閆 明 陳 戀

（中國社會(huì)科學(xué)院 北京 102442）

1 引言

冷鏈物流屬于一種冷凍工藝，利用人工制冷方法實(shí)現(xiàn)生產(chǎn)與運(yùn)輸?shù)倪\(yùn)作，其作用是確保物品質(zhì)量不變質(zhì)，降低經(jīng)濟(jì)損耗［1～3］，為易壞物品生產(chǎn)與運(yùn)輸提供一個(gè)完美的供應(yīng)鏈。冷鏈物流的風(fēng)險(xiǎn)主要體現(xiàn)在物品運(yùn)輸不及時(shí)導(dǎo)致其發(fā)生變質(zhì)，直接影響消費(fèi)者的身體健康，降低企業(yè)核心競爭力［4］。精準(zhǔn)跟蹤冷鏈物流風(fēng)險(xiǎn)，會(huì)大大減少冷鏈的安全風(fēng)險(xiǎn)，確保冷鏈物品的安全供應(yīng)，減少企業(yè)的安全成本，促進(jìn)冷鏈物流企業(yè)健康長遠(yuǎn)發(fā)展［5］。研究冷鏈物流跟蹤方法還會(huì)實(shí)現(xiàn)物品的全面監(jiān)控，精準(zhǔn)定位物品出現(xiàn)風(fēng)險(xiǎn)問題后的相關(guān)責(zé)任人，及時(shí)找出導(dǎo)致風(fēng)險(xiǎn)的原因，制定相關(guān)方案，避免類似風(fēng)險(xiǎn)事件發(fā)生［6］。云平臺(tái)能夠同時(shí)硬件與軟件資源，具備強(qiáng)大的數(shù)據(jù)處理與存儲(chǔ)等功能，具備可擴(kuò)展性、數(shù)據(jù)移動(dòng)性、安全性高與成本低等優(yōu)點(diǎn)，適用于各個(gè)領(lǐng)域。因此，研究基于云平臺(tái)的冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤方法，精準(zhǔn)跟蹤物流軌跡，實(shí)時(shí)獲取風(fēng)險(xiǎn)變化態(tài)勢，確保冷鏈物流的安全性。

2 基于云平臺(tái)的冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤

2.1 總體框架

云平臺(tái)的冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤方法的總體框架如圖1 所示。該方法的主要目標(biāo)是冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤，將物品冷鏈需求特征當(dāng)成核心數(shù)據(jù)，在硬件設(shè)備內(nèi)存儲(chǔ)冷鏈基礎(chǔ)數(shù)據(jù)；在各個(gè)冷鏈環(huán)節(jié)中安裝無線傳感器即監(jiān)控終端，實(shí)現(xiàn)跟蹤信號(hào)的實(shí)時(shí)感知；利用基于壓縮感知的數(shù)據(jù)傳輸方法完成跟蹤信號(hào)的傳輸；采用數(shù)據(jù)互聯(lián)算法依據(jù)跟蹤信號(hào)更新目標(biāo)狀態(tài)，通過卡爾曼濾波算法過濾信號(hào)，求解目標(biāo)三維坐標(biāo)，通過匹配三維坐標(biāo)與電子地圖中數(shù)據(jù)庫信息特征，獲取目標(biāo)活動(dòng)軌跡，查看目標(biāo)是否遵循設(shè)定物流軌跡，完成風(fēng)險(xiǎn)變化態(tài)勢跟蹤；針對偏離設(shè)定物流軌跡的目標(biāo)展開異常報(bào)警［7］，利于相關(guān)人員及時(shí)處理異常情況，解除風(fēng)險(xiǎn)。

圖1 總體框架

2.2 基于壓縮感知的實(shí)時(shí)感知數(shù)據(jù)傳輸方法

塑造稀疏采樣模型完成實(shí)時(shí)感知的傳感信息的壓縮采樣與傳輸，數(shù)據(jù)壓縮傳輸流程如圖2 所示。冷鏈物流利用無線通訊網(wǎng)絡(luò)交互無線傳感器和監(jiān)控終端間的信息，小波變換可以較好地完成傳感數(shù)據(jù)的稀疏表示。冷鏈運(yùn)輸車內(nèi)傳感器節(jié)點(diǎn)獲取監(jiān)控終端輸送的控制指令后［8］，開始采集信息并上傳至智能處理單元，利用監(jiān)控終端壓縮信息后利用GPRS 遠(yuǎn)程傳輸?shù)奖O(jiān)控終端，監(jiān)控終端利用重構(gòu)算法實(shí)現(xiàn)信息的精準(zhǔn)重構(gòu)。

圖2 數(shù)據(jù)壓縮傳輸流程

令無線傳感器采集的x 時(shí)刻N(yùn) 維距離信號(hào)是d(x)∈RN，也是基站Ψ下的K-稀疏信號(hào)，其中一維離散信號(hào)的列向量是RN，稀疏變換d(x)的公式如式（1）。

求解d(x)和各觀測向量內(nèi)積獲取對應(yīng)的觀測值，公式如下：

其中，測量矩陣是Θ，Θ=ΦΨ，Ψ和Θ盡可能無任 何 關(guān) 聯(lián) ；M×N的 觀 測 矩 陣 是。

精準(zhǔn)重構(gòu)d(x)的公式如下：

其中，d（x）的0-范數(shù)是l0；通過l0的優(yōu)化問題計(jì)算d（x）的近似值，其中，重構(gòu)獲取的優(yōu)化稀疏系數(shù)是s^ 。

信息重構(gòu)步驟如下。

步驟1：初始化，令集合I 是空集，保存已選擇的恢復(fù)矩陣基的下標(biāo)，矩陣q 是空，其作用是存儲(chǔ)相應(yīng)的基向量，殘差r=y，s 的初始值是0，恢復(fù)矩陣T=ΦΨ，迭代次數(shù)n=0；

步驟2：選取基向量，在T 內(nèi)選取和r 內(nèi)積最大的基向量，令該向量的下標(biāo)是i，那么：，設(shè)

其中，T 的列向量是ti；更新置T內(nèi)相應(yīng)的基向量是0；

步驟3：計(jì)算稀疏表示，通過已選取的基向量稀疏表示信號(hào)，計(jì)算系數(shù)向量

步驟5：在n的稀疏度已最大或者s符合重構(gòu)誤差情況下，結(jié)束迭代；反之，轉(zhuǎn)至步驟2，繼續(xù)操作。

2.3 風(fēng)險(xiǎn)變化態(tài)勢跟蹤算法

冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤算法為互聯(lián)、過濾與跟蹤處理實(shí)時(shí)感知的d(x) ，獲取物流風(fēng)險(xiǎn)變化態(tài)勢軌跡［9～10］。具體步驟如下：

1）在數(shù)個(gè)位置信號(hào)d（x）內(nèi)，獲取距離最小的d（x），即目標(biāo)位置，其作用是更新目標(biāo)狀態(tài)［11］，公式如下：其中，更新前后的目標(biāo)狀態(tài)分別是；常數(shù)是S。

利用聯(lián)合概率數(shù)據(jù)互聯(lián)算法實(shí)現(xiàn)數(shù)據(jù)互聯(lián)，令追蹤目標(biāo)是j(j=1，2，…，mx)，定 位 目 標(biāo) 是，基本確認(rèn)矩陣的公式如下：

其中，二進(jìn)制變量是?ja，在j 陷入a 的確認(rèn)矩陣中時(shí)，?ja=1，反之，?ja=0。

j和a的互聯(lián)概率如下：

其中，1 用于描繪j 在這個(gè)位置中，否則，j 不在這個(gè)位置中。

2）信息過濾，利用卡爾曼濾波算法過濾監(jiān)控終端信息，求解目標(biāo)的三維坐標(biāo)［12］，該算法的模型如下：

其中，狀態(tài)矢量是Wx；狀態(tài)轉(zhuǎn)移矩陣是Fx x-1；檢測矢量是Vx；干擾噪聲是Ux-1；控制矩陣是Lx-1；檢測矩陣是Hx；檢測的噪聲是Cx。

在整周模糊度是常數(shù)情況下的矩陣向量，利用常數(shù)模型計(jì)算目標(biāo)的三維坐標(biāo)，節(jié)約計(jì)算時(shí)間［13］，預(yù)估計(jì)值的計(jì)算公式如下：

求解卡爾曼增益矩陣，公式如下：

其中，互聯(lián)概率是Px x-1；Cx的方差矩陣是Yx。

遞推初值，公式如下：

其中，偏導(dǎo)是E。

3）目標(biāo)跟蹤，該過程就是跟蹤目標(biāo)的實(shí)時(shí)位置信息，即冷鏈運(yùn)輸車的實(shí)時(shí)位置，匹配監(jiān)控終端接收的信息和電子地圖中數(shù)據(jù)庫信息特征［14］，以搜尋的方式，在地圖中匹配信息特征，獲取冷鏈運(yùn)輸車的活動(dòng)軌跡；在全部d（x）內(nèi)的最優(yōu)匹配是d（x）最小同時(shí)符合設(shè)置的距離閾值條件的位置，即目標(biāo)位置，通過實(shí)時(shí)獲取最優(yōu)目標(biāo)位置，判斷其是否偏離設(shè)定運(yùn)輸軌跡，完成冷鏈物流風(fēng)險(xiǎn)態(tài)勢跟蹤［15］。

3 仿真測試實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

以某物流公司為實(shí)驗(yàn)對象，該公司共有10 輛冷鏈運(yùn)輸車，在該物流公司的冷庫中安裝6 個(gè)無線傳感器，在每輛冷鏈運(yùn)輸車內(nèi)各安裝一個(gè)無線傳感器，無線傳感器安裝情況如圖3所示。

圖3 無線傳感器安裝情況

3.2 數(shù)據(jù)傳輸性能

隨機(jī)選取兩輛冷鏈運(yùn)輸車，它們分別處于靜止?fàn)顟B(tài)與行駛狀態(tài)，原始數(shù)據(jù)與重構(gòu)數(shù)據(jù)對比結(jié)果如圖4 所示。由圖4 可知，在冷鏈運(yùn)輸車處于靜止?fàn)顟B(tài)時(shí)，本文方法重構(gòu)的數(shù)據(jù)與原始數(shù)據(jù)完全相同，當(dāng)冷鏈運(yùn)輸車處于行駛狀態(tài)時(shí)，隨著時(shí)間的延長，運(yùn)輸車的距離逐漸增加，本文方法重構(gòu)的數(shù)據(jù)與原始數(shù)據(jù)存在一定的差距，但整體趨勢一致，僅有微小差別。實(shí)驗(yàn)證明：本文方法具備較優(yōu)的數(shù)據(jù)重構(gòu)效果，為數(shù)據(jù)傳輸?shù)木珳?zhǔn)性提供保障。

圖4 原始數(shù)據(jù)與重構(gòu)數(shù)據(jù)對比結(jié)果

利用歸一化的均方誤差值（Normalized Mean Square Error，NMSE）評(píng)價(jià)數(shù)據(jù)傳輸效果，定義為

其中，數(shù)據(jù)重構(gòu)前的第α個(gè)值是dα(n)；數(shù)據(jù)重構(gòu)后的值是；范數(shù)l的取值為2。

兩種狀態(tài)下，本文方法數(shù)據(jù)傳輸?shù)腘MSE 測試結(jié)果如表1所示。由表1可知，隨著時(shí)間的延長，在靜止?fàn)顟B(tài)下，本文方法數(shù)據(jù)傳輸?shù)腘MSE 為0%；在行駛狀態(tài)下，NMSE 隨著時(shí)間的延長整體呈現(xiàn)上升趨勢，平均NMSE為1.44%，均方誤差較小。實(shí)驗(yàn)證明：本文方法數(shù)據(jù)傳輸?shù)木秸`差較小，說明其數(shù)據(jù)傳輸?shù)木容^高，為后續(xù)跟蹤提供更為精準(zhǔn)的數(shù)據(jù)支持，間接提升跟蹤效果。

表1 NMSE測試結(jié)果

3.3 跟蹤效果

隨機(jī)選取兩輛冷鏈運(yùn)輸車，這兩輛冷鏈運(yùn)輸車需要配送物品的距離不同，其中一輛距離較遠(yuǎn)，另一輛距離較近，利用本文方法跟蹤兩輛運(yùn)輸車的物流軌跡，物流軌跡跟蹤結(jié)果如圖5 與圖6 所示。綜合分析圖5 與圖6 可知，在跟蹤距離較短的運(yùn)輸車物流軌跡過程中，本文方法獲取的跟蹤物流軌跡與設(shè)定的物流軌跡僅有微小差別，整體趨勢基本一致，說明本文方法能夠?qū)崟r(shí)得到較近距離跟蹤目標(biāo)的位置信息，該運(yùn)輸車并未偏離設(shè)定的物流軌跡，代表其沒有發(fā)生任何風(fēng)險(xiǎn)；在跟蹤距離較遠(yuǎn)的運(yùn)輸車物流軌跡過程中，本文方法依舊能夠有效跟蹤物流軌跡，且與設(shè)定的物流軌跡存在較小的誤差，整體趨勢大致相同，說明本文方法能夠?qū)崟r(shí)精準(zhǔn)獲取較遠(yuǎn)距離跟蹤目標(biāo)的位置信息，該運(yùn)輸車也沒有偏離設(shè)定物流軌跡，代表其也沒有發(fā)生任何風(fēng)險(xiǎn)。實(shí)驗(yàn)證明：本文方法能夠精準(zhǔn)獲取較近與較遠(yuǎn)距離的冷鏈物流運(yùn)輸軌跡，有效跟蹤風(fēng)險(xiǎn)變化態(tài)勢。

圖5 距離較短的運(yùn)輸車物流軌跡

圖6 距離較遠(yuǎn)的運(yùn)輸車物流軌跡

為進(jìn)一步驗(yàn)證本文方法跟蹤風(fēng)險(xiǎn)變化態(tài)勢的有效性，隨機(jī)選取兩輛運(yùn)輸車，按照相同的設(shè)定物流軌跡配送物品，但其中一輛運(yùn)輸車并未按照設(shè)定物流軌跡行駛，利用本文方法跟蹤這兩輛運(yùn)輸車的風(fēng)險(xiǎn)變化態(tài)勢，結(jié)果如圖7所示。由圖7可知，本文方法可有效跟蹤兩輛運(yùn)輸車的物流軌跡，運(yùn)輸車1的跟蹤軌跡與設(shè)定的物流軌跡基本一致，說明該運(yùn)輸車不存在風(fēng)險(xiǎn)；運(yùn)輸車2 的跟蹤軌跡已偏離設(shè)定物流軌跡，說明該運(yùn)輸車存在風(fēng)險(xiǎn)，此時(shí)需要根據(jù)跟蹤結(jié)果發(fā)送異常報(bào)警信息，經(jīng)由相關(guān)人員解決風(fēng)險(xiǎn)事件。實(shí)驗(yàn)證明：本文方法可有效跟蹤偏離設(shè)定物流軌跡的運(yùn)輸車物流軌跡，并根據(jù)物流軌跡完成風(fēng)險(xiǎn)變化態(tài)勢的跟蹤。

圖7 物流軌跡跟蹤效果

在不同天氣時(shí)，利用本文方法跟蹤10 輛運(yùn)輸車的風(fēng)險(xiǎn)變化態(tài)勢，選取距離精度與跟蹤成功率作為定量分析指標(biāo)，結(jié)果如圖8 與圖9 所示。由圖8可知，隨著距離閾值的增長，本文方法在不同天氣時(shí)跟蹤的距離精度均有所提升，在晴天時(shí)的距離精度最高，雨天與霧天環(huán)境較為惡劣，其距離精度略低于晴天，當(dāng)距離閾值達(dá)到30 時(shí)，三種天氣時(shí)的距離精度均趨于穩(wěn)定，即使在雨天與霧天這樣的惡劣天氣時(shí)，本文方法跟蹤的距離精度很高。由圖9 可知，在晴天時(shí)的成功跟蹤率整體高于雨天以及霧天，因惡劣環(huán)境影響，導(dǎo)致雨天與霧天的平均成功率低于晴天，但下降幅度較小，說明本文方法成功跟蹤率受天氣影響較小。實(shí)驗(yàn)證明：在不同天氣時(shí)，本文方法跟蹤風(fēng)險(xiǎn)變化態(tài)勢的成功率均較高，受天氣影響較小。

圖8 距離精度測試結(jié)果

圖9 成功跟蹤率測試結(jié)果

4 結(jié)語

冷鏈物流發(fā)展較快，但其采集因素的多樣性較差、跟蹤技術(shù)較低屬于該行業(yè)發(fā)展的一大難點(diǎn)，導(dǎo)致物流的風(fēng)險(xiǎn)顯著提升。為此研究基于云平臺(tái)的冷鏈物流風(fēng)險(xiǎn)變化態(tài)勢跟蹤方法，精準(zhǔn)跟蹤物理軌跡，實(shí)時(shí)了解風(fēng)險(xiǎn)變化態(tài)勢，盡快找到發(fā)生風(fēng)險(xiǎn)的原因，降低物流風(fēng)險(xiǎn)發(fā)生概率，為冷鏈物流行業(yè)提供更為安全的物流環(huán)境。