轨迹大数据将为物流行业带来怎样的改变？

据官方预测，2019年全国快递业务量将达到600亿件，在五年内，快递数量有望破千亿大关。大家都明白：速度越快、效率越高，能够分到物流这块蛋糕就越多，下一站竞争窗口就是对效率的争夺。

那么，这千亿快递蛋糕当怎样分割？能撬动关键点的杠杆，又在哪里？

优化物流效率：从地理到时空的探索

GIS（地理信息系统）一直是智慧物流中的重要技术与工具，使用GIS构建物流信息一张图，将订单信息、网点信息、送货信息、车辆信息、客户信息等数据都在一张图中进行管理，进行快速智能分单、网点合理布局、送货路线合理规划、包裹监控与管理等关键功能，已在物流行业得到广泛应用。

随着卫星导航、无线通信、普适计算技术不断发展，带有定位功能的移动智能设备被广泛使用。人们在使用这些设备的同时也主动或被动地记录了大量的历史移动轨迹并被持久化保存，形成了时空轨迹(spatio-temporal trajectories)数据。

时空轨迹是地理空间加上时间轴所形成的多维空间中的一条曲线，可以表示移动对象在一段较长时间范围内的位置变化。每条轨迹由一序列时空采样点构成，其中每个采样点记录了位置、时间、方向、速度、甚至人与社会交互活动等信息，刻画了在时空环境下的个体移动和行为历史。

如果我们将物流行业中的人（货车司机、快递小哥等）、车（货运交通工具）、地（地图、路网、业务地图等）、物（货物流）以轨迹这种带有明显时空特征印记的数据进行链接、重新梳理、整合、智能分析，将对物流行业产生怎样的影响与改变呢？

时空化物流的一切

智慧物流管理本质在于，基于大数据智能梳理物流资源，形成资源最佳的共享机制。下过棋的人深知，想要下好每一步棋，心中就要有整个棋局，同样，要优化物流个体的效率，先要观察企业的整个物流布局和长时间序列下的各要素之间的内在关系与演化趋势。物流行业与地理空间、时间具有强相关性，在维度上形成了一种契合，通过轨迹数据的可视化与分析，能够探索和发掘物流资源配比的内在时空关联，来看几个功能：

潮汐化调度：物流热点区域随着时间变化会产生空间上的偏移和涨落，利用配送热力图，实现物流资源在不同时间段的精确调度。

伴行分析：从海量轨迹数据中，找到相似轨迹的物流车辆或快递小哥，将类似轨迹承载的货运物品进行合并配送，提高满载率，降低配送人力与时间成本。

配送贡献度：任意指定区域，对物流车辆或快递小哥的配送贡献度进行综合排名，分析、总结与规划最优配送路径和货运干线。

轨迹聚类分析：轨迹数据上附带标签信息，例如货物ID、司机信息、车型载重等，可以作为聚类或量化的线索，进行多维度的数据智能分析，加载深度学习模型，可探索不同物流车型、不同作业人员之间的最佳协同方式。

企业级时空数据库

挖掘物流演化规律与趋势

目前，轨迹库已经成为各大地图、导航等服务公司的重要数据资源，单库的原始轨迹规模通常在百亿条以上。在《轨迹大数据：数据、应用与技术现状》的课题研究中，作者通过频率在秒级、分钟甚至小时级不等的采样实验中得到一组数据：每天所采集的轨迹数据在千万至百亿个采样点的规模区间，最终积累成为TB甚至PB规模的轨迹数据。（具体数据对比见下图）

面对不断增长的轨迹数据，超擎研发了起点量级在百亿级以上的轨迹大数据平台。超擎图形化简技术，可有效降低轨迹数据的存储量，采用高性能数据压缩算法、高容错数据处理方式，支持按时间尺度对轨迹数据重采样，提供无损和有损压缩方式。基于运行目标的空间特性分析算法，可最大限度还原轨迹数据，通常存储量至少降低30-40%左右，为物流企业提供高效、大容量的轨迹数据服务。

企业建立自身的全要素时空数据库，对海量关系数据进行积累与统计， 基于科学的业务模型、时空专业算法和挖掘分析，能够帮助企业洞察通过其他方式无法了解的趋势和内在关系，从而为各种商业行为，如制定市场营销策略、规划物流路线、仓库选址分析、预测物流趋势等构建良好的基础，使商业决策系统更加智能和精准，获取更大的市场契机。

将车辆轨迹数据进行实时可视化，能够让物流企业对车辆的动态位置分布、行驶轨迹进行实时远程监控。

企业级车辆调度移动端应用，随时随地掌握车辆动态，并通过电子围栏管理车辆行驶范围。

轨迹与路网的双向推导，能够让企业挖掘更多价值信息：基于时间序列下的行为轨迹数据，通过AI智能反推，能够提炼路网信息，对于业务空缺数据是一个很好的补充；而基于路网对轨迹的校正，支持计算形成最短路径的车辆导航。

与实时交通数据进行交叉对比，接入深度学习算法，实现对物流车辆整体、高效的路线规划。

超擎可处理轨迹甚至可达到万亿级数据量，秒内对可视化与分析需求进行响应。系统支持接入实时轨迹数据，提供分布式环境下动态扩容的轨迹存储与计算框架、高增量轨迹数据的高效处理，对物流企业的数据资源整合、复用价值提升，到最终的降本增效起到重要作用。