基于車輛運(yùn)營(yíng)數(shù)據(jù)的商用車服務(wù)網(wǎng)絡(luò)優(yōu)化

劉科強(qiáng) 徐國(guó)強(qiáng) 趙圣娟

摘 要：隨著國(guó)內(nèi)商用車整體設(shè)計(jì)制造水平的提高，售后服務(wù)網(wǎng)絡(luò)的完善程度和服務(wù)質(zhì)量已成為客戶購(gòu)車的一個(gè)關(guān)鍵因素。文章通過對(duì)車輛歷史運(yùn)營(yíng)軌跡、?？繜狳c(diǎn)等的分析，探討車輛運(yùn)營(yíng)數(shù)據(jù)在商用車服務(wù)網(wǎng)點(diǎn)評(píng)價(jià)、優(yōu)化和選址上的應(yīng)用，為商用車服務(wù)網(wǎng)絡(luò)部署與優(yōu)化提供數(shù)據(jù)參考。

關(guān)鍵詞：車輛；運(yùn)營(yíng)數(shù)據(jù)；服務(wù)網(wǎng)絡(luò)優(yōu)化

中圖分類號(hào)：U461.99 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1671-7988（2018）17-29-04

Abstract： With the improvement of the overall design and manufacturing level In the field of omestic commercial vehicles， the quality and perfection of customer service network have become a key factor for customers to buy cars. Based on the analysis of vehicle running track and hotspot， this paper discusses the application of vehicle operation data in the commercial vehicle Service Network evaluation and optimization and location， in order to provide data reference for the deployment and optimization of commercial vehicle service network.

Keywords： commercial vehicles； the operation data； the optimization of service network

CLC NO.： U461.99 Document Code： B Article ID： 1671-7988（2018）17-29-04

前言

隨著國(guó)內(nèi)商用車整體設(shè)計(jì)制造水平的提高，商用車銷售市場(chǎng)的競(jìng)爭(zhēng)越來越激烈，客戶購(gòu)買車輛不僅考慮車輛的產(chǎn)品質(zhì)量，對(duì)產(chǎn)品的售后服務(wù)的要求越來越高?？茖W(xué)合理的商用車服務(wù)網(wǎng)絡(luò)布局和優(yōu)質(zhì)的售后服務(wù)已成為客戶決策購(gòu)買車輛的決定因素之一，商用車生產(chǎn)企業(yè)急需圍繞汽車產(chǎn)品結(jié)構(gòu)和布局，構(gòu)建合理、方便、快捷的服務(wù)網(wǎng)絡(luò)，提升售后服務(wù)質(zhì)量。

汽車廠家傳統(tǒng)的服務(wù)網(wǎng)絡(luò)選擇方式存在諸多缺陷，由于缺乏數(shù)據(jù)的精確支撐，導(dǎo)致很多服務(wù)站選點(diǎn)不合理，不符合客戶實(shí)際運(yùn)營(yíng)。而車聯(lián)網(wǎng)技術(shù)的興起，應(yīng)用大數(shù)據(jù)為精確化選址提供了新的方法等等。

本文通過研究旨在規(guī)劃落地售后服務(wù)邁向大數(shù)據(jù)的高端分析運(yùn)營(yíng)模式，逐步深化主動(dòng)服務(wù)機(jī)制，以某品牌商用汽車市場(chǎng)保有量為基礎(chǔ)，整合車輛實(shí)時(shí)數(shù)據(jù)、路網(wǎng)數(shù)據(jù)、服務(wù)站信息，圍繞服務(wù)站服務(wù)效能、布局與選址統(tǒng)籌分析，以實(shí)現(xiàn)對(duì)現(xiàn)有服務(wù)網(wǎng)絡(luò)布局優(yōu)化、科學(xué)識(shí)別服務(wù)網(wǎng)絡(luò)空白區(qū)域的目的。

1 車輛數(shù)據(jù)采集與預(yù)處理

研究采用的車輛樣本數(shù)據(jù)包括，運(yùn)營(yíng)軌跡樣本車輛數(shù)182918輛，?？渴录囕v數(shù)158934輛。

采集主要數(shù)據(jù)項(xiàng)：GPS數(shù)據(jù)（經(jīng)度、緯度）、?？渴录ㄎ恢?、時(shí)長(zhǎng)）、服務(wù)網(wǎng)點(diǎn)信息等。

1.1 車輛數(shù)據(jù)采集

車輛數(shù)據(jù)采集過程依賴智能車載終端獲取車輛的運(yùn)營(yíng)過程中的各項(xiàng)數(shù)據(jù)。感知設(shè)備獲取到車輛多源數(shù)據(jù)后，通過 CAN 總線連接，由網(wǎng)關(guān)完成鏈路通訊，通過統(tǒng)一的協(xié)議和接口進(jìn)行通訊，將數(shù)據(jù)完整、快速地收集到智能車載終端中，車載終端利用無線通信技術(shù)通過內(nèi)置 GSM/GPRS/3G 和 GPS 模塊將數(shù)據(jù)上傳到云端數(shù)據(jù)存儲(chǔ)服務(wù)器。

1.2 車輛數(shù)據(jù)預(yù)處理

通過智能終端獲得的海量車輛數(shù)據(jù)可能存在一定噪聲信息，因此對(duì)數(shù)據(jù)的預(yù)處理就是不可或缺的部分。按照數(shù)據(jù)清洗的分類標(biāo)準(zhǔn)，可以將清洗問題分為4種：?jiǎn)卧磳?shí)時(shí)問題、多源實(shí)時(shí)問題，單源系統(tǒng)問題以及多源系統(tǒng)問題。單源實(shí)時(shí)問題指的是：對(duì)單一數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測(cè)，就能夠?qū)崿F(xiàn)錯(cuò)誤識(shí)別的（例如GPS定位錯(cuò)誤）；而多源實(shí)時(shí)問題主要是指矛盾的數(shù)據(jù)（例如GPS車速和脈沖車速嚴(yán)重偏離）；而單源或多源的系統(tǒng)性錯(cuò)誤主要指的是數(shù)據(jù)的沖突。解決實(shí)時(shí)問題采用數(shù)據(jù)剖析（Data profiling）的手段實(shí)現(xiàn)，而系統(tǒng)性問題需要采用數(shù)據(jù)挖掘（Data mining）的手段實(shí)現(xiàn)。數(shù)據(jù)剖析主要是考察數(shù)據(jù)的類型、長(zhǎng)度、有效區(qū)間、頻率、方差等指標(biāo)，來實(shí)現(xiàn)數(shù)據(jù)錯(cuò)誤的識(shí)別與清洗。

本文分析中的數(shù)據(jù)處理過程需要完成 GPS 數(shù)據(jù)與地圖匹配，將含有噪聲和誤差的 GPS測(cè)量數(shù)據(jù)通過地圖匹配算法校正到道路上；其次，從車輛位置信息中提取車輛運(yùn)行軌跡，對(duì)運(yùn)行軌跡采取道格拉斯抽稀算法進(jìn)行處理，使單車的一天多條軌跡信息簡(jiǎn)化為一條軌跡信息，標(biāo)簽化車輛運(yùn)行軌跡，并為該標(biāo)簽建立快速檢索方法。

2 服務(wù)站服務(wù)效能分析

通過匹配車輛行駛軌跡與服務(wù)網(wǎng)點(diǎn)信息，分析服務(wù)站覆蓋范圍內(nèi)的運(yùn)營(yíng)熱度、停靠熱度以及?？科骄鶗r(shí)長(zhǎng)，綜合三項(xiàng)指標(biāo)，評(píng)價(jià)服務(wù)站的服務(wù)效能，并對(duì)服務(wù)站進(jìn)行綜合排名，嘗試性建立服務(wù)站服務(wù)效能評(píng)價(jià)指標(biāo)，為服務(wù)效能提高提供依據(jù)。

2.1 服務(wù)站覆蓋區(qū)域運(yùn)營(yíng)熱度

運(yùn)營(yíng)熱力圖是由車輛有效運(yùn)營(yíng)軌跡點(diǎn)聚集而成。如圖1，車輛運(yùn)營(yíng)熱力圖的分布與服務(wù)站的分布趨勢(shì)基本一致，華北、華中、華東是高熱度區(qū)域，也是服務(wù)站高密度區(qū)域；同時(shí)服務(wù)站沿車輛軌跡，分布在交通干道周邊。說明服務(wù)站選址應(yīng)與車輛運(yùn)營(yíng)軌跡呈正相關(guān)，運(yùn)營(yíng)熱度越高的區(qū)域，對(duì)服務(wù)站的需求越多。

2.2 服務(wù)站?？繜岫确治?/p>

?？渴录苫A(chǔ)軌跡數(shù)據(jù)聚集而成，考慮每天原始軌跡數(shù)據(jù)量較大，計(jì)算復(fù)雜開發(fā)周期長(zhǎng)，因此本次僅基于2017年已生成的?？渴录?shù)據(jù)進(jìn)行計(jì)算，具有一定參考意義。

2.2.1 車輛停靠熱點(diǎn)與服務(wù)站分布

?？繜崃D是由車輛有效停靠點(diǎn)（?？繒r(shí)長(zhǎng)超過20分鐘的點(diǎn)）聚集而成。如圖2，停靠熱點(diǎn)的分布與運(yùn)營(yíng)熱點(diǎn)分布略有差異：（1）高熱度區(qū)域明顯少于運(yùn)營(yíng)熱力圖；（2）停靠熱點(diǎn)主要聚集在城市周邊，說明車輛的歸屬地或者貨源主要分布于城市周圍；（3）服務(wù)站分布與?？繜狳c(diǎn)重合度并不高，說明除車輛維保外，還有較多其他?？吭颉Ｒ虼艘韵聝H選取服務(wù)站附近的?？繜狳c(diǎn)來評(píng)價(jià)服務(wù)效能。

2.2.2 服務(wù)站停靠熱度分析

以服務(wù)站為中心，選擇1km范圍內(nèi)、20分鐘以上的停靠事件，做為與服務(wù)站相關(guān)的?？渴录?。

統(tǒng)計(jì)?？渴录l(fā)生頻次，來反映站內(nèi)維修事務(wù)的熱度。統(tǒng)計(jì)結(jié)果如圖3，高?？款l次的服務(wù)站數(shù)量成明顯下降趨勢(shì)，?？款l次超過2000的服務(wù)站不到13%，即約87%的服務(wù)站?？款l次都在2000次以下。

對(duì)停靠頻次2000以下的服務(wù)站分布進(jìn)一步分析：如圖4，頻次在2000以下的服務(wù)站，分布與總體趨勢(shì)一致，說明部分服務(wù)站的服務(wù)效能尚未充分發(fā)揮，其中有333個(gè)服務(wù)站停靠頻次在100以下，占比達(dá)28.7%。

2.2.3 服務(wù)站?？繒r(shí)長(zhǎng)分析

如圖5，服務(wù)站內(nèi)車輛的平均?？繒r(shí)長(zhǎng)主要在80到200分鐘之間，?？科骄鶗r(shí)長(zhǎng)為164分鐘，反應(yīng)出大部分服務(wù)事件的工作時(shí)長(zhǎng)。

2.3 服務(wù)站服務(wù)效能分析

在信息論中，熵是對(duì)不確定性的一種度量。信息量越大，不確定性就越小，熵也就越?。恍畔⒘吭叫?，不確定性越大，熵也越大。

根據(jù)熵的特性，可以通過計(jì)算熵值來判斷一個(gè)事件的隨機(jī)性及無序程度，也可以用熵值來判斷某個(gè)指標(biāo)的離散程度，指標(biāo)的離散程度越大，該指標(biāo)對(duì)綜合評(píng)價(jià)的影響（權(quán)重）越大。比如樣本數(shù)據(jù)在某指標(biāo)下取值都相等，則該指標(biāo)對(duì)總體評(píng)價(jià)的影響為0，權(quán)值為0。

熵權(quán)法是一種客觀賦權(quán)法，因?yàn)樗鼉H依賴于數(shù)據(jù)本身的離散性。

選擇?？款l次、平均?？繒r(shí)長(zhǎng)兩個(gè)指標(biāo)，利用熵權(quán)法，綜合評(píng)價(jià)服務(wù)站效能。

如圖6，通過熵權(quán)法，計(jì)算得出服務(wù)站對(duì)應(yīng)的?？款l次權(quán)重為0.62，平均停靠時(shí)長(zhǎng)為0.38，?？款l次更為重要；30分以下的服務(wù)站48個(gè)，需重點(diǎn)關(guān)注；60分以下的服務(wù)站有439個(gè)，占比39.3%，這些服務(wù)效能有待優(yōu)化。

研究嘗試性的利用?？款l次、實(shí)車建立評(píng)價(jià)模型，提供效能評(píng)價(jià)的思路及應(yīng)用場(chǎng)景探索，如能引入更豐富、更全面的服務(wù)記錄數(shù)據(jù)，該模型將有較大的優(yōu)化空間。

3 服務(wù)站新址推薦

將車輛的運(yùn)營(yíng)熱點(diǎn)、?？奎c(diǎn)與服務(wù)網(wǎng)絡(luò)整體布局關(guān)聯(lián)分析，重點(diǎn)發(fā)掘尚未覆蓋的運(yùn)營(yíng)熱區(qū)，同時(shí)尋找該區(qū)域內(nèi)存在的停靠熱點(diǎn)，即為有服務(wù)需求而沒有服務(wù)站點(diǎn)的“盲區(qū)”。將這些位置標(biāo)注在地圖上，為新建服務(wù)站選址提供參考，提高選址的合理性。

3.1 服務(wù)盲區(qū)分析篩選

綜合考慮運(yùn)營(yíng)熱點(diǎn)和?？繜狳c(diǎn)，對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)服務(wù)盲區(qū)，推薦算法邏輯如下：

（1）對(duì)車輛的運(yùn)營(yíng)熱點(diǎn)、?？繜狳c(diǎn)按照熱度值倒序排列。

（2）遍歷運(yùn)營(yíng)熱點(diǎn)，如果運(yùn)營(yíng)熱點(diǎn)屬于現(xiàn)有服務(wù)站覆蓋范圍（半徑100km），繼續(xù)遍歷；否則，以運(yùn)營(yíng)熱點(diǎn)為中心，遍歷范圍內(nèi)的?？繜狳c(diǎn)，如果?？繜狳c(diǎn)也不屬于現(xiàn)有服務(wù)站覆蓋范圍，記為有效?？奎c(diǎn)。

（3）以運(yùn)營(yíng)熱點(diǎn)為中心，標(biāo)記范圍內(nèi)存在有效停靠點(diǎn)的區(qū)域?yàn)橥扑]區(qū)域。

通過上述算法擬合計(jì)算的結(jié)果標(biāo)記在地圖上如圖7。標(biāo)記出的“盲區(qū)”在進(jìn)行新建選址時(shí)，可參考推薦區(qū)域內(nèi)的?？奎c(diǎn)，保證車輛既高頻經(jīng)過該區(qū)域，同時(shí)又具備高頻停靠行為。

3.2 推薦服務(wù)站地址

圖7在運(yùn)營(yíng)熱點(diǎn)、現(xiàn)有服務(wù)站圖層基礎(chǔ)上，展示了服務(wù)盲區(qū)的區(qū)域與位置，服務(wù)盲區(qū)是優(yōu)先考慮建立服務(wù)站的區(qū)域。

從全國(guó)范圍看，華北、華中區(qū)域服務(wù)網(wǎng)絡(luò)覆蓋比較完整，服務(wù)盲區(qū)較少。服務(wù)盲區(qū)主要分布在西北、華南、東北三個(gè)區(qū)域，這三個(gè)區(qū)域具有運(yùn)營(yíng)熱度適中、原有站址覆蓋不充分的共同特點(diǎn)。

3.2.1 西北區(qū)域推薦服務(wù)站地址

如圖8，西北區(qū)域推薦站點(diǎn)沿主干道分布，貫穿于主要城市之間，重點(diǎn)關(guān)注交通干道周邊的盲點(diǎn)區(qū)域，評(píng)價(jià)現(xiàn)有服務(wù)站的間距能否滿足服務(wù)要求，進(jìn)一步篩選合適的服務(wù)站址。

3.2.2 華南區(qū)域推薦服務(wù)站地址

如圖9，華南區(qū)域推薦站點(diǎn)主要分布在原有服務(wù)站間隔的“空白”區(qū)域，是對(duì)原服務(wù)站服務(wù)范圍的補(bǔ)充，可考慮新建站點(diǎn)或調(diào)整原有服務(wù)站位置，以適應(yīng)市場(chǎng)發(fā)展與變化。

3.2.3 東北區(qū)域推薦服務(wù)站地址

如圖10，東北區(qū)域推薦站點(diǎn)主要分布在衛(wèi)星城市或城市互聯(lián)的道路周邊。由圖分析得出，哈爾濱、長(zhǎng)春、沈陽(yáng)成熟的運(yùn)營(yíng)熱點(diǎn)路線周邊，服務(wù)站基本飽和，應(yīng)重點(diǎn)關(guān)注其他中小城市及之間互聯(lián)的道路。

3.3 優(yōu)選建立服務(wù)站位置

根據(jù)推薦區(qū)域的運(yùn)營(yíng)熱力、停靠總頻次，優(yōu)選出10個(gè)停運(yùn)營(yíng)熱力、?？靠傤l次在10000以上的位置作為重點(diǎn)考察設(shè)置服務(wù)站的地方，具體位置如表1。

4 小結(jié)

商用車售后服務(wù)站選址與車輛運(yùn)營(yíng)軌跡呈正相關(guān)，運(yùn)營(yíng)熱度越高的區(qū)域，對(duì)服務(wù)站的需求越多，同時(shí)參可考車輛?？繜狳c(diǎn)位置，進(jìn)一步優(yōu)化服務(wù)站址。

參考服務(wù)效能評(píng)價(jià)模型，關(guān)注得分較低的服務(wù)站，提高服務(wù)站服務(wù)效能。

參考車輛運(yùn)營(yíng)數(shù)據(jù)獲得的推薦建站位置，還須結(jié)合市場(chǎng)發(fā)展動(dòng)向、路網(wǎng)信息，才能夠科學(xué)合理的匹配出服務(wù)站新址。

參考文獻(xiàn)

[1] 孫小紅.車聯(lián)網(wǎng)的關(guān)鍵技術(shù)及應(yīng)用研究[J].通信技術(shù)，2013，46（04）： 47-50.

[2] 趙春玲，寧紅云.Apriori 算法的改進(jìn)及其在物流信息挖掘中的應(yīng)用[J].天津理工大學(xué)學(xué)報(bào)，2007（1）：30-33.