陳慶佳　徐磊　徐碩江

關(guān)鍵詞：多式聯(lián)運(yùn)運(yùn)輸集裝箱路徑選擇；海鐵聯(lián)運(yùn)路徑查詢系統(tǒng)；運(yùn)輸節(jié)點(diǎn)和路線的預(yù)測(cè)概念

中圖分類號(hào)：F252文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：2096-7934（2023）05-0087-10

一、引言

當(dāng)今世界貿(mào)易發(fā)展迅速，全球貨運(yùn)量逐年增長(zhǎng)。作為最重要的運(yùn)輸方式之一，集裝箱運(yùn)輸已成為全球貨物貿(mào)易的主要手段之一。商業(yè)貨物可以放置在裝運(yùn)集裝箱內(nèi)，然后通過卡車、火車、飛機(jī)或裝運(yùn)船舶來運(yùn)輸?shù)侥康牡?。這種運(yùn)輸方式可以提高集裝箱的裝載和卸載速度，同時(shí)實(shí)現(xiàn)出貨量和處理裝備的標(biāo)準(zhǔn)化。貨物可以從源集裝箱倉(cāng)庫(kù)通過火車或裝運(yùn)船舶經(jīng)裝運(yùn)集裝箱運(yùn)輸?shù)侥康牡丶b箱倉(cāng)庫(kù)，或者從集裝箱倉(cāng)庫(kù)通過卡車運(yùn)輸?shù)娇蛻粑恢茫蛘邚囊粋€(gè)客戶位置運(yùn)輸?shù)搅硪粋€(gè)客戶位置。但是，這種傳輸網(wǎng)絡(luò)非常復(fù)雜，需要考慮進(jìn)度、容量、速度和成本等多種因素并進(jìn)行預(yù)先規(guī)劃。此外，在集裝箱運(yùn)輸中，貨物需要通過多種運(yùn)輸方式來到目的地，而不同的運(yùn)輸方式有著各自的優(yōu)勢(shì)和限制。例如，海運(yùn)可以輸送大量貨物，但速度較慢，而航空運(yùn)輸則速度較快但成本較高。多式聯(lián)運(yùn)可以將不同的運(yùn)輸方式整合起來，從而充分利用各種運(yùn)輸方式的優(yōu)點(diǎn)，降低運(yùn)輸成本和時(shí)間，減少排放和擁堵，提高運(yùn)輸效率［1］。因此，在多式聯(lián)運(yùn)過程中，選擇和優(yōu)化運(yùn)輸路線是提高集裝箱多式聯(lián)運(yùn)優(yōu)勢(shì)、節(jié)能降耗、提高我國(guó)集裝箱物流服務(wù)水平的重要措施。合理的多式聯(lián)運(yùn)運(yùn)輸路徑可以縮短運(yùn)輸時(shí)間、降低運(yùn)輸成本、提高客戶滿意度，具有廣泛的應(yīng)用前景。

現(xiàn)有研究中，學(xué)者分別對(duì)多式聯(lián)運(yùn)集裝箱路徑選擇進(jìn)行規(guī)劃，比如：李玉民， 郭曉燕 和楊露［2］ 研究了中歐集裝箱多式聯(lián)運(yùn)路徑選擇問題，提出了一種綜合考慮運(yùn)輸時(shí)間、運(yùn)輸費(fèi)用和碳排放三方面因素的國(guó)際集裝箱多式聯(lián)運(yùn)路徑選擇模型，并采用遺傳算法進(jìn)行求解。為了驗(yàn)證該模型的有效性，南京到柏林的實(shí)例被使用。王清斌， 韓增霞和計(jì)明軍等［3］在充分考慮集裝箱內(nèi)陸運(yùn)輸路徑因素的同時(shí)，研究了集裝箱多式聯(lián)運(yùn)在運(yùn)輸方式轉(zhuǎn)換過程中節(jié)點(diǎn)作業(yè)隨機(jī)特征對(duì)運(yùn)輸效率的影響。一個(gè)混合整數(shù)規(guī)劃模型被提出以研究了如何更合理有效地組織集裝箱多式聯(lián)運(yùn)以降低運(yùn)輸成本，提高產(chǎn)品在市場(chǎng)中的競(jìng)爭(zhēng)力。為了更加科學(xué)合理地規(guī)劃多式聯(lián)運(yùn)網(wǎng)絡(luò)路徑和選擇運(yùn)輸方式，呂學(xué)偉， 楊斌和黃振東［4］以基于運(yùn)輸方式硬時(shí)間窗和收貨人收貨的軟時(shí)間窗所構(gòu)成的混合時(shí)間窗為約束條件，以總成本最小為目標(biāo)，建立多式聯(lián)運(yùn)最優(yōu)路徑選擇模型，運(yùn)用蟻群算法求解相關(guān)算例，并將結(jié)果與無混合時(shí)間窗約束下的優(yōu)化結(jié)果進(jìn)行比較。為了克服貨運(yùn)代理在運(yùn)輸過程中面臨的集裝箱短缺問題，Chen， Zhang and Gao et al［5］開發(fā)了一個(gè)使總運(yùn)輸成本、運(yùn)輸時(shí)間和集裝箱使用成本最小化的多式聯(lián)運(yùn)路線選擇的優(yōu)化模型，其中考慮了集裝箱和路線選擇之間的相互關(guān)系以及集裝箱使用的時(shí)間限制。為了解決這個(gè)多目標(biāo)問題， 歸一化正態(tài)約束法（the normalized normal constraint method，NNCM）被提出以獲得帕累托解。之后，四川攀枝花鐵礦石運(yùn)輸?shù)陌咐芯勘惶岢鲆则?yàn)證模型的有效性。萬杰和魏爽［6］ 在其提出的混合整數(shù)規(guī)劃模型中集成考慮運(yùn)輸成本、運(yùn)輸時(shí)間以及物流服務(wù)質(zhì)量三個(gè)方面因素，在最小化運(yùn)輸成本、運(yùn)輸時(shí)間的同時(shí)，最大化物流服務(wù)質(zhì)量。最后設(shè)計(jì)遺傳算法和蟻群算法相結(jié)合的混合算法對(duì)模型進(jìn)行求解。然而，以上這些相關(guān)研究都是基于固定歷史信息為目標(biāo)的多式聯(lián)運(yùn)路徑選擇模型，存在選擇的局限性，缺乏路徑選擇的靈活性和適應(yīng)性。

因此，為了提高交通物流的效率和準(zhǔn)確性，一些研究人員使用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法對(duì)交通物流信息進(jìn)行預(yù)測(cè)。潘華［7］提出了一種鐵路物流節(jié)點(diǎn)分層分類布局規(guī)劃的方法。為了對(duì)鐵路物流節(jié)點(diǎn)分品類貨源需求進(jìn)行預(yù)測(cè)，他們對(duì)所采用的基于因果關(guān)系的多元線性回歸預(yù)測(cè)法和基于時(shí)間序列的加權(quán)平滑預(yù)測(cè)法進(jìn)行加權(quán)算術(shù)平均的計(jì)算，從而建立其組合預(yù)測(cè)模型。此模型可以根據(jù)歷史數(shù)據(jù)和其他因素預(yù)測(cè)未來的貨源需求之后，通過構(gòu)建宏觀-微觀一體化空間布局規(guī)劃模型，得出了物流節(jié)點(diǎn)布局方案。Cao［8］提出了一種深度學(xué)習(xí)CNN-GRU（卷積神經(jīng)網(wǎng)絡(luò)-門控循環(huán)單元）組合模型來預(yù)測(cè)鐵路物流的交通速度。該模型使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取速度數(shù)據(jù)的空間特征，并使用門控循環(huán)單元（GRU）提取速度數(shù)據(jù)的時(shí)間特征。其實(shí)驗(yàn)結(jié)果表明，組合模型的預(yù)測(cè)精度優(yōu)于單個(gè)GRU和CNN模型。此模型預(yù)測(cè)的鐵路物流的交通速度被用以構(gòu)建了多目標(biāo)優(yōu)化的旅行推銷員問題（TSP），并通過一個(gè)考慮提高轉(zhuǎn)移概率、信息素更新和數(shù)據(jù)特征的改進(jìn)蟻群算法來解決這個(gè)問題。Bui-Duy and Vu-Thi-Minh［9］在關(guān)于亞洲地區(qū)集裝箱船的航線選擇中使用了深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)（ANN）通過亞洲地區(qū)船隊(duì)的運(yùn)營(yíng)信息來預(yù)測(cè)集裝箱船的燃油消耗。之后在給定集裝箱航線的假設(shè)下，使用預(yù)測(cè)結(jié)果與非對(duì)稱旅行商問題（ATSP）算法相結(jié)合，設(shè)計(jì)出符合航運(yùn)公司期望的最佳路線。Xu， Chan and Zhang［10］提出了幾種結(jié)合SARIMA和SVR的混合模型來預(yù)測(cè)航空業(yè)中的統(tǒng)計(jì)指標(biāo)，他們通過引入高斯白噪聲（Gaussian White Noise）以提高預(yù)測(cè)的精度。最后，采用中國(guó)民航局官方網(wǎng)址跨度十三年的數(shù)據(jù)以檢驗(yàn)所提出的模型的性能。

然而，關(guān)于引入了運(yùn)輸節(jié)點(diǎn)和路線的預(yù)測(cè)概念的多式聯(lián)運(yùn)集裝箱路徑選擇優(yōu)化方法，并沒有學(xué)者考慮過。本研究的主要優(yōu)點(diǎn)在于引入了運(yùn)輸節(jié)點(diǎn)和路線的預(yù)測(cè)概念，改善了已往路徑選擇優(yōu)化方法基于固定歷史信息的局限性問題，為運(yùn)輸任務(wù)選擇從貨運(yùn)起點(diǎn)到終點(diǎn)的最佳運(yùn)輸路線。

二、多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法運(yùn)作流程

文章所要解決的技術(shù)問題是提供一種選擇性靈活、能夠避免選擇局限性，且適應(yīng)性良好的多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法。文章所采用的技術(shù)方案是，一種多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法如圖1所示，該方法包括下列步驟。

（1）準(zhǔn)備節(jié)點(diǎn)數(shù)據(jù)：通過獲取節(jié)點(diǎn)的歷史信息來得到節(jié)點(diǎn)數(shù)據(jù)，所述節(jié)點(diǎn)為機(jī)場(chǎng)貨運(yùn)場(chǎng)站、鐵路貨運(yùn)場(chǎng)站、公路貨運(yùn)場(chǎng)站以及港口碼頭貨運(yùn)場(chǎng)站的集合，所述節(jié)點(diǎn)數(shù)據(jù)包括節(jié)點(diǎn)所在貨運(yùn)場(chǎng)站的貨物倉(cāng)儲(chǔ)成本以及處理時(shí)間；

（2）預(yù)測(cè)節(jié)點(diǎn)未來的可用性：基于步驟（1）中的節(jié)點(diǎn)數(shù)據(jù)對(duì)未來一段時(shí)間內(nèi)的節(jié)點(diǎn)可用性進(jìn)行預(yù)測(cè)。其方法為：首先，采用自舉匯聚隨機(jī)采樣法對(duì)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行有放回的隨機(jī)采樣，即每采集到一個(gè)樣本后，都將樣本放回，再次隨機(jī)采集下一個(gè)樣本，將每次采集到的樣本組成樣本集；然后，對(duì)樣本集進(jìn)行預(yù)測(cè)來得到節(jié)點(diǎn)未來的可用性，所述節(jié)點(diǎn)未來的可用性標(biāo)示為可用節(jié)點(diǎn)或不可用節(jié)點(diǎn)；

（3）準(zhǔn)備線路數(shù)據(jù)：通過獲取線路的歷史信息來得到線路數(shù)據(jù)，所述線路數(shù)據(jù)包括運(yùn)輸每個(gè)集裝箱的裝卸成本、燃料成本、文件成本、設(shè)備成本以及額外成本，還包括線路固定成本；

（4）預(yù)測(cè)線路未來的可用性：基于步驟3中的線路數(shù)據(jù)對(duì)未來一段時(shí)間內(nèi)的線路可用性進(jìn)行預(yù)測(cè)，所述線路未來的可用性標(biāo)示為可用線路或不可用線路；

（5）獲取需要運(yùn)輸?shù)呢浳锏挠唵螖?shù)據(jù)：所述貨物的訂單數(shù)據(jù)包括貨物的發(fā)貨地、收貨地、發(fā)貨時(shí)間、收貨時(shí)間、貨物體積、重量和種類以及優(yōu)化目標(biāo)；

（6）計(jì)算得到最優(yōu)運(yùn)輸方式和路徑：將步驟2中預(yù)測(cè)得到的可用節(jié)點(diǎn)以及步驟4中預(yù)測(cè)得到的可用線路輸入到CVXPY優(yōu)化計(jì)算框架中，并使用CBC求解器（COIN-OR中用C++編寫的開源混合整數(shù)線性規(guī)劃求解器）對(duì)最優(yōu)線路進(jìn)行求解，最終得出費(fèi)用優(yōu)先、時(shí)間優(yōu)先和綜合最優(yōu)的運(yùn)輸方式和路徑。

文章采用上述多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法（如圖1所示）。該方法中考慮了多種集裝箱運(yùn)輸方式的結(jié)合方案，為用戶提供了最優(yōu)化的運(yùn)輸路徑。通過引入運(yùn)輸節(jié)點(diǎn)和運(yùn)輸線路的預(yù)測(cè)步驟，改善了已往路徑選擇方法中基于固定歷史信息的局限性問題。引入節(jié)點(diǎn)和線路信息預(yù)測(cè)框架提高了路徑選擇系統(tǒng)對(duì)未來運(yùn)力變化的適應(yīng)能力，并且選擇性靈活。該方法為用戶提供選擇成本和時(shí)間權(quán)重的功能，可以根據(jù)權(quán)重計(jì)算綜合指標(biāo)，從而尋找最優(yōu)方案。

圖1 一種多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法解釋

三、多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑規(guī)劃模型

該方法是構(gòu)建一站式電子預(yù)定及追蹤平臺(tái)的核心，它為多式聯(lián)運(yùn)集裝箱預(yù)定系統(tǒng)提供了線路支持，同時(shí)也支持集裝箱全球定位等拓展功能。以下內(nèi)容將對(duì)此進(jìn)行詳細(xì)解釋。

一種多方式聯(lián)合運(yùn)輸和路徑選擇優(yōu)化方法及系統(tǒng)，如圖2所示，從總時(shí)間最短、總費(fèi)用最低和綜合最優(yōu)三種條件下分析運(yùn)輸方式和路徑的優(yōu)化，其特征在于優(yōu)化方法步驟如下。

圖2 一種多方式聯(lián)合運(yùn)輸和路徑選擇優(yōu)化方法及系統(tǒng)

（一）準(zhǔn)備節(jié)點(diǎn)數(shù)據(jù)（包含倉(cāng)儲(chǔ)數(shù)據(jù)）

節(jié)點(diǎn)指機(jī)場(chǎng)貨運(yùn)場(chǎng)站、鐵路貨運(yùn)場(chǎng)站、公路貨運(yùn)場(chǎng)站和港口碼頭的集合，所述節(jié)點(diǎn)作為貨運(yùn)起始地和目的地，承運(yùn)人在一次運(yùn)力運(yùn)輸中的起始地和目的地是確定的，則設(shè)所述節(jié)點(diǎn)之間的貨運(yùn)起始地為i，貨運(yùn)目的地為j。節(jié)點(diǎn)數(shù)據(jù)中應(yīng)包含節(jié)點(diǎn)所在地貨場(chǎng)或倉(cāng)庫(kù)的倉(cāng)儲(chǔ)成本、處理時(shí)間等信息，如表1所示。

表1 節(jié)點(diǎn)數(shù)據(jù)

（二）預(yù)測(cè)節(jié)點(diǎn)未來的可用性

基于節(jié)點(diǎn)的歷史數(shù)據(jù)對(duì)未來的一段時(shí)間內(nèi)的節(jié)點(diǎn)可用性和相關(guān)信息進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)得出的結(jié)果應(yīng)用于線路的選擇優(yōu)化過程。本步驟中節(jié)點(diǎn)可用性標(biāo)示為可用或不可用，相關(guān)信息包含倉(cāng)儲(chǔ)成本、處理時(shí)間等信息，如圖3所示。

使用自舉匯聚隨機(jī)采樣法（Bootstrap aggregating）對(duì)歷史數(shù)據(jù)進(jìn)行有放回隨機(jī)采樣（Bootstrap），每采集一個(gè)樣本后，都將樣本放回。因此，之前采集到的樣本在放回后有可能繼續(xù)被采集到。隨機(jī)采樣過程會(huì)獲得T個(gè)采樣集，每個(gè)采樣集內(nèi)有m個(gè)樣本，與訓(xùn)練機(jī)的大小一致。

使用指數(shù)平滑（Exponential Smoothing）、季節(jié)性差分自回歸滑動(dòng)平均模型（Seasonal Autoregressive Integrated Moving Average）、隨機(jī)森林（Random Forest）、專家系統(tǒng)（Expert System）、支持向量機(jī)（Support Vector Machine）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）等對(duì)采樣集進(jìn)行預(yù)測(cè)，最后對(duì)不同模型得出的結(jié)果進(jìn)行算術(shù)平均得到最終結(jié)果。

圖3 節(jié)點(diǎn)未來可用性預(yù)測(cè)框架

（三）準(zhǔn)備線路數(shù)據(jù)

線路數(shù)據(jù)是指：在時(shí)刻t，一個(gè)集裝箱使用某一運(yùn)輸方式從節(jié)點(diǎn)i到節(jié)點(diǎn)j的數(shù)據(jù)，包含單個(gè)集裝箱的裝卸成本，燃料成本，文件成本，設(shè)備成本和額外成本，以及與集裝箱個(gè)數(shù)無關(guān)的線路固定成本等，如表2所示。

表2 線路數(shù)據(jù)

（四）預(yù)測(cè)線路未來的可用性

基于線路的歷史數(shù)據(jù)對(duì)未來一段時(shí)間內(nèi)的線路可用性和相關(guān)信息進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)得出的結(jié)果應(yīng)用于線路的選擇優(yōu)化過程，如圖4所示。

①使用SARIMA對(duì)線路的歷史數(shù)據(jù)進(jìn)行擬合，獲得SARIMA的相關(guān)參數(shù)。

②對(duì)擬合后的SARIMA進(jìn)行反向推導(dǎo)，得出與線路相關(guān)的高斯白噪聲數(shù)據(jù)。

③使用支持向量機(jī)對(duì)高斯白噪聲和線路歷史數(shù)據(jù)進(jìn)行規(guī)律挖掘，并使用參數(shù)尋優(yōu)算法尋找支持向量機(jī)的最優(yōu)參數(shù)組合。之后，使用訓(xùn)練好的支持向量機(jī)模型對(duì)未來的線路數(shù)據(jù)進(jìn)行預(yù)測(cè)。

圖4 線路未來可用性預(yù)測(cè)框架

（五）獲取需要運(yùn)輸?shù)呢浳锏挠唵螖?shù)據(jù)

需要運(yùn)輸?shù)呢浳锏挠唵螖?shù)據(jù)是指貨物的發(fā)貨地、收貨地、發(fā)貨時(shí)間、收貨時(shí)間、貨物體積、重量和種類、優(yōu)化的目標(biāo)（總成本最低、總時(shí)間最短、綜合最優(yōu)中時(shí)間和成本的占比）。

表3 訂單數(shù)據(jù)信息

（六）計(jì)算獲取最佳運(yùn)輸方式和路徑

將節(jié)點(diǎn)數(shù)據(jù)、線路數(shù)據(jù)以及貨物數(shù)據(jù)輸入到CVXPY優(yōu)化計(jì)算框架中，使用CBC求解器對(duì)最優(yōu)線路進(jìn)行求解，得出費(fèi)用優(yōu)先、時(shí)間優(yōu)先和綜合最優(yōu)的運(yùn)輸方式和路徑。

包括以下參數(shù)：

表4尋優(yōu)方程所涉及的變量，對(duì)應(yīng)的解釋，以及取值范圍

1優(yōu)化目標(biāo)

（1）成本最優(yōu)：

四、海鐵聯(lián)運(yùn)路徑查詢系統(tǒng)

基于文章所提到的基于預(yù)測(cè)的多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法，在本案例研究中，首先，本案例收集了2020年浙江省內(nèi)和省外到寧波的鐵路運(yùn)費(fèi)數(shù)據(jù)，這些數(shù)據(jù)包括不同起點(diǎn)和終點(diǎn)之間的運(yùn)費(fèi)、運(yùn)輸時(shí)間、班次、附加費(fèi)等信息。通過這些數(shù)據(jù)，可以更好地評(píng)估鐵路運(yùn)輸在多式聯(lián)運(yùn)中的優(yōu)劣和成本效益。其次，本案例還收集了2020年浙江省內(nèi)拖卡價(jià)格數(shù)據(jù)，其中包括拖卡的起點(diǎn)、終點(diǎn)和運(yùn)費(fèi)等數(shù)據(jù)。這些數(shù)據(jù)反映了拖卡運(yùn)輸在省內(nèi)不同線路上的價(jià)格。這些數(shù)據(jù)對(duì)于衡量拖卡運(yùn)輸在多式聯(lián)運(yùn)中的地位和優(yōu)劣也非常有幫助。另外，本案例使用人工查詢和記錄的方法獲取了各大船公司主要航線的運(yùn)費(fèi)數(shù)據(jù)，這些數(shù)據(jù)包括海運(yùn)的起點(diǎn)和終點(diǎn)、航線和運(yùn)費(fèi)等信息。這些數(shù)據(jù)可以幫助我們更好地評(píng)估海運(yùn)在多式聯(lián)運(yùn)中的地位和優(yōu)劣。最終，將上述數(shù)據(jù)整合到一個(gè)總表格中，用于文章提出的路徑選擇方法，以得出較優(yōu)的路徑方案。

基于上文所提出的基于預(yù)測(cè)的多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑選擇方法，本研究使用Python編程語(yǔ)言構(gòu)建了一個(gè)海鐵聯(lián)運(yùn)路徑查詢系統(tǒng)。該系統(tǒng)分為三個(gè)部分：第一部分為系統(tǒng)的初始界面，該界面提供三種路徑優(yōu)化目標(biāo)，分別為“成本最低”、“時(shí)間最短”和“綜合最優(yōu)”。第二部分為訂單信息填寫頁(yè)面，用戶將在該頁(yè)面中依次對(duì)訂單的“發(fā)貨地”、“收貨地”、“貨物的體積（立方米）”、“發(fā)貨日期”、“收貨日期”和優(yōu)選方案（“智能優(yōu)選”、“鐵路優(yōu)先”或“公路優(yōu)先”）進(jìn)行填寫和勾選。第三部分為預(yù)測(cè)和搜索，輸入對(duì)應(yīng)的參數(shù)之后，系統(tǒng)將會(huì)自動(dòng)地對(duì)節(jié)點(diǎn)數(shù)據(jù)、線路數(shù)據(jù)進(jìn)行準(zhǔn)備與預(yù)測(cè)，并把預(yù)測(cè)的節(jié)點(diǎn)數(shù)據(jù)、線路數(shù)據(jù)以及貨物數(shù)據(jù)輸入到CVXPY優(yōu)化計(jì)算框架中，使用CBC求解器對(duì)最優(yōu)線路進(jìn)行求解，得出費(fèi)用優(yōu)先、時(shí)間優(yōu)先和綜合最優(yōu)的運(yùn)輸方式和路徑。

在測(cè)試案例中，研究選擇“成本最低”作為優(yōu)化目標(biāo)。訂單的發(fā)貨地為“安徽省-廣德”，收貨地為“Brazil-Navegantes Warehouse （via GIOIA TAURO））”，貨物的體積為50立方米，發(fā)貨日期為2021年12月25日，收貨日期為2022年2月28日，優(yōu)選方案為智能優(yōu)選。

經(jīng)過系統(tǒng)的計(jì)算，此次運(yùn)輸?shù)陌l(fā)貨時(shí)間為2021年12月25日，抵達(dá)時(shí)間為2022年2月27日，總時(shí)間64天，總成本159620人民幣，詳細(xì)線路為“安徽省廣德”-“安徽省廣德站”-“寧波港站”-“寧波港”-“Brazil-navegantes Port （via GIOIA TAURO）”-“收貨人”。經(jīng)過相關(guān)人員的核驗(yàn)，該線路與人工選擇的線路相一致，證明了該模型的有效性。

五、總結(jié)

集裝箱運(yùn)輸是全球貨物貿(mào)易中重要的一種運(yùn)輸方式，它高效、標(biāo)準(zhǔn)化并可通過多種交通方式來運(yùn)輸商業(yè)貨物。然而，這種傳輸網(wǎng)絡(luò)非常復(fù)雜，需要考慮多種因素進(jìn)行預(yù)先規(guī)劃。多式聯(lián)運(yùn)可以將不同的運(yùn)輸方式整合起來，從而充分利用各種運(yùn)輸方式的優(yōu)點(diǎn)，降低運(yùn)輸成本和時(shí)間，減少排放和擁堵，提高運(yùn)輸效率。然而，在過去關(guān)于集裝箱路徑選擇優(yōu)化方法的研究中，學(xué)者提出的方法往往依賴于固定的歷史數(shù)據(jù)，不能很好地應(yīng)對(duì)未來不確定性的變化。因此，本研究提出了一種集裝箱多式聯(lián)運(yùn)路徑選擇優(yōu)化方法，通過引入預(yù)測(cè)節(jié)點(diǎn)和線路的概念，克服了以往路徑選擇優(yōu)化方法在基于固定歷史信息的局限性問題，以更準(zhǔn)確和可靠的方式確定最佳的多式聯(lián)運(yùn)集裝箱運(yùn)輸路徑。最后，本研究通過演示我們搭建的海鐵聯(lián)運(yùn)路徑查詢系統(tǒng)驗(yàn)證了此優(yōu)化方法的有效性。該方法在未來的物流運(yùn)輸中有著廣泛的應(yīng)用前景，可以為物流公司提供更加高效的物流解決方案，促進(jìn)經(jīng)濟(jì)的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

［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， 郭曉燕， 楊露考慮多目標(biāo)的中歐集裝箱多式聯(lián)運(yùn)路徑選擇 ［J］.鐵道科學(xué)與工程學(xué)報(bào)， 2017， 14（10）： 2239-2248

［3］王清斌， 韓增霞， 計(jì)明軍， 等基于節(jié)點(diǎn)作業(yè)隨機(jī)特征的集裝箱多式聯(lián)運(yùn)路徑優(yōu)化 ［J］.交通運(yùn)輸系統(tǒng)工程與信息， 2011， 11（6）： 137-144

［4］呂學(xué)偉， 楊斌， 黃振東混合時(shí)間窗約束下多式聯(lián)運(yùn)最優(yōu)路徑選擇研究 ［J］.鐵道運(yùn)輸與經(jīng)濟(jì)， 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］萬杰， 魏爽基于混合算法的多目標(biāo)多式聯(lián)運(yùn)路徑選擇問題研究 ［J］.天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版）， 2019， 52（3）： 285-292

［7］潘華鐵路物流節(jié)點(diǎn)分層分類布局規(guī)劃研究 ［D］.北京：北京交通大學(xué)， 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(xiàng)目：2017年寧波市科技計(jì)劃項(xiàng)目“基于統(tǒng)一信息技術(shù)標(biāo)準(zhǔn)的‘海陸聯(lián)運(yùn)供應(yīng)鏈整合與優(yōu)化：寧波港研究”（2017D10032）