云计算在加油站油品智能配送中的应用

丁勇

摘 要：目前大多数加油站的油品配送采用“油站要货+人工调度”模式，主动配送比率低，人工干预多，沟通成本高，工作效率低。同时油品运营销售过程中产生了大量的业务数据，具备业务数字化基础。通过搭建云计算平台对业务数据进行分布式存储、分布式计算分析，同时基于人工智能算法构建销量预测模型，基于加油站、车辆、油库等资源构建主动配送模型，实现加油站的智能主动配送，从而降低运营成本，提高经济效益。经过实例研究分析，对比云计算模型生成的配送计划与人工方式生成的配送计划，结果基本一致，生成配送计划的效率有较大提升，说明模型可以用于实际业务。

关键词：云计算;随机森林;线性回归;决策树;HBASE;CDH;SPARK;ETL

1 基于云计算的油站智能配送系统架构及设计

系统整体架分为三部分，分别为内部系统、云计算平台、应用端。内部系统为本文数据研究的数据来源，云计算平台为本文提供分布式的数据存储以及分布式的模型运算。应用端是研究结果的输出方向，模型的运算结果主要提供给应用端进行使用。通过ETL的方式从内部系统进行历史数据批量导入加上使用消息队列等插件将获取的实时数据汇总到云计算平台，云计算平台通过分布式计算引擎完成模型的运算，并将运算结果输出给前端应用。具体的数据存取及计算见图1所示：

2 数据计算建模

2.1 总体策略

综合考虑必须送订单、加油站配送优先级别、车队优先级别及运输限制、平衡满载分卸发货与缺载发货、自动选取最佳取油油库、多油库和多路径运输优化、不同成本计算管理，满足各种业务管理需求（按距离、按运输量、按趟次和吨公里等）、配送限制设置：油库、油站、槽车和司机等条件，采用递归式的智能探索优化算法，对所有运送的补货计划自动进行优化调度，自动产生单位体积运输成本最低的配送计划及配送单。配送优化模块的目标是最优化的上车率，达到100%的自动上车率是配送优化的终极目标，以80%上车率为基本目标。

2.2 关键约束条件

关键约束限定了上车时的限制，充分考虑关键约束给出最优上车计划。

（1）加油站约束，可分油品、分时段指定车辆范围，典型场景为：卸油场地限制、分时段的通行证。

（2）油库约束，加油站的油源优先级 典型场景： 加油站流向定义。

（3）车队约束。承运加油站范围。典型场景：承运商招投标的结果、车队内部划分所负责的片区。

（4）车辆约束。可分油品、分时段指定加油站范围;车辆趟次等。典型场景： 车况导致某些区域不可到达、车型在加油站无法卸油、该车辆只负责某区域（例如外请车）。

（5）其他约束：限拖、班次趟定义、通行证、受限时段/错峰时段/工作时段等。

3 数据模型计算结果分析

3.1 模型测试结果数据

通过系统获取历史销量数据、日销量均值数据、目前已配送的途数据以及配送及时的库存数据先进行人工配送，再使用模型自动生成配送数据，从生产的配送数据中随机抽检10个加油站的某个油品的配送数据，数据情况分别如下表1、表2所示：

3.2 模型测试结果数据分析

通过对人工配送数据与模型根据预测结果配送的数据分析比较，发现通过云计算方式基于历史数据进行销量预测建模并自动生成的配送数据与人配送数据的误差较小，具体误差率见下表3所示：

3.3 结果数据说明

通过对人工配送结果和模型配送结果的对比分析，发现两者生成的最终配送计划误差率较低几乎一致，当模型生成配送计划时如果有在途的配送计划可能对模型产生影响，初步分析这种影响可能是因为在途配送的计划在完成卸油后未及时更新配送单状态造成的。对于销量预测模型做出的预计销量预测结果同样误差率较低平均误差率在正负3%并不影响整体配送，但是通过数据分析可见，销量越大的加油站反而预测结果越准，误差率越低，反之销量越小的加油站預测误差率反而越高。