陳一芳　王順林

摘 要：文章對智慧物流和數(shù)據(jù)挖掘的研究動向進(jìn)行了文獻(xiàn)收集整理，為后續(xù)研究奠定了理論基礎(chǔ)。論文分析了競爭態(tài)勢和“互聯(lián)網(wǎng)+”機(jī)遇倒逼物流企業(yè)從數(shù)據(jù)中探索機(jī)遇的成因，在此基礎(chǔ)上，文章從以物流服務(wù)主題為中心，建立高質(zhì)量的數(shù)據(jù)可用性集合和利用數(shù)據(jù)挖掘探尋智慧物流差異化競爭要素—細(xì)分市場入手，研究了物流企業(yè)謀求差異化服務(wù)創(chuàng)新的方法。

關(guān)鍵詞：智慧物流；數(shù)據(jù)挖掘；差異化服務(wù)

中圖分類號：F250 文獻(xiàn)標(biāo)識碼：A

Abstract： This article collects the research trends of smart logistics and data mining， and provides the theoretical basis for further research. Based on big data research field of vision， it analyzes the reason of logistics' enterprises exploring opportunity form the data under the pressure of competitive situation and“internet+”opportunity. The article studies the differentiation service method of logistics' enterprises from the establishment of high quality data availability set taking the theme of logistics service as the center and the competitive elements of smart logistics differentiation service.

Key words： smart logistics； data mining； differentiation service

2009年以來，智慧物流理念的提出，給物流業(yè)向“智慧化”轉(zhuǎn)型注入了一劑強(qiáng)心針。各種冠以智慧名目的軟件和解決方案不勝其數(shù)，對于物流企業(yè)而言，在享受智慧物流理念的同時，又深深陷入技術(shù)應(yīng)用和業(yè)務(wù)發(fā)展的困局，即采用智慧物流技術(shù)之后，業(yè)務(wù)增長有限。與此對應(yīng)的是，企業(yè)數(shù)據(jù)量大幅遞增，帶來了企業(yè)IT架構(gòu)的不穩(wěn)定?！盎ヂ?lián)網(wǎng)+”、大數(shù)據(jù)也在深深地刺激著物流企業(yè)的經(jīng)營神經(jīng)，如何跟上時代潮流，借助先進(jìn)理念對企業(yè)業(yè)務(wù)進(jìn)行升級轉(zhuǎn)型成為了一個迫切需要研究的命題。

1 相關(guān)文獻(xiàn)研究

1.1 智慧物流及研究動向

從現(xiàn)有文獻(xiàn)來看，國內(nèi)智慧物流理念從提出到引發(fā)激烈研討，經(jīng)歷了以下幾個階段。2009年以前，相關(guān)文獻(xiàn)使用物流智慧，或者將物流表述為一種智慧，對其展開了相應(yīng)的研討。宋則（2007）認(rèn)為現(xiàn)代物流是一種人類協(xié)同合作“本能的智慧”[1]。2009～2013年，該階段研究強(qiáng)調(diào)信息技術(shù)在物流行業(yè)的推廣應(yīng)用，將智慧物流作為物流信息化發(fā)展的較高階段展開論述。王繼祥（2010）指出物聯(lián)網(wǎng)發(fā)展必將推動智慧物流的變革[2]。2014年之后，學(xué)者們結(jié)合智慧的內(nèi)涵和外延，從管理角度對智慧物流進(jìn)行了更加深入的研究。王之泰（2014）將智慧物流定義為是將互聯(lián)網(wǎng)與新一代信息技術(shù)和現(xiàn)代管理應(yīng)用于物流業(yè)，實(shí)現(xiàn)物流的自動化、可視化、可控化、智能化、信息化、網(wǎng)絡(luò)化的創(chuàng)新形態(tài)[3]。

以“smart logistics”和“wisdom logistics”為關(guān)鍵詞，檢索google學(xué)術(shù)、Emerald數(shù)據(jù)庫可以發(fā)現(xiàn)，2006年以前，國外學(xué)者往往以物流某環(huán)節(jié)的智慧（smart）為關(guān)鍵詞展開論述，在研究時遵循著IT技術(shù)、RFID、系統(tǒng)軟件開發(fā)的技術(shù)路線，同時沿著供應(yīng)鏈管理的視角對物流相關(guān)環(huán)節(jié)進(jìn)行研究。Peter Vervest， Eric van Heck， Kenneth Preiss， Louis-Francois Pau（2005）[4]認(rèn)為智慧商業(yè)網(wǎng)絡(luò)的實(shí)施需要對物流進(jìn)行更加全面的改造，從而使業(yè)務(wù)流程更加模塊化和動態(tài)化，以獲得更為靈活的采購性能和資產(chǎn)效率。2006～2009年，國外學(xué)者圍繞著物流具體功能環(huán)節(jié)，結(jié)合RFID、智能電話等信息技術(shù)的應(yīng)用，進(jìn)行了相應(yīng)的研究。Veloso M， Bentos C， Pereira F C（2009）[5]等結(jié)合智慧運(yùn)輸系統(tǒng)，研究了感知技術(shù)和感知網(wǎng)絡(luò)對物流的影響，并且論證了使用相關(guān)技術(shù)應(yīng)用會對環(huán)境帶來積極的變化等。2010年以來，國外學(xué)者逐漸將研究視野轉(zhuǎn)向了行業(yè)應(yīng)用、網(wǎng)絡(luò)構(gòu)建、大數(shù)據(jù)、信息管理體系、互聯(lián)網(wǎng)融合、大數(shù)據(jù)等層面，逐步從原來的微觀層面走向了中觀，乃至宏觀領(lǐng)域。Gubbi J， Buyya R， Marusic S等人（2013）[6]指出智能交通和智慧物流應(yīng)該分別隔離成一個單獨(dú)的領(lǐng)域，原因在于數(shù)據(jù)共享和IOT支柱環(huán)節(jié)實(shí)施的性質(zhì)需要。

綜合上述國內(nèi)外參考文獻(xiàn)可以看出，國內(nèi)外學(xué)者的研究路線基本遵循著語義聯(lián)想—技術(shù)應(yīng)用—管理拓展的思路，從智慧源頭開始，到相關(guān)技術(shù)應(yīng)用于物流環(huán)節(jié)，再圍繞RFID典型技術(shù)與物流的關(guān)系，然后再到產(chǎn)業(yè)融合等這樣一個研究鏈條。略微有些差異的地方在于，國內(nèi)學(xué)者對于互聯(lián)網(wǎng)+、大數(shù)據(jù)和物流的研究興趣要高于國外學(xué)者。

1.2 數(shù)據(jù)挖掘及研究動向

數(shù)據(jù)挖掘，又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是從大量的、不完整的、有噪聲的、模糊的、隨機(jī)的大型數(shù)據(jù)中提取隱含其中的、人們事先未知的、具有潛在價值的信息和知識的過程。按照數(shù)據(jù)結(jié)構(gòu)進(jìn)行組織、存儲和管理數(shù)據(jù)的數(shù)據(jù)庫技術(shù)，在過去60多年來產(chǎn)生了巨大的科技影響，與各行各業(yè)進(jìn)行了有效的融合。泛在知識環(huán)境理念提出之前，數(shù)據(jù)挖掘的研究大多停留在基于結(jié)構(gòu)化數(shù)據(jù)完成相關(guān)知識的描述和預(yù)測研究上。馬志鋒，刑漢承，鄭曉妹（2001）基于Rough集的時間序列數(shù)據(jù)的挖掘策略，討論了時間序列數(shù)據(jù)中的時序與非時序信息的獲取問題[7]。Agrawal R（1993）等人提出了增量式更新算法[8]，Cheung DW（1995）等人提出了并行發(fā)現(xiàn)算法[9]。在數(shù)據(jù)挖掘方法層面，進(jìn)行了關(guān)聯(lián)規(guī)則挖掘、多層次數(shù)據(jù)匯總歸納、決策樹、神經(jīng)網(wǎng)絡(luò)、可視化技術(shù)等模式、算法的研究。鄭建國，劉芳，焦李成（2002）在分析人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，將子波與已有的神經(jīng)網(wǎng)絡(luò)模型結(jié)合，提出了基于自適應(yīng)子波神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法[10]。Furuta K（1990）提出了剪輯近鄰法[11]。

伴隨著大規(guī)模數(shù)據(jù)的增長，人類社會已經(jīng)進(jìn)入大數(shù)據(jù)時代，與傳統(tǒng)的數(shù)據(jù)集合相比，大數(shù)據(jù)通常包含大量的非結(jié)構(gòu)化數(shù)據(jù)，且大數(shù)據(jù)需要更多的實(shí)時分析。2011年全球數(shù)據(jù)量為1.82ZB，據(jù)估計(jì)2020年全球大數(shù)據(jù)量將達(dá)到40ZB?，F(xiàn)有數(shù)據(jù)庫架構(gòu)在ZB數(shù)據(jù)規(guī)模量級下呈現(xiàn)出一種無能為力的狀態(tài)。圍繞大數(shù)據(jù)帶來的數(shù)據(jù)量級規(guī)模的變化，國內(nèi)外專家學(xué)者對數(shù)據(jù)挖掘的研究焦點(diǎn)出現(xiàn)兩個支分支，其一是如何應(yīng)對大數(shù)據(jù)挑戰(zhàn)帶來的數(shù)據(jù)類型多樣，要求及時響應(yīng)和數(shù)據(jù)的不確定層面。余偉等（2015）針對web中不同數(shù)據(jù)源之間數(shù)據(jù)不一致的問題，基Hadoop MapReduce架構(gòu)提出了相應(yīng)的自動發(fā)現(xiàn)算法[12]。Rakthanmanon T， Campana B， Mueen A， et al（2013）[13]提出了DTW（Dynamic Time Warping）法來研究大數(shù)據(jù)集下的時間序列數(shù)據(jù)挖掘算法，通過實(shí)證驗(yàn)證了可行性。其二，圍繞數(shù)據(jù)量集增大，將數(shù)據(jù)之間的因果關(guān)系轉(zhuǎn)向相關(guān)關(guān)系，進(jìn)行相關(guān)業(yè)務(wù)模式、應(yīng)用和策略等的洞察力研究。曾暉（2014）提出了構(gòu)建大數(shù)據(jù)挖掘的管理層次和制度結(jié)構(gòu)及相關(guān)解決方法，基于房地產(chǎn)工程項(xiàng)目進(jìn)行了應(yīng)用研究[14]。

綜合上述文獻(xiàn)可以看出，從技術(shù)路線上來看，數(shù)據(jù)挖掘圍繞著數(shù)據(jù)規(guī)模量級的問題，遵循著解決數(shù)據(jù)本身的數(shù)據(jù)結(jié)構(gòu)異同挖掘，再到解決數(shù)據(jù)挖掘的實(shí)時性技術(shù)路線。從商業(yè)應(yīng)用來看，研究領(lǐng)域圍繞數(shù)據(jù)規(guī)模問題，從原來的因果關(guān)系轉(zhuǎn)向到相關(guān)關(guān)系，逐步將技術(shù)與行業(yè)應(yīng)用進(jìn)行融合的研究路線。

2 競爭態(tài)勢和“互聯(lián)網(wǎng)+”機(jī)遇倒逼物流企業(yè)從數(shù)據(jù)中探索機(jī)遇

智慧物流更強(qiáng)調(diào)物流供應(yīng)鏈的匹配效率，進(jìn)而實(shí)現(xiàn)供應(yīng)鏈整體運(yùn)作最優(yōu)。匹配意味著雙向配對，無論成員之間的物流服務(wù)水平高低與否，在時空效率的約束下，成員的物流服務(wù)能力信息必須充分展示在供應(yīng)鏈合作伙伴之前，才能實(shí)現(xiàn)其與物流供應(yīng)鏈的快速匹配。

對于物流企業(yè)而言，在一定的時空約束下，物流服務(wù)能力是其從事某種物流作業(yè)的內(nèi)在能力表述。物流服務(wù)能力會隨著業(yè)務(wù)的熟練程度增加而提升其水平，同樣也會隨著業(yè)務(wù)萎縮而固步自封，或者說降低其水平。

提供同質(zhì)化服務(wù)的物流企業(yè)面臨的競爭環(huán)境越來越惡劣，越來越多的物流企業(yè)希望擺脫這種尷尬局面。長尾理論告訴我們，這些以往忽視的長尾東西恰恰是我們后續(xù)進(jìn)行差異化經(jīng)營的變局法寶。企業(yè)必須充分重視數(shù)據(jù)挖掘的細(xì)分市場變量集，依靠這些充分挖掘出來的市場細(xì)分變量集，我們可以將市場進(jìn)行無限細(xì)分，進(jìn)而進(jìn)行有效的目標(biāo)市場定位，然后根據(jù)這些細(xì)分市場表現(xiàn)出來的特征，改善我們的物流服務(wù)能力，從而形成差異化服務(wù)?？紤]到物流服務(wù)的時空限制，數(shù)據(jù)挖掘必須重視線上和線下的數(shù)據(jù)源。對于線下實(shí)體運(yùn)作過程中產(chǎn)生的大量與業(yè)務(wù)相關(guān)聯(lián)的數(shù)據(jù)，必須充分納入NOSQL數(shù)據(jù)庫中進(jìn)行存儲。對于線上數(shù)據(jù)信息，必須設(shè)定相關(guān)的情感主題，以充分挖掘物流服務(wù)過程中隱藏在不同數(shù)據(jù)結(jié)構(gòu)類型中的特征信息，借助相關(guān)性的數(shù)據(jù)挖掘技術(shù)，對線上和線下兩種數(shù)據(jù)進(jìn)行細(xì)分市場變量集合挖掘，找出相關(guān)的細(xì)分市場變量結(jié)合，從而完成后續(xù)的細(xì)分市場細(xì)分工作。

“互聯(lián)網(wǎng)+”時代激發(fā)越來越多的物流企業(yè)將經(jīng)營目光轉(zhuǎn)向互聯(lián)網(wǎng)領(lǐng)域，目標(biāo)是獲取更多的經(jīng)營機(jī)會。具體作業(yè)時，往往采用“人—機(jī)”交互模式進(jìn)行網(wǎng)上交易信息的檢索和分析，并未充分發(fā)揮智慧物流的優(yōu)勢，通過機(jī)器的自動學(xué)習(xí)方法來獲取和挖掘交易信息。對于網(wǎng)絡(luò)上發(fā)布的數(shù)據(jù)信息而言，分為Deep-web和surface-web兩種模式，對應(yīng)的數(shù)據(jù)結(jié)構(gòu)也分為結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)形態(tài)。對于互聯(lián)網(wǎng)而言，surface-web模式帶來的數(shù)據(jù)呈現(xiàn)著爆炸性增長的狀態(tài)，而這些數(shù)據(jù)背后隱藏的信息給相關(guān)經(jīng)營者提供了大量的商機(jī)，只不過這些數(shù)據(jù)往往以文本、視頻、圖片等半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)存在著。物流企業(yè)可以通過提煉自身物流服務(wù)能力作為KEY-VALUE，結(jié)合能夠充分挖掘不同數(shù)據(jù)結(jié)構(gòu)類型的智慧物流數(shù)據(jù)挖掘算法，在互聯(lián)網(wǎng)上進(jìn)行智慧性的數(shù)據(jù)挖掘，才能在有限的時間約束范圍內(nèi)，挖掘出匹配自身物流服務(wù)能力的物流業(yè)務(wù)集合。經(jīng)營者所要做的是，根據(jù)自己的服務(wù)成本和盈利目標(biāo)進(jìn)行二次篩選，形成滿足客戶需求的信息，主動信息出擊，快速完成與相應(yīng)供應(yīng)鏈的對接服務(wù)。

3 借用數(shù)據(jù)挖掘，謀求智慧物流差異化服務(wù)創(chuàng)新發(fā)展

3.1 以物流服務(wù)主題為中心，建立高質(zhì)量的數(shù)據(jù)可用性集合

大數(shù)據(jù)時代的智慧物流運(yùn)作更強(qiáng)調(diào)將數(shù)據(jù)作為企業(yè)的寶貴資源來看待，通過數(shù)據(jù)挖掘探索出適合自身良性發(fā)展的方法和路徑，這就決定了數(shù)據(jù)可用性成為了智慧物流數(shù)據(jù)挖掘和物流服務(wù)有機(jī)互動的基礎(chǔ)。

隨著時間延續(xù)，智慧物流運(yùn)作中的數(shù)據(jù)量級必然會大幅遞增。Web空間和物理空間（如物聯(lián)網(wǎng)）上的數(shù)據(jù)流，線下具體作業(yè)過程中的數(shù)據(jù)流等，呈現(xiàn)出不能完全滿足數(shù)據(jù)可用性的特性。一旦數(shù)據(jù)可用性不足，則數(shù)據(jù)挖掘結(jié)果必然會弱化決策效果。

對于物流企業(yè)而言，考慮到目前大數(shù)據(jù)挖掘技術(shù)不成熟的現(xiàn)實(shí)約束，必須先將數(shù)據(jù)可用性這一基礎(chǔ)工作落實(shí)，只有這樣才能隨著大數(shù)據(jù)挖掘技術(shù)的突破應(yīng)用獲得實(shí)時效益。數(shù)據(jù)確認(rèn)工作十分困難，考慮到具體經(jīng)營條件約束，物流企業(yè)可以采取如下路徑來完善數(shù)據(jù)可用性工作。首先，分解數(shù)據(jù)可用性的五個性質(zhì)，圍繞服務(wù)能力，賦予不同的權(quán)重，設(shè)定相關(guān)的弱可用數(shù)據(jù)指標(biāo)體系，收集整理弱可用數(shù)據(jù)集合。其次，以服務(wù)相關(guān)性為主題，將Web空間上的半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)作為收集、整理和存儲的重心，為后續(xù)進(jìn)行深入數(shù)據(jù)挖掘奠定基礎(chǔ)。第三，將物理世界中的數(shù)據(jù)和服務(wù)作業(yè)現(xiàn)場的數(shù)據(jù)作為輔助支撐，按照數(shù)據(jù)可用性的完整指標(biāo)，收集整理出高質(zhì)量的數(shù)據(jù)可用性集合。此路徑是一個循環(huán)往復(fù)的過程，會隨著一項(xiàng)物流服務(wù)主題的結(jié)束，重新開始下一個循環(huán)。

3.2 利用數(shù)據(jù)挖掘，探尋智慧物流差異化競爭要素—細(xì)分市場

物流企業(yè)的經(jīng)營思路著重點(diǎn)在于：首先要解決業(yè)務(wù)有無的問題，其次是開拓對自身有利的業(yè)務(wù)。對于技術(shù)應(yīng)用而言，同樣遵循這樣一個規(guī)則，那就是無論技術(shù)先進(jìn)與否，如果不能解決上述兩個問題，企業(yè)也會棄之不用，遵循業(yè)務(wù)發(fā)展路徑探索智慧物流數(shù)據(jù)挖掘和物流服務(wù)能力的協(xié)同路徑會更具研究意義。

“互聯(lián)網(wǎng)+”時代給物流企業(yè)帶來了大量的業(yè)務(wù)機(jī)會，物流企業(yè)需要借助數(shù)據(jù)挖掘技術(shù)，突破時空限制，充分挖掘不同異構(gòu)網(wǎng)絡(luò)平臺提供的各種各樣的商機(jī)，尋求適合自己鏈入的供應(yīng)鏈，完成業(yè)務(wù)增長任務(wù)，這是一種被動性的發(fā)展模式。

在被動性發(fā)展模式下，如何借助智慧物流數(shù)據(jù)挖掘，在時間變量約束下，快速找到適合自身物流服務(wù)能力的業(yè)務(wù)顯得尤為重要。在進(jìn)行智慧物流數(shù)據(jù)挖掘時，需要借助大數(shù)據(jù)已有的Hadoop MapReduce架構(gòu)，完成智慧物流數(shù)據(jù)挖掘的快捷性布局；其次，以業(yè)務(wù)相關(guān)性為原則，基于Item-Based數(shù)據(jù)挖掘技術(shù)完善算法。即將現(xiàn)有物流服務(wù)能力進(jìn)行提煉，轉(zhuǎn)化成User特征值，將原有服務(wù)成功的物流業(yè)務(wù)和網(wǎng)上發(fā)現(xiàn)的離散物流業(yè)務(wù)轉(zhuǎn)換成ITEM數(shù)據(jù)集，提煉關(guān)鍵詞。第三，推測和演化ITEM和ITEM的相似度，構(gòu)建USER-ITEM矩陣完成后續(xù)的智慧物流數(shù)據(jù)挖掘。在進(jìn)行數(shù)據(jù)挖掘和物流服務(wù)能力匹配的過程中，不斷訓(xùn)練和演化算法，以發(fā)掘商機(jī)為達(dá)成目標(biāo)，可以有效地協(xié)助物流企業(yè)解決從互聯(lián)網(wǎng)上發(fā)掘業(yè)務(wù)有無的問題，盡管這種路徑有一定的意義，但是并不能改善物流企業(yè)需要謀求的差異化競爭態(tài)勢。

其次，物流企業(yè)必須堅(jiān)持主動性的發(fā)展模式，即挖掘出滿意的細(xì)分市場之后，必須根據(jù)細(xì)分市場的需求特征來重構(gòu)自身的物流服務(wù)能力，使供給與需求達(dá)到契合，不斷地實(shí)踐和磨練自己的物流服務(wù)能力，在細(xì)分市場形成競爭優(yōu)勢，從而形成差異性競爭優(yōu)勢。

構(gòu)建足夠大細(xì)分市場的前提條件在于能夠獲取獨(dú)立于競爭對手所知曉的市場細(xì)分變量，這些市場細(xì)分變量的特征值往往隱藏在不同異構(gòu)網(wǎng)絡(luò)平臺上的非結(jié)構(gòu)化數(shù)據(jù)中，充分挖掘細(xì)分變量數(shù)據(jù)成為主動發(fā)展模式需要破解的難題。在此路徑下，需要采用CONTENT-BASED和ITEM-BASED數(shù)據(jù)挖掘相結(jié)合的方法進(jìn)行。首先，根據(jù)CONTENT-BASED數(shù)據(jù)挖掘算法，加入業(yè)務(wù)情感特征向量集，重構(gòu)CONTENT-BASED的智慧物流數(shù)據(jù)挖掘算法，對互聯(lián)網(wǎng)上的業(yè)務(wù)進(jìn)行挖掘，找出業(yè)務(wù)集（無論是否被競爭對手完成）。其次，結(jié)合ITEM-BASED算法，對物流服務(wù)能力進(jìn)行重構(gòu)，依據(jù)時間快捷性和相關(guān)性原則，探尋適合的業(yè)務(wù)集。第三，設(shè)定時間段，對服務(wù)過的業(yè)務(wù)結(jié)合線下數(shù)據(jù)進(jìn)行細(xì)分市場變量的可用性數(shù)據(jù)集進(jìn)行推敲，將其從弱可用性轉(zhuǎn)化為高質(zhì)量的可用性數(shù)據(jù)集。第四，采用智慧物流提供的可視化技術(shù)對市場進(jìn)行細(xì)分，探尋出滿意的細(xì)分市場，根據(jù)細(xì)分市場呈現(xiàn)的需求特征重構(gòu)自身物流服務(wù)能力，進(jìn)而進(jìn)入主動發(fā)展模式。

對于市場而言，并不是一成不變的，互聯(lián)網(wǎng)時代隨著信息日益公開透明，市場的變化速率將會比以往更迅速。對于積極進(jìn)取的物流企業(yè)而言，需要不斷地跟蹤和監(jiān)控已有市場，積極開拓細(xì)分市場，從而形成差異化競爭優(yōu)勢。

4 總 結(jié)

大數(shù)據(jù)時代已經(jīng)悄然來臨，數(shù)據(jù)將成為企業(yè)發(fā)展中重要的資源，充分借助互聯(lián)網(wǎng)和大數(shù)據(jù)的技術(shù)優(yōu)勢，不斷探尋新的商業(yè)模式，可以幫助企業(yè)盡快擺脫惡性競爭，形成差異化競爭優(yōu)勢。本文在收集整理智慧物流和數(shù)據(jù)挖掘相關(guān)文獻(xiàn)的基礎(chǔ)上，研究了競爭態(tài)勢和“互聯(lián)網(wǎng)+”機(jī)遇倒逼物流企業(yè)從數(shù)據(jù)中探索機(jī)遇的成因。接下來，論文從基于物流服務(wù)主題為中心，建立數(shù)據(jù)可用性集合，再到利用數(shù)據(jù)挖掘探尋智慧物流差異化競爭要素—細(xì)分市場方面進(jìn)行了研究，并提出了部分方法。

參考文獻(xiàn)：

[1] 宋則. “物流”其實(shí)是一種智慧[N]. 現(xiàn)代物流報，2007

-05-01（002）.

[2] 王繼祥. 物聯(lián)網(wǎng)發(fā)展推動中國智慧物流變革[J]. 物流技術(shù)與應(yīng)用，2010（6）：80-83.

[3] 王之泰. 城鎮(zhèn)化需要“智慧物流”[J]. 中國流通經(jīng)濟(jì)，2014，28（3）：4-8.

[4] Peter Vervest， Eric van Heck， Kenneth Preiss. Louis-Francois Pau： Smart Business Networks[M]. Springer， 2005.

[5] Veloso M， Bentos C， Pereira F C. Multi-Sensor Data Fusion on Intelligent Transport Systems[D]. University of Coimbra， 2009.

[6] Gubbi J， Buyya R， Marusic S， et al. Internet of Things（IoT）： A vision， architectural elements， and future directions[J]. Future Generation Computer Systems， 2013，29（7）：1645-1660.

[7] 馬志鋒，刑漢承，鄭曉妹. 一種基于Rough集的時間序列數(shù)據(jù)挖掘策略[J]. 系統(tǒng)工程理論與實(shí)踐，2001（12）：22.

[8] Agrawal R， et al. Mining association rules between sets Items in large Database[J]. Acm Sigmod Record， 1993（2）：207-216.

[9] Cheung D W， et al. Maintenance of Discovered Association Rules in Large Database： An Incremental Updating Technique[D]. Hong Kong： University of Hong Kong， 1995.

[10] 鄭建國，劉芳，焦李成. 自適應(yīng)子波神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法[J]. 西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2002，29（4）：474-476.

[11] Furuta K. Sliding mode control of a discrete systems[J]. Syst Contr Lett， 1990，14（2）：145-151.

[12] 余偉，李石君，楊莎，等. Web大數(shù)據(jù)環(huán)境下的不一致跨源數(shù)據(jù)發(fā)現(xiàn)[J]. 計(jì)算機(jī)研究與發(fā)展，2015，52（2）：295-306.

[13] Rakthanmanon T， Campana B， Mueen A， et al. Addressing big data time series： Mining trillions of time series subsequences under dynamic time warping[J]. ACM Transactions on Knowledge Discovery from Data（TKDD）， 2013，7（3）：10.

[14] 曾暉. 大數(shù)據(jù)挖掘在工程管理項(xiàng)目中的應(yīng)用[J]. 科技進(jìn)步與對策，2014（11）：46-48.