2.4 智慧物流数据处理与计算技术

没有数据处理与计算技术，智慧物流将不能称为智慧物流，在智慧物流领域应用的数据处理与计算技术主要包括大数据、云计算等。

2.4.1 大数据技术

大数据（Big Data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是具有更强的决策力、洞察发现力和流程优化能力的新模式才能处理的海量、高增长率和多样化的信息资产，具有体量大、种类多、产生速度快和低价值密度等特征。

大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

大数据在物流企业中的应用贯穿了整个物流企业的各个环节。主要表现在物流决策、物流企业行政管理、物流客户管理及物流智能预警等过程中。

在物流决策中，大数据技术应用涉及竞争环境的分析与决策、物流供给与需求匹配、物流资源优化与配置等。在竞争环境分析中，为了达到利益的最大化，需要与适合的物流或电商等企业合作，对竞争对手进行全面的分析，预测其行为和动向，从而了解在某个区域或是在某个特殊时期，应该选择的合作伙伴。在物流的供给与需求匹配方面，需要分析特定时期、特定区域的物流供给与需求情况，从而进行合理的配送管理。在物流资源的配置与优化方面，主要涉及运输资源、存储资源等。物流市场有很强的动态性和随机性，需要实时分析市场变化情况，从海量的数据中提取当前的物流需求信息，同时对已配置和将要配置的资源进行优化，从而实现对物流资源的合理利用。

在企业行政管理中也同样可以应用大数据相关技术。例如，在人力资源方面，在招聘人才时，通过大数据技术，对人才进行个性分析、行为分析、岗位匹配度分析，从而选择合适的人才；对在职人员同样也可通过大数据技术进行忠诚度、工作满意度等的分析。

大数据技术在物流客户管理中的应用主要表现在客户对物流服务的满意度分析、老客户的忠诚度分析、客户的需求分析、潜在客户分析、客户的评价与反馈分析等方面。

物流业务具有突发性、随机性、不均衡性等特点，通过大数据技术，可以有效了解消费者偏好，预判消费者的消费可能，提前做好货品调配，合理规划物流路线方案等，从而提高物流高峰期间物流的运送效率。

2.4.2 云计算技术

在互联网时代，随着信息与数据的快速增长，有大规模、海量的数据需要处理。为了节省成本和实现系统的可扩展性，云计算（Cloud Computing）的概念应运而生。

云计算最基本的概念是，通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多个服务器组成的庞大系统，经搜索、计算分析之后将处理结果回传给用户。云计算服务可以在数秒之内处理数以千万计的数据。

云计算是分布式计算技术的一种，可以从狭义和广义两个角度理解。狭义云计算是指IT基础设施的交付和使用模式，指通过网络需要、易扩展的方式获得所需要的资源；广义云计算是指服务的交付和使用模式，指用户可以通过网络以按需、易扩展的方式获得所需的计算服务。云计算具有超大规模、虚拟化、可靠安全等特点，云计算的核心是服务。例如，Microsoft提供的云计算有3个典型特点：软件+服务、平台战略和自由选择。未来的互联网世界将会是“云+端”的组合，用户可以便捷地使用各种终端设备访问云端的数据和应用，这些设备可以是便携式计算机和手机，甚至是电视机等各种电子产品；同时，用户在使用各种设备访问云服务时，得到的是完全相同的体验。

可以说，云计算是智慧物流应用发展的基石。原因有两个：一是云计算具有超强的数据处理和存储能力；二是由于智慧物流系统中无处不在的数据采集，需要大范围的支撑平台以满足其规模需要。

基于云计算的物流信息平台主要用于满足政府、工商企业、物流企业和普通用户对物流信息的需求。围绕从生产要素到消费者之间时间和空间上的需求，能够处理从制造、运输、装卸、包装、仓储、加工、拆并、配送等各个环节中产生的各种信息，使信息能够通过物流信息平台快速、准确传递到现代物流供应链上所有相关的企业、物流公司、政府部门及客户或代理公司，成为各个现代物流企业所依赖的信息化工作平台，云计算平台的建立，大大加快了各中、小型物流企业的信息化平台的开发效率，吸引物流企业及其合作伙伴将其应用系统建立在云计算平台之上，同时将其日常数据存储在云存储中心。

案例2-2 深度揭秘菜鸟物流云

菜鸟物流云是一个云平台，其底层借助阿里云稳定和强大的部署，向物流合作伙伴和物流生态提供一个非常稳定和强大的公有云的IASS层的平台；中间层提供电子面单、地址和数据池等服务；应用层提供仓储物流、快递行业等一系列的行业解决方案。在这个云平台上，菜鸟实现了产品市场、服务产品接入标准化，产品模型定义标准化的工作，推动物流生态向数据化和智慧化迈进。（资料来源：搜狐科技，2017年1月）

2.4.3 智能控制技术

随着科技进步，人们对大规模、不确定、复杂的系统控制要求不断提高，智能控制在这种背景下孕育而生。智能控制是自动控制发展的最高阶段。

智能控制主要包含模糊控制、专家控制、人工神经网络和遗传算法等内容。模糊控制是应用模糊集合理论，从行为上模拟人的模糊推理和决策过程的一种实用方法，其核心为模糊推理，主要依赖模糊规则和模糊变量的隶属度函数。专家控制（Expert Control）是智能控制的一个重要分支，又称为智能专家控制。专家控制是专家系统的理论和技术同控制理论、方法与技术的结合，在未知环境下，仿效专家的经验实现对系统的控制。专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现控制功能，它由知识库和推理结构构成主体框架，通过对控制领域知识（先验经验、动态信息、目标等）的获取与组织，按某种策略及时地选用恰当的规则进行推理输出，实现对实际对象的控制。专家控制的结构如图2-4所示。

人工神经网络（简称神经网络，Neural Network）是模拟人脑思维方式的数学模型。神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为，它从微观结构和功能上对人脑进行抽象和简化，是模拟人类智能的一条重要途径，反映了人脑功能的若干基本特征，如并行信息处理、学习、联想、模式分类和记忆等。人工神经网络本身各简单节点没有明显的物理意义，但综合网络可描述复杂和非线性系统的控制和辨识问题，而且能做到并行实时、冗余容错的运算。它有以下特点：能充分逼近任意非线性特性；分布式并行处理机制；自学习和自适应能力；数据融合能力；适合于多变量系统；多变量处理；可硬件实现。这些特点使神经网络成为非线性系统建模与控制的一种重要方法，因此人工神经网络成为实现非线性预测控制的关键技术之一。

遗传算法英文简称GA（Genetic Algorithms），是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。遗传算法是一种基于生物进化模拟的启发式智能算法，它的基本策略是：将待优化函数的自变量编码成类似基因的离散数值码，然后通过类似基因进化的交叉、变异、繁殖等操作获得待优化函数的最优或近似最优解。在智能控制中，遗传算法广泛应用于各类优化问题，遗传算法可以用于复杂的非线性系统的辨识，多变量系统控制规则的优化，智能控制参数的优化等常规控制方法难以奏效的问题。遗传算法具有可扩展性，可以同专家系统、模糊控制和神经网络结合，为智能控制的研究注入新的活力。例如，可用遗传算法对模糊控制的控制规则和隶属度函数进行优化，对神经网络的权值进行优化等。

智能控制技术在物流管理的优化、预测、决策支持、建模和仿真、全球化物流管理等方面应用，使物流企业的决策更加准确和科学。

2.4.4 数据挖掘技术

数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的过程。这些有用的信息的表现形式为规则、概念、规律及模式等，它们可以帮助决策者分析历史数据和当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的主要特点是对数据库中的大量数据进行抽取、转换、分析和其他模型化处理，并从中提取辅助决策的关键性数据。

数据挖掘过程可以分为数据准备、数据挖掘以及结果评价和表达3个主要阶段。数据挖掘技术主要包括统计方法、关联规则、聚类分析、决策树方法、神经网络、遗传算法、粗糙集和支持向量机等。

数据挖掘技术在物流决策、仓储管理、运输管理、配送管理等场景中均有比较广泛的应用，对于提高现代物流的智慧化水平发挥着重要作用。

2.4.5 视频分析技术

视频分析技术就是使用计算机图像视觉分析技术，通过将场景中背景和目标分离，进而分析并追踪在摄像机场景内出现的目标。用户可以根据视频内容进行分析，通过在不同摄像机的场景中预设不同的报警规则，一旦目标场景中出现了违反预定义规则的行为，系统即自动发出报警，用户可以通过单击报警信息，实现报警的场景重组并采取相关措施。

智能视频分析软件能够对视频图像信息进行智能化、自动化处理，使系统具有视频图像的自动智能分析、自动锁定跟踪、自动预警、自动告警、自动录像、自动上传等功能，具有智能性、可靠性、易集成等特点。可完成视频异常检测，强光、移动、遮挡、干扰以及图像识别、文字识别等功能。

视频分析技术在货物追踪、仓库安防、智能停车管理等方面具有广泛的应用。

案例2-3 2018年，那些令人惊艳的物流“黑”科技

2018年是智慧物流突飞猛进发展的一年，既有无人机、无人车、智能仓储、区块链、智慧物联网等技术的不断创新再发展，也有看似天马行空实际正在成为现实的未来物流园区、地下物流通道等设施的落地。（资料来源：亿欧，2019年1月）