0、引言随着国家经济发展、互联网体系完善，人们消费热情日趋高涨，大量的消费需求同时带动了另外一种销售模式-网上销售，这种平台的产生也促进了物流行业的完善和发展。电子商务竞争日趋激烈，电子商务在改变传统产业同时，也对传统的物流运作方式提出了挑战，物流运作体系的完善也必将推动电子商务的发展。电子商务已将传统的零售转为以技术，科技为导向的现代商务，并且全国规模较大的公司已经建立起了自己的配送中心，完善自己复杂的运营配送网络[1]。在大量产品运输及销售过程中，运营商们很少将关注的重点放在物流行业中运输成本的节约上，或者可以说，没有做到有效精确的节约成本，而这却将能为商家省去很大一笔资金[2]。针对目前这一状况，为了节省运输中卡车预定量的资金，更准确、更便捷地分析和把握每天在固定时间点货物所占卡车体积的发展趋势，利用JSP技术对以往历史数据中货物所占卡车体积量进行数学建模，从而实现对卡车预定量的分析和预测。本文采用浏览器/服务器模式和xml数据库技术，对系统进行设计和开发。
    1、预测系统背景亚马逊作为致力于成为全球最以客户为中心的电子商务巨头，在中国拥有非常复杂的库房网络。该公司当前已拥有11个库房，64条不同库房之间进行调拨的线路，大多数调拨的订单是由卡车运输的。为了更好地利用卡车容积，对于某些线路，亚马逊中国将顾客订单和调拨订单统一放到同一辆卡车上。对于不同大小的卡车，卡车的容量越大，成本越高。要实现在提货时间到达前的8个小时预订卡车，必须对调拨和订单体积做准确的预测，以定制合适大小和数量的卡车。如果预测的过高，卡车的空间利用率将会降低，将造成空间成本的浪费；如果预测的过低，就不能及时准确地运输所有订单，会导致订单延迟，顾客满意度降低。
    为了缩小由于过低预测卡车体积造成的订单延迟，也为了避免过高预测卡车体积造成的空间成本浪费，需要实时地跟踪订单和调拨的数据变化，因此提出开发卡车预测系统。
    卡车预测系统通过预测调拨和订单的准确的体积，以定制合适大小和数量的卡车。包括卡车运输信息配置、数据导入、计算、预测等功能模块。
    2、预测系统设计该系统采用Browser/Server结构，以HTTP协议为基础，Web为核心应用搭建卡车预测分析系统，共3层结构模型：表示层-浏览器；应用逻辑层-预测服务器；数据服务层-数据库服务器。采用线性拟合的方法，结合JSP技术实现对现今日趋增长的物流配送行业中关于每天卡车预定量进行统计和分析，从而描绘出卡车预定量发展走势图，进而实现对每天卡车需要量的预测。如图1所示，该卡车预测系统主要包括以下几个大部分：配置需求数据模块，历史数据采集模块，数据分析引擎模块，数据管理模块，各部分功能如以下几点。
    2.1 配置需求数据模块该预测系统会每天实时的自动对调拨商品进行预测，并将预测结果在订车前以邮件的形式发给相关人员。运营中心系统使用人员需要在系统中配置调拨线路，该线路调拨的商品类型，每天发车时间及邮件接收人员邮箱。这些信息以调拨线路为单位，以XML的形式存储。
    XML来源于SGML，其数据的自我描述性，在数据表示方面有突出的优势，也已逐渐成为Internet网上的通用格式[3]。
    2.2 历史数据采集模块
    数据采集模块主要负责历史数据采集，采集的数据包括拟合预测参数的基础数据，以每天为单位时间，采集单位时间内系统中实际交接的商品净体积（asinvolume），商品装车后实际占用卡车总体积。将这些数据收集起来，然后发送到数据分析模块中进行处理。
    这些数据分为两部分，实际交接的商品净体积，是通过连接数据库，每天从数据库中自动抓取并以xml文件存储；商品装车后实际占用卡车总体积是运营中心人员定期使用系统将数据以excel指定格式导入该模块，解析为XML存储。此模块主要基于开源的ojdbc6、poi-excelant及poi-ooxml包。
    2.3 数据分析引擎模块收集到的所有数据被送到数据分析引擎，分析引擎有以下几个步骤及功能：
    一，根据用户所选日期获取历史数据，用回归分析和线性拟合的方法，处理历史数据，得到最佳回归系数。回归分析方法是用数理统计的方法确定变量之间相关关系，通过对数据进行直线或曲线拟合找出变量间合适数学表达式的一种方法[4-5]。采用线性拟合的方法来确定哪种曲线能够最恰当地描述所采集的观测数据，并利用计算机对各种可能的曲线方程进行计算，求出各曲线的回归系数，从而选取最佳曲线模型进行预测。分析模块和预测模块的流程图分别如下图2及图3所示。
    二，分析引擎利用新计算出的最佳回归系数，及根据用户所选日期段获取数据库中商品净体积计算出预测体积，并动态提供三条对比折线图如图4，分别代表所选日期段的实际卡车体积，新回归系数预测体积和系统在用的回归系数预测出的体积。从三条折线中能清晰的分辨出新旧回归系数所预测出来的体积哪个更接近实际体积，从而确定更精确的回归系数。
    在图4所示的图表中，有三条折线，其中蓝色的“previousMagicP”表示旧的预测历史体积值；红色的“actualvolumn”表示真实的体积数据；绿色的“newMagicP”表示新算出的预测体积值。
    系统在计算模块通过比较计算得到的新MagicP相比之前的旧MagicP的可信度，利用动态图表可以直观地发现最优的MagicP。
    此外，预测的原则是：预测的体积允许在实际体积范围内小幅度上下波动，最好的情况是，宁可预测体积大于实际体积，也最好不要小于实际体积，因为实际运营情况中，如果有冗余的卡车空间，可以装其实提早完成的货物，但如果体积空间不够，就要走零担车，增加了更多的花销费用。
    三，分析引擎计算新回归系数的同时也会给出新回归系统的精确度。
    2.4 数据管理模块一个好的预测系统不仅能为用户提供实时，准确的预测信息，还应能记录每次预测中的实际数据，以便日后需要取证重算新的回归系统及对比。
    每次计算出回归系数后，系统会把相应的数据存储到与之相对应的XML文件中。
    3、结论本系统主要是对亚马逊每天卡车预定量进行分析和预测，采用JSP技术，应用多元线性回归，对亚马逊每天货物量趋势进行了统计、分析和预测。该系统已试运行半年，应用效果良好。