当今物流行业已成为全球经济发展的基础产业之一，被各国广泛认可。在中国，随着“一带一路”等战略的推进，物流产业有着巨大的发展机会和潜力[1]。然而，物流企业在实际运营过程中，存在信息量大、动态性强、时效性突出等特点，需要依靠信息系统和市场相结合来提升工作能力[2]。对于电商物流配送链信息整合而言，尽管重要性不言而喻，但缺少明确规划和统一标准，使得现有信息平台建设低效、信息交流不畅，进而影响了整个产业的发展。因此，电商物流企业急需提出针对配送链信息整合的方法，以实现运营优化[3]。同时，窄带物联网通信技术的出现扩大网络覆盖区域、增加设备数量的可能，能够更好地适应急剧膨胀的配送链信息整合需求。本文将探讨如何结合窄带物联网通信技术，进行电商物流配送链信息整合方法的设计研究。
公式中，B表示配送链信息的关联特征量；Ex表示电商物流配送链信息数据库初始特征分布量化指标；v表示电商物流配送链结构中的传递速率；vm表示在某一时刻电商物流配送链结构中的传递速率；X(v）表示电商物流配送链信息数据库节点负载。在实现对配送链信息的关联特征量的定义后，结合关联特征匹配算法，对配送链信息进行初步整合[5]。在这一过程中，将Small-World拓扑结构作为网络模型的核心结构，构建如图1所示的电商物流配送链网络模型。
在图1所示的电商物流配送链网络模型结构中,将电商物流配送链信息分布的属性集合定义为DBi，将关联规则集合记为A[i]，在A[i]当中包含了（n+1）个特征信息分布组，其中n表示时间窗口的数量。针对电商物流配送链信息分布的状态空间，即电商物流配送链网络模型的函数表达式可写作：
公式中，xk为电商物流配送链信息的微簇数据集，xk为数据流聚类；x为信息分布的属性特征量。根据上述公式得出电商物流配送链信息的聚类中心。结合上述构建的电商物流配送链网络模型，可以为后续信息的整合提供便利条件。
在电商物流配送链网络模型构建完成后，窄带物联网通信技术被引入，以调度配送链信息资源。窄带物联网基于4G LTE分组核心网的网络机构演变而来，分为终端侧、接入侧、核心网络、垂直行业中心等结构。终端侧主体可接入NB-IoT的终端装置，通过传感模块、无线传输模块、数据采集模块等上传数据并接收核心网下达的资源[6]；接入侧是以窄带物联网基站为主，能够与核心网络相连通[7]；核心网络以网元为基本单元，能够将设备和云计算平台相联系，优化网络结构；垂直行业中心包含各行各业的应用服务器，电商物流配送应用服务器是本文研究的重点[8]。使用窄带物联网通信技术采集信息资源和调度配送链，具体操作为；上行链路帧结构中设定3.75kHz和15kHz两种子载波间隔，分别对应单载波和多载波传输方式[9]，以及20个0.5ms时隙和5个2ms时隙。总时隙资源的计算公式为：
公式中，NM表示总时隙资源；N表示总时隙数；M表示调度过程中存在时延敏感的设备集合；U表示调度过程中不存在时延敏感的设备集合。
窄带物联网的上行链路把整个网络的资源划分为多个节点，以便有效地传递不同用户的信息。在单载波传输方式中，每个RU只处理1个子波。而在多载波传输方式中，每个RU会处理15k Hz的子波频宽，并且一个RU可以处理13612个子波进行发送。
在配送链信息资源调度过程中，应用混频的自动要求重新传输的方式实现反复传输，反复传输的次数由下行链路控制信息确定。在数据传送中，物理层需要将调度请求、HARQ信令等信息传递给介质访问控制层，由NB-IoT进行MAC层时隙频率的调度[10]。上行资源调度一般包括以下步骤：建立设备和基站之间的连接；通过授权NPDCCH信道发送调度信号；对信道进行评估；授权上行链路并发送调度指令；进行上行数据传输。通过上述调度方式实现对资源的采集，以此为后续对资源的分配与整合提供有利条件。
按照上述论述内容，完成对配送链上信息资源的采集后，根据上述论述可知，时延敏感设备与非时延敏感设备的调度任务目标不同，因此针对两种设备需要分别完成对信道模型的计算。针对时延敏感设备，其上行传输速率可通过下述公式计算得出：
公式中，rm表示时延敏感设备上行传输速率；Sm表示时延敏感设备子载波个数；hm表示时延敏感设备信道增益。根据调度结果确定时隙个数以及单个时隙的大小，并以此得到可上传的配送链数据包大小。为完成整个数据包的成功上传，确保后续整合可行，其上传数据包大小应大于设备所需上传的数据包大小。除此之外，时延敏感设备还必须在最大传输时延内完成数据的上传。非时延敏感设备的上行传输速率可表示为：
公式中，ru表示非时延敏感设备上行传输速率；Su表示非时延敏感设备子载波个数；hu表示非时延敏感设备信道增益；pu表示非时延敏感设备子载波带宽。根据上述公式，在分配配送链信息资源时，需将两个矩阵内所有元素置零。若无资源重复利用，则单个子载波下的资源只能被一个设备占用。若存在资源重复利用，则需计算多个设备间的干扰，确保通信质量才可被多个设备占用。
采用自适应交叉分布式控制方法对配送链关联进行进行决策与整合。假设电商物流配送信息的动态属性Y为因变量，x1,x2，…，xm-1为配送链信息整合的动态约束性特征分布的自变量，以此得到在信息整合过程中二者的关系为：
公式中，e表示误差补偿项；b表示系数。采用自适应交叉分布式控制方法对配送链信息进行分类，并使用最优线性均衡器进行信息整合。通过使用模糊决策方法结合多通道电商物流配送链寻优方法，以及随机选取簇头节点进行信息整合，得到配送链信息的分配矢量。最终，通过将整合后的信息导入低路径利用率的配送链中，来实现对信息的有效整合和利用率的提高。在整合的过程中可以根据资源之间的分散程度实现对整合效果的初步验证。整合资源之间的分散程度可以通过资源中关键词的距离进行度量，分散程度的计算公式为：
公式中，dispersion(d）表示整合资源的分散程度；t1和t2均表示一个整合结构中的两个不同资源；m表示关键词数量；N表示资源信息长度。在整合的过程中，针对dispersion(d）设定一个阈值U，若通过计算得出的dispersion(d)
为了测试本文设计的基于窄带物联网通信技术的整合方法应用性能，因此设计了性能测试实验。为了确保实验结果可对比性，选择将基于SBM-ML模型的整合方法和基于大数据分析的整合方法作为对照I组和对照II组，将本文设计的整合方法作为实验组。在Visual DSP++4.5平台上，通过ARM运行电商物流配送链信息整合算法程序，利用三种整合方法对16个电商物流配送链信息通道上的信息进行整合。记录在5秒内，三种整合方法应用下，配送链信息整合幅值的变化情况，并将结果记录如图2～4所示。
图2～图4展示了三种不同的整合过程中幅值变化情况，本文针对这些图像展开分析。首先，从图2中我们可以清楚地看到，采用I组整合方法进行配送链信息整合后，随着时间的增加，幅值变化较小，尽管稳定性较好，但这也会导致整合过程中信息的丢失，因此结果并不理想。其次，从图3中我们可以看出，采用II组整合方法进行配送链信息整合后，幅值波动较大，稳定性差，也无法满足预期的需求。最后，通过观察图4实验组整合方法的幅值变化情况，我们发现随着时间的增加，幅值波动始终保持一致，具备良好的稳定性，且幅值较大，能够有效防止信息的丢失，因此符合预期理想要求。
综上所述，基于窄带物联网通信技术的整合方法表现出更高的应用性能和显著的整合效果。为了对整合性能进行进一步的量化评价，我们选定信息召回率作为评价指标。信息召回率是正确整合的信息量与信息总量的比例，其大小反映整合的精度高低。信息召回率的计算公式为：
公式中，R表示整合结果的信息召回率；TP表示正确整合信息量；FN表示错误整合信息量；TP+FN表示信息总量。在实验过程中，每种整合方法共完成150次的循环，针对每一循环整合结果的信息召回率进行计算，并记录每30次循环时整合结果的信息召回率，得到如表1所示的实验结果。
经对三种整合方法整合结果信息召回率的对比研究，发现三种方法均表现出逐渐增加的趋势且实验组表现最佳。经过150次循环后，实验组信息召回率达到100%，而对照I组信息召回率虽然增长速度较大，但由于初始信息召回率较低，最终无法达到实验组水平。综上所述，基于窄带物联网通信技术的整合方法性能优异，应用于电商物流智能化建设与发展，为其提供坚实的基础条件。
本文提出了一种全新的电商物流配送链信息整合方法，结合了窄带宽物联通信技术的应用优势。通过整合电商物流配送链信息，提升供应水平和信息共享能力。并通过实验验证了该方法的整合性能。未来，随着电商物流的发展，将会出现更多应用场景以及业务需求，面对新的应用场景，仍然需要有更好的信息整合方法用以满足发展需要，对此为促进整合方法应用性能的进一步提升，在后续研究中还将从扩大整合规模、提升容量、增加多种维度因素等方面进行更加深入的研究。
沪公网安备 31011202008041号
