摘要：針對(duì)常規(guī)的物流配送需求響應(yīng)模型，在物流需求的預(yù)測(cè)上未考慮到預(yù)檢故障，導(dǎo)致物流配送效率較低問(wèn)題，提出基于深度學(xué)習(xí)與預(yù)檢故障數(shù)據(jù)庫(kù)的精準(zhǔn)物流配送需求響應(yīng)模型。以預(yù)測(cè)的需求參數(shù)為基礎(chǔ)，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，將物流配送分為3種類(lèi)型，對(duì)響應(yīng)影響參數(shù)權(quán)重進(jìn)行計(jì)算，根據(jù)計(jì)算參數(shù)建立響應(yīng)規(guī)則，結(jié)合響應(yīng)規(guī)則與因素影響權(quán)重，以LSTM結(jié)構(gòu)作為模型的基礎(chǔ)結(jié)構(gòu)，在物流配送產(chǎn)生需求時(shí)，形成物流響應(yīng)，從而形成物流配送需求響應(yīng)模型。結(jié)果表明，所設(shè)計(jì)的精準(zhǔn)物流配送需求響應(yīng)模型，能夠提高物流配送的效率。

關(guān)鍵詞：深度學(xué)習(xí)；預(yù)檢故障數(shù)據(jù)庫(kù)；精準(zhǔn)物流配送；需求響應(yīng)；LSTM結(jié)構(gòu)

中圖分類(lèi)號(hào)：TP311；F259文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2025）02-0137-04

Accurate response to logistics distribution based on deeplearning and pre-inspection fault database

FENG Kangjian1，F(xiàn)ENG Lele2

（1.Railway Equipmenr Cangzhou Branch Co.，Ltd.，Cangzhou 061113，Hebei China；

2.China Energy Railway Equipment Company Limited Cangzhou Branch Co.，Ltd.，Cangzhou 061100，Hebei China）

Abstract：In view of the conventional logistics and distribution demand response model，the pre-inspection failure is not considered in the prediction of logistics demand，resulting in the low efficiency of logistics distribution，and an accurate logistics and distribution demand response model based on deep learning and pre-inspection fault data?base was proposed.Based on the predicted demand parameters，through the deep learning network structure，the lo?gistics distribution was divided into three types，the weight of the response influence parameters was calculated，the response rules were established according to the calculation parameters，the response rules were combined with the influence weights of the factors，the LSTM structure was used as the basic structure of the model，and the logistics response was formed when the demand was generated by the logistics distribution，so as to form the logistics distri?bution demand response model.The results showed that the designed demand response model for logistics distribu?tion could improve the efficiency of logistics distribution.

Key words：deep learning；pre-check fault database；accurate logistics delivery；requirement response；lstm struc?ture

在數(shù)字化、網(wǎng)絡(luò)化、智能化的工業(yè)4.0時(shí)代，各制造企業(yè)在生產(chǎn)、管理、裝備、物流、服務(wù)等方面不斷地進(jìn)行科學(xué)技術(shù)的新探索[1]。除了新品、大修品，還應(yīng)對(duì)檢修品、修舊利廢等全部生產(chǎn)物料進(jìn)行實(shí)物管理[2]。目前在精準(zhǔn)物流配送需求響應(yīng)研究上，主要會(huì)運(yùn)用到GM（1，1）-ARIMA組合模型對(duì)需求進(jìn)行預(yù)測(cè)以及響應(yīng)[3]、在基于LSTM物流資源需求下對(duì)物流配送需求進(jìn)行響應(yīng)等[4]。因此，基于深度學(xué)習(xí)與預(yù)檢故障數(shù)據(jù)庫(kù)，建立精準(zhǔn)物流配送需求響應(yīng)模型。

1基于深度學(xué)習(xí)與預(yù)檢故障數(shù)據(jù)庫(kù)的精準(zhǔn)物流配送需求響應(yīng)模型

1.1基于預(yù)檢故障數(shù)據(jù)庫(kù)預(yù)測(cè)物流需求

為了實(shí)現(xiàn)對(duì)物流配送需求的精準(zhǔn)響應(yīng)，在基于預(yù)檢故障數(shù)據(jù)庫(kù)下，預(yù)測(cè)物料需求。對(duì)長(zhǎng)期車(chē)輛檢修進(jìn)行預(yù)測(cè)，主要依據(jù)的內(nèi)容為零部件的全生命周期里程及技術(shù)狀態(tài)等方面[5]。

同時(shí)根據(jù)車(chē)輛檢修長(zhǎng)期積累的報(bào)廢率、更換率，對(duì)物料的短期及長(zhǎng)期需求進(jìn)行計(jì)算，使用平滑指數(shù)模型，作為預(yù)算模型[6]。將物流需求中的自變量與因變量之間的定量關(guān)系表示為：

式中：x為統(tǒng)計(jì)檢驗(yàn)參數(shù)；c為待定系數(shù)；v為隨機(jī)變量參數(shù)；b為數(shù)據(jù)平方和；n為觀測(cè)值。將預(yù)檢故障數(shù)據(jù)庫(kù)中待定參數(shù)，帶入函數(shù)式的定量關(guān)系進(jìn)行迭代計(jì)算，可以得到矩陣表達(dá)為：

式中：a為自由度參數(shù)；β為統(tǒng)計(jì)量變量參數(shù)；s為擬合程度。由于其回歸系數(shù)在統(tǒng)計(jì)上出現(xiàn)了顯著性差異，因此進(jìn)行顯著性檢驗(yàn)[7]，檢驗(yàn)公式如下所示：

式中：f為檢驗(yàn)矢量參數(shù)；j為原始故障數(shù)據(jù)庫(kù)中數(shù)據(jù)序列；h為統(tǒng)計(jì)量；g為常數(shù)項(xiàng)向量。對(duì)原始數(shù)據(jù)序列的誤差進(jìn)行計(jì)算，可以得到其數(shù)據(jù)指標(biāo)預(yù)測(cè)值[8]，表示為：

式中：k為無(wú)量綱化處理參數(shù)；l為關(guān)聯(lián)系數(shù)；q為分辨系數(shù)；w為物流周轉(zhuǎn)量。以BPTT算法作為數(shù)據(jù)訓(xùn)練方法，并根據(jù)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)數(shù)據(jù)進(jìn)行計(jì)算，結(jié)構(gòu)如圖1所示。

根據(jù)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置3個(gè)輸入序列，并設(shè)置遺忘門(mén)與輸出門(mén)，其中遺忘數(shù)值表示為：

式中：r為激活函數(shù)；t為變量映射數(shù)值；y為當(dāng)前時(shí)刻的輸入?yún)?shù)。將元素相乘，得到輸出的預(yù)測(cè)結(jié)果：

式中：i為影響因子；p為支持向量；Z為歸一化后數(shù)據(jù)；X為隱層單元數(shù)據(jù)，得到最終物流需求參數(shù)。

1.2基于深度學(xué)習(xí)建立響應(yīng)規(guī)則

使用深度學(xué)習(xí)，建立需求響應(yīng)規(guī)則。將物料分為必?fù)Q件、常用料、臨時(shí)用料3種類(lèi)型，根據(jù)3種物料，分別建立不同的響應(yīng)規(guī)則[9]，規(guī)則建立流程示意圖如圖2所示。

按照其流程，對(duì)不同種類(lèi)物料的影響因素進(jìn)行擬合，并以此對(duì)指標(biāo)之間的關(guān)系進(jìn)行計(jì)算，將配送的單個(gè)影響因素進(jìn)行表達(dá)，其公式表示為：

式中：V為等級(jí)相關(guān)系數(shù)；B為影響因素參數(shù)；M為需求指標(biāo)參數(shù)；N為影響因素[10]。將影響因素進(jìn)行相關(guān)性分析，其公式表示為：

式中：S為線(xiàn)性組合；F為特征值參數(shù)；G為主成分影響參數(shù)。對(duì)相關(guān)性因素進(jìn)行分析，并按照選取判斷原則對(duì)主要的參數(shù)數(shù)據(jù)進(jìn)行選取，得到多個(gè)因素下的影響擬合情況，公式如下所示：

式中：Q為矩陣的特征值；L為滿(mǎn)足條件的核函數(shù)；K為累計(jì)貢獻(xiàn)率；J為非線(xiàn)性主成分向量。按照循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立深度學(xué)習(xí)RNN隱藏層單元結(jié)構(gòu)，如圖3所示。

按照RNN隱藏層單元結(jié)構(gòu)，對(duì)輸出的權(quán)重進(jìn)行計(jì)算，可以得到其隱含層節(jié)點(diǎn)數(shù)。將權(quán)重向量代入并對(duì)影響因素進(jìn)行分析，并以此建立物料的響應(yīng)規(guī)則，得到物流配送需求的響應(yīng)規(guī)則，建立出物流配送的需求響應(yīng)模型，其中主要響應(yīng)規(guī)則示意圖如圖4所示。

1.3物流配送需求響應(yīng)

根據(jù)車(chē)輛預(yù)檢情況或者車(chē)輛的裝用配件實(shí)際情況、實(shí)際檢修故障配送或者預(yù)先準(zhǔn)備物料，逐步優(yōu)化故障與實(shí)際配件更換規(guī)律的匹配關(guān)系。以LSTM結(jié)構(gòu)作為模型的基礎(chǔ)結(jié)構(gòu)，其中LSTM結(jié)構(gòu)如圖5所示。

根據(jù)其LSTM結(jié)構(gòu)，以及與物料對(duì)應(yīng)的嚴(yán)格裝車(chē)關(guān)系，按車(chē)型，修程，轉(zhuǎn)向架，車(chē)鉤，制動(dòng)缸型號(hào)等數(shù)據(jù)，建立和物料編碼中品名、規(guī)格型號(hào)的一一對(duì)應(yīng)關(guān)系。根據(jù)其對(duì)應(yīng)的關(guān)系，對(duì)數(shù)據(jù)的權(quán)重進(jìn)行計(jì)算，并按照其權(quán)重，并結(jié)合其響應(yīng)規(guī)則，將數(shù)據(jù)序列進(jìn)行精度計(jì)算，其公式表示為：

E=R′T+Y′U（10）

式中：R為原數(shù)據(jù)序列；T為精度取值；Y為發(fā)展系數(shù)；U為響應(yīng)預(yù)測(cè)值。根據(jù)其數(shù)據(jù)序列的精度，對(duì)物流配送的響應(yīng)值進(jìn)行計(jì)算，其公式表達(dá)為：

式中：O為相對(duì)誤差；P為非標(biāo)準(zhǔn)化系數(shù)；“為影響參數(shù)。根據(jù)其響應(yīng)參數(shù)，在物流配送產(chǎn)生需求時(shí)，產(chǎn)生相應(yīng)的響應(yīng)，從而形成物流配送需求響應(yīng)模型。

2實(shí)驗(yàn)部分

2.1實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)中主要用到的硬件設(shè)備如表1所示。

其中使用到的智能料盒技術(shù)的數(shù)據(jù)采集系統(tǒng)：計(jì)重計(jì)數(shù)子系統(tǒng)+4G物聯(lián)網(wǎng)子系統(tǒng)，電氣規(guī)格：雙電源，聚合物鋰電池（3.7 V，10 000 mAh）和DC 5 V適配器；低功耗系統(tǒng)設(shè)計(jì)：非數(shù)據(jù)上報(bào)時(shí)間，主系統(tǒng)休眠，4 G模塊處于睡眠模式。

2.2實(shí)驗(yàn)數(shù)據(jù)

建立物料與HCCBM故障之間的對(duì)應(yīng)關(guān)系。將貨車(chē)檢修的常見(jiàn)故障與處理故障所需的物料進(jìn)行對(duì)應(yīng)，建立數(shù)據(jù)關(guān)聯(lián)關(guān)系，檢修故障與物料對(duì)應(yīng)關(guān)系示例如圖6所示。

依托HCCBM平臺(tái)，結(jié)合該企業(yè)修車(chē)日計(jì)劃和車(chē)輛的配件基本信息、整車(chē)必?fù)Q配件的規(guī)程要求，生成貨車(chē)檢修必?fù)Q配件清單，檢修日計(jì)劃生成后但車(chē)輛未檢修前預(yù)先提報(bào)配送中心配送，生成必?fù)Q件配送方案進(jìn)行生產(chǎn)物料準(zhǔn)備，并跟蹤配送流程。

2.3物流配送

初始化物料庫(kù)存，將現(xiàn)場(chǎng)既有物料庫(kù)存初始化導(dǎo)入系統(tǒng)，并對(duì)物料運(yùn)輸小車(chē)進(jìn)行改造，在運(yùn)輸小車(chē)上安裝定位標(biāo)簽，標(biāo)簽內(nèi)含定位儀，同時(shí)運(yùn)輸小車(chē)加裝移動(dòng)數(shù)據(jù)采集終端。移動(dòng)終端具備高清攝像頭，超清屏幕，支持一維、二位是條碼掃描，支持超高頻RFID讀寫(xiě)，實(shí)時(shí)接收數(shù)據(jù)。

運(yùn)輸小車(chē)全部配送線(xiàn)路沿途覆蓋無(wú)線(xiàn)信號(hào)。運(yùn)輸小車(chē)通過(guò)現(xiàn)場(chǎng)既有的北斗定位系統(tǒng)和小車(chē)上的標(biāo)簽實(shí)現(xiàn)實(shí)時(shí)定位，小車(chē)的定位標(biāo)簽含流量卡（12個(gè)月數(shù)據(jù)流量），室外定位精度小于50 cm；在室內(nèi)通過(guò)新增的基站實(shí)時(shí)定位運(yùn)輸小車(chē)，室內(nèi)定位精度小于1 m。2.4實(shí)驗(yàn)結(jié)果與分析使用所設(shè)計(jì)模型，對(duì)比文獻(xiàn)[3]與文獻(xiàn)[4]模型，對(duì)其進(jìn)行實(shí)驗(yàn)，結(jié)果如圖7所示。

2.4 實(shí)驗(yàn)結(jié)果與分析

使用所設(shè)計(jì)模型，對(duì)比文獻(xiàn)[3]與文獻(xiàn)[4]模型，對(duì) 其進(jìn)行實(shí)驗(yàn)，結(jié)果如圖7所示。

由圖7可以看出，所設(shè)計(jì)的模型，對(duì)于物流配送的效率較高，說(shuō)明所設(shè)計(jì)的需求響應(yīng)模型，增加了其物流配送效率，具有較好的應(yīng)用性。

3結(jié)語(yǔ)

研究基于深度學(xué)習(xí)與預(yù)檢故障數(shù)據(jù)庫(kù)，提出了一種精準(zhǔn)物流配送需求響應(yīng)模型。將物料配送與成本管理延伸到生產(chǎn)現(xiàn)場(chǎng)，對(duì)物料進(jìn)行全過(guò)程追蹤，精準(zhǔn)核算單車(chē)檢修成本，提高了物料管理的精準(zhǔn)度，能夠提高企業(yè)預(yù)算的能力，加強(qiáng)企業(yè)的抗風(fēng)險(xiǎn)能力，達(dá)到資源的最佳優(yōu)化配置，從而促進(jìn)物流行業(yè)的科學(xué)發(fā)展。

【參考文獻(xiàn)】

[1]張宇華，王叢，孫曉鵬，等.基于多步逆向半云模型的價(jià)格型需求響應(yīng)不確定性建模[J].電力系統(tǒng)自動(dòng)化，2023，47（1）：105-114.

[2]謝雨奇，曾偉，馬瑞.考慮用戶(hù)響應(yīng)度模糊控制的需求響應(yīng)雙層博弈模型[J].電力工程技術(shù)，2022，41（6）：30-38.

[3]張婉琳.基于GM（1，1）-ARIMA組合模型的寧波港口物流需求預(yù)測(cè)分析[J].物流工程與管理，2023，45（1）：32-35.

[4]胡艷娟，胡偉，潘雷霆.一種基于LSTM物流資源需求預(yù)測(cè)模型[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2022，43（3）：193-201.

[5]王曉琳，孫曉燕，陳慧敏.基于灰色預(yù)測(cè)模型的廣西醫(yī)藥物流需求預(yù)測(cè)[J].中國(guó)市場(chǎng)，2022（5）：173-174.

[6]鄭若楠，李志浩，唐雅潔，等.考慮居民用戶(hù)參與度不確定性的激勵(lì)型需求響應(yīng)模型與評(píng)估[J].電力系統(tǒng)自動(dòng)化，2022，46（8）：154-162.

[7]武亞鵬，李慧穎，李婷，等.基于多模型組合的物流需求預(yù)測(cè)分析——以武漢市為例[J].物流技術(shù)，2022，41（6）：60-63.

[8]譚曉偉，王雪韻，胡大偉.考慮動(dòng)態(tài)需求的多中心沿途補(bǔ)貨冷鏈物流配送路徑優(yōu)化[J].四川大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，60（2）：64-74.

[9]王燕.基于BP神經(jīng)網(wǎng)絡(luò)模型的重慶農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)研究[J].中國(guó)儲(chǔ)運(yùn)，2023，（3）：118-119.

[10]付則晨.安徽省物流需求與產(chǎn)業(yè)結(jié)構(gòu)的動(dòng)態(tài)關(guān)系研究——基于灰色關(guān)聯(lián)模型[J].滁州學(xué)院學(xué)報(bào)，2022，24（2）：63-68.

[11]王珂.物流環(huán)境對(duì)導(dǎo)電膠耐腐蝕與粘接強(qiáng)度性能影響研究[J].粘接，2023，50（9）：19-22.

[12]孟慶芳.互聯(lián)網(wǎng)信息時(shí)代會(huì)計(jì)信息系統(tǒng)整合探析[J].產(chǎn)業(yè)科技創(chuàng)新，2023，5（5）：20-22.

[13]陳岫，平海，蔡城龍.基于物元可拓模型的企業(yè)物流承運(yùn)商服務(wù)質(zhì)量評(píng)價(jià)[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（1）：34-41.

[14]梁藝凡.中小皮革外貿(mào)企業(yè)向跨境電商轉(zhuǎn)型的問(wèn)題與對(duì)策[J].中國(guó)皮革，2023，52（11）：28-30.

[15]張一龍.廣東省物流業(yè)高質(zhì)量發(fā)展研究[J].合作經(jīng)濟(jì)與科技，2024（1）：13-15.

[16]王幫俊，孫宇浩.考慮碳排放約束的加工中心布局優(yōu)化[J].輕工機(jī)械，2023，41（6）：93-100.

[17]張校卿.基于供應(yīng)鏈管理的電力物資倉(cāng)儲(chǔ)物流系統(tǒng)分析[J].中國(guó)航務(wù)周刊，2023（50）：90-92.

[18]李靜，成志平.食品冷鏈物流平臺(tái)設(shè)計(jì)及包裝材料安全評(píng)價(jià)[J].粘接，2021，48（10）：151-154.

[19]鐘媛媛.低空經(jīng)濟(jì)高質(zhì)量發(fā)展對(duì)策研究——以深圳市龍華區(qū)為例[J].產(chǎn)業(yè)科技創(chuàng)新，2023，5（4）：20-22.

[20]高莉.物流智能配送中心運(yùn)輸帶粘接技術(shù)[J].粘接，2022，49（8）：7-9.

[21]張夢(mèng)薇.基于價(jià)值鏈分析的皮革企業(yè)庫(kù)存管理優(yōu)化建議[J].中國(guó)皮革，2023，52（10）：47-49.

（責(zé)任編輯：平海，蘇幔）