Полная версия

Главная arrow Логистика arrow Инновационные процессы логистического менеджмента в интеллектуальных транспортных системах. Т. 4. Наиболее крупные инновационные разработки конкретных задач в области логистического менеджмента

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>

Формирование и эконометрическая параметризация модели интермодальных перевозок в виде управляемой сети динамических грузопотоков

Формальная модель грузопотоков в системе интермодальных перевозок

В исследовании моделирование грузопотоков реализовано на основании позиций теории графов. Поток задает способ пересылки некоторых объектов из одной вершины графа в другую по его дугам (перемещение по дуге осуществляется в заданном на ней направлении). Вершина, из которой начинается перемещение (грузов), является источником. Вершина, в которой заканчивается перемещение, является стоком. Грузы, которые перемещаются из источника в сток представляют единицы грузопотока (рис. 2.5).

Потоковая сеть

Рис. 2.5. Потоковая сеть

Модель преобразования потоков при консолидации грузов

В задаче консолидации грузов одна из задач заключается в преобразовании входных потоков (малого объема) в выходные потоки (объем контейнера) по мере накопления грузов, принадлежащих одному получателю.

При интермодальной грузоперевозке чаще всего используются контейнеры как основной вид оборудования. Они различаются:

  • • по техническим характеристикам:
  • — самый распространенная длина = 6 м, реже используется = 12 м;
  • — часто используются контейнеры вместимостью до 3 т, реже — 5 т;
  • • по функциям:
  • — контейнеры с открытым верхом (Open Тор) — используются для перевозки грузов крупных габаритов;
  • — контейнеры-танктейнеры (сложное сооружение из цистерны и каркаса обычного контейнера) — служат для перевозки различных жидкостей;
  • — контейеры-рефы — нужны для перевозки скоропортящихся продуктов;
  • — контейнеры со сменным корпусом — удобны для перемещения груза с одного вида транспорта на другой.

В настоящее сложность развития контейнеризации объясняется, в частности, недостаточной степенью эффективности загрузки контейнеров у грузовладельцев. Как один из вариантов в работе предлагается использование пороговых коэффициентов:

где Акк соответственно коэффициенты адаптации по грузоподъемности и вместимости;

Zx — объемная масса контейнеропригодных грузов с упаковкой (т/м3);

Uk — удельная грузоподъемность (геометрическая) контейнера (т/м3).

В более общем случае предлагается рекуррентная стохастическая модель заполнения контейнера (рис. 2.6).

В данной модели входной поток задается произвольным распределением. Величина ?, задает случайный интервал времени между событиями прихода мелких партий со случайным объемом v. При

Модель преобразования потока при заполнении контейнера

Рис. 2.6. Модель преобразования потока при заполнении контейнера

Характеристики заполнения контейнера

Рис. 2.7. Характеристики заполнения контейнера

этом времена событий определяются как /0: = 0, tj+ j: = ti + а объем контейнера в момент времени '/: у0- = 0. = + V-.

Разработанная модель позволяет генерировать выборочные траектории случайного процесса загрузки контейнера (рис. 2.7, а) и дать оценку результирующего распределения времени заполнения контейнера с учетом недогрузки (рис. 2.7, б).

Показано, что время заполнения хорошо аппроксимируется нормальным распределением, что представлено в табл. 2.1, для следующих характеристик: = гехр(0.5) — интервалы экспоненциально распределенные (пуассоновский поток); v: = runif(2, 6) — объемы, равномерно распределенные в интервале [2, 6].

Характеристики распределения времени загрузки

Таблица 2.1

Upper

Boundary

Variable: Ts, Distribution: Normal (3arp_2.sta) Chi-Square = 4,58552, df = 2 (adjusted), p = 0,10099

Observed

Frequency

Cumulative

Observed

Percent

Observed

Cumul. % Observed

Expected

Frequency

Cumulative

Expected

Percent

Expected

Cumul. % Expected

Observed-

Expected

<= 0,00000

0,00

0,00

0,00

0,00

0,05

0,05

0,05

0,05

-0,05

5,00000

0,00

0,00

0,00

0,00

0,68

0,73

0,68

0,73

-0,68

10,00000

2,00

2,00

1,98

1,98

4,73

5,47

4,69

5,41

-2,73

15,00000

18,00

20,00

17,82

19,80

16,86

22,32

16,69

22,10

1,14

20,00000

38,00

58,00

37,62

57,43

30,94

53,26

30,63

52,73

7,06

25,00000

28,00

86,00

27,72

85,15

29,31

82,57

29,02

81,75

-1,31

30,00000

10,00

96,00

9,90

95,05

14,33

96,89

14,18

95,94

-4,33

35,00000

3,00

99,00

2,97

98,02

3,61

100,50

3,57

99,51

-0,61

40,00000

1,00

100,00

0,99

99,01

0,47

100,97

0,46

99,97

0,53

< Infinity

1,00

101,00

0,99

100,00

0,03

101,00

0,03

100,00 0,97

Variable

Descriptive Statistics (Загр 2.sta)

Valid N

Mean

Median

Mode

Frequency of Mode

Minimum

Maximum

Variance

Std.Dev.

Coef.Var.

Standard

Error

Ts

100

19,78648

19,24200

Multiple

1

8,500000

40,01500

32,10180

5,665845

28,63493

0,566585

В результате по имеющимся характеристикам входных потоков, направленных к одному получателю партий груза, получаем характеристики потока консолидированного груза, который используется на верхнем уровне модели интермодальных перевозок.

 
<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>