摘 要

随着信息技术广泛地应用在物流领域中，各种物流活动也在产生着大量的物流数据，通过对这些物流数据进行挖掘分析可以发现其中蕴含的规律信息，以此提高物流活动的服务水平，其中，对物流时空数据的挖掘分析更是有着不容忽视的作用。在各种物流活动中会产生大量的时空数据信息，通过对这类时空数据进行挖掘分析，可以得到其中的频繁模式，进而优化物流活动，并为物流企业相关决策提供一定的支持。

本文通过对货车在货物运输中产生的路径数据进行挖掘分析，寻找其中蕴含的频繁模式，分析路径中可能存在的问题，以便有针对性地进行优化改进，提高货车的工作效率，同时，可以根据得到的频繁路径对货车的运动趋势进行预测，提高物流活动的服务水平。具体工作如下：首先介绍了数据挖掘的概念及过程，阐述了时空数据挖掘的相关理论，定义了物流路径频繁模式的相关概念；其次建立了本文要研究的问题模型，介绍了对物流时空数据进行频繁模式挖掘采用的序列模式算法及本文要使用的PrefixSpan算法模型；最后利用Python软件，使用PrefixSpan算法对物流路径数据进行频繁模式挖掘，进行实验并寻找其中蕴含的频繁模式，通过比较分析得出较为频繁的路径。结果发现，不同规模下最为频繁的模式是不同的，但它们均可以为企业的相关决策提供支持。

关键词：物流时空数据；数据挖掘；序列模式；频繁路径；PrefixSpan算法

Abstract

With the wide application of information technology in the field of logistics, a large number of logistics data are produced in various logistics activities. Through the mining and analysis of these logistics data, we can find the regular patterns and information contained therein, therefore, we can improve the service level of logistics activities. Among them, the mining and analysis of logistics spatio-temporal data plays an important role. A large amount of spatio-temporal data information will be generated in various logistics activities. Through mining and analyzing such spatio-temporal data, frequent patterns can be obtained to optimize logistics activities and provide certain support for relevant decision-making of logistics enterprises.

In this paper, the path data generated by freight cars in cargo transportation were analyzed to find the frequent patterns contained therein. Through analyzing the possible problems in the data, we can optimize it pertinently and improve the efficiency of the freight cars. At the same time, the movement trend of freight cars can be predicted according to the frequent patterns to improve the service level of logistics activities. The specific work was as follows: Firstly, the concept, method and process of data mining were introduced, the related theory of spatio-temporal data mining was expounded, and the related concepts of logistics routing frequent patterns were defined; secondly, the problem model to be studied in this paper was established. Then, this paper introduced the sequential pattern algorithm and the PrefixSpan algorithm model for frequent pattern mining of logistics spatio-temporal data. Finally, using Python software and PrefixSpan algorithm to mine frequent patterns of logistics path data. Experiments were carried out to find the frequent patterns, and more frequent paths were obtained through comparative analysis. The results showed that the most frequent patterns are different in different scales, but they can provide support for the relevant decision-making of enterprises.

Key words: Logistics spatio-temporal data; Data mining; Sequential patterns; Frequent paths; PrefixSpan algorithm

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 研究目标及内容 3

1.3.1 研究目标 3

1.3.2 研究内容 3

第2章 相关理论基础 5

2.1 数据挖掘理论 5

2.1.1 数据挖掘的概念 5

2.1.2 数据挖掘的方法 5

2.1.3 数据挖掘的过程 6

2.2 时空数据相关理论 7

2.2.1 时空数据的概念及类型 7

2.2.2 时空数据模型 7

2.2.3 时空数据挖掘 8

2.3 物流路径频繁模式相关理论 9

2.4本章小结 9

第3章 物流时空数据频繁模式挖掘模型 10

3.1 背景问题 10

3.2 物流时空数据频繁模式挖掘算法 10

3.2.1 序列模式挖掘算法概述 11

3.2.2 几种常用的序列模式挖掘算法 11

3.3 挖掘频繁模式的PrefixSpan算法模型 13

3.3.1 相关术语及概念 13

3.3.2 PrefixSpan算法流程 14

3.4 本章小结 16

第4章 实验与分析 17

4.1 数据准备 17

4.2 频繁模式挖掘 19

4.2.1 小型数据集频繁模式挖掘 20

4.2.2 频繁模式挖掘与分析 21

4.3 本章小结 26

第5章 结论 27

参考文献 28

致 谢 30

第1章 绪论

1.1 研究背景及意义

在现如今这个发展日新月异的信息社会，数据的重要性已经不言而喻，不管是什么行业，合理高效地利用这些数据指导实际业务是其赢得竞争的关键。通过数据挖掘技术得到的数据中蕴含的规律和信息对于企业的经营发展的意义是无可置辩的，对获得的规律信息进行研究总结，可以达到改善经营状况，提高竞争力等目标。

对于物流行业来说，会有海量的物流时空数据。大量的先进科学技术被应用于物流业之中，在物流信息化水平得到不断提高的同时，现代物流也得到了飞速的发展。

大量的物流数据信息伴随着各种物流活动的进行而产生，为了优化货物运输工作，提高运输工作的效率，研究运输货物时产生的路径数据便成为一个重要方面，使用RFID、GPS等技术收集货车在工作过程中的路径数据，通过对路径数据这种物流时空数据进行挖掘分析，发现其中的规律，寻找其频繁模式，便于发现其中蕴含的问题，并且可以有针对性的解决暴露出来的问题，应用一定的科学方法和手段优化和改进货车的运输路线，使货物的运输过程时间更短，成本更低，效率更高。同时，还可以根据发掘出的频繁模式对其趋势进行预测分析，从而有利于企业改善物流服务质量。

目前，频繁模式挖掘也不断地应用在各式各样的领域中，例如，购物篮分析，在这些不同的工作中，寻找频繁模式可以更好地对工作进行改进，使企业日常经营工作朝着更好、更长远的方向发展。频繁模式挖掘应用在物流业中一个重要的方面便是寻找路径数据的频繁序列，也即找出常用的运输轨迹，不管是货车的运输路径、配送路径，还是货车的运输路径，均可以利用数据挖掘技术进行频繁模式挖掘，从而可以在更贴合实际的角度对运输路径进行优化改进，以一种科学的方式对物流活动进行改进，从而极大地提高物流工作的效率和效果。