基于模糊神经网络的无人配送体系网络风险研究

秦彤彤，张俊友，王树凤，王文鲁

（1.山东科技大学 交通学院，山东 青岛 266590；2.山东科技大学 地球科学与工程学院，山东 青岛 266590）

1 引言

随着京东成功研发无人配送站，苏宁物流普及自动驾驶技术并公开了5G无人配送车的路测实况，菜鸟建立无人仓，智能物流再升级，向无人配送又迈进一步。国内外关于无人配送的研究主要集中在无人机技术的发展，但是在无人车配送领域的研究微乎其微。国外的Tsan-Ming Choi[1]等阐述了物流系统的关键风险管理，即中断风险管理、操作风险控制、灾害与应急管理以及物流服务风险分析，并阐明了现代物流系统对于风险管理在未来的目标和方向。中国对于物流无人配送项目风险的研究较少，依据之前学者的研究，主要针对无人机物流配送项目。在风险识别方法中，魏法杰[2]等结合无人机项目研制过程的特点，分析了不同风险识别方法的适用性，提出了无人机项目研制不同阶段如何选择适当的风险识别方法的识别准则，并构建了无人机项目研制风险因素识别表。在风险分析评价方法研究中，王骞[3]将贝叶斯网络的不确定性推理技术引入到无人机的风险因素评估模型中，运用了贝叶斯方法计算风险产生的各种因素，实现了无人机风险因素的分析评价，并将该方法运用到无人机电力巡线项目风险管理中。曹珺雯[4]等对物流无人机配送体系的两种模式做出解释，“点对多”无人机物流配送模式中，配送的成本环节主要集中在末端，以快递员为主的人力成本占据很大比例，无人机拟打造“干线-支线-末端”体系，用以解决“最后一公里”的配送问题。“点对点”无人机物流配送模式中，对快递公司要求很高，在快递揽收配送环节的智能化有待加强。由于无人配送在物流行业还不是一项成熟的技术，同时商业模式也不清晰，因此项目管理组织对无人配送项目的风险认识不足，缺少对关键风险因素的控制，而且无人配送所面临的风险因素也与传统的风险因素不同。可以发现，目前对于无人配送的研究有限，鲜有对无人配送网络风险研究的文献。因此，本文在有人配送的基础上构建一套无人配送网络风险的评价指标体系，基于模糊综合评价法将风险因素量化，运用BP神经网络建立模型，对无人配送风险进行评价分析。

2 无人配送系统设计及风险评价体系的构建

2.1 无人配送系统设计

工作人员在接入大数据网络的智能导航系统中录入包裹的起始地和目的地，智能导航系统计算出无人车的最优路径，规避障碍，根据周围环境的变化，实时接收、更改路线、立即反馈信息给无人电动车，自动导航的无人电动车安全高效行驶到目的地，与无人储存快递柜进行信息交互，然后按智能导航系统之前计算出的最优路径返回待定区，在待定区进行修整充电，等待下一配送指令。需要考虑来回时交通情况不同，所以智能导航系统需要更新最优路径的计算。无人储存快递柜录入包裹的信息，包裹暂存在快递柜中，对用户发送取件信息，服务对象通过成熟的的人脸识别技术取出包裹，完成无人电动车的最后一步。图1是无人电动车的工作流程图。

图1 无人电动车配送流程图

无人配送过程中的信息要素必须数字化后才能被读取，并与配送的无人电动车中携带的信息实现最优匹配。通过视觉技术去判断包裹的体积，用智能传感器读取数据[5]。使用传感器判断包裹目的地，以自动化流水线把包裹送到无人电动车上[6]。无人配送系统对信息的安全性要求更高，为避免身份识别错误，应采用双重加密，包括明密匙流，将明匙流存储于无人电动车所携带的RFID卡中，密匙流则通过5G通信传输至客户端，无人电动车行驶到目的地后读取无人电动车中的RFID 数据并通过5G 网络传输信息至客户端，客户端的密匙流进行处理后解密，确认无人电动车身份，保证其配送安全性。每一次的明密匙流应保证随机产生，以防数据被破解或截取。其中，智能传感器的传感域的运行方式如图2所示。

图2 无人配送传感域的信息运行方式

配送过程中，主调度控制室要做好系统安排，实现各环节、流程高效有序的开展[7]。图3 是无人配送系统设计图。

2.2 无人配送网络风险评价体系

无人配送出现的风险，包括人员伤亡、设备故障与损失、系统遭黑客攻击、配送供应链沟通不畅、操作人员专业技术能力不足等风险。由于预测风险众多，不易进行风险分析，本文在此着重对主要风险进行预测分析以及评价。

图3 无人配送系统设计图

（1）自然风险：无人电动车在配送过程中受天气、环境（风切变等）等自然因素影响，可能出现包裹损失等风险。

（2）信息风险：配送过程中由于人为和自然原因丢失运载工具、接收方确认错误，导致网络和通信中断等风险。

（3）成本风险：企业开展无人配送业务，可能发生购置成本高、运营成本高、远距离配送回程空驶、远距离能源要求高等风险。

（4）其他风险：政府和相关部门对无人配送业务的包容政策和物业管理、居民对无人配送的信任度等，都会影响无人配送行业的发展。

其中，由于天气等自然原因造成的人员伤亡、设备和包裹损失，可以通过提高操作人员的专业技术能力和完善设备以及无人配送系统的性能避免发生相关风险，属于可靠的影响因素；反之，由于恶意破坏或拿走设备（指无人电动车）、配送途中拿走他人包裹等人为原因造成的风险，不能有效避免此类情况的发生，属于不可靠的影响因素。无人配送风险具体评价指标体系见表1。

3 模型建立和算法设计

神经网络具有很强的非线性映射能力、柔性的网络结构以及局部微调能力强等特点，但同时存在着收敛和训练速度慢、系统性弱的缺点。模糊综合评价法具有结果清晰、系统性强的特点，能较好地解决模糊、难以量化的问题。因此借助模糊综合评价法，对无人配送风险进行评分，可以减少训练时间。为预测无人配送风险，现将风险量化，但风险量化是一个复杂的过程，受到多种风险因素的不确定影响，且风险因素之间又相互作用。因此，风险因素与量化的风险值之间具有复杂的非线性关系[8]。本文基于模糊综合评价法对风险因素进行量化处理，形成定量指标。再根据无人配送网络风险评价指标体系，使用BP 神经网络模型，对无人配送网络进行风险评价。

表1 无人配送网络风险评价指标

3.1 模型建立

本文通过BP 神经网络建立无人配送网络风险评价数学模型，寻找恰当的权值和阈值，通过目标函数对无人配送风险指标进行综合评价。神经网络的权值一阈值向量用X表示[9]，目标函数表示为：

其中，wi：输入层到隐层的连接权值；θi：个体适应度评价函数；M：输入层节点数；S：隐含层节点数；N：输出层节点数；N3：权值一阈值向量的维数。

3.2 算法设计

（1）建立风险评价因素集。设U={U1，U2，…，Un}为无人配送网络的n 个风险指标。由表1 得无人配送网络风险评价指标体系中共有13 个风险评价指标，即n=13。

（2）确定决策评语集。根据风险管理中的风险评价情况，把无人配送网络风险评价状况分为6个等级，即M={1，0.8，0.7，0.5，0.3，0}，表示的风险状态见表2。

表2 无人配送网络风险等级划分表

根据无人配送网络风险等级划分表将6 个风险等级划分成5个风险区间，对不同区间的风险等级进行描述，见表3。

表3 无人配送网络风险等级界定表

（3）构造训练样本集。构造P 个训练样本，根据决策评语集，通过专家打分法对P个样本下的风险因子打分，构造出训练样本集

（4）计算隐含层节点数。隐含层节点数可根据公式计算：

其中，M 为输入层节点个数，N 为输出层节点个数，γ为1到10之间的常数。

（5）执行BP 算法。用神经网络对样本进行训练，将无人配送网络各指标的风险值，带入训练好的神经网络中[10]，得到最终的无人配送网络风险评价值，即为无人配送网络的风险。根据无人配送风险级别区间，确定无人配送网络风险的风险等级为非常危险、危险、较危险、一般、较安全或安全。

4 实例验证

4.1 数据收集

市南区，隶属于山东省青岛市，面积30.01km2。2018 年，市南区快递业务量达1 664.66 万件，地区生产总值1 200 亿元，同比增长7.5%左右[11]。截至到2018 年末，市南区总人口为58.83 万人（常住人口）。通过下辖的10个街道对市南区进行区域划分。以青岛市某物流企业的无人配送网络为例，在有人配送数据基础上对青岛市市南区无人配送的营业数据进行预测，分析风险，得出风险评价结果。预测无人配送风险专家评分见表4。

表4 青岛某物流企业市南区无人配送风险评分表

4.2 风险分析

利用Matlab 软件，以训练样本为网络的输入，选择一个最佳个体作为BP 神经网络的的初始权值与阈值，实现对BP 神经网络模型的验证。运行Matlab算法工具箱，得出网络预测输出，如图4所示。

图4 网络预测输出图

运算得目标函数值为0.021 1。网络的输入层到隐含层的权值W1、隐含层到输出层的权值W2、隐含层的阈值B1、输出层的阈值B2的值[12]分别如下：

优化后的权阈值分布曲线如图5所示。

图5 优化后的权阈值分布曲线

4.3 结果分析

用神经网络对样本进行训练，对神经网络的权阈值进行微调，求出权阈值最佳分布的神经网络[13]。训练输出的结果见表5，如图6及图7所示。

表5 训练输出结果

图6 训练输出结果

图7 优化神经网络变化曲线及最佳性能图

调用已经训练好的神经网络，根据无人配送网络风险评价指标值建立样本，对无人配送网络风险状况进行评价，得出风险评价结果为0.558，在评价集区间[0.5，0.7]之间，即企业无人配送网络的风险状况处在一般到较危险区间。近似说明企业无人配送网络存在一定的风险，需要找出存在风险的相关因素，加大管理力度来降低风险。

针对案例中无人配送网络风险评价结果，分析造成物流企业无人配送网络的风险因素，并提出风险管理方案：自然风险方面，实时关注气象报告，遵循预先防控原则，提前勘测无人配送过程中的地理环境，确定无人电动车在适宜条件下进行工作；信息风险方面，遵循预先防控原则，提前评估所需的材料和设备，选取影响力大、信誉良好的供应商，严格按照时间节点进行，确保配送过程中信息的实时追踪；成本风险方面，加强长期技术储备工作，选择可靠的设备技术类型，重点提升核心技术，定期对无人电动车等配送工具以及无人配送系统进行全面检查，及时调试更换有问题的零部件，由负责人对自己负责的相应模块进行预算编制。在此基础上，项目相关管理人员应该积累和总结风险，提高对风险的敏感性，及时应对发生的风险，将发生风险造成的损失降到最低；社会风险方面，实时关注市场需求变化，及时获取相关法律法规的动态，对企业无人配送相关业务及时进行调整。

5 总结与展望

根据本文建立的无人配送网络风险评价指标体系，结合模糊综合评价法和BP 神经网络算法，建立基于模糊神经网络的无人配送网络风险评价模型，较好的实现了无人配送指标的定量化。基于无人配送风险评价模型和算法，通过青岛某物流企业的案例验证风险评价模型方法的准确性，得出案例中各项风险指标参数对无人配送网络的影响程度，为风险管理方案提供一个参考方向。

本文将模糊综合评价法与BP 神经网络算法进行结合，建立了模糊神经网络模型。在今后的研究中，可以从指标参数优化方案和指标参数饱和区间等方面对无人配送风险评价体系的灵敏度分析做深入研究，探讨他们的结合方法与应用将是一个具有实际意义的课题。