迈向智能物流过程管理外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

迈向智能物流过程管理

Raef Mousheimish1,2(B), Yehia Taher1, and Bacute;eatrice Finance1

1 Laboratoire PRiSM, Universitacute;e de Versailles Saint-Quentin-en-Yvelines,

78000 Versailles, France

2 {raef.mousheimish,yehia.taher,beatrice.finance}@prism.uvsq.fr

Fondation des Sciences du Patrimoine, LabEx PATRIMA, Cergy, France

关键词：物流过程通常是一致同意的，多个合作伙伴之间的长期运行主张，这些主张在服务水平协议中被指定为要维护的约束条件。 然而，由于各种不可预见的事件可能会随着时间的变化而变化，因此这些制约因素可能随时受到侵犯，从而导致这一过程最终陷入不幸的境地。 在本文中，我们提出了我们的框架，该框架将关键业务操作与上下文事件相关联，以便在主动发生缓解对策时预测可能的违规行为。 另外，我们开发一个软件并进行实验来证明框架的实际适用性。

关键字：业务流程管理；SLA违规预测；适应SLA违规

1 绪论

物流是每个企业更重要的经济活动之一，其管理被认为是非常具有挑战性的。物流过程中的跨组织业务协作通常以涉及各方接受整合的相互承诺的形式（例如交付时间le;2天）进行规定。在任何企业中，客户的满意度都是第一位的，因此确保遵守SLA规定（如交货时间）达成一致，这是一个关键问题。因此参与物流流程的各方始终致力于尽快提供服务，以加强其在全球贸易中的声誉和竞争力。然而，这是一个不平凡的目标，如同在现实世界中一样，物流过程运行的条件（例如位置，道路状态）随着时间的推移可能随机演变。不足以有效地处理这些动态变化，可能会导致过程出现不幸的情况。特别是，大量的物流运作体现了迟交货或迟运营商取消[4]。

随着物联网（IoT）的发展，今天促进了移动和传感设备数据量的增加，并且与任何地方的任何人建立了无缝连接，一系列研究提议已经探索了从背景角度来看SLA监控的问题。 但是，这些监测方法在发生违规后提醒它们大多是被动的。只有少数几种方法突出强调预测性监测的重要性，以便及时发现违规行为，并采取主动适应措施避免违规[2,5,7]。 通常，这些方法试图有效地实施MAPF（监测 - 分析 - 计划 - 执行）循环的概念，由Kephart和Chess在他们关于自主计算的观点中提出[1]。循环被认为是实现主动计算的基石，因为它提出了理论上可行的解决方案。然而，在实现时，研究方法仍然存在编号限制，它们仍然是被动的而不是主动的，他们缺乏动态的适应策略（每个例外都需要在设计时加以解决）。

在本文中，我们提出了一个新框架，旨在有效预测可能的时间违规，并通过动态生成适应对策来主动解决这些问题。为了实现可靠的预测，我们指定了一种预测算法，该算法主要基于利用所监测的感兴趣事件的延迟传播机制来构建。该算法可以预测过程的状态，同时指出任何可能的违规发生之前。为了主动减轻预测的违规行为，我们提出了一种称为子目标算法的新算法，负责寻找可用的手段来避免这种违规行为。该算法按照其范围将该过程分成片段，以便识别要调整的最小过程片段。这种技术允许尽可能地保持适应性。指出过程中预测状态（而非当前状态）的违规情况，以及使用本地适应技术是可以传播到更多领域以更好地处理业务流程管理的新机制。该框架已通过物流用例进行实施和测试。

本文的计划如下。在第2节中，我们通过引入后勤场景和审查现有技术中的缺点来激励我们的工作。在第3节中，我们讨论我们的框架。在第4节中，我们勾勒出我们的演示原型和实验。最后，我们在第5节中总结和展望未来的研究。

2 动机

首先我们概述一个激励的情景，即多模式运输领域，我们将在整篇论文中作为一个运行示例。之后，我们回顾相关作品并突出其缺点。

图1 最初的计划

2.1物流场景

假设西班牙瓦伦西亚的客户请求荷兰马斯特里赫特的制造商提供一些时间敏感的货物。我们假设货运将于上午8点准备好运输，并且需要在晚上8点半之前提供给客户，否则需要处罚。如图1所示，专家提出了最便宜的计划。让我们考虑一下，在执行第一项任务时，路上发生意外的交通堵塞，将货物抵达布鲁塞尔机场的时间推迟了一个小时。 为了增加对伤害的侮辱，我们假设布鲁塞尔机场的高安全检查也增加了半小时的延迟，因此，货物无法按时飞行。为了应对这种情况，一种可能的解决方案可能是等待下一次飞往马德里的飞行。到达目的地后，货物将最终停运，但延误很大。

虽然这似乎是一个相当合理的解决方案，但它显然显示出相当大的局限性，无法正确服务于客户的要求，即遵守商定的结论并按时交付运费。

如果未能主动调整流程以有效地处理不可预见的情景事件，该情景会显示流程最终可能出现的情况如何不幸。该情景突出了下一代物流流程的需求，即智能流程能够监控其流程 通过感知和与物理单词交互来表现自己的表现。

2.2相关工作

在PREvent框架[3]中，作者定义了一套关于流程流程的预测检查点。每个检查点都与一个预测器和一个适配器相关联。每当达到其中一个点时，触发适当的预测器以检查可能的未来违规情况，然后适配器根据需要执行静态预定义的适应操作之一。监控和预测仅在检查点时触发，并且适配器组件仅限于一组需要在执行前设计的预定义操作。在设计阶段确定良好的检查点以及分配好的适应行动都是单调乏味的，面向人的任务，容易出现错误的配置。

作者在[6]中介绍了所谓的小平面过程，其中任务被注解为前置条件，期望的效果和后置条件。在执行任务之前和之后分别检查前置条件和后置条件以捕获违例，因此在执行期间不会检测到任何违规行为。

上述方法是业务流程管理领域的一般方法，我们现在看一下交通领域的更具体的项目。

在[4]中，作者解决了物流使用案例延误的问题，然而他们主要依赖于没有事件宣布过程达到了特定的里程碑。在我们的工作中，我们引入了另一种机制，可以以更快的速度预测延误，并留出更多时间进行调整。

绿色欧洲运输服务或GET服务1是欧洲最新的物流领域项目之一。它包含了提高业务流程的支持，以支持更高效的运输任务。特别是，他们提出预测性监控，以便在发生在线物流过程之前发现违规行为[8]。重点主要放在飞行航行活动上，在这些活动中他们定义了受限（飞行位置）和监控（高度和速度）属性。在执行期间，他们在基于区间的方案中监视这些属性。通过计算一个经过训练的支持向量机分类器，他们可以检测到分歧。尽管这种方法部分相关，但事先检测飞行是否要在另一个机场降落比计划要早。正如我们的激励情景所示，我们对多式联运的运输过程更感兴趣。

最后，[9]中的作者建立了一个物流过程来处理多传输集装箱运输领域的客户请求。 然而，该方法仅处理客户端请求事件，而不处理执行期间可能出现的意外事件。其次，他们依靠包含静态校准的运输网络信息的预定库，例如，从A点到B点的时间是恒定的。这似乎是不切实际的，因为在[4]中进行的研究中提到的延迟时间很多。

缺点分析：许多研究计划通常依靠预先定义的适应行动的可用性。他们让最终用户定义一个静态补偿计划设计 - 时间可能超过预期的情况。但是我们认为，不可能列举所有可能发生的情况，尤其是在物流这样一个充满活力和不断变化的环境中。因此，这些举措在促使该流程处理不可预见的情况方面欠缺。

还有一点需要强调的是，目前的方法只能通过监控本地SLA或约束的偏差来保护全球目标。他们主要是检测并不预测当地的违规行为。就像使用检查点，计算服务执行后的响应时间，或者使用前后条件注释任务，而持续监视更加适合并且是必需的。

3 智能物流过程

在本节中，我们将介绍如图2所示框架的细节。ThePlan组件是一个可以生成物流流程的外部模块。执行组件负责跟踪执行情况。然后通过Monitor组件监控正在进行的过程，这些事件被称为感兴趣的事件。然后，Predict组件负责绘制关于过程未来状态的预测。如果预测到任何未来违规，则推荐组件将被触发并动态生成替代解决方案并推荐给用户。用户可以批准或拒绝该解决方案。在拒绝的情况下，系统将再次循环到推荐组件并寻找其他解决方案。否则，系统进入Adapt阶段，在该阶段初始过程在运行时被主动调整以避免预测的违规。如图所示，如果需要，该模块可以再次查询计划者。在下文中，我们专注于预测，推荐和适应组件，以回答以下问题：如何预测违规行为并主动减轻违规行为？

图2 总体框架

3.1初步定义

在物流方面，工作流程广泛应用于处理流程文档。但重要的是要特别指出，在这项工作中，我们有兴趣管理工作流程。也就是说，我们对签署，检查，导入/导出等不感兴趣。重点在于真正的运输行为，即可监测的任务，需要如[8]中所述的持续监测。考虑到这一点，在多式联运业务领域，客户要求的处理可以通过生成一系列特定的活动来完成[9]。在本文的其余部分，我们将重点介绍如下所述的三项基本任务，这些任务足以满足要求。负载（L）和卸载（U）任务，它们表示货物的（未）装载（对于飞行，我们假设机场安全检查被纳入这些任务以简化目的）。运输任务（T）是将货物从一个地方运送到另一个地方。

注释的时间感知表示法：分析物理过程的过程，我们定义了一个带注释的时间感知表示（类甘特图）。它简化了关于每个任务所需的任何信息的提取（例如，完成时间，允许的延迟时间，位置）。图3（a）通过将我们的场景付诸实践来说明这种表示。空盒子显示额外的未分配时间。黑色框表示每项任务的允许延迟时间（PDT）。这些延误表明任务结束时间（ET）可以超过其商定的价值。它们主要取决于流程中的下一个任务和全球完成时间（GCT）。目前，这些PDT可以被认为是一组可以被用户操纵的配置。使用这个时间感知表示，每个任务可以被投影到时域中提取其开始时间（ST），结束时间（ET）以及其允许的延迟时间（PDT）。请注意，在[9]等其他作品中，我们的PDT看起来像是最早和最新的时期。 然而，我们的建议通过为每个任务指定一个PDT，而不仅仅是全局过程的开始和结束。这构成了检测本地侵权行为的主要推动因素，因为它将为后面所示的更灵活性铺平道路。

形式符号：Delta;符号代表物流过程中所有任务的领域（同样适用于流程工作）。现在，除了卡车和飞行形式之外，还支持三个任务，Delta;可以定义为：

Delta; ={xy | x isin;{L,T,U}and;y isin;{trz,flz} where z isin; N } (1)

delta;sub;Delta;表示我们在场景中使用的任务按时间顺序排序的集合。

我们还定义了一个二元运算符（larr;？）和一个函数（prec），我们将在任务中应用它

forall;x1 and x2 isin; Delta;, we write: x2 larr;x 1 iff x2 follows x1 directly or indirectly (2)

prec : Delta; → Delta;, Where x2 = prec(x1) iffx2 precedes x1 directly (3)

此后，我们可以使用tx等注释，其中t表示CT，PDT，ST等时间特征之一，x表示任务（xisin;Delta;）。

3.2预测发生之前的违规行为

本节的贡献是双重的。 首先，它描述了如何通过主要识别感兴趣的事件来进行预测性监控，其次描述了如何预测违规事件在事件发生之前的完成情况。

预测性监测：为了有效地管理预测性监测，我们的解决方案首先自动识别感兴趣的事件，即要监测的事件，并在设计时免除用户的繁琐工作。机制主要依赖任务的语义。尽管关于语义丰富和分析的低级技术细节仍处于早期阶段，但这个概念还值得一提。

我们区分内部和外部两种类型的事件。内部事件是流程执行过程中的一部分，可能提供与货运当前位置相关的信息，指示特定任务的开始或结束等。它们主要用于运行时跟踪。外部事件是源自外部数据源的事件，例如传感器，移动设备，服务和物联网来源。他们可以提供与可以提取重要知识的流程环境有关的信息，例如交通堵塞，机场安全检查水平等。内部事件很容易从流程执行中收集。 但是，外部事件需要基于标识关于流程任务的语义。例如，马斯特里赫特和布鲁塞尔之间所有计划航线的状态都被视为Ttr1任务的高利益事件。今天，依靠人群采购技术的各种举措正在交付重要的背景信息，例如Waze2以提供道路状况。为了收集这些事件，监控组件需要在适当的时间订阅和取消订阅提供这些事件的服务。例如，如果STTtr1等于8:00，则监视组件需要在任务执行之前至少三个小时（即，在5:00）预订相应的事件源。由于在本文中我们并不关注复杂的事件处理，因此我们将特定的静态值关联起来，以捕捉流程可能遇到的延迟。然而，延迟作为我们系统的输入，并且动态值得到了明确的支持。我们假设对于一个交通堵塞事件，预计会有1小时的延迟，对于高度安全事件（在机场），需要30分钟的额外分钟。在本文中，我们仅讨论上述两个事件用于演示目的。

违规预测：每次监控事件时，我们通过改变称为预测过程或图的任务的另一个时间感知表示来分析其后果（图3（b））。正如本图所示，第一项任务成功完成，但我们假设在执行第二项任务时（Ttr1），我们收到事件表明道路堵塞导致1小时的延迟。随后，Predict组件更新预测图形以掌握这一新信息，并描述过程的预期未来状态。为了处理延迟并绘制预测过程的状态，Predict组件延长受影响的任务（本例中为Ttr1），同时延迟剩余任务相对于基础延迟。每个

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23916]，资料为PDF文档或Word文档，PDF文档可免费转换为Word