物流大數(shù)據(jù)，都是哪些數(shù)據(jù)?

[[145511]]

物流大數(shù)據(jù)主要包括運(yùn)單信息的數(shù)據(jù)和車(chē)輛信息的數(shù)據(jù)，然而關(guān)于運(yùn)單信息往往涉及商業(yè)機(jī)密，并且信息分布于不同行業(yè)企業(yè)內(nèi)部，不宜公開(kāi)。因此當(dāng)前現(xiàn)實(shí)的數(shù)據(jù)條件來(lái)看，實(shí)業(yè)界和學(xué)術(shù)界的物流大數(shù)據(jù)主要是關(guān)于貨運(yùn)車(chē)輛信息的數(shù)據(jù)。其中包括：車(chē)輛id信息，駕駛員信息，車(chē)輛行駛軌跡坐標(biāo)信息，車(chē)輛停車(chē)信息，車(chē)輛速度信息，車(chē)輛里程信息，車(chē)輛溫度信息，車(chē)輛油耗信息，車(chē)輛其他狀態(tài)信息等。軌跡數(shù)據(jù)挖掘來(lái)源通常是終端設(shè)備上產(chǎn)生的位置記錄，然后位置信息傳回?cái)?shù)據(jù)中心以日志文件形式存放，如下表：

通過(guò)定位技術(shù)采集到的原始軌跡數(shù)據(jù)只是一系列的經(jīng)緯度、時(shí)間、速度等信息，通過(guò)這些信息無(wú)法直接得到物流貨運(yùn)車(chē)的活動(dòng)行為的特征信息，例如運(yùn)送貨物的起始點(diǎn)、途經(jīng)哪些城市信息，以及更深層次的活動(dòng)規(guī)律等。這些原始的北斗/GPS 數(shù)據(jù)必須經(jīng)過(guò)一系列的處理步驟，才能獲取到物流貨運(yùn)車(chē)的送貨規(guī)律等特征信息。

這些數(shù)據(jù)都有哪些特點(diǎn)?

想要從海量數(shù)據(jù)中分析獲取到有價(jià)值的知識(shí)信息，首先要了解物流貨運(yùn)車(chē)輛軌跡數(shù)據(jù)的特征。

數(shù)據(jù)海量性：物流車(chē)輛一般以10秒到30秒的間隔向數(shù)據(jù)中心發(fā)送當(dāng)前位置信息，這些移動(dòng)在全國(guó)各地路網(wǎng)中的物流車(chē)輛每天生成的北斗/GPS 數(shù)據(jù)都達(dá)到了GB甚至TB規(guī)模，并且還在不斷增長(zhǎng)中。這既是發(fā)展數(shù)據(jù)挖掘的驅(qū)動(dòng)力，同時(shí)也是數(shù)據(jù)挖掘面臨的難題。

數(shù)據(jù)稀疏性：雖然軌跡數(shù)據(jù)規(guī)模龐大，但由于地理因素、天氣因素、設(shè)備故障等原因，并不能保證每一個(gè)路段都有完整的北斗、GPS信息，甚至有些錯(cuò)誤的北斗/GPS數(shù)據(jù)。

數(shù)據(jù)復(fù)雜性：物流車(chē)輛在實(shí)際行駛過(guò)程中受各方面主客觀(guān)因素影響，難以簡(jiǎn)單通過(guò)某個(gè)模型或者理論來(lái)進(jìn)行評(píng)估和預(yù)測(cè)。其中包括，每個(gè)司機(jī)都有自己的駕駛習(xí)慣，即使同一個(gè)司機(jī)在駕駛過(guò)程中也會(huì)針對(duì)不同客觀(guān)條件改變自己的駕駛行為，這些人為的改變無(wú)疑增加了軌跡數(shù)據(jù)挖掘的不確定性和復(fù)雜性。

數(shù)據(jù)豐富性：在海量的軌跡數(shù)據(jù)背后隱藏著全國(guó)實(shí)時(shí)路況信息、物流運(yùn)輸狀態(tài)信息和我國(guó)不同區(qū)域經(jīng)濟(jì)發(fā)展水平以及供需關(guān)系的變化。對(duì)于我國(guó)道路基礎(chǔ)建設(shè)、交通路徑規(guī)劃、物流車(chē)輛調(diào)度、經(jīng)濟(jì)指標(biāo)預(yù)測(cè)等方面有著積極意義。

準(zhǔn)備如何挖掘這些數(shù)據(jù)?

軌跡數(shù)據(jù)挖掘，是指從大量軌跡數(shù)據(jù)的集合 C 中發(fā)現(xiàn)隱含模式m 和知識(shí) n 的結(jié)果 S。因此，軌跡數(shù)據(jù)挖掘的過(guò)程可以看作為一個(gè)函數(shù)：￡ : C→S(m, n)，輸入是軌跡數(shù)據(jù)，輸出是隱含模式 m 和知識(shí) n。通過(guò)使用某些技術(shù)、理論，從大量的軌跡數(shù)據(jù)提取模式、發(fā)現(xiàn)龐大知識(shí)的一個(gè)過(guò)程。

軌跡數(shù)據(jù)挖掘發(fā)現(xiàn)的知識(shí)類(lèi)型和所使用的方法密切相關(guān)，所發(fā)現(xiàn)的知識(shí)的價(jià)值受到數(shù)據(jù)挖掘算法的影響，目前常用的軌跡數(shù)據(jù)挖掘技術(shù)有規(guī)則歸納、概念簇集、關(guān)聯(lián)發(fā)現(xiàn)等。目前的軌跡數(shù)據(jù)挖掘研究工作中主要為軌跡聚類(lèi)、軌跡分類(lèi)、離群點(diǎn)檢測(cè)、興趣區(qū)域、隱私保護(hù)、位置推薦等方面。

物流數(shù)據(jù)挖掘做什么用?

物流車(chē)輛的海量大數(shù)據(jù)中包含著許多關(guān)于交通路況、車(chē)輛運(yùn)行甚至社會(huì)經(jīng)濟(jì)發(fā)展動(dòng)態(tài)的信息。通過(guò)統(tǒng)計(jì)分析車(chē)輛行駛距離、停車(chē)時(shí)間、地理位置、車(chē)輛特征等多個(gè)維度的信息可以發(fā)現(xiàn)貨運(yùn)車(chē)輛的行為特征、區(qū)域物流的流量分布等，為物流公司提供基于時(shí)間、成本、路線(xiàn)等車(chē)輛調(diào)度的應(yīng)用服務(wù)提供了可靠的理論依據(jù)和技術(shù)支持，同時(shí)也可以為政府提供物流運(yùn)價(jià)指數(shù)、貨運(yùn)效率指數(shù)等優(yōu)先經(jīng)濟(jì)指標(biāo)。