针对商超配送中多种配送方式共同面临的车辆配载和路径规划问题, 考虑配送车辆容量限制, 以最小化配送总成本为目标, 构建了基于订单拆分的带容量限制商超配送路径规划模型. 结合真实案例, 提出了一种增加遗传变异操作的改进灰狼优化算法. 通过与遗传算法的对比, 验证了模型和算法的有效性. 案例分析结果表明, 当总商超客户需求量接近车辆容量的整数倍时, 基于订单拆分配送路径规划更能够充分地利用车容量, 降低车辆的空驶率, 减少配送总成本.
运力预测在大宗物流中发挥着关键作用, 对提高运力调度与车货匹配的精准性具有重要意义. 网约车运力预测目标为预测未来时段内可用车辆的数量; 而大宗物流的运力预测任务旨在预估未来时段内不同货运流向的空闲车辆信息 (如车辆ID(Identity Document)), 这与货车是否能在预计时间内返回钢厂 (称为运力可达性) 紧密相关. 以钢铁物流为例, 需要考虑由钢厂运输货物至客户企业以及从客户企业返回钢厂这两段行程耗时的影响. 由于长途运输过程中货车需要多次停留但停留时长不等, 停留时间的不确定使准确预测运输送达时间面临挑战; 此外, 网络货运平台仅对钢厂的货运任务进行运力指派, 货车返程货源则由司机自行联系确定, 导致返程轨迹缺失, 为预测货车返回钢厂的时间带来挑战. 为解决上述挑战, 基于物流企业的运单、车辆、轨迹以及运输终点等数据集, 提取货车的停留行为特征、运输终点特征、环境特征等, 并引入自注意力机制分别获取不同特征对两段行程耗时影响的权重, 进一步提升运力可达性预测的精度. 在此基础上, 提出了基于自注意力机制的运力预测方法, 包括基于历史流向相似性的运力候选集生成、基于自注意力机制的运力可达性预测、基于长短期记忆网络 (Long Short-Term Memory, LSTM) 模型的运力承运流向预测等3个部分. 最后, 在真实数据集上进行了大量对比实验. 实验结果表明, 所提方法具有更高的预测精度, 能为大宗物流的运力调度优化等任务提供强有力的决策支持.
轨迹数据具有规模大、更新频繁的特点, 对轨迹数据的查询具有较高的性能要求. 为了提高轨迹数据的查询效率, 提出了两级轨迹数据划分算法: 在第一级划分中, 使用基于优化最小边界矩形(Minimum Bounding Rectangle, MBR)的轨迹数据划分方法将轨迹数据划分为子轨迹, 以提高轨迹数据的近似效果; 在第二级划分中, 按照时空范围, 使用网格结构对子轨迹进行分组. 基于划分算法提出了R-tree结点组织方法, 将划分后的轨迹数据自底向上地构建R-tree. 通过实验展示了所提的划分算法对查询效率的提升. 实验表明, 与基于轨迹段平均个数和基于组合运动特征这两种轨迹数据划分算法相比, 所提算法具有更好的查询性能, 查询效率分别平均提升了43.0%和30.5%.
随着钢铁物流的数字化转型发展, 钢铁物流数据的规模也迎来快速增长, 传统的关系型数据库已无法满足海量钢铁物流数据的存储与查询需求. 考虑分布式NoSQL (Not Only Structured Query Language) 数据库具有扩展简单、读写速度快且成本低的特点, 本文利用分布式云存储与NoSQL技术, 对海量钢铁物流数据进行存储并构建索引, 以提高对物流数据的存储能力与查询性能. 首先, 利用Spark对不同来源的数据进行关联与融合, 再将货运平台产生的历史数据与实时数据分级存储管理; 然后, 针对钢铁运输中主要涉及的3类查询构建时空索引和属性索引, 实现对多源物流数据的高效查询; 最后, 基于钢铁物流真实数据的实验结果表明, 本文所提出的方案在数据写入、存储和查询等方面优于传统关系型数据库的索引查询方法, 能够有效支撑海量物流数据的存储和查询.
提出了一种基于LSTM (Long Short-Term Memory) 的电网故障预测及树结构电网最小代价的电网修复操作生成算法, 利用庞大的历史数据对可能发生的异常进行预测, 能够有效进行故障处理的预演; 然后利用基于动态规划的最小代价的修复操作序列生成, 能够迅速生成有效的操作票的序列. 该研究成果可以有效降低调度错误率, 提高调度效率, 缩短电网系统故障时间, 从而减轻由此导致的经济损失.
发动机作为飞机的核心部件, 对飞机运行起着至关重要的作用. 对航空发动机做准确的剩余使用寿命预测, 能够提前进行维护诊断, 预防重大事故的发生, 节约维护成本. 针对现有的方法缺乏对不同时间步长的考虑以及不同传感器和操作条件之间关系的研究, 提出了一种基于Transformer的多编码器特征输出融合的航空发动机剩余使用寿命预测方法. 该方法选取两个不同时间长度的输入数据, 使用排列熵对传感器之间的关系进行分析, 并将操作条件数据独立提取特征. 在广泛使用的航空发动机CMAPSS(Commercial Modular Aero-Propulsion System Simulation)数据集上进行了实验验证. 实验结果表明, 该方法优于现有的先进预测方法, 可有效提高预测精度.