王紅艷，李選芒

（陜西工業(yè)職業(yè)技術學院，陜西咸陽 712000）

隨著數據處理技術的迅速發(fā)展，數據處理在物流行業(yè)中的應用也日益廣泛[1]。近年來，網購的人數迅速增加，規(guī)模不斷擴大，物流信息的總量也呈現出幾何增長的趨勢。這些龐大的數據對傳統物流管理系統的正常運行造成了較大的壓力，同時，目前系統太局限，與相關用戶的信息交流不足、信息化程度不高，對獲取到的數據無法進行深入的分析，且數據利用率不足[2-4]。針對上述問題，該文在分析數據挖掘技術的基礎上，建立了一種基于數據挖掘的物流信息監(jiān)控系統。

該系統充分發(fā)揮數據挖掘技術的優(yōu)勢，利用樸素貝葉斯算法作為系統的引擎，對數據（倉）庫中的歷史數據進行深度挖掘分析，以此得到數據之間的可能隱含關系并進行事件發(fā)展預測。系統包含基本功能測試、物流信息監(jiān)控功能測試以及行為監(jiān)控功能測試。測試結果說明，該系統除了能夠較好地實現基本需求外，還可以通過建立的模型較為準確地預測企業(yè)相關數據未來發(fā)展的趨勢。通過與真實數據比較，其誤差在2%以內。該系統為充分利用歷史物流數據、輔助用戶進行判斷提供了一種可行的方案。

1 數據挖掘技術

1.1 基本概念

數據挖掘（Data Mining，DM）是一種新興的融合多門學科的數據處理方法，也可稱為數據庫中的知識發(fā)現（KDD）[5]。具體是指將大量隱藏、有價值、不被了解的知識（模型或規(guī)則）從數據庫中發(fā)掘出來的過程。與傳統數據分析的不同在于數據挖掘具有先前未知的特點，主要表現在挖掘出的知識是在沒有任何假設的條件下得到的，這在較大程度上避免了人為主觀因素對結果的影響[6]。

對于一個典型的數據挖掘系統，其主要包括用戶界面、模式評估、服務器、數據挖掘引擎、數據庫及知識庫等部分。系統結構如圖1 所示[7]。

圖1 典型數據挖掘系統結構

從整體上看，數據挖掘系統的工作流程可分為兩大部分：1）數據預處理。該部分通過服務器對存儲在數據庫、數據倉庫等信息存儲庫中的原始數據進行清洗、集成與過濾，以此得到可進行后續(xù)處理的數據[8]；2）數據挖掘[9]。該部分利用數據挖掘引擎以及知識庫中的專業(yè)領域知識對前面所得到的數據進行深度挖掘，從而得到相應的知識或模型等。

1.2 主要功能

數據挖掘可以實現多種功能，在實際使用中通常根據不同需求進行選擇，這些功能主要分為以下4個方面：

1）關聯規(guī)則分析[10-12]。實際上是指獲取到的大量數據通常存在某些相互依賴關系，但這些關系在原始數據中無法直觀地表現出來。關聯規(guī)則分析即利用相關數據挖掘算法，通過設置恰當的置信度與支持度，將數據之間的潛在相關關系表現出來。關聯規(guī)則的結果反映了各數據對應的事件在一定置信度與支持度條件下的依賴關系。在實際使用中，通常得到的依賴關系相對較多，不利于進一步分析。解決辦法是在數據發(fā)掘的過程中引入“興趣度”（具體代表的是使用者對所發(fā)現知識或規(guī)則的感興趣程度）的概念，從而提升結果的可用性。關聯規(guī)則分析是數據挖掘中研究最多，也是最深入的一個方向。

2）數據分類分析。其是指將獲取到的原始數據按照預先訓練數據建立起來的類模板，劃分成具有不同維度和特性的類別[13]。分類分析則是將數據庫分好的各個類別進行挖掘，得到用于描述該類的知識或模型。該模型可以用于表示現實中的一些預測或分類問題，例如判斷一篇報道屬于文藝類還是軍事類；判斷銀行卡客戶的風險等級等。

3）數據聚類分析。在人工智能領域稱為非監(jiān)督學習，是指在預先不清楚規(guī)則的條件下，利用相關算法將物理或抽象的信息數據自動劃分為若干類。同時，在聚類過程中需要保證每一個類別數據之間的差異性盡可能小，而不同類別數據之間的差異性盡可能大[14]，如圖2 所示。與分類分析不同的是，聚類分析的結果是基于獲取到的數據，且在處理時不依賴訓練數據集事先所建立的類模板，所得到的分類結果也無法預測。相比于分類分析，數據聚類算法的時間復雜度和空間復雜度均較大，目前聚類分析在生物學、市場營銷及圖書管理等領域已有較為廣泛的應用。

圖2 數據聚類分析原理

4）預測。其是指根據已得到的分析結果對未來某些數據或事件發(fā)展趨勢的判斷，即通過分類建立相應的知識或模型。利用該知識對數據庫所存儲的歷史信息進行分析，從而找到影響事件發(fā)展變化的預測值[15]。數據挖掘的預測功能能夠運用在推斷后續(xù)股票的走向、某一景區(qū)的假期旅游人數等。需要注意的是，預測只是一種對未來事物發(fā)展可能性的判斷，具有較大的不確定性。最終的真實結果只有當實際事件發(fā)生后，才會有確切的評價。

2 物流信息監(jiān)控系統設計

現代物流業(yè)與傳統運輸業(yè)的顯著區(qū)別在于一些新興技術的引入，如Barcode（條形碼）、EDI（電子數據交換）、VAN（增值網絡）等[16]。為了提高物流數據信息的共享率與使用率，該文將近年來研究火熱的數據挖掘技術引入到物流信息監(jiān)控系統設計中，并建立基于數據挖掘的物流信息監(jiān)控系統。

2.1 需求分析

相對于傳統運輸業(yè)，現代物流業(yè)需要解決的問題主要包括以下幾點：

1）盡可能縮短從訂貨到發(fā)貨的時間；

2）提高運輸信息的共享程度，降低運輸成本；

3）提高訂單處理的準確度；

4）使倉儲資源適量化；

5）根據歷史數據合理調整需求與供給，提高歷史數據的利用率；

6）與客戶之間的交互。

2.2 系統框架

針對上述需求，該文所設計的基于數據挖掘的物流信息監(jiān)控系統框架如圖3 所示。

圖3 物流信息監(jiān)控系統框架

所設計的物流信息監(jiān)控系統可以分為6個部分：

1）物流數據的采集。主要負責采集和傳輸貨物運輸過程中產生的各種有效信息，并儲存在數據庫中；

2）物流信息監(jiān)控平臺。該部分的功能是一方面對數據庫中的數據進行篩選和處理，使其能夠按照規(guī)定的格式存入數據倉庫。另一方面是根據數據挖掘處理后的數據，為系統管理人員提供最有效的信息或知識，使其作出更準確的決策；

3）數據挖掘。該部分首先利用數據挖掘算法對數據倉庫中的相關信息進行預處理，再利用算法從預處理結果中挖掘出更深層的知識或模型等，所用到的具體數據挖掘算法將在下一小節(jié)進行詳細介紹；

4）數據倉庫。負責存儲數據庫中經過處理后的統一格式數據；

5）知識庫。主要包括數據倉庫的組成結構、隸屬函數等知識；

6）系統接口。主要為開發(fā)人員和專家提供訪問知識庫的接口，以便對其進行定義與維護。

2.3 算法選擇

常用于物流信息數據挖掘的算法有神經網絡算法、遺傳算法、模糊集算法、貝葉斯算法、決策樹算法及近鄰算法等。下面將對該文所采用的貝葉斯算法進行簡單介紹與分析。

貝葉斯算法是對以貝葉斯定理為基礎的一類分類算法的總稱，通常分為樸素型、樹增強型及傳統型貝葉斯算法。其中，樸素貝葉斯算法是三者中最常見，也是最容易實現的一種，文中采用該算法作為設計物流信息監(jiān)控系統的數據挖掘算法。該挖掘算法的定義如下：

1）假設A={a1,a2,…,am}是一個具有m個不同特征屬性的原始數據集；C={c1,c2,…,cn}是具有n個不同類別的集合。

2）將已知分類的集合D作為訓練樣本集。令類別為c，特征屬性為a，然后分別計算c類別下a特征屬性的條件概率值，即：

3）假設A中的各個特征屬性是條件獨立的，則根據貝葉斯定理可知：

其中，分子可以等價為：

4）根據式（1），計算P(c1|A),P(c2|A),…,P(cn|A)。

5）找出P(ck|A)=max{P(c1|A),P(c2|A),…,P(cn|A)}，則A∈ck。

具體的算法流程如圖4 所示。

圖4 樸素貝葉斯算法流程

上述流程主要可分為4 個階段：挖掘準備、分類器訓練、分類器評價及實際應用。挖掘準備階段的主要作用是確定待挖掘對象的特征屬性，并通過人工方法對其進行劃分，這一步對后續(xù)數據的處理效果有著較大影響；分類器訓練階段是利用已知的訓練樣本數據對各類別下的各個特征屬性的條件概率進行計算；分類器評估階段計算每個類別屬性下認為其值最大的集合A對應的類別，并得到相應的分類器模型；實際應用是根據得到的模型對新傳入的數據進行分析。

3 系統測試

為了驗證基于數據挖掘的物流信息監(jiān)控系統的可行性與實用性，在完成對該系統的搭建后，與國內線上線下公司、物流企業(yè)進行合作，對該監(jiān)控系統所實現的各項功能進行測試。

首先是物流信息監(jiān)控系統的基本功能測試，主要目的在于測試各用戶（包括私人、電商公司、實體公司以及物流企業(yè)等）能否在系統中較好地完成用戶注冊、登錄、查看與修改賬戶信息及注銷賬戶等基本項。系統的該項測試結果如表1 所示。

表1 系統基本功能測試結果

由表1 可以看出，所設計的物流監(jiān)控系統的基本功能測試全部正常，為后續(xù)進一步測試其他系統功能奠定了較優(yōu)的基礎。

然后是系統物流信息的發(fā)布與查詢測試，該項測試的目的在于測試個人與企業(yè)能否順利完成，對原始物流數據的迅速發(fā)布及對系統內有權限信息的準確查詢。這兩者所發(fā)布與查詢的信息相同，為倉儲資源a、貨源b 及運輸資源c。測試結果如表2 所示。

表2 物流數據發(fā)布與查詢測試結果

由表2 可知，所設計的系統能夠將各類用戶發(fā)布的資源信息全部導入系統數據庫中，完成對資源的存儲與整合，方便后續(xù)對相關信息的查詢；物流數據查詢結果說明，用戶對于系統內有權限資源數據的查詢準確率能夠達到100%，充分說明該系統的物流信息查詢結果具有較高的可信任度。

最終是系統的行為監(jiān)控功能測試，包括系統對用戶操作的監(jiān)控、異常行為的反饋及數據挖掘模型的預測準確性3 項。其中，系統對用戶操作的監(jiān)控與異常行為反饋主要是測試系統能否對用戶的日常操作正確生成日志，以及在檢測到異常行為時能否向管理員及時地發(fā)送相關信息。測試結果如表3所示。

表3 系統監(jiān)控功能測試結果

為了進一步測試該文方法建立的數據挖掘模型的預測準確性，利用該系統對3 家企業(yè)數據庫中的6 月之前的歷史數據，例如物資采購量、市場資源量及市場價格等進行處理分析，得到相應的預測模型，來預測該企業(yè)在七月份的物資采購量，并與實際的數據相對比。對比試驗結果如表4 所示。

表4 挖掘模型試驗結果

由表3、表4的結果可以看出，該系統可以較優(yōu)地生成不同用戶操作日志，同時在試驗過程中未發(fā)現異常操作。由數據挖掘模型試驗結果可以看出，利用該系統得到的模型預測值與實際值吻合程度較高，誤差在2%以內。

4 結束語

該文通過介紹與分析數據挖掘技術的基本原理和主要功能，建立了一種基于數據挖掘技術的物流信息監(jiān)控系統。該系統選用數據挖掘算法中最常見、適用性強且最容易實現的樸素貝葉斯算法作為設計物流信息監(jiān)控系統的數據分析處理算法。通過系統的基本功能測試、物流信息監(jiān)控功能測試以及行為監(jiān)控功能測試，驗證了所設計系統的可行性與可靠性。