真正的物流大数据挖掘思路
物流大数据，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，实业界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，车辆速度信息，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录，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、速度等信息，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点?
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秒到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、天气因素、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：物流车辆在实际行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。
相关新闻：
0条评论
网友评论
