基于浮动车数据预测的车辆配送路径研究
姚滢滢
(北京物资学院 北京 101149)
摘 要： 时代的发展使得基于浮动车数据预测的车辆配送路径研究成为一种趋势。在本文中会从历史浮动车数据预处理、浮动车数据与地图匹配并进行轨迹纠正、交通状态预测、车辆配送路径优化等几方面来进行探讨。
关键词： 浮动车数据；数据预测；车辆配送
一、背景
在我国，人们的生活水平在近三十年的时间里实现了质的飞跃，特别是随着移动支付的出现，网上购物的频繁也使得电商时代飞速发展，快递业进入了前所未有的鼎盛时期，通过国家统计局的数据显示，从2017年到2018年快递量增长了100亿。这使得，我们民众对配送的及时性有了一定的要求，而随着汽车保有量的增加，路网会出现一定的拥堵，历史浮动车数据能够很好的预测出路网在不同时间段下的交通状态，如何在避免走拥堵道路的情况下去及时完成配送是本次课题研究的重点。
IEC61850应用于分布式馈线自动化系统的模型//朱正谊,徐丙垠,TonyYIP,陈羽,于强强,李妍//(23):148
二、国内外研究现状
浮动车数据预测：
通过浮动车数据对道路的交通状态进行预测一直以来是国内外学者研究的重点，国内外学者通过对真实的历史数据进行分析和实验也取得了丰富的成果。主要研究有：
徐建闽和朱玲湘等[1]通过GPS定位得到的道路行程时间和感应线圈得到的行程时间相结合，利用神经网络进行预测，从而提高道路的交通状态判别预测精度；周君和包旭[2]通过对交通量进行多次分解，然后通过支持向量机进行预测，得到基于小波分解和支持向量机的模型，从而得到最终的预测结果；谢小淞和彭其渊[3]发现BP神经网络进行预测时容易陷入局部最优的缺点，通过与遗传算法的结合，提出GSVMR的预测模型。
建筑业的快速发展，导致其行业本身工作量的加重，以至于建筑扬尘污染是目前空气污染的重要方面。由于大部分的建筑企业环保意识薄弱，对建筑环保缺乏充分的认识和应有的态度，不能积极参与环保工作。同时，目前人们对建筑扬尘污染的主要来源是空气污染这一观点的认知不一致，所以建筑企业的环保意识也被极大的削弱了。
(1)历史浮动车数据预处理。历史浮动车数据往往会因为环境的原因而不准确，因此对于浮动车数据的第一步处理就是对其经纬度进行识别，识别方法有三种，分别是几何方法识别、位置精度因子识别、时间序列识别。而为了提高浮动车数据的准确度，我们会用改进的DP算法与时间序列识别算法相结合的方法来对一些异常漂浮的数据进行识别判定。
有道是“宝贝放错了地方就是垃圾”。依我看，“能量”一旦用错了地方，就是“废品”，甚至是“危险品”。我们知道，毒品中毒有急性与慢性之分，而慢性中毒更为常见。所谓慢性中毒，是指人体脏器通过吸收毒品，积少成多，慢慢累积，以致形成侵蚀和损害，且中毒所造成的疾病状态会一直伴随。现实生活中，一些人因为不了解慢性中毒的概念和危害，麻痹大意，吸毒中毒。铁的事实表明，毒品既毒害着社会，也毒害着家庭，更毒害着身体。而像吴业平这样的干部，因为“能量”用错了地方，其造成的危害，并不亚于毒品。
车辆配送路径问题：
卢冰原和程八一[4]认为由于多车型和交通路况等因素，配送行程模糊，因此以最小化行程成本为目标函数的动态多车型车辆调度模型；袁建清[5]针对与动态VRP问题，提出了在虚拟点和时间轴的基础之上的C-W节约法和禁忌搜索相结合的混合禁忌搜索算法进行求解并验证其有效性；冯亮和梁工谦[6]从物流行业发展的智能化及信息化的角度出发，创建了GPS/GIS相结合的系统，对获取的数据进行实时处理从而对车辆的配送路径进行及时的优化和调整。
三、浮动车数据预测的车辆配送路径问题
为了使得车辆配送路径问题更接近于现实，基于浮动车数据进行预测是一种更符合实际的解决方法。简而言之就是，通过收集历史浮动车数据，进行分类和预处理，通过预测方法进行道路交通状态预测，随后对预测的交通状态进行划分，根据路网的不同交通状态对配送车辆的配送路径进行全局的规划和进一步的优化。因此，研究思路总体为：
车辆路径问题简称VRP(vehicle routing problem)，一直以来是人们的研究热点，传统VRP问题时一种静态问题，而现如今随着交通拥堵问题的出现，静态VRP问题已经不适用于如今的物流发展，动态VRP问题随之而出。
(2)浮动车数据与地图匹配并进行轨迹纠正。通过对浮动车的轨迹数据与地图进行匹配能够清洗的了解路网的交通状态。本文采用常用的匹配方法和对某些异常的轨迹用置信区域与组合权重法相结合的修正方法。得到符合实际的路网上浮动车行驶轨迹。为下一步的交通状态预测做下铺垫。
服务人员将因工作关系熟悉和掌握大量的技术和业务数据，有机会了解和接触委托单位的一些公务活动、办公与业务信息。
(3)交通状态预测。交通状态预测模型一直以来也是学者们的研究热点，大致可以分为四大类，分别是线性模型如时间序列模型、非线性模型如BP神经网络模型、混合模型如聚类结合模型、其他模型如交通状态仿真模型。通过前期对浮动车数据的处理发现路网中的交通状态具有一定的规律性，因此通过对每一条道路采用BP神经网络模型进行分析和预测发现其规律。最终通过实际得到的浮动车数据进行验证，证明我们算法的准确性。
(4)车辆配送路径优化。符合实际情况的VRP问题研究具有极其重要的现实意义，它不仅能够缓解目前的交通拥堵问题还能够降低物流成本，增大企业的效益以及客户的满意度。一般VRP问题会采用启发式算法提高优化时间而后得到优化结果。
四、总结
综合国内外研究来看，基于浮动车数据预测的车辆配送路径研究是一项与时俱进的研究，它具有很重要的现实意义，通过对路网的交通状态进行预测不仅能够缓解交通领域的拥堵问题还能够对提前对企业的配送车辆进行路径安排，对企业也是有极其重要的意义。
参考文献：
[1] 邹亮,徐建闽,朱玲湘.基于融合技术的道路交通状态判别模型[J].清华大学学报(自然科学版),2007(S2):1822-1825.
[2] 朱胜雪,周君,包旭.基于小波分解—支持向量机的短时交通量预测[J].苏州科技学院学报(工程技术版),2007(03):79-82.
[3] 任其亮,谢小淞,彭其渊.城市道路交通量短时预测的GSVMR模型[J].公路交通科技,2008(02):134-138.
[4] 卢冰原,程八一.具有模糊行程的城市物流动态费用多车型车辆调度问题研究[J].模糊系统与数学,2013,27(01):177-184.
[5] 袁建清.求解动态车辆调度问题的混合禁忌搜索算法[J].计算机应用与软件,2012,29(04):148-150+155.
[6] 冯亮,梁工谦.基于GPS/GIS协同的动态车辆调度和路径规划问题研究[J].计算机科学,2017,44(09):272-276+285.
作者简介： 姚滢滢(1995-)，女，硕士研究生在读，北京物资学院，研究方向：智能物流系统。