陆瑞新，刘春梅，聂 峰

(1. 江西科技学院，江西 南昌 330098；2. 南昌大学软件学院，江西 南昌 330031)

1 引言

物流是面向客户的服务环节，物流配送质量会直接影响用户体验[1，2]。合理安排多式联运物流协同配送具有十分重要的意义。国内相关专家也给出了一些比较好的研究成果，例如王勇等人[3]以最小物流成本和最小生鲜商品损失价值为目标，构建生鲜价值损失模型，采用GA-TS混合算法对模型进行求解，最终获取最佳物流配送方案。石春花等人[4]优先在灰狼捕食阶段引入正弦和余弦搜索，选取最佳物流配送规划方案，完成物流配送。但是，当前方法忽略了对物流协同配送数据的预处理，导致物流联运协同配送耗时较长，无法获取最优配送方案。为此，提出新的基于SVR-Kalman滤波的多式联运物流协同配送算法。通过实验验证了所提算法能够有效降低物流协同配送时间，同时还能够获取比较满意的配送结果。

2 算法设计

2.1 多式联运物流协同配送数据预处理

影响多式联运物流协同配送的需要因素来自多个不同的方面：

1)经济规模：经济规模是影响因素中的核心部分，是物流需求水平的决定性条件，假设物流配送区域内经济水平发展比较好，同时对商品的原料以及未成品等需求增加。假设研究区域内经济发展比较迅速且产业结构十分丰富，随着人均收入水平的不断提升，对区域物流的配送需求也会相应增加。假设研究区域内的经济发展不稳定或者交叉，则表明物流需求和区域经济两者之间的发展呈正相关。

2)经济结构：

经济结构会直接对物流需求产生影响。

3)经济空间结构。

对于我国而言，由于疆土比较辽阔，每个地区之间的风土人情以及地理物质都存在十分明显的差异，因此需要结合区域经济空间结构和自然环境制定对应的配送方案。

采用式(1)描述影响因素对物流需求的影响，同时对不同用户的点物流需求进行预测，得到两者之间的驱动关系

y=f{x1，x2，…，xn}

(1)

式中，y代表区域物流的需求；x1，x2，…，xn代表影响需求的n因素。

在进行多式联运物流协同配送过程中[5，6]，需要对物流量数据进行采样，同时组建数据库。假设原始数据构建的数据库采用Pi表示，经过一阶差分获取如式(2)所示的物流变量

St=Pt-Pt-1

(2)

式中，St代表在t时间段内物流需求总量波动情况；Pt代表t时间段内的物流量。

对多式联运物流协同配送数据进行预处理主要划分为三个层次，分别为信息源层、中间件层以及应用层[7，8]。在数据预处理过程中，主要以邻近节点的感知数据为依据，当节点之间的感知能力越低，则说明节点提供的信息不确定性就越高。另外，节点越多表示消耗的能量也就越多。

在多式联运物流协同配送过程中[9，10]，需要消除各个节点之间的不确定性，最终得到精准的多式联运物流协同配送信息。其中，弹性空间模型S的存在是为了确保各个节点之间具有比较高的相关性，具体的表达形式如下

S=[R·eλ·Δ2]

(3)

式中，R代表邻近空间的整体相关度；e代表常数；λ代表波动调节参数。

在实际应用的过程中，为了确保多式联运物流协同配送数据的可靠性，需要设定弹性空间的下限值。因此，弹性空间模型具有比较强的适应能力，同时还能够准确识别孤立噪声点[11，12]。

两个节点之间的距离越近，则说明两个节点之间的相关性就越大。因此，需要通过径向基函数计算随机两个节点之间的欧式距离dis(i，j)以及相关性r(i，j，σ)，具体的计算式如下：

(4)

上式中，σ代表调节参数。

为了准确衡量近邻空间的空间相关度，需要计算各个节点和本地节点之间的相关度平均值R(i)，如式(5)所示：

(5)

上式中，N(i)代表邻近节点的总数。

设定弹性空间的上限值和下限值分别为ω和α，则采用数据挖掘技术对多式联运物流协同配送数据进行预处理的详细操作步骤如下所示：

(1)对于近邻空间S大于α的节点测量值而言，需要加你识别为孤立点，同时还因为其具有较大的不确定性，因此只能通过近邻节点的测量值进行加权平均去噪x(i，t)，具体如式(6)所示：

(6)

上式中，x(j，t)代表原始测量值。

对于近邻空间S小于σ或者等于σ的测量值，需要使用本地节点测量值和近邻点测量值进行加权平均去噪，具体计算式为

(7)

将初始近邻空间设定为最下近邻空间，主要是由相关性最高的前ω个节点和本地节点组成的空间，同时设定节点之间的相关度是通过计算获取的。同时借助数据挖掘算法[13，14]进行近邻空间的大小，判定数据是否超出弹性范围。在上述基础上，进行数据清洗，最终完成多式联运物流协同配送。

2.2 基于SVR-Kalman滤波的多式联运物流协同配送

将多式联运物流协同配送路程划分为多段不同的路段。配送路段一共设立n个站点，将每个站点的坐标记录为Si=(ai，bi)，(a，b)代表站点对应的经纬度坐标，Si代表站点；ti代表路径的运行时间总和。当完成多式联运物流协同配送路段划分后，整条路径的行程时间等于全部路径行程时间总和，如式(8)所示

(8)

式中，tall代表行程时间总和。

在没有外部时间可以参考的情况下，选取历史行程时间的平均值作为预测值，具体计算式如下

(9)

式中，tn代表预测时间值；m代表历史数据的数量。

考虑到多式联运物流协同配送预测时间和实际时间之间会产生误差，因此需要引入一种基于延迟的预测模型，使其能够获取和真实值更加接近的预测值，如式(10)所示

(10)

在上述分析的基础上，需要将支持向量机回归(SVR)和卡尔曼滤波(Kalman)两者相结合，以此为依据，构建多式联运物流协同配送模型。分析SVR模型[15]的相关理论可知，设定以f(x)为中心，构建间隔宽度为2ε的区间。获取以下形式的SVR线性回归方程，如式(11)所示

(11)

式中，C代表正则化常数；lε代表不敏感损失函数。

在现实问题中，由于很多训练样本属于非线性回归[16，17]，因此需要将样本αi映射到维度更高的特征空间k(xi，xj)中，这样就能够将高维度中的样本空间进行线性回归，则对应的超平面f(x)就能够描述为以下的形式

(12)

标准的Kalman滤波算法的状态方程以及观测方程可以表示为以下形式

(13)

式中，F代表状态转移矩阵；H代表观测矩阵；G代表输入控制矩阵；uk代表输入控制变量；vk代表过程噪声；wk代表观测噪声。

(14)

利用图1给出Kalman滤波算法的详细操作流程。

图1 Kalman滤波算法操作流程图

其中，Kalman滤波模型的组建过程如下所示：

通过多式联运物流协同配送时间即可获取以下形式的计算式

tall=t1+t2+…ti

(15)

对于Kalman滤波算法而言，一个站点即代表一个时刻点。其中，物流配送的Kalman滤波预测公式为

(16)

Kalman滤波更新公式为

(17)

式中，Wk+1代表模型的先验估计值；zk+1代表在k+1站输出的观测值。

将两种算法结合应用，同时以此为依据，构建多式联运物流协同配送模型，具体的表达形式为

(18)

引入粒子群优化算法对构建的配送模型进行求解，详细的操作步骤如下所示：

1)对粒子的速度以及位置等相关参数进行初始化处理。

2)精准计算粒子的目标交叉函数，同时计算获取最佳适应度取值。

3)更新粒子的位置和速度。

4)通过网络搜索确定各个参数的最佳取值范围。

5)通过粒子群算法获取最优多式联运物流协同配送方案。

3 仿真研究

为验证所提基于SVR-Kalman滤波的多式联运物流协同配送算法的综合有效性，采用H商业物流管理系统提供的实际配送数据进行实验测试。

以下给出具体的实验配送数据：

1)尺度为S，有货区域的数量总和为10.客户数量总和为60，全部客户的货物之和为62.32。

2)尺度为M，有货区域的数量总和为16，客户数量总和为200，全部客户的货物之和为118.22。

3)尺度为L，有货区域的数量总和为20，客户数量总和为288，全部客户的货物之和为251.22。

利用表1给出形成的多式联运物流协同配送线路：

表1 多式联运物流协同配送线路

在单一区域扫描的基础上，分别采用所提算法、文献[3]算法以及文献[4]算法进行求解，利用图2给出三种算法在不同角度下的多式联运物流协同配送结果对比分析。

分析图2中的实验数据可知，随着尺度的不断增加，各个算法的不同测试指标均发生了十分明显的变化。相比另外两种方法，所提算法能够获取更加满意的多式联运物流协同配送结果，全面验证了所提方法的优越性。

为了更进一步验证所提算法的有效性，采用三种不同的算法进行求解，具体的实验结果如图3所示。

分析图3中的实验数据可知，所提算法能够以最短的时间完成多式联运物流协同配送。由于所提算法对多式联运物流协同配送数据进行预处理，有效删除无效和冗余数据，这样使所提算法能够获取更加满意的配送结果。

4 结束语

针对传统算法存在的一系列问题，提出一种基于SVR-Kalman滤波的多式联运物流协同配送算法。实验测试证明：所提算法能够获取更加满意的物流协同配送方案，同时还能够有效减少物流配送时间。由于受到时间以及环境等多种外界因素的干扰，所提算法仍然存在不足，后续将对其进行进一步完善，使其能够广泛适用于不同的研究领域，确保物流系统的运行效率得到有效提升。

图2 不同尺度下算法多式联运物流协同配送对比

图3 不同算法的配送结果测试分析