英语原文共 32 页，剩余内容已隐藏，支付完成后下载完整资料

目的：本文的目的是提高城市交通模型大数据变革潜力的知识。

指导本文的中心问题是：大数据如何转化智能城市交通运营？在回答这个问题时，作者介绍了马尔可夫研究的初步结果。然而作者还提出了大数据转型潜力的警示，并强调了城市和组织采纳的风险。一个理论框架与指导马可夫模型开发的相关场景一起提出。

设计/方法学/方法：开发了一种具有多种场景的模型，以探索一个理论框架，重点是匹配运输需求（人员和货运流动性）使用大数据提供城市交通服务。该模型旨在说明如何在智能城市中共享运输负载（和容量）可以提高满足城市服务需求的效率。

结果：此建模研究是调查数据的最初初步阶段，可以用多大的数据重新定义并启用新的运营模式。该研究为智能城市环境中的负载分担和优化提供了新的认识。基本上，作者展示了如何使用大量数据来提高运输效率，降低智能城市的外部性。进一步的改进可以通过拥有无汽车城市环境，自主车辆和供应商之间的共享资源能力来实现。

研究局限/意义：研究依靠马尔可夫模型及其稳态概率向量的数值解，来说明运输业务管理（OM）在未来城市情况下。显然需要更深入的分析和更多的离散建模来协助实施大数据计划，并促进OM的新创新。该工作补充并扩展了Setia和Patel（2013），理论上将信息系统设计与操作吸收能力能力联系起来。

实际影响：研究意味着运输业务实际上需要重新组织，以应对降低二氧化碳足迹。物流方面可以被看作是将个体公司优化自己的交通运输供应转变为共同的合作负荷和资源系统。这些想法是激进的变革，或导致更多的分散化，而不是集中运输解决方案（Caplice，2013）。

社会影响：二十一世纪城市和城市地区的增长给资源和条件带来了更大的压力城市生活。本文是建立城市发展所带来的社会影响的理论，知识和批判性理解的初步第一步，以及大数据和智能城市在发展具有弹性和可持续性的交通城市体系中发挥的作用。

原创性/价值：尽管OM对大数据实施的重要性，对于从业人员和研究人员来说，我们尚未对城市系统或组织层面的实施能力和对能力建设的吸收能力贡献进行系统分析。因此，马尔可夫模型对集成大数据能力与OM功能的文献作出了初步贡献，从而提高了系统吸收能力。

关键词吸收能力，大数据，供应链整合，负荷分担，运输运行论文类型研究论文。

介绍

大数据有可能使供应链管理（SCM）的艺术发生革命性变革。然而，尽管广泛报道了战略影响，但是缺乏对经营和生产管理的影响力的实证研究。在这项工作中，我们扩展了我们的框架和模型研究的结果，以检查运输能力数据大小如何影响未来城市SCM的潜在情况。 Fosso-Wamba等（2015年，第235页）将大数据定义为：“管理，处理和分析五个Vs（体积，速度，品种，真实性和价值）的整体方法，以便为持续价值交付创造有效的见解，衡量绩效和建立竞争优势“。同时伴随着城市数据“速度”和“数量”的急剧上升，城市化进程在过去十年中一直很戏剧化。事实上，根据Lierow（2014）的说法，预计世界70％的人口将居住在城市。2050年，这一比例增加了调整实际基础设施和投资新的压力，以支持货物和人员的流动，并尽量减少与环境退化和生活质量有关的相关影响（Caragliu et al。 2011）。

为了解决这个问题，全球越来越多的城市正在采用“智慧城市”的概念（Allwinkle和Cruickshank，2011）。一个聪明的城市是：“一个城市通过基于信息和通信技术的解决方案，在多方利益相关者，基于市政的伙伴关系的基础上寻求解决公共问题”（Manville等，2014，第24页）理论上可以在智能城市的“社会物质”或“上层建筑”上建立“大数据”物流系统（Leonardi，2013）。

大数据物流可以定义为城市交通的建模与分析分销系统，通过由GPS，手机和公司业务的交易数据创建的大型数据集（Blanco和Fransoo，2013）。城市物流的需求和要求每天都在通过智能计算技术的创新而发生变化。越来越多的车辆实时跟踪可以促进更准确的资源共享和容量分配。因此，物流公司需要更多的技术和技术支持来处理五个Vs（Fosso-Wamba等，2015）。

城市当局和社区正在使用越来越多的数据来提高他们对公民行为，服务使用的理解，并建立服务透明度和问责制。随着大数据的增长，存在隐私监控和数据滥用挑战（Moir et al。，2014）。城市也面临质量，全面性，收集和来自不同来源的数据分析的挑战。然而，如果为城市和组织提供有意义的机会和解决方案，大数据也需要强大，可访问和可解释。

未来的城市运营经理需要战略工具来帮助他们实现一个高效和有效的城市交通网络的愿景。例如，在桑坦德市（西班牙北部），有20,000个传感器连接建筑物，基础设施，运输，网络和公用设施，为物联网（IoT）功能的实验和验证提供了物理空间[1]。

本文的目的是通过探索如何做出对运营理论的贡献

大数据将转变智能城市运输业务。此外，基于大数据的智能城市交通解决方案必将对供应链产生影响与道路运输密切相关的部件。因此，我们还旨在提供一个关于这种转型对未来SCM实践可能意味着什么的评论。为了达到这个目标，我们使用其数值解决方案，从马尔可夫研究中得出结果。这项工作在理论上可以补充和扩展Fosso-Wamba等人的重要文章。 （2015）和Setia和Patel（2013），理论上探讨了技术吸收能力对物流业绩的影响。

本文的结构如下：在文献综述中，我们定义了大数据

突出表明将其融入城市运营管理（OM）的风险和挑战。随后提出了一个初步的组织框架以及相关的方案。在第四部分，概述了建模过程的研究方法和细节。其次是智能城市物流运营模式发展初步框架的结果部分。在最后一节，我们概述了工作的理论贡献及其实际影响，并提出了未来的研究途径。

大数据：限制，风险和挑战

随着智能城市的到来，开始出现了一系列文献探索城市运营设计师采用大数据的动机（Scott，2014）。例如，有研究如SAS2这样的软件解决方案如何应用于改善公共交通部门的时间表现（Biederman，2013）。一些研究预测大数据物流的未来发展和影响。关于其流程采用最近的研究表明，30％的托运人和27％的第三方物流（3PL）提供商表示，他们正在计划采用一项大数据计划来提高交付能力（Burnson， 2013）。有几篇论文描述了大数据在信息和数据检索过程中可以发挥的优势。 Mehmood等（2015年）指出，根据世界卫生组织的数据显示，卫生保健费用主要是由于系统和运行效率低下的原因;大数据分析可以将这些低效率降至最低，并改善临床过程，从而实现更好的预防，个性化医疗保健。最着名的是McCrea（2013）解释了哪些大数据流程对运输管理领域很重要。这些包括：清理，协调，组合和标准化数据，以及数据可视化。

在智能城市环境中，数据捕获的数量和速度要大得多。

例如，Miller（2013）介绍了通过众包收集大数据的新方法。麦肯锡全球研究所（Manyika et al。，2011）还将地理信息系统作为大数据的来源进行了研究，他们也将传感器，GPS和社交媒体作为新的数据源。聪明的城市实践者可以使用这样的数据进行智能路由，汽车监控和本地化服务。它也为政府（例如城市规划）和公司（例如本地化广告，优化路由）带来好处。

然而，必须注意的是，由于五个Vs.大数据也带来了更大的物流规划复杂性。数量或大量的数据消耗巨大的存储或需要大量的记录数据（Russom，2011）。速度是数据生成的频率或速度和/或数据传送频率（Russom，2011，第2页）。品种强调，它是从各种来源和格式生成的，它包含在多维数据领域（包括结构化和非结构化数据，Russom，2011，第3页）。

根据这些定义，Fosso-Wamba等（2015年）包括另外两个Vs，即价值（或Vs的四分之一），以强调从现有的大数据中提取经济利益的重要性（第235页）。他们还认为，应将大量数据的先前定义添加到第五维度“Veracity”，以突出显示质量数据的重要性以及各种数据源数据的信任程度（Fosso-Wamba et al。，2015，p。 234）。

在操作和流程层面实施大数据方面存在重大挑战（Fosso-Wamba等，2015，第234页）。这是Li等人支持的观点（2016年）指出，收集和分析更多数据并不总是与改进的运营绩效相关：“并不是所有的数据都可以被数字化;我们不能假设自动化对OM总是有利;这是因为我们处理大量数据（实时）并用于在城市景观中进行快速有效的操作干预的能力有限。例如，有更多的货运和乘客数据可以解决交通拥堵吗？“（第10页）。同样，假设拥有更多数据提供必然更好的现实模型可能是一个过于简单的假设。例如，虽然大数据在检测到相关性时非常有效，但是当确定哪些相关性有意义时，可能会失败。

风险和挑战文献中确定的主要风险总结在表一中。它们可以进一步归类为是否是“可预防风险”，“战略风险”和“外部风险”（Kaplan and Mikes，2012，p 21）。

可预防的风险是应尽可能积极控制和避免的内部风险。例如，这将包括数据共享，所有权，数据清理和会议合规性标准（Rigby，2015; Kitchin，2014）。策略风险是智慧城市实践者为寻求优势或竞争优势而采取的理性，计算风险。这将包括：通过建立小型工厂（例如，为当地医院生产医疗产品和用品，Mourtzis和Doukas，2013年），将全球范围的权力下放和重新定位到当地的生产物流。

外部风险在很大程度上超出了从业人员的控制。例如，在表I中，这是指非结构化数据量（Whitier，2014），还是有足够的技术数据库科学家来实现大数据处理能力（Bruner，2015）。

大数据也为企业的运营，信息，业务，质量和其他层面的整合铺平了道路。例如，参见Ji-fan Ren（2016），作者研究了与增强业务价值和企业绩效相关联的大数据环境中的质量动态。另见Ahmad和Mehmood（2015年，2016年），其中讨论了智能城市，可持续发展和物流方面的企业系统及其业绩。 Graham等（2015）探讨了物流原型在未来城市设计和城市供应链决策中开发“用户驱动”和“中小企业”方法的潜力。

智能城市交通运营框架

未来的城市有望接受新技术和规划与业务有关的活动。这些包括运输和医疗保健，这将比现在更有动力。大数据将在城市提供创新的日常和紧急服务方面发挥重要作用（Alazawi等，2014b）。城市规划者能够在短时间内对新兴需求的变化作出反应。

目前，自主车辆和自主计算系统成为可以提高城市运输和运营系统的效率和可靠性以及可持续性的主要方法（Schlingensiepen等，2014; Schlingensiepen和Nemtanu，2016）。利用诸如物联网等新兴技术，更容易在微观层面上衡量和监测运输相关活动的碳足迹。传感器丰富的城市将能够评估整个城市的健康状况，并为政策制定者提供必要的物流数据，使其能够在更短的实施时间内在运营层面做出决策。

图1所示的框架是基于未来城市交通中心的情景。可以实时分析城市的能力和需求。在这样一个城市，运输中心是规划和管理需求的唯一权力。这种情况只允许在城市的自主车辆。

以上是为了指导马可夫模型的发展而设计的。该运输中心使用传感器网络，大数据和物联网监测城市中的事件。该中心根据收到的运营数据采取实时，短期和长期行动。这些行动可能需要立即采取行动，例如：在交通信号安排中进行修改，并向特定的城市地区发送额外的自主车辆以满足实时和新出现的需求。考虑所有运输需求由城市交通局规划和管理的情况。可以收到各种需求数据，包括运费，医疗保健，购物休闲，工作和学校。

收到的数据可以为影响城市交通流量的活动的短期和长期需求提供操作性的见解。数据也可以是直播数据，包括五个Vs.例如，在一个月的时间内举行的城市足球场的城际比赛将代表短期需求数据。虽然五年内建成一个大城市将被确定为长期数据，但几分钟前在市中心发生的重大事故将被确定为运输需求的实时转变。

研究方法

马尔可夫链，马尔科夫决策过程（MDPs），排队理论和离散状态模型被广泛应用于分析，优化和决策工具。马尔科夫链将感兴趣的系统建模为随机过程，并且可以分析其建模系统的稳态或时间依赖行为。可以通过计算马尔科夫链的概率分布来计算延迟，阻塞概率和系统利用率等性能测量。 MDP允许将系统建模为优化问题。基于排队理论的模型允许感兴趣的系统被建模为具有一定到达和服务速率的队列或队列网络。这些配方可用于分析计算系统中的工作损失概率和等待时间的关注度。到达，排队，服务和离开是许多科学和技术问题所固有的，因此许多有趣的系统可以被形成为排队模型。马尔科夫链，MDP和排队理论被认为是离散状态建模工具，因为建模的系统由离散状态组成，在一定的约束条件下，从一个状态转换到另一个状态。 Worthington（1987，1991）指出，排队理论继续是城市运营研究最多的领域之一，其应用于煤矿，呼叫中心，办公处理和零售（运输，电信和医疗除外）。 Worthington（1987）确定了基于排队的建模的五个维度：单个，多个和无限服务器;指数与非指数，稳态与时间依赖性分析;单节点，串联队列;队列网络和额外的功能，如优先级队列和服务器假期。 Worthington（1991）还在排队分析中确定了三种不同的方法：分析公式和公式;分析配方和数字解决方案和模型。

计算方法来解决大型模型

我们以前已经开发了马尔可夫链数值解的计算策略，以利用最小化资源使用的计算基础设施和技术的发展（参见Mehmood，2004a，b; Mehmood and Crowcroft，2005; Kwiatkowska et al。，2002 ，2004; Kwiatkowska和Mehmood，2002）。我们开发的资源最小化的计算技术范围包括：利用模型细节以最小化存储器和计算要求的紧凑数据结构;使用并发编程（多线程）和磁盘存储来高效存储和检索大型模型的核心外技

全文共6086字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[144529]，资料为PDF文档或Word文档，PDF文档可免费转换为Word