综述数据挖掘在现代物流领域应用.docVIP

综述数据挖掘在现代物流领域应用 　　摘 要 本文首先介绍了数据挖掘应用最为广泛的CRISP-DM工作流，然后综述了当前现代物流业的数据挖掘技术的应用情况，最后阐述了我们现阶段在物流行业应用数据挖掘技术应当注意的几方面的问题。 关键词 数据挖掘 现代物流 物流管理 中图分类号：TP311 文献标识码：A 近年来，随着信息技术的广泛应用，各种理论研究和商业应用不断深入，数据挖掘技术也得到了前所未有的发展。现在现代智能物流的提出，也推动着物流业向信息化、自动化、智能化的方向发展，数据挖掘技术在现代物流业的应用也势在必行。目前在仓储、配送、拣货、选址等领域，数据挖掘已经开始得到应用。横向来看，物流业涉及社会的各个行业；纵向来看，物流业贯穿社会生产的各个环节。随着信息技术在物流业的大力推广，物流业各方面的数据会成指数级的增长，如何利用好这些数据为企业服务，提升企业的竞争水平就成了一个重要的课题。 一、数据挖掘的步骤CRISP-DM介绍 数据挖掘流程很多，但是目前流程的挖掘标准流程是CRISP-DM，跨行业数据挖掘标准流程（Cross-Industry Standard Process for Data Mining，CRISP-DM）是数据挖掘方法论，相对于现存的其他数据挖掘方法论，更具有优越性，因而被广泛地采用。CRISP-DM将数据挖掘分成如下六个阶段： （一）商业理解阶段。 商业理解是明确项目需要达到的业务目的，将其影身为数据挖掘的主题，并从商业角度对业务部门的需求进行理解，将业务需求转化为数据挖掘的定义。同时对现有资源进行评估，以及对项目的可行性进行评估，确定数据挖掘目标并制定相应的项目计划。 （二）数据理解阶段。 数据理解是找出可能影响主题的因数，并确定这些影响因素的数据载体、数据体现形式和数据存储位置。数据理解从数据收集开始，然后熟悉数据，具体包括以下工作内容：检测数据质量，对数据进行初步理解，简单描述数据，探测数据意义，并对数据中潜藏的信息和知识提出拟用数据加以验证的假设。 （三）数据准备阶段。 由于数据可能是不完全的、有噪声的、随机的，有着复杂的数据结构，数据准备是为了建模整理收集到的数据，是数据挖掘最重要的阶段之一，实际的数据准备工作通常占 50-70% 的工程时间和工作量。数据准备阶段具体的工作包含合并数据集、汇总记录、导出新的属性、排序数据、删除或替换空值或缺失值、分类数据等。 （四）建立模型阶段。 建立模型是应用软件工具，选择合适的建模方法，处理准备好的数据集，找出数据中隐藏的规律。在建立模型阶段中，将选择和使用各种建模方法，并将模型参数进行优化。建立模型阶段的具体工作包括：选择合适的建模技术、进行检验设计、建造模型。 （五）模型评估阶段。 模型评估是要从业务角度和统计角度进行模型结论的评估。要求检查建模的整个过程，以确保模型没有重大错误，并检查是否遗漏重要的业务问题。当模型评估阶段结束时，应对数据挖掘结果的发布计划达成一致。 （六）模型发布阶段。 模型发布又称为模型部署，建立模型本身并不是数据挖掘的目标，虽然模型使数据背后隐藏的信息和知识显现出来，但数据挖掘的根本目标是将信息和知识以某种方式组织和呈现出来，并用来改善运营和提高效率。把数据挖掘模型的结果送到相应的管理人员手中，对模型进行日常的监测和维护，定期更新数据挖掘模型。 二、数据挖掘在物流业的应用 （一）市场预测与物流计划。 数据挖掘主要体现在市场的预测以及建立在预测基础上的企业物流计划两个方面。基于数据挖掘的市场预测，是通过各种预测模型，利用数据挖掘工具，对数据进行研究。分析客户的运输习惯和其他的战略性信息。如通过对最近一段时间的数据物流数据进行挖掘，可以从货物的季节性、运输量、库存以及品种等维度进行挖掘分析，形成有价值的分析报告，为企业了解市场提供有效的支持。在物流企业规划和控制活动的预测分析问题上，时间序列分析模型是一种有效的分析模型。 （二）物流中心选址问题。 物流中心主要包含流通中心和配送中心，物流中心的选址直接影响到物流的各项活动的成本，同时也直接关系到物流中心的正常运作与发展，因此物流中心的选址问题是学术界和实业界一直探讨的问题，选址问题即为求解运输陈本、变动处理成本和固定成本之和为最小的最小化问题。选址问题考虑的为中心点数量与分布得的情况，目前更多的是通过假设、简化的方式进行研究。而数据挖掘的应用，可以更好结合实际的情况进行分析，如分类树的应用。分类树 （classification）的目标是连续的划分数据，使依赖变量的差别最大。 通过分类树，可以计算出最终的中心点的位置，并且各中心之间的运输量。在保证业