基于云平台的冷链物流风险变化态势跟踪研究*

闫 明 陈 恋

（中国社会科学院 北京 102442）

1 引言

冷链物流属于一种冷冻工艺，利用人工制冷方法实现生产与运输的运作，其作用是确保物品质量不变质，降低经济损耗［1～3］，为易坏物品生产与运输提供一个完美的供应链。冷链物流的风险主要体现在物品运输不及时导致其发生变质，直接影响消费者的身体健康，降低企业核心竞争力［4］。精准跟踪冷链物流风险，会大大减少冷链的安全风险，确保冷链物品的安全供应，减少企业的安全成本，促进冷链物流企业健康长远发展［5］。研究冷链物流跟踪方法还会实现物品的全面监控，精准定位物品出现风险问题后的相关责任人，及时找出导致风险的原因，制定相关方案，避免类似风险事件发生［6］。云平台能够同时硬件与软件资源，具备强大的数据处理与存储等功能，具备可扩展性、数据移动性、安全性高与成本低等优点，适用于各个领域。因此，研究基于云平台的冷链物流风险变化态势跟踪方法，精准跟踪物流轨迹，实时获取风险变化态势，确保冷链物流的安全性。

2 基于云平台的冷链物流风险变化态势跟踪

2.1 总体框架

云平台的冷链物流风险变化态势跟踪方法的总体框架如图1 所示。该方法的主要目标是冷链物流风险变化态势跟踪，将物品冷链需求特征当成核心数据，在硬件设备内存储冷链基础数据；在各个冷链环节中安装无线传感器即监控终端，实现跟踪信号的实时感知；利用基于压缩感知的数据传输方法完成跟踪信号的传输；采用数据互联算法依据跟踪信号更新目标状态，通过卡尔曼滤波算法过滤信号，求解目标三维坐标，通过匹配三维坐标与电子地图中数据库信息特征，获取目标活动轨迹，查看目标是否遵循设定物流轨迹，完成风险变化态势跟踪；针对偏离设定物流轨迹的目标展开异常报警［7］，利于相关人员及时处理异常情况，解除风险。

图1 总体框架

2.2 基于压缩感知的实时感知数据传输方法

塑造稀疏采样模型完成实时感知的传感信息的压缩采样与传输，数据压缩传输流程如图2 所示。冷链物流利用无线通讯网络交互无线传感器和监控终端间的信息，小波变换可以较好地完成传感数据的稀疏表示。冷链运输车内传感器节点获取监控终端输送的控制指令后［8］，开始采集信息并上传至智能处理单元，利用监控终端压缩信息后利用GPRS 远程传输到监控终端，监控终端利用重构算法实现信息的精准重构。

图2 数据压缩传输流程

令无线传感器采集的x 时刻N 维距离信号是d(x)∈RN，也是基站Ψ下的K-稀疏信号，其中一维离散信号的列向量是RN，稀疏变换d(x)的公式如式（1）。

求解d(x)和各观测向量内积获取对应的观测值，公式如下：

其中，测量矩阵是Θ，Θ=ΦΨ，Ψ和Θ尽可能无任 何 关 联 ；M×N的 观 测 矩 阵 是。

精准重构d(x)的公式如下：

其中，d（x）的0-范数是l0；通过l0的优化问题计算d（x）的近似值，其中，重构获取的优化稀疏系数是s^ 。

信息重构步骤如下。

步骤1：初始化，令集合I 是空集，保存已选择的恢复矩阵基的下标，矩阵q 是空，其作用是存储相应的基向量，残差r=y，s 的初始值是0，恢复矩阵T=ΦΨ，迭代次数n=0；

步骤2：选取基向量，在T 内选取和r 内积最大的基向量，令该向量的下标是i，那么：，设

其中，T 的列向量是ti；更新置T内相应的基向量是0；

步骤3：计算稀疏表示，通过已选取的基向量稀疏表示信号，计算系数向量

步骤5：在n的稀疏度已最大或者s符合重构误差情况下，结束迭代；反之，转至步骤2，继续操作。

2.3 风险变化态势跟踪算法

冷链物流风险变化态势跟踪算法为互联、过滤与跟踪处理实时感知的d(x) ，获取物流风险变化态势轨迹［9～10］。具体步骤如下：

1）在数个位置信号d（x）内，获取距离最小的d（x），即目标位置，其作用是更新目标状态［11］，公式如下：其中，更新前后的目标状态分别是；常数是S。

利用联合概率数据互联算法实现数据互联，令追踪目标是j(j=1，2，…，mx)，定 位 目 标 是，基本确认矩阵的公式如下：

其中，二进制变量是ϖja，在j 陷入a 的确认矩阵中时，ϖja=1，反之，ϖja=0。

j和a的互联概率如下：

其中，1 用于描绘j 在这个位置中，否则，j 不在这个位置中。

2）信息过滤，利用卡尔曼滤波算法过滤监控终端信息，求解目标的三维坐标［12］，该算法的模型如下：

其中，状态矢量是Wx；状态转移矩阵是Fx x-1；检测矢量是Vx；干扰噪声是Ux-1；控制矩阵是Lx-1；检测矩阵是Hx；检测的噪声是Cx。

在整周模糊度是常数情况下的矩阵向量，利用常数模型计算目标的三维坐标，节约计算时间［13］，预估计值的计算公式如下：

求解卡尔曼增益矩阵，公式如下：

其中，互联概率是Px x-1；Cx的方差矩阵是Yx。

递推初值，公式如下：

其中，偏导是E。

3）目标跟踪，该过程就是跟踪目标的实时位置信息，即冷链运输车的实时位置，匹配监控终端接收的信息和电子地图中数据库信息特征［14］，以搜寻的方式，在地图中匹配信息特征，获取冷链运输车的活动轨迹；在全部d（x）内的最优匹配是d（x）最小同时符合设置的距离阈值条件的位置，即目标位置，通过实时获取最优目标位置，判断其是否偏离设定运输轨迹，完成冷链物流风险态势跟踪［15］。

3 仿真测试实验

3.1 实验环境

以某物流公司为实验对象，该公司共有10 辆冷链运输车，在该物流公司的冷库中安装6 个无线传感器，在每辆冷链运输车内各安装一个无线传感器，无线传感器安装情况如图3所示。

图3 无线传感器安装情况

3.2 数据传输性能

随机选取两辆冷链运输车，它们分别处于静止状态与行驶状态，原始数据与重构数据对比结果如图4 所示。由图4 可知，在冷链运输车处于静止状态时，本文方法重构的数据与原始数据完全相同，当冷链运输车处于行驶状态时，随着时间的延长，运输车的距离逐渐增加，本文方法重构的数据与原始数据存在一定的差距，但整体趋势一致，仅有微小差别。实验证明：本文方法具备较优的数据重构效果，为数据传输的精准性提供保障。

图4 原始数据与重构数据对比结果

利用归一化的均方误差值（Normalized Mean Square Error，NMSE）评价数据传输效果，定义为

其中，数据重构前的第α个值是dα(n)；数据重构后的值是；范数l的取值为2。

两种状态下，本文方法数据传输的NMSE 测试结果如表1所示。由表1可知，随着时间的延长，在静止状态下，本文方法数据传输的NMSE 为0%；在行驶状态下，NMSE 随着时间的延长整体呈现上升趋势，平均NMSE为1.44%，均方误差较小。实验证明：本文方法数据传输的均方误差较小，说明其数据传输的精度较高，为后续跟踪提供更为精准的数据支持，间接提升跟踪效果。

表1 NMSE测试结果

3.3 跟踪效果

随机选取两辆冷链运输车，这两辆冷链运输车需要配送物品的距离不同，其中一辆距离较远，另一辆距离较近，利用本文方法跟踪两辆运输车的物流轨迹，物流轨迹跟踪结果如图5 与图6 所示。综合分析图5 与图6 可知，在跟踪距离较短的运输车物流轨迹过程中，本文方法获取的跟踪物流轨迹与设定的物流轨迹仅有微小差别，整体趋势基本一致，说明本文方法能够实时得到较近距离跟踪目标的位置信息，该运输车并未偏离设定的物流轨迹，代表其没有发生任何风险；在跟踪距离较远的运输车物流轨迹过程中，本文方法依旧能够有效跟踪物流轨迹，且与设定的物流轨迹存在较小的误差，整体趋势大致相同，说明本文方法能够实时精准获取较远距离跟踪目标的位置信息，该运输车也没有偏离设定物流轨迹，代表其也没有发生任何风险。实验证明：本文方法能够精准获取较近与较远距离的冷链物流运输轨迹，有效跟踪风险变化态势。

图5 距离较短的运输车物流轨迹

图6 距离较远的运输车物流轨迹

为进一步验证本文方法跟踪风险变化态势的有效性，随机选取两辆运输车，按照相同的设定物流轨迹配送物品，但其中一辆运输车并未按照设定物流轨迹行驶，利用本文方法跟踪这两辆运输车的风险变化态势，结果如图7所示。由图7可知，本文方法可有效跟踪两辆运输车的物流轨迹，运输车1的跟踪轨迹与设定的物流轨迹基本一致，说明该运输车不存在风险；运输车2 的跟踪轨迹已偏离设定物流轨迹，说明该运输车存在风险，此时需要根据跟踪结果发送异常报警信息，经由相关人员解决风险事件。实验证明：本文方法可有效跟踪偏离设定物流轨迹的运输车物流轨迹，并根据物流轨迹完成风险变化态势的跟踪。

图7 物流轨迹跟踪效果

在不同天气时，利用本文方法跟踪10 辆运输车的风险变化态势，选取距离精度与跟踪成功率作为定量分析指标，结果如图8 与图9 所示。由图8可知，随着距离阈值的增长，本文方法在不同天气时跟踪的距离精度均有所提升，在晴天时的距离精度最高，雨天与雾天环境较为恶劣，其距离精度略低于晴天，当距离阈值达到30 时，三种天气时的距离精度均趋于稳定，即使在雨天与雾天这样的恶劣天气时，本文方法跟踪的距离精度很高。由图9 可知，在晴天时的成功跟踪率整体高于雨天以及雾天，因恶劣环境影响，导致雨天与雾天的平均成功率低于晴天，但下降幅度较小，说明本文方法成功跟踪率受天气影响较小。实验证明：在不同天气时，本文方法跟踪风险变化态势的成功率均较高，受天气影响较小。

图8 距离精度测试结果

图9 成功跟踪率测试结果

4 结语

冷链物流发展较快，但其采集因素的多样性较差、跟踪技术较低属于该行业发展的一大难点，导致物流的风险显著提升。为此研究基于云平台的冷链物流风险变化态势跟踪方法，精准跟踪物理轨迹，实时了解风险变化态势，尽快找到发生风险的原因，降低物流风险发生概率，为冷链物流行业提供更为安全的物流环境。