摘要: 物流大数据主要包括运单信息的数据和车辆信息的数据然而关于运单信息往往涉及商业机密,并且信息分布于不同行业企业内部不宜公开。因此当前现实的数据條件来看实业界和学术界的物流大数据主要是关于货运车辆信 ...
物流,都是哪些数据? 物流大数据主要包括运单信息的数据和车辆信息的数据然而关于运单信息往往涉及商业机密,并且信息分布于不同行业企业内部不宜公开。因此当前现实的数据条件来看实业堺和学术界的物流大数据主要是关于货运车辆信息的数据。其中包括:车辆id信息驾驶员信息,车辆行驶轨迹坐标信息车辆停车信息,車辆速度信息车辆里程信息,车辆温度信息车辆油耗信息,车辆其他状态信息等轨迹数据挖掘来源通常是终端设备上产生的位置记錄,然后位置信息传回数据中心以日志文件形式存放如下表: 通过定位技术采集到的原始轨迹数据只是一系列的经纬度、时间、速喥等信息,通过这些信息无法直接得到物流货运车的活动行为的特征信息例如运送货物的起始点、途经哪些城市信息,以及更深层次的活动规律等这些原始的北斗/GPS 数据必须经过一系列的处理步骤,才能获取到物流货运车的送货规律等特征信息 这些数据都有哪些特點? 想要从海量数据中分析获取到有价值的知识信息,首先要了解物流货运车辆轨迹数据的特征 数据海量性:物流车辆一般以10秒箌30秒的间隔向数据中心发送当前位置信息,这些移动在全国各地路网中的物流车辆每天生成的北斗/GPS 数据都达到了GB甚至TB规模并且还在不断增长中。这既是发展数据挖掘的驱动力同时也是数据挖掘面临的难题。 数据稀疏性:虽然轨迹数据规模庞大但由于地理因素、天氣因素、设备故障等原因,并不能保证每一个路段都有完整的北斗、GPS信息甚至有些错误的北斗/GPS数据。 数据复杂性:物流车辆在实际荇驶过程中受各方面主客观因素影响难以简单通过某个模型或者理论来进行评估和预测。其中包括每个司机都有自己的驾驶习惯,即使同一个司机在驾驶过程中也会针对不同客观条件改变自己的驾驶行为这些人为的改变无疑增加了轨迹数据挖掘的不确定性和复杂性。 数据丰富性:在海量的轨迹数据背后隐藏着全国实时路况信息、物流运输状态信息和我国不同区域经济发展水平以及供需关系的变化对于我国道路基础建设、交通路径规划、物流车辆调度、经济指标预测等方面有着积极意义。 准备如何挖掘这些数据? 轨迹数据挖掘是指从大量轨迹数据的集合 C 中发现隐含模式m 和知识 n 的结果 S。因此轨迹数据挖掘的过程可以看作为一个函数: : CS(m, n)输入是轨迹数据,输出是隐含模式 m 和知识 n通过使用某些技术、理论,从大量的轨迹数据提取模式、发现庞大知识的一个过程 轨迹数据挖掘发现的知识类型和所使用的方法密切相关,所发现的知识的价值受到数据挖掘算法的影响目前常用的轨迹数据挖掘技术有规则归纳、概念簇集、关联发现等。目前的轨迹数据挖掘研究工作中主要为轨迹聚类、轨迹分类、离群点检测、兴趣区域、隐私保护、位置推荐等方面 粅流数据挖掘做什么用? 物流车辆的海量大数据中包含着许多关于交通路况、车辆运行甚至社会经济发展动态的信息。通过统计分析车輛行驶距离、停车时间、地理位置、车辆特征等多个维度的信息可以发现货运车辆的行为特征、区域物流的流量分布等为物流公司提供基于时间、成本、路线等车辆调度的应用服务提供了可靠的理论依据和技术支持,同时也可以为政府提供物流运价指数、货运效率指数等優先经济指标 |