丁勇

摘 要：目前大多數(shù)加油站的油品配送采用“油站要貨+人工調(diào)度”模式，主動(dòng)配送比率低，人工干預(yù)多，溝通成本高，工作效率低。同時(shí)油品運(yùn)營(yíng)銷售過程中產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)，具備業(yè)務(wù)數(shù)字化基礎(chǔ)。通過搭建云計(jì)算平臺(tái)對(duì)業(yè)務(wù)數(shù)據(jù)進(jìn)行分布式存儲(chǔ)、分布式計(jì)算分析，同時(shí)基于人工智能算法構(gòu)建銷量預(yù)測(cè)模型，基于加油站、車輛、油庫(kù)等資源構(gòu)建主動(dòng)配送模型，實(shí)現(xiàn)加油站的智能主動(dòng)配送，從而降低運(yùn)營(yíng)成本，提高經(jīng)濟(jì)效益。經(jīng)過實(shí)例研究分析，對(duì)比云計(jì)算模型生成的配送計(jì)劃與人工方式生成的配送計(jì)劃，結(jié)果基本一致，生成配送計(jì)劃的效率有較大提升，說明模型可以用于實(shí)際業(yè)務(wù)。

關(guān)鍵詞：云計(jì)算;隨機(jī)森林;線性回歸;決策樹;HBASE;CDH;SPARK;ETL

1 基于云計(jì)算的油站智能配送系統(tǒng)架構(gòu)及設(shè)計(jì)

系統(tǒng)整體架分為三部分，分別為內(nèi)部系統(tǒng)、云計(jì)算平臺(tái)、應(yīng)用端。內(nèi)部系統(tǒng)為本文數(shù)據(jù)研究的數(shù)據(jù)來源，云計(jì)算平臺(tái)為本文提供分布式的數(shù)據(jù)存儲(chǔ)以及分布式的模型運(yùn)算。應(yīng)用端是研究結(jié)果的輸出方向，模型的運(yùn)算結(jié)果主要提供給應(yīng)用端進(jìn)行使用。通過ETL的方式從內(nèi)部系統(tǒng)進(jìn)行歷史數(shù)據(jù)批量導(dǎo)入加上使用消息隊(duì)列等插件將獲取的實(shí)時(shí)數(shù)據(jù)匯總到云計(jì)算平臺(tái)，云計(jì)算平臺(tái)通過分布式計(jì)算引擎完成模型的運(yùn)算，并將運(yùn)算結(jié)果輸出給前端應(yīng)用。具體的數(shù)據(jù)存取及計(jì)算見圖1所示：

2 數(shù)據(jù)計(jì)算建模

2.1 總體策略

綜合考慮必須送訂單、加油站配送優(yōu)先級(jí)別、車隊(duì)優(yōu)先級(jí)別及運(yùn)輸限制、平衡滿載分卸發(fā)貨與缺載發(fā)貨、自動(dòng)選取最佳取油油庫(kù)、多油庫(kù)和多路徑運(yùn)輸優(yōu)化、不同成本計(jì)算管理，滿足各種業(yè)務(wù)管理需求（按距離、按運(yùn)輸量、按趟次和噸公里等）、配送限制設(shè)置：油庫(kù)、油站、槽車和司機(jī)等條件，采用遞歸式的智能探索優(yōu)化算法，對(duì)所有運(yùn)送的補(bǔ)貨計(jì)劃自動(dòng)進(jìn)行優(yōu)化調(diào)度，自動(dòng)產(chǎn)生單位體積運(yùn)輸成本最低的配送計(jì)劃及配送單。配送優(yōu)化模塊的目標(biāo)是最優(yōu)化的上車率，達(dá)到100%的自動(dòng)上車率是配送優(yōu)化的終極目標(biāo)，以80%上車率為基本目標(biāo)。

2.2 關(guān)鍵約束條件

關(guān)鍵約束限定了上車時(shí)的限制，充分考慮關(guān)鍵約束給出最優(yōu)上車計(jì)劃。

（1）加油站約束，可分油品、分時(shí)段指定車輛范圍，典型場(chǎng)景為：卸油場(chǎng)地限制、分時(shí)段的通行證。

（2）油庫(kù)約束，加油站的油源優(yōu)先級(jí) 典型場(chǎng)景： 加油站流向定義。

（3）車隊(duì)約束。承運(yùn)加油站范圍。典型場(chǎng)景：承運(yùn)商招投標(biāo)的結(jié)果、車隊(duì)內(nèi)部劃分所負(fù)責(zé)的片區(qū)。

（4）車輛約束?？煞钟推?、分時(shí)段指定加油站范圍;車輛趟次等。典型場(chǎng)景： 車況導(dǎo)致某些區(qū)域不可到達(dá)、車型在加油站無法卸油、該車輛只負(fù)責(zé)某區(qū)域（例如外請(qǐng)車）。

（5）其他約束：限拖、班次趟定義、通行證、受限時(shí)段/錯(cuò)峰時(shí)段/工作時(shí)段等。

3 數(shù)據(jù)模型計(jì)算結(jié)果分析

3.1 模型測(cè)試結(jié)果數(shù)據(jù)

通過系統(tǒng)獲取歷史銷量數(shù)據(jù)、日銷量均值數(shù)據(jù)、目前已配送的途數(shù)據(jù)以及配送及時(shí)的庫(kù)存數(shù)據(jù)先進(jìn)行人工配送，再使用模型自動(dòng)生成配送數(shù)據(jù)，從生產(chǎn)的配送數(shù)據(jù)中隨機(jī)抽檢10個(gè)加油站的某個(gè)油品的配送數(shù)據(jù)，數(shù)據(jù)情況分別如下表1、表2所示：

3.2 模型測(cè)試結(jié)果數(shù)據(jù)分析

通過對(duì)人工配送數(shù)據(jù)與模型根據(jù)預(yù)測(cè)結(jié)果配送的數(shù)據(jù)分析比較，發(fā)現(xiàn)通過云計(jì)算方式基于歷史數(shù)據(jù)進(jìn)行銷量預(yù)測(cè)建模并自動(dòng)生成的配送數(shù)據(jù)與人配送數(shù)據(jù)的誤差較小，具體誤差率見下表3所示：

3.3 結(jié)果數(shù)據(jù)說明

通過對(duì)人工配送結(jié)果和模型配送結(jié)果的對(duì)比分析，發(fā)現(xiàn)兩者生成的最終配送計(jì)劃誤差率較低幾乎一致，當(dāng)模型生成配送計(jì)劃時(shí)如果有在途的配送計(jì)劃可能對(duì)模型產(chǎn)生影響，初步分析這種影響可能是因?yàn)樵谕九渌偷挠?jì)劃在完成卸油后未及時(shí)更新配送單狀態(tài)造成的。對(duì)于銷量預(yù)測(cè)模型做出的預(yù)計(jì)銷量預(yù)測(cè)結(jié)果同樣誤差率較低平均誤差率在正負(fù)3%并不影響整體配送，但是通過數(shù)據(jù)分析可見，銷量越大的加油站反而預(yù)測(cè)結(jié)果越準(zhǔn)，誤差率越低，反之銷量越小的加油站預(yù)測(cè)誤差率反而越高。