一种基于预测的多式联运集装箱运输路径选择方法

陈庆佳　徐磊　徐硕江

关键词：多式联运运输集装箱路径选择；海铁联运路径查询系统；運输节点和路线的预测概念

中图分类号：F252文献标识码：Ａ文章编号：2096-7934（2023）05-0087-10

一、引言

当今世界贸易发展迅速，全球货运量逐年增长。作为最重要的运输方式之一，集装箱运输已成为全球货物贸易的主要手段之一。商业货物可以放置在装运集装箱内，然后通过卡车、火车、飞机或装运船舶来运输到目的地。这种运输方式可以提高集装箱的装载和卸载速度，同时实现出货量和处理装备的标准化。货物可以从源集装箱仓库通过火车或装运船舶经装运集装箱运输到目的地集装箱仓库，或者从集装箱仓库通过卡车运输到客户位置，或者从一个客户位置运输到另一个客户位置。但是，这种传输网络非常复杂，需要考虑进度、容量、速度和成本等多种因素并进行预先规划。此外，在集装箱运输中，货物需要通过多种运输方式来到目的地，而不同的运输方式有着各自的优势和限制。例如，海运可以输送大量货物，但速度较慢，而航空运输则速度较快但成本较高。多式联运可以将不同的运输方式整合起来，从而充分利用各种运输方式的优点，降低运输成本和时间，减少排放和拥堵，提高运输效率［1］。因此，在多式联运过程中，选择和优化运输路线是提高集装箱多式联运优势、节能降耗、提高我国集装箱物流服务水平的重要措施。合理的多式联运运输路径可以缩短运输时间、降低运输成本、提高客户满意度，具有广泛的应用前景。

现有研究中，学者分别对多式联运集装箱路径选择进行规划，比如：李玉民， 郭晓燕 和杨露［2］ 研究了中欧集装箱多式联运路径选择问题，提出了一种综合考虑运输时间、运输费用和碳排放三方面因素的国际集装箱多式联运路径选择模型，并采用遗传算法进行求解。为了验证该模型的有效性，南京到柏林的实例被使用。王清斌， 韩增霞和计明军等［3］在充分考虑集装箱内陆运输路径因素的同时，研究了集装箱多式联运在运输方式转换过程中节点作业随机特征对运输效率的影响。一个混合整数规划模型被提出以研究了如何更合理有效地组织集装箱多式联运以降低运输成本，提高产品在市场中的竞争力。为了更加科学合理地规划多式联运网络路径和选择运输方式，吕学伟， 杨斌和黄振东［4］以基于运输方式硬时间窗和收货人收货的软时间窗所构成的混合时间窗为约束条件，以总成本最小为目标，建立多式联运最优路径选择模型，运用蚁群算法求解相关算例，并将结果与无混合时间窗约束下的优化结果进行比较。为了克服货运代理在运输过程中面临的集装箱短缺问题，Chen， Zhang and Gao et al［5］开发了一个使总运输成本、运输时间和集装箱使用成本最小化的多式联运路线选择的优化模型，其中考虑了集装箱和路线选择之间的相互关系以及集装箱使用的时间限制。为了解决这个多目标问题， 归一化正态约束法（the normalized normal constraint method，NNCM）被提出以获得帕累托解。之后，四川攀枝花铁矿石运输的案例研究被提出以验证模型的有效性。万杰和魏爽［6］ 在其提出的混合整数规划模型中集成考虑运输成本、运输时间以及物流服务质量三个方面因素，在最小化运输成本、运输时间的同时，最大化物流服务质量。最后设计遗传算法和蚁群算法相结合的混合算法对模型进行求解。然而，以上这些相关研究都是基于固定历史信息为目标的多式联运路径选择模型，存在选择的局限性，缺乏路径选择的灵活性和适应性。

因此，为了提高交通物流的效率和准确性，一些研究人员使用机器学习或深度学习的方法对交通物流信息进行预测。潘华［7］提出了一种铁路物流节点分层分类布局规划的方法。为了对铁路物流节点分品类货源需求进行预测，他们对所采用的基于因果关系的多元线性回归预测法和基于时间序列的加权平滑预测法进行加权算术平均的计算，从而建立其组合预测模型。此模型可以根据历史数据和其他因素预测未来的货源需求之后，通过构建宏观-微观一体化空间布局规划模型，得出了物流节点布局方案。Cao［8］提出了一种深度学习CNN-GRU（卷积神经网络-门控循环单元）组合模型来预测铁路物流的交通速度。该模型使用卷积神经网络（CNN）提取速度数据的空间特征，并使用门控循环单元（GRU）提取速度数据的时间特征。其实验结果表明，组合模型的预测精度优于单个GRU和CNN模型。此模型预测的铁路物流的交通速度被用以构建了多目标优化的旅行推销员问题（TSP），并通过一个考虑提高转移概率、信息素更新和数据特征的改进蚁群算法来解决这个问题。Bui-Duy and Vu-Thi-Minh［9］在关于亚洲地区集装箱船的航线选择中使用了深度学习人工神经网络（ANN）通过亚洲地区船队的运营信息来预测集装箱船的燃油消耗。之后在给定集装箱航线的假设下，使用预测结果与非对称旅行商问题（ATSP）算法相结合，设计出符合航运公司期望的最佳路线。Xu， Chan and Zhang［10］提出了几种结合SARIMA和SVR的混合模型来预测航空业中的统计指标，他们通过引入高斯白噪声（Gaussian White Noise）以提高预测的精度。最后，采用中国民航局官方网址跨度十三年的数据以检验所提出的模型的性能。

然而，关于引入了运输节点和路线的预测概念的多式联运集装箱路径选择优化方法，并没有学者考虑过。本研究的主要优点在于引入了运输节点和路线的预测概念，改善了已往路径选择优化方法基于固定历史信息的局限性问题，为运输任务选择从货运起点到终点的最佳运输路线。

二、多式联运集装箱运输路径选择方法运作流程

文章所要解决的技术问题是提供一种选择性灵活、能够避免选择局限性，且适应性良好的多式联运集装箱运输路径选择方法。文章所采用的技术方案是，一种多式联运集装箱运输路径选择方法如图1所示，该方法包括下列步骤。

（1）准备节点数据：通过获取节点的历史信息来得到节点数据，所述节点为机场货运场站、铁路货运场站、公路货运场站以及港口码头货运场站的集合，所述节点数据包括节点所在货运场站的货物仓储成本以及处理时间；

（2）预测节点未来的可用性：基于步骤（1）中的节点数据對未来一段时间内的节点可用性进行预测。其方法为：首先，采用自举汇聚随机采样法对节点数据进行有放回的随机采样，即每采集到一个样本后，都将样本放回，再次随机采集下一个样本，将每次采集到的样本组成样本集；然后，对样本集进行预测来得到节点未来的可用性，所述节点未来的可用性标示为可用节点或不可用节点；

（3）准备线路数据：通过获取线路的历史信息来得到线路数据，所述线路数据包括运输每个集装箱的装卸成本、燃料成本、文件成本、设备成本以及额外成本，还包括线路固定成本；

（4）预测线路未来的可用性：基于步骤3中的线路数据对未来一段时间内的线路可用性进行预测，所述线路未来的可用性标示为可用线路或不可用线路；

（5）获取需要运输的货物的订单数据：所述货物的订单数据包括货物的发货地、收货地、发货时间、收货时间、货物体积、重量和种类以及优化目标；

（6）计算得到最优运输方式和路径：将步骤2中预测得到的可用节点以及步骤4中预测得到的可用线路输入到CVXPY优化计算框架中，并使用CBC求解器（COIN-OR中用C++编写的开源混合整数线性规划求解器）对最优线路进行求解，最终得出费用优先、时间优先和综合最优的运输方式和路径。

文章采用上述多式联运集装箱运输路径选择方法（如图1所示）。该方法中考虑了多种集装箱运输方式的结合方案，为用户提供了最优化的运输路径。通过引入运输节点和运输线路的预测步骤，改善了已往路径选择方法中基于固定历史信息的局限性问题。引入节点和线路信息预测框架提高了路径选择系统对未来运力变化的适应能力，并且选择性灵活。该方法为用户提供选择成本和时间权重的功能，可以根据权重计算综合指标，从而寻找最优方案。

图1 一种多式联运集装箱运输路径选择方法解释

三、多式联运集装箱运输路径规划模型

该方法是构建一站式电子预定及追踪平台的核心，它为多式联运集装箱预定系统提供了线路支持，同时也支持集装箱全球定位等拓展功能。以下内容将对此进行详细解释。

一种多方式联合运输和路径选择优化方法及系统，如图2所示，从总时间最短、总费用最低和综合最优三种条件下分析运输方式和路径的优化，其特征在于优化方法步骤如下。

图2 一种多方式联合运输和路径选择优化方法及系统

（一）准备节点数据（包含仓储数据）

节点指机场货运场站、铁路货运场站、公路货运场站和港口码头的集合，所述节点作为货运起始地和目的地，承运人在一次运力运输中的起始地和目的地是确定的，则设所述节点之间的货运起始地为i，货运目的地为j。节点数据中应包含节点所在地货场或仓库的仓储成本、处理时间等信息，如表1所示。

表1 节点数据

（二）预测节点未来的可用性

基于节点的历史数据对未来的一段时间内的节点可用性和相关信息进行预测，并将预测得出的结果应用于线路的选择优化过程。本步骤中节点可用性标示为可用或不可用，相关信息包含仓储成本、处理时间等信息，如图3所示。

使用自举汇聚随机采样法（Bootstrap aggregating）对历史数据进行有放回随机采样（Bootstrap），每采集一个样本后，都将样本放回。因此，之前采集到的样本在放回后有可能继续被采集到。随机采样过程会获得T个采样集，每个采样集内有m个样本，与训练机的大小一致。

使用指数平滑（Exponential Smoothing）、季节性差分自回归滑动平均模型（Seasonal Autoregressive Integrated Moving Average）、随机森林（Random Forest）、专家系统（Expert System）、支持向量机（Support Vector Machine）、人工神经网络（Artificial Neural Network）等对采样集进行预测，最后对不同模型得出的结果进行算术平均得到最终结果。

图3 节点未来可用性预测框架

（三）准备线路数据

线路数据是指：在时刻t，一个集装箱使用某一运输方式从节点i到节点j的数据，包含单个集装箱的装卸成本，燃料成本，文件成本，设备成本和额外成本，以及与集装箱个数无关的线路固定成本等，如表2所示。

表2 线路数据

（四）预测线路未来的可用性

基于线路的历史数据对未来一段时间内的线路可用性和相关信息进行预测，并将预测得出的结果应用于线路的选择优化过程，如图4所示。

①使用SARIMA对线路的历史数据进行拟合，获得SARIMA的相关参数。

②对拟合后的SARIMA进行反向推导，得出与线路相关的高斯白噪声数据。

③使用支持向量机对高斯白噪声和线路历史数据进行规律挖掘，并使用参数寻优算法寻找支持向量机的最优参数组合。之后，使用训练好的支持向量机模型对未来的线路数据进行预测。

图4 线路未来可用性预测框架

（五）获取需要运输的货物的订单数据

需要运输的货物的订单数据是指货物的发货地、收货地、发货时间、收货时间、货物體积、重量和种类、优化的目标（总成本最低、总时间最短、综合最优中时间和成本的占比）。

表3 订单数据信息

（六）计算获取最佳运输方式和路径

将节点数据、线路数据以及货物数据输入到CVXPY优化计算框架中，使用CBC求解器对最优线路进行求解，得出费用优先、时间优先和综合最优的运输方式和路径。

包括以下参数：

表4寻优方程所涉及的变量，对应的解释，以及取值范围

1优化目标

（1）成本最优：

四、海铁联运路径查询系统

基于文章所提到的基于预测的多式联运集装箱运输路径选择方法，在本案例研究中，首先，本案例收集了2020年浙江省内和省外到宁波的铁路运费数据，这些数据包括不同起点和终点之间的运费、运输时间、班次、附加费等信息。通过这些数据，可以更好地评估铁路运输在多式联运中的优劣和成本效益。其次，本案例还收集了2020年浙江省内拖卡价格数据，其中包括拖卡的起点、终点和运费等数据。这些数据反映了拖卡运输在省内不同线路上的价格。这些数据对于衡量拖卡运输在多式联运中的地位和优劣也非常有帮助。另外，本案例使用人工查询和记录的方法获取了各大船公司主要航线的运费数据，这些数据包括海运的起点和终点、航线和运费等信息。这些数据可以帮助我们更好地评估海运在多式联运中的地位和优劣。最终，将上述数据整合到一个总表格中，用于文章提出的路径选择方法，以得出较优的路径方案。

基于上文所提出的基于预测的多式联运集装箱运输路径选择方法，本研究使用Python编程语言构建了一个海铁联运路径查询系统。该系统分为三个部分：第一部分为系统的初始界面，该界面提供三种路径优化目标，分别为“成本最低”、“时间最短”和“综合最优”。第二部分为订单信息填写页面，用户将在该页面中依次对订单的“发货地”、“收货地”、“货物的体积（立方米）”、“发货日期”、“收货日期”和优选方案（“智能优选”、“铁路优先”或“公路优先”）进行填写和勾选。第三部分为预测和搜索，输入对应的参数之后，系统将会自动地对节点数据、线路数据进行准备与预测，并把预测的节点数据、线路数据以及货物数据输入到CVXPY优化计算框架中，使用CBC求解器对最优线路进行求解，得出费用优先、时间优先和综合最优的运输方式和路径。

在测试案例中，研究选择“成本最低”作为优化目标。订单的发货地为“安徽省-广德”，收货地为“Brazil-Navegantes Warehouse （via GIOIA TAURO））”，货物的体积为50立方米，发货日期为2021年12月25日，收货日期为2022年2月28日，优选方案为智能优选。

经过系统的计算，此次运输的发货时间为2021年12月25日，抵达时间为2022年2月27日，总时间64天，总成本159620人民币，详细线路为“安徽省广德”-“安徽省广德站”-“宁波港站”-“宁波港”-“Brazil-navegantes Port （via GIOIA TAURO）”-“收货人”。经过相关人员的核验，该线路与人工选择的线路相一致，证明了该模型的有效性。

五、总结

集装箱运输是全球货物贸易中重要的一种运输方式，它高效、标准化并可通过多种交通方式来运输商业货物。然而，这种传输网络非常复杂，需要考虑多种因素进行预先规划。多式联运可以将不同的运输方式整合起来，从而充分利用各种运输方式的优点，降低运输成本和时间，减少排放和拥堵，提高运输效率。然而，在过去关于集装箱路径选择优化方法的研究中，学者提出的方法往往依赖于固定的历史数据，不能很好地应对未来不确定性的变化。因此，本研究提出了一种集装箱多式联运路径选择优化方法，通过引入预测节点和线路的概念，克服了以往路径选择优化方法在基于固定历史信息的局限性问题，以更准确和可靠的方式确定最佳的多式联运集装箱运输路径。最后，本研究通过演示我们搭建的海铁联运路径查询系统验证了此优化方法的有效性。该方法在未来的物流运输中有着广泛的应用前景，可以为物流公司提供更加高效的物流解决方案，促进经济的发展和进步。

参考文献：

［1］ARCHETTI C， PEIRANO L， SPERANZA M GOptimization in multimodal freight transportation problems： asurvey ［J］.European journal of operational research， 2022， 299（1）： 1-20

［2］李玉民， 郭晓燕， 杨露考虑多目标的中欧集装箱多式联运路径选择 ［J］.铁道科学与工程学报， 2017， 14（10）： 2239-2248

［3］王清斌， 韩增霞， 计明军， 等基于节点作业随机特征的集装箱多式联运路径优化 ［J］.交通运输系统工程与信息， 2011， 11（6）： 137-144

［4］吕学伟， 杨斌， 黄振东混合时间窗约束下多式联运最优路径选择研究 ［J］.铁道运输与经济， 2018， 40（8）： 6-11

［5］CHEN D D， ZHANG Y， GAO L P， et alOptimizing multimodal transportation routes considering container use ［J］.Sustainability， 2019， 11（19）

［6］万杰， 魏爽基于混合算法的多目标多式联运路径选择问题研究 ［J］.天津大学学报（自然科学与工程技术版）， 2019， 52（3）： 285-292

［7］潘华铁路物流节点分层分类布局规划研究 ［D］.北京：北京交通大学， 2012

［8］CAO KA Machine learning-based approach to railway logistics transport path optimization ［J］.Mathematical problems in engineering， 2022

［9］BUIDUY L， VUTHIMINH NUtilization of a deep learning-based fuel consumption model in choosing a liner shipping route for container ships in Asia ［J］.The Asian journal of shipping and logistics， 2021， 37（1）： 1-11

［10］XU S J， CHAN H K， ZHANG T TForecasting the demand of the aviation industry using hybrid time series SARIMA-SVR approach ［J］.Transportation research part e-logistics and transportation review， 2019， 122： 169-180

A Predictive-based Method for Selecting Transportation

Routes in Multimodal Container Transport

CHEN Hing-kai1，2， XU Lei3， XU Shuo-jiang4， ZENG Fang-li1，5

（1 Nottingham University Business School China， University of Nottingham Ningbo China， Ningbo，Zhejiang 315100;

2 Nottingham Ningbo China Beacons of Excellence Research and Innovation Institute， University

of Nottingham Ningbo China，Zhejiang， Ningbo 315100;

3 Sinotrans Ningbo International Forwarding Agency Co，Ltd，Ningbo， Zhejiang 315010;

4 School of Artificial Intelligence， Guilin University of Electronic Technology， Guilin ， Guangxi 541004;

5 Zhejiang Wanli University， Logistics and E-Commerce School， Ningbo， Zhejiang 315000）

Abstract： With the rapid development of the global economy and globalization， trade and logistics activities are thriving worldwide As an efficient mode of transportation， container multimodal transport has become an indispensable part of the global logistics industry However， due to the complexity of transport nodes and routes， selecting the optimal transport path has always been a challenge In previous studies， scholars have proposed some optimization methods for route selection， but these methods often rely on fixed historical data and cannot adapt well to future uncertainties Therefore， this study proposes an optimization method for route selection in container multimodal transport， which improves the limitations of existing methods by introducing the concept of predictive nodes and routes， and determines the optimal transport path in a more accurate and reliable manner Finally， the effectiveness of the proposed method is validated through a sea-rail intermodal route query system

Keywords： multimodal transport；container route selection; sea-rail intermodal route query system; predictive concept of transport nodes and routes

基金項目：2017年宁波市科技计划项目“基于统一信息技术标准的‘海陆联运供应链整合与优化：宁波港研究”（2017D10032）