情况下，需要对车辆路径进行重新规划、设计与优化，涉及要素包括车场、配送车辆、运输网络、配送货物、客户、模型的目标函数与约束条件等。
多车场车辆路径问题是在单车场车辆路径问题上发展而来的，对于多车场车辆路径问题的解决，涉及到更多的因素，而且也更加贴近生产实际。在多车场下，为满足不同客户的不同需求，所有车场均可同时为这些客户服务，并在各种约束条件下，通过科学的车辆路径安排，完成配送活动。为客户服务完成配送是最基本的目标，而从降低成本、提高效率的目标来看，如何高效规划车辆路径，使动态车辆路径最优化是目前需要解决的多车场动态车辆路径问题。
（2）问题处理方法
从目前学术研究领域关于多车场车辆路径问题的研究成果来看，车辆路径问题处理的方法主要有两种，一种是整体法，另一种是分解法。
相对于单一车场车辆路径问题的解决而言，多车场的问题则要复杂的多，在求解中需要涉及到海量数据，而且求解的算法也相对复杂，这就需要引入大数据技术，借助大数据分析能力，寻找最优化答案。在分解法方案下，参考单一车场车辆路径问题的解决方法，将多车场车辆路径问题转化为几个单车场车辆路径问题进行逐一求解，运用模型公式独立求解最优化方案，然后再将这些独立的最优方案组合起来，最终得到多车场车辆路径问题最优化解决方案。在这个过程中，转换方法是最终获得最优化解决方案的关键，也就是说寻求一种转换策略，使不同客户按照要求分配到不同车场，已获得最优答案。但实践中，分解法一定程度上破坏了整体最优化求解的思路，影响了全局寻优能力。
整体法求解时，将多车场视作一个整体，以单一车场的思路不分配具体客户，而是每个车场都能服务各客户。这种方法下，计算变得更加复杂，对大数据分析的要求更高，求解最优化方案的步骤变得更多，因此如何有效简化步骤是该方法的关键。整体法能够很好的体现整体最优化的思路，并且真正达到整体最优化，使其能够获得比分解法更好的效果。
从目前越来越发达的物流业发展情况来看，客户对物流的要求越来越高，而且呈现多元化，在大数据技术的支撑下，可以尝试将整体法与分解法融合，集二者优点，在降低计算量的同时，还避免陷入局部最优，从而获得整体最优化方案。
2.交通流与车辆路径问题关系
（1）交通流对车辆路径影响
交通流是指车辆在道路上连续行驶形成的车流，其基本要素是人、车辆、道路，从交通流可衡量道路交通的实时情况，一般用交通流量（Q）、车辆密度（K）和行车速度（V）三个参数进行定量描述，三者关系为：
交通流量=车辆密度×行车速度（Q=KV）
实践表明，交通流要素对多车场动态车辆路径问题具有最直接、最明显的影响，这是显而易见的。通常当交通流量较大时，说明道路上车辆密度较大，行车速度相对较小，这会影响车辆配送时效，造成配送时间大幅增加，进而影响货物到达客户的时间。在这种情况下，运用大数据技术，充分发挥大数据分析的作用，计算归纳出每日道路上交通流量的时段特征，并划分为自由流、过渡、排队拥挤三个阶段，并根据三个阶段的交流通特征与具体交通流量数据分布情况，以及配送任务的情况，合理设置车辆路径，以寻求多车场动态车辆路径最优化解决方案。
（2）不同交流通下速度分布
交通流最多车场车辆路径问题的影响主要表现在对车辆行驶速度的影响，一般是交流通量越大，车辆行驶速度越小，反之则越快。如果仅以简单的确定性函数进行定量计算，显然不能有效避免交通流变化的波动性和随机性，因此需要更细致、准确的分析模型，在大数据分析的基础上真实反映速度与车辆路径间的关系。结合学术研究领域的相关研究成果，在不同交通流状态下，速度分布呈现不同的特征，通常在自由状态下，速度分布符合对数正态分布，而随着交通流量的增大，速度分布接近正态分布，这时可接速度分布构建多车场车辆路径问题分析模型如下：
3.大数据分析下车辆路径问题最优解分析
結合构建的分析模型，在多车场状态下，车辆路径问题解决需要建立在大数据分析的基层上，选择遗传算法进行计算。遗传算法是一种随机搜索法，其基本步骤为：产生初始解→评估适应度→形成匹配集→繁殖→最优解判断。在多车场车辆配送问题的解决上，先明确车场数量，并进行标号，然后明确每个车场的车辆及编号，以及客户数量和要求。之后计算出每辆车的固定成本与单位时间运输成本，然后进行速度分布参数设置，根据车场信息表、客户坐标位置及需求量表等信息，运用分解法和整体法对模型进行求解，最终数据最优化解决方案。
参考文献：
[1]李波，邱红艳.基于双层模糊聚类的多车场车辆路径遗传算法[J].计算机工程与应用.2014.5
[2]闫凯，李爱光，郭健，陈冰.基于时间窗的多车场车辆路径问题研究[J].地理空间信息.2017.5
[3]徐君翔，郭静妮.基于大数据平台下的物流配送车辆路径问题研究[J].交通运输系统工程与信息.2018.S1
[4]浦攀.基于实时信息的动态车辆路径问题模型与算法研究[D].杭州电子科技大学.2019
基金项目 ：邵阳市科技局科研项目（2018GX23，2019ZD23）
作者简介：
邓波，男，硕士，讲师。研究方向：计算机网络、大数据。
（邵阳学院信息工程学院 湖南 邵阳 422004）
关键词：现代物流;大数据;车辆路径;交通流
随着现代经济的快速发展，社会对物流行业发展的要求越来越高，而且物流行业在国民经济中的地位越来越高。相关统计数据显示，不同国家物流成本在GDP中的占比存在较大差异，在欧美发达国家，物流成本约占GDP的10%，在中等发达国家，物流成本约占GDP的16%，而我国目前物流成本约占GDP的18%。由此可见，积极探索现代技术融入物流行业发展，充分发挥大数据技术提升物流效率、降低物流成本，对国民经济发展具有积极的意义。
1.多车场车辆路径问题
（1）多车场车辆路径问题描述
在传统单车场模式下，车辆在单一车场规划下完成客户任务。但随着物流业的高速发展，以及物流配送任务的网络化、专业化和复杂化，单一车场模式很难满足多客户需求，且容易造成成本过高、效率下降等问题。在大数据技术的支持下，企业开始建立多个配送中心，面对多客户个性需求，实现小批量、小范围、近距离、多批次的配送活动。在这种情况下，需要对车辆路径进行重新规划、设计与优化，涉及要素包括车场、配送车辆、运输网络、配送货物、客户、模型的目标函数与约束条件等。
多车场车辆路径问题是在单车场车辆路径问题上发展而来的，对于多车场车辆路径问题的解决，涉及到更多的因素，而且也更加贴近生产实际。在多车场下，为满足不同客户的不同需求，所有车场均可同时为这些客户服务，并在各种约束条件下，通过科学的车辆路径安排，完成配送活动。为客户服务完成配送是最基本的目标，而从降低成本、提高效率的目标来看，如何高效规划车辆路径，使动态车辆路径最优化是目前需要解决的多车场动态车辆路径问题。
（2）问题处理方法
从目前学术研究领域关于多车场车辆路径问题的研究成果来看，车辆路径问题处理的方法主要有两种，一种是整体法，另一种是分解法。
相对于单一车场车辆路径问题的解决而言，多车场的问题则要复杂的多，在求解中需要涉及到海量数据，而且求解的算法也相对复杂，这就需要引入大数据技术，借助大数据分析能力，寻找最优化答案。在分解法方案下，参考单一车场车辆路径问题的解决方法，将多车场车辆路径问题转化为几个单车场车辆路径问题进行逐一求解，运用模型公式独立求解最优化方案，然后再将这些独立的最优方案组合起来，最终得到多车场车辆路径问题最优化解决方案。在这个过程中，转换方法是最终获得最优化解决方案的关键，也就是说寻求一种转换策略，使不同客户按照要求分配到不同车场，已获得最优答案。但实践中，分解法一定程度上破坏了整体最优化求解的思路，影响了全局寻优能力。
整体法求解时，将多车场视作一个整体，以单一车场的思路不分配具体客户，而是每个车场都能服务各客户。这种方法下，计算变得更加复杂，对大数据分析的要求更高，求解最优化方案的步骤变得更多，因此如何有效简化步骤是该方法的关键。整体法能够很好的体现整体最优化的思路，并且真正达到整体最优化，使其能够获得比分解法更好的效果。
从目前越来越发达的物流业发展情况来看，客户对物流的要求越来越高，而且呈现多元化，在大数据技术的支撑下，可以尝试将整体法与分解法融合，集二者优点，在降低计算量的同时，还避免陷入局部最优，从而获得整体最优化方案。
2.交通流与车辆路径问题关系
（1）交通流对车辆路径影响
交通流是指车辆在道路上连续行驶形成的车流，其基本要素是人、车辆、道路，从交通流可衡量道路交通的实时情况，一般用交通流量（Q）、车辆密度（K）和行车速度（V）三个参数进行定量描述，三者关系为：
交通流量=车辆密度×行车速度（Q=KV）
实践表明，交通流要素对多车场动态车辆路径问题具有最直接、最明显的影响，这是显而易见的。通常当交通流量较大时，说明道路上车辆密度较大，行车速度相对较小，这会影响车辆配送时效，造成配送时间大幅增加，进而影响货物到达客户的时间。在这种情况下，运用大数据技术，充分发挥大数据分析的作用，计算归纳出每日道路上交通流量的时段特征，并划分为自由流、过渡、排队拥挤三个阶段，并根据三个阶段的交流通特征与具体交通流量数据分布情况，以及配送任务的情况，合理设置车辆路径，以寻求多车场动态车辆路径最优化解决方案。
（2）不同交流通下速度分布
交通流最多车场车辆路径问题的影响主要表现在对车辆行驶速度的影响，一般是交流通量越大，车辆行驶速度越小，反之则越快。如果仅以简单的确定性函数进行定量计算，显然不能有效避免交通流变化的波动性和随机性，因此需要更细致、准确的分析模型，在大数据分析的基础上真实反映速度与车辆路径间的关系。结合学术研究领域的相关研究成果，在不同交通流状态下，速度分布呈现不同的特征，通常在自由状态下，速度分布符合对数正态分布，而随着交通流量的增大，速度分布接近正态分布，这时可接速度分布构建多车场车辆路径问题分析模型如下：
3.大数据分析下车辆路径问题最优解分析
結合构建的分析模型，在多车场状态下，车辆路径问题解决需要建立在大数据分析的基层上，选择遗传算法进行计算。遗传算法是一种随机搜索法，其基本步骤为：产生初始解→评估适应度→形成匹配集→繁殖→最优解判断。在多车场车辆配送问题的解决上，先明确车场数量，并进行标号，然后明确每个车场的车辆及编号，以及客户数量和要求。之后计算出每辆车的固定成本与单位时间运输成本，然后进行速度分布参数设置，根据车场信息表、客户坐标位置及需求量表等信息，运用分解法和整体法对模型进行求解，最终数据最优化解决方案。
参考文献：
[1]李波，邱红艳.基于双层模糊聚类的多车场车辆路径遗传算法[J].计算机工程与应用.2014.5
[2]闫凯，李爱光，郭健，陈冰.基于时间窗的多车场车辆路径问题研究[J].地理空间信息.2017.5
[3]徐君翔，郭静妮.基于大数据平台下的物流配送车辆路径问题研究[J].交通运输系统工程与信息.2018.S1
[4]浦攀.基于实时信息的动态车辆路径问题模型与算法研究[D].杭州电子科技大学.2019
基金项目 ：邵阳市科技局科研项目（2018GX23，2019ZD23）
作者简介：
邓波，男，硕士，讲师。研究方向：计算机网络、大数据。
（邵阳学院信息工程学院 湖南 邵阳 422004）