王克铸
六安职业技术学院经济管理学院，安徽六安 237000
物流车辆位置追溯对物流信息管理至关重要，物流车辆位置追溯方法主要有基于微型电子机械系统(micro-electro mechanical system，MEMS)传感器的物流车辆位置及姿态追溯[1]和基于轻量化图像分割的物流车辆特征定位[2]。前者利用车载平台与物流中心联网分析车辆的实时状况，在物流运输过程中实现实时定位跟踪；
后者采用多尺度的空洞卷积增加物流车辆特征信息，并在目标边缘分割和内部空洞填补后，利用最小外接四边形框定车辆位置。上述传统车辆位置追溯方法存在信息转发限制，导致追溯时产生较大的距离误差。
分形理论采用分数维度视角和数学方法描述外部客观事物，可突破物体时空维度的限制，描述客观事物的真实属性及状态[3-4]。采用盒计数的方式构建得到分形盒子维数，以覆盖目标图像表面的最小盒子数为度量标准，构建使用图像匹配的过程[5-6]。海洋研究领域中研究者提出了分形方法，设定多种盒维数的相关系数，实现了对目标船舶的位置追溯[7]。
本文以物流车辆的不光滑和不规则的复杂结果为描述对象，分析物流车辆随机信号中存在的尺度不变性及相似性，以追踪随机信号的时间为追溯尺度，构建基于分形盒子维数的物流车辆位置追溯模型，并设计模型框架测试其位置追溯性能。
1.1 物流车辆的分形盒子维数参数
将固定范围内的所有物流车辆作为1个集合[8]，根据该集合占据的固定范围空间，将物流车辆所在空间记为U，数值关系为：
|U|=sup{|x-y|:x,y∈U}，
式中x、y为U内物流车辆点的坐标。
控制U内任意2车辆位置点间的距离为定值[9-10]，则具有分形覆盖特点的集合
式中：i为集合的数量，Ui为分形覆盖集合。
(1)
式中δ为上确界参数。
对式(1)进行加权求和处理，得到Ui的上、下确界参数。以上、下确界参数作为物流车辆位置的信号特征，采用Hurst指数H描述分形特征的布朗运动粗糙性[11-12]，如图1所示。
图1 分形特征的布朗运动粗糙性
形成分形特点后，固定极限数值为0或∞，将对应极限数值的物流车辆作为独立个体，针对不同属性的个体，定义其盒维数
(2)
式中：r为物流车辆的最大路径，N为经验函数。
定义计盒维数
(3)
当式(2)(3)中的盒维数与计盒维数相等时，将F作为物流车辆的盒子维数。单一的物流车辆特征无法精确地显示位置信息[13-15]。因此，为了增强分形盒子函数的特征提取量，将确定得到的分形特征划分为不同区域，根据不同区域设定1个位置约束条件，以约束条件内的标度指标作为物流车辆位置参数，整合参数为1个分形测度集合，将集中程度大的数值作为物流车辆的位置点，形成1个位置测度规则[16-18]。以得到的物流车辆的分形盒子维数参数作为处理对象，设定物流车辆位置更新流程。
在高良乡的调查，大家说得最多的是《献饭调》。每天的早饭、午饭、晚饭、夜宵等时段都有在棺材前的献饭仪式，举行这个仪式时，都要吹奏芦笙，以便与亡灵“沟通”。
1.2 物流车辆位置更新流程
以物流车辆的分形盒子维数参数对应的位置点作为处理对象，整合参数为1个物流车辆数据库后，结合物流车辆所在的区域网，采用群组的方式，设定物流车辆位置更新流程如图2所示。
图2 物流车辆位置更新流程
由图2可知：物流车辆位置在移动过程中，更新流程不断汇报车辆的位置信息，当车辆触发分形盒子维数参数条件时，形成1个固定的位置更新策略，同时在网络环境的参与下，将物流车辆的位置发送给服务器[19-20]。
在物流车辆位置更新流程中，将设定的分形盒子维数参数作为距离阈值，将物流车辆作为1个移动对象，假设车辆的触发更新距离阈值为α，物流车辆有效范围
式中m为更新参数。
在实际的距离更新过程中，需要频繁地更新物流车辆的位置信息[21-22]。因此，以物流车辆的速度为计算对象，计算服务器周期内接收到的车辆行驶距离
式中：t为物流车辆的行驶时间，v为统计周期内物流车辆的行驶速度，v′为前一个行驶周期内物流车辆的行驶速度。
采用两跳机制将D发送给处理端口时，同步位置信息至处理基站，消除数据包转发限制而产生的位置误差[23]。或结合物流车辆的行驶条件，根据分形盒子维数的上、下确界参数，确定物流车辆的行驶速度，实现物流车辆的位置更新。在设定的物流车辆位置更新流程下，综合物流车辆行驶的路线，构建位置追溯模型。
1.3 追溯模型
采用车辆追踪技术，确定当前周期的位置信息后，将其作为物流车辆位置的监测对象，为维持物流车辆位置信号的稳定，定义多重分形谱偏斜度作为位置信号的稳定参数，计算公式为：
(4)
式中：K为信号分形谱顶点的偏斜度，τ0为车辆位置信号的波动参数化，τmin为最小奇异数，τmax为最大奇异数。
将K作为约束值，保持位置信号的稳定。整合物流车辆行驶的路网后，构建物流车辆位置追溯模型如图3所示。
图3 物流车辆位置追溯模型
图3中采用计数器对物流车辆行驶过的路网进行分区，设定路网区域数量阈值后，将处理后的路网作为1个拓扑网络，根据实体间的邻接关系，采用加权拓扑关系匹配算法构建1个位置追溯候选区。将候选区内的权重从小到大排列处理后作为位置追溯顺序。为了消除追溯过程中产生的复杂度，在整合的路网中采用概率统计法构建物流车辆位置推算方法，将概率最大的路径作为追溯路径[24-25]。为了消除物流车辆产生的偏离原始数值现象，在概率统计计算过程中，将式(4)中的K作为约束值，控制追溯位置点产生的偏离数值，完成对基于分形盒子维数的物流车辆位置追溯模型的设计。
2.1 准备
收集物流车辆的位置数据并匹配对应的模型算法，设计测试模型框架验证模型的性能，测试模型框架如图4所示。
图4 测试模型框架
物流车辆位置追溯模型需要计算机技术的支持，在图4中，采用Java编程语言，使用6 GB内存的Inter(R)Core(TM) i7作为模型搭载硬件，通过开发工具Eclipse开发模型数据。设定物流车辆位置移动的数据文件，文件命名为WLCL-××,××对应不同车辆的编号。
将设定的物流车辆位置移动数据文件作为试验对象，传输到测试模型框架中的服务器，分别采用传统的基于MEMS传感器的物流车辆位置及姿态追溯方案(模型1)、基于轻量化图像分割的物流车辆特征定位方案(模型2)及本文模型进行试验，对比3种模型的实际应用性能。
2.2 结果及分析
假设物流网络中有w辆车，模型位置追溯到n个移动对象，构建位置追溯模型的位置变化参数
p越大，表明位置追溯模型更新的物流车辆位置信息较为明显。以物流车辆位置移动数据作为模型处理对象，3种位置追溯模型的p如表1所示。
表1 3种位置追溯模型的p
由表1可知：针对相同位置数据集的文件，3种追溯模型的位置变化参数不同，模型1的平均位置变化参数为45.4%，在3种模型中最小，表明物流车辆在移动过程中，模型1更新的位置信息较少，更新优化效果较差；
模型2的平均位置变化参数为68.7%，在3种模型中较大，表明模型2实际更新的物流车辆信息较多，模型2的更新优化效果较好；
本文模型的平均位置变化参数为82.4%，在3种模型中最大，表明该位置追溯模型实际更新得到的车辆信息数据最多，本文模型的更新优化效果最明显。
调用物流车辆行驶的地图作为试验环境，采用位置与车辆的匹配准确度作为模型性能指标，匹配准确度
式中：Cp为正确匹配到的物流位置点，Cn为需要匹配的物流车辆数量。控制实际匹配的物流车辆位置信息的匹配路径相同，3种位置追溯模型的匹配准确度如图5所示。
图5 3种位置追溯模型的匹配准确度
由图5可知：随车辆位置点数的增加，3种模型的匹配准确度均不断增大，在位置点数为10万个时，模型1、模型2和本文模型的匹配准确度分别约为85%、88%、95%，与2种传统模型相比，本文模型可正确匹配的物流车辆位置点最多。
控制3种位置追溯模型同时处理相同的位置文件，设定相同的物流车辆匹配路径后，定义模型运行返回值个数为0时，车辆位置产生了一定的误差，统计3种模型的返回值个数为0时，3种位置追溯模型产生的位置误差如表2所示。
表2 3种位置追溯模型的位置误差
由表2可知：在设定相同的车辆位置路径后，3种位置追溯模型表现出不同的位置误差，模型1、模型2、本文模型产生的位置误差分别为180～200、120～150、60～100 m，本文模型实际追溯物流车辆的位置最精确。
随着电商购物方式的兴盛，物流行业实现了迅速发展，在大数据等技术的支持下，追踪物流车辆位置成为物流行业的研究热点。本文使用分形盒子维数作为算法支持，设计了物流车辆位置追溯模型，改善了传统物流车辆位置追溯模型中位置误差较大的问题，为今后研究物流车辆追溯方法提供了研究方向。但本文未详细介绍分形盒子维数与位置追溯模型的融合原理，还需不断地研究改进。
猜你喜欢维数分形盒子β-变换中一致丢番图逼近问题的维数理论数学物理学报(2022年4期)2022-08-22有趣的盒子娃娃乐园·绘本(2021年4期)2021-04-28感受分形动漫星空(兴趣百科)(2020年11期)2020-11-09一类齐次Moran集的上盒维数数学物理学报(2020年3期)2020-07-27分形之美趣味(数学)(2019年12期)2019-04-13分形——2018芳草地艺术节现代装饰(2018年11期)2018-11-22分形空间上广义凸函数的新Simpson型不等式及应用Acta Mathematica Scientia(English Series)(2018年6期)2018-03-01寻找神秘盒子小学生必读(高年级版)(2017年4期)2017-08-31肉盒子小说月刊(2014年9期)2014-04-20盒子小说月刊(2014年5期)2014-04-19