ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Прецедентный анализ логистических операций в геоинформационных системах

Статья опубликована в выпуске журнала № 4 за 2008 год.[ 23.12.2008 ]
Аннотация:
Abstract:
Авторы: Беляков С.Л. () - , , , Гордиенко Л.В. () - , ,
Ключевые слова: анализ, гис, логистика, парковка
Keywords: analysis, GIS, a mathematical model,
Количество просмотров: 6784
Версия для печати
Выпуск в формате PDF (8.40Мб)

Размер шрифта:       Шрифт:

Перемещение материальных потоков в пространстве описывается последовательностью логистических операций [1]. Реалистическая оценка трудоемкости и продолжительности операций является важной задачей проектирования логистических систем и оценки риска реализации проекта. Для ее решения важно обладать полной и достоверной информацией пространственно-временного характера, описывающей область реализации логистической системы. Для этого могут эффективно использоваться геоинформационные системы (ГИС) [2]. Предоставляя структурированные сведения о картографических объектах, ГИС повышает качество стратегического и оперативного анализа. Однако в ряде случаев одних географических данных недостаточно. Например, определенное по карте расстояние между пунктом отправки и пунктом доставки в современном крупном городе служит лишь отправной точкой для оценки времени и пути, пройденного транспортным средством. Причиной являются труднопредсказуемые пульсации транспортных потоков, аварии, ремонт транспортных магистралей и т.д. Возможным путем решения проблемы представляется создание программного инструментария ГИС для накопления и использования опытных данных, на основе которых можно принимать реалистичные решения.

 

В данной работе рассматриваются механизмы реализации прецедентного анализа в среде ГИС. Под прецедентом понимается событие или ситуация, возникшие в процессе реализации логистического проекта.

Рис. 1. Зона возможной парковки у здания

Рис. 2. Область решений

Рис. 3. Области выполнения логистических операций

Прецедентный анализ известен как один из способов решения задач интеллектуальными системами. Его суть в поиске близких по смыслу заданному прецеденту ситуаций и адаптация известных решений к существующим условиям. Реализация прецедентного анализа, таким образом, существенно зависит от представления исходных данных и известных решений. Отметим, что образное представление информации на электронных картах ГИС существенно отличается от пространственно-временного описания отношений в символьных системах [3], что не позволяет эффективно применить предикатные модели для поиска решений.

Прецедент в ГИС предлагается описывать парой множеств: , где Rc – множество картографических объектов, представляющее критическую область прецедента; Rd – множество картографических объектов, представляющее область решений. Рассмотрим пример реализации операции парковки транспортного средства вблизи здания для выгрузки товара. На рисунке 1 показана зона потенциальной парковки, границы которой установлены исходя из величины затрат на перемещение груза из транспортного средства в здание.

Область парковки рассматривается как критическая, если попадание в нее транспортного средства в реальных условиях не гарантировано. Например, все места парковки оказываются занятыми. На рисунке 2 показано представление области решений.

Точками отмечены места парковки, выбранные водителями транспортных средств в реальных ситуациях. Ситуации отличались датой, временем, типом транспортного средства, видом логистической операции, назначением логистического проекта в целом. Точки представляют область решений .

В общем случае в Rc и Rd входят точечные, линейные и площадные объекты. Каждый из них имеет атрибутивные данные соответственно принадлежности описанному классу картографических объектов.

Из примеров видно, что предлагаемое описание прецедентов имеет ряд достоинств.

1.  Образное представление фактов и решений. Такой уровень мышления более естественен для экспертов, чем абстрактные категории состояний, переходов и правил [4]. Это повышает достоверность, непротиворечивость исходных знаний, передаваемых экспертом для повторного использования.

2.  Картографическое представление богато по содержанию и несет много скрытых данных, не отмеченных явно экспертом, но доступных через инструменты картографического анализа.

3.  Экспертные данные в среде ГИС могут анализироваться на наличие пространственно-временных отношений не только с объектами, но и с явлениями и событиями, описанными в информационной базе ГИС. Достаточно универсальные приемы картографического анализа являются базовыми для принятия управленческих решений на основе анализа прецедентов [5].

Простейший сценарий прецедентного анализа (ПА) представляет собой нанесение на электронную карту областей выполнения логистических операций (пример областей показан на рисунке 3) и визуальный анализ карты, полученной пересечением областей операций (R0), критических областей (Rc) и областей решений (Rd).

В частности, непустые области пересечения  указывают на наличие риска в реализации проекта, обусловленного знаниями о возможных неудачных исходах операций. Площадь области R1 можно использовать в качестве нечеткой меры риска и строить на этой основе рассуждения по оценке уровня риска.

Непустая область  позволяет анализировать опыт выхода из возникавших аномальных ситуаций. Поскольку описание решений может быть сколь угодно сложным – от точек в приведенном ранее примере до схем перемещения, из него могут быть получены разнообразные данные о пространственно-временных характеристиках уже реализованных решений. Такие данные важны для реалистичной оценки потенциального ущерба, возможность которого выявляется анализом области R1.

При оперативном планировании визуальный анализ диспетчером-логистом области R2 дает возможность использовать уже известные удачные решения и избежать заведомо неудачных.

Рис. 4. Ситуации на участке транспортной сети

Более сложный сценарий ПА состоит в сравнении близких по смыслу ситуаций, возникающих при реализации логистических операций. ГИС должна обладать инструментом поиска близких ситуаций, поскольку ручной (навигационный) поиск их на карте трудоемок. Фактор трудоемкости очень важен, так как визуальный анализ карты аналитиком – неотъемлемый элемент картографического анализа.

Сравнение близких ситуаций представляется целесообразным строить на механизме классификации, используемом ГИС. Любая ситуация относится к некоторому классу и включает в себя:

·     визуальный объект, содержащий, как минимум, картографические объекты Rc и Rd (их свойства определяют пространственные характеристики ситуации);

·     временные атрибуты, описывающие как фактические данные об отдельных реализациях ситуации, так и обобщенные сведения о наступлении и длительности ситуаций данного класса;

·     семантические атрибуты, отражающие показатели риска успешного разрешения ситуации, то есть выполнения логистической операции;

·     методы класса, позволяющие конструировать, трансформировать ситуацию, управлять ее собственным представлением, а также два специфических метода – поиск экземпляров класса и индексирование (оба метода поддерживают процедуру визуального анализа пользователем аналогичных ситуаций).

Метод НайтиЭкземпляры() возвращает коллекцию экземпляров объектов, которые можно отнести к классу по аналогии. Если все объекты находятся на одном тематическом слое карты, сопоставленном классу, реализация метода тривиальна. В общем случае аналогичные объекты находятся как результат запроса к информационной базе, параметрами которого являются пространственные, временные и семантические значения и отношения.

Например, экземпляры классов «парковка в центре города», «парковка вблизи речного порта», «парковка вблизи железнодорожной станции» могут попасть в коллекцию аналогов класса «выгрузка партии товара в штучной упаковке», если предикат запроса включает отношение «находится на проезжей части» и ограничение «время выполнения логистической операции составляет не менее одного часа».

Полученная коллекция может быть изучена ГИС-аналитиком полностью лишь при небольшом числе элементов. Коллекция большего размера должна быть усечена до того же числа близких к рассматриваемой ситуации элементов. Метод ИндексироватьЭкземпляры(ЗаданнаяСитуация) упорядочивает элементы коллекции относительно размещения объекта ЗаданнаяСитуация.

Главной особенностью метода ИндексироватьЭкземпляры (ЗаданнаяСитуация) является использование нечетких категорий. Информация о предпочтениях в оценке ситуаций может быть получена только от экспертов, поэтому включает в себя скорее качественные, чем количественные оценки. Алгоритм индексирования должен использовать как точные картографические данные, так и нечеткие экспертные данные и высказывания, получая конечный результат логическим выводом.

Для примера на рисунке 4 показаны три ситуации на транспортной сети: s1, s2, s3, которые нужно упорядочить по отношению к ситуации s0.

Если индексирование ведется по величине расстояния соответственно декартовой метрике, результатом станет ás1,s2,s3ñ, по манхэттеновой – ás1,s3,s2ñ, по метрике дорожной сети – ás2,s3,s1ñ.

Можно видеть, что субъективизм даже при индексировании по одному параметру расстояния оказывается неизбежным. Реальные правила перестановки пары соседних элементов коллекции содержат нечеткие отношения и нечеткие функции, например:

Если Расстояние(s0,s1)НемногоМеньшеРасстояние(s0,s1)

ТО ПоменятьМестами(s0,s1);

Если (Местоположение(s2) = ЦентрГорода)

Ú (Местоположение(s2) <> ЦентрГорода)

&(Местоположение(s0) = ЦентрГорода)

ТО ПоменятьМестами(s0,s1);

здесь s0 – заданная; s1 и s2 – анализируемые ситуации; Расстояние() и Местоположение() – функции, возвращающие лингвистические значения; НемногоМеньше – обозначение нечеткого сравнения; ЦентрГорода – лингвистическая константа.

Конечная цель прецедентного анализа – выбор решения и установление уровня риска его реализации. Достижение этой цели с применением ГИС предполагает следующее.

·     Решения, принимаемые в аналогичных ситуациях, аналогичны по содержанию. Следовательно, решения из областей Rd должны рассматриваться как допустимое множество решений, если рассматриваемая ситуация аналогична областям Rc. Критерием выбора лучшего решения является риск его реализации.

·     Риск реализации решения определяется пространственными, временными и семантическими характеристиками области Rd.

Исходя из этого, в класс ситуаций необходимо ввести метод ОценитьРиск(Решение, Rd, Заданная Ситуация), где параметр Решение есть экземпляр реализованного решения из области Rd, Заданная Ситуация – область рассматриваемой логистической операции. Реализацию метода необходимо строить на использовании экспертных знаний из-за практической невозможности получения аналитических выражений.

Рассмотренные в данной работе особенности объектной реализации процедур прецедентного анализа дают возможность применить этот метод для нахождения реалистичных решений задач логистики.

Список литературы

1.   Курганов В.М. Логистика. Транспорт и склад в цепи поставок товаров: Учеб.-практич. пособ. – М.: Книжный мир. – 2006.

2.   Майкл де Мерс. Географические информационные системы. Основы. / Пер. с англ. – М.: Дата+. – 1999.

3.   Поспелов Д.А. Ситуационное управление: теория и практика. – М.: Наука. – Гл. ред. Физматлит, 1986.

4.   Вагин В.Н. Знание в интеллектуальных системах. // Новости искусственного интеллекта. – № 6. – 2002.

5.   Берлянт А.М. Картографический метод исследования. – М.: Изд-во МГУ, 1988.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=1636
Версия для печати
Выпуск в формате PDF (8.40Мб)
Статья опубликована в выпуске журнала № 4 за 2008 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: