（3）交通信息采集系统
交通信息是LD‐DSS的外部信息。由于DSS中数据的主要用途是支持中高层决策制定过程，所以除了内部数据外，还要用到大量的外部数据，以充分掌握决策所处的内外部两方面的环境。交通信息就是这样一类数据。所谓交通信息，指的是交通路网的拥堵状况信息。在收集了交通信息后，LD‐DSS可以综合考虑配送需求以及路网提供的交通条件两方面的因素，根据决策规则合理地支持决策。
交通信息可以分为两个级别。第一个级别是静态的交通信息。它可以是电子地图系统所描述的路网的统计意义或经验估计下的交通状况。值得指出的是，一般而言，统计意义下路网的交通状况的变化周期是24小时。LD‐DSS中的静态交通信息应该以时间为分割单位详细地对电子地图所描述的整个路网进行交通信息的收集。
第二个级别是动态地采集路网的交通状况信息。本文前面所述的对车辆的实时调度是指将正在配送过程中的车辆纳入LD‐DSS中进行配送方案的生成，有必要时可以生成这部分车辆的二次配送方案并执行。如果可以实时采集到交通状况，则可以有两方面的应用。首先是在库车辆的配送方案的生成。交通状况是随时变化的，因此可以根据当前的交通状况，结合某些预测模型，预测车辆在配送过程中可能的路网交通流情况，再由模型生成符合决策规则的配送方案。其次，对于正在配送过程中的车辆，可以根据路网的实时交通流状况以及配送需求的实时更新，进行二次配送方案的生成，以最大化地利用车辆资源。
（4）用户管理系统
用户管理系统也属于LD‐DSS的外部数据。用户管理系统指的是以企业物流用户为核心的一系列信息管理系统。第三方物流企业面临大量的客户以及客户多样化的需求，其用户管理系统是比较复杂的。而对于连锁商业企业的用户管理就较为简单，通常认为其用户是各个连锁分店。需要指出的是，对于传统的企业管理信息系统，客户信息常常是处于中心位置的。即企业的一切活动，都是以客户的满意为最终目的。目前流行的客户关系管理系统（CRM）就是依照这样的思想所设计的系统。对于LD‐DSS而言，客户只是制定配送方案时所考虑的一个因素（当然可以赋予客户的需求以较高的优先权，取决于决策规则），而不是整个系统的中心。这两种观点并不矛盾。LD‐DSS在制定决策时，就已经纳入了客户的需求。LD‐DSS处于企业管理信息系统的中层，它支持企业的中高层决策，而决策本身就已经有一个前提，即以客户为中心。
用户管理系统应根据需要，包含各类信息，通常如用户的名称、地理位置等。此外，还应包括用户的历史记录、应收账款等信息。这部分与LD‐DSS关系不密切，而与企业管理信息系统密切的信息可以通过相应的接口由企业管理信息系统中获得。
3.模型库系统分析
在决策支持系统中，数据库系统中所包含的信息都应为模型库所用。与发展得相当完善的数据库实现技术不同，模型库的实现技术至今仍不完善。模型库不是预先定义的模型集合，而是通过模块的组合，可以使模型更加灵活地变更。因此，动态性是模型库的一个基本特征，也是研究模型库生成技术的前提。这里我们不关注模型库的具体技术实现细节，而仅从模型库所应包含的内容来进行分析。
LD‐DSS所涉及的模型主要是优化模型、决策模型、不确定模型等。在具体实现的过程中，可以用类似“由顶向下，逐步求精”的方法，对LD‐DSS所应包含的模型作出功能分解，最终得到模型库中应该包含的元模型。以下分析系统应该包含的模型为：
（1）配载模型
这是对具体的配送需求，是根据在配送过程中和在库车辆两部分的利用情况以及货物本身的配送属性，对由哪辆车运送哪部分货物所作出的模型。纯粹的配载，如考虑体积和重量二维限制的配装问题，在运筹学中称为“背包问题”。LD‐DSS中的配装问题是背包问题的扩展。它可能还需考虑货物之间的互斥性（如食品不可以和危险品混装等），以及是否用在途车辆运送突发性货物等等。解决这些问题需要根据决策规则，进行方案的比选。因为“背包问题”本身是一个NP问题，所以对于配载问题不可能得到绝对的优化解，而只能是相对满意的解。但是由于计算机的参与，可以大大提高解的优化程度，有效地提高车辆空间和载重的利用率。
（2）路线规划模型
此模型确定了已经配载好的车辆的行驶路线。在配载模型中不能仅仅只考虑配载本身的效率，而要将这个阶段的路线决策也纳入考虑。一般而言，应该按照地域属性将配送需求作集中。假设配载方案很科学，但是各货物的目的地之间相隔非常远，那么车辆的运送则变得效率低下。因此在配载问题时，就应该对路线规划问题作一个预考虑。
在配载方案确定后，路线规划问题还可以分为有时间窗和没有时间窗两种。如果没有时间窗且仅考虑在车货物，那么路线规划问题是一个简单的TSP问题，这个问题虽然也是一个NP问题，但是有着较多的成熟的近似算法；如果没有时间窗且需要考虑突发性在途货物，那么就要求在收到突发性需求后，LD‐DSS按照某种决策规则（如费用最小或时间最短）对全部车辆进行计算（包括用在途车辆，其位置由车辆定位系统得出），求出执行突发性需求的车辆；有时间窗的问题就较为复杂，国内外已有一些研究成果，多数都采用一些启发式的算法。
以上两个模型是LD‐DSS的核心模型，是配送系统日常运营的核心决策问题。除此以外，还应该有一些别的模型，如交通状况的预测模型、劳动力资源的调配模型等等，在此不作详细分析。
模型库如果采用完全的模型定义和生成技术，就要求系统使用者具有一定的模型知识。LD‐DSS可以预先定义一系列用于支持决策常用的模型，采用问答式的界面与用户交互；同时也提供用户自定义全新的决策模型的功能，使得各个层次的用户都能方便地使用系统，提高易用性。
4.系统实现架构分析
数据库和模型库的分析是从系统实现的逻辑结构来分析的。系统的实现架构指的是以何种物理组成方式实现系统、各数据库位于何处、模型库位于何处、以何种网络形式进行连接等。对于具有一定地域覆盖度的系统而言，通常流行的架构方式有浏览器／服务器（B／S）、客户机／服务器（C／S）等。如果LD‐DSS采用的是B／S这类瘦客户端的逻辑结构，那么所有的信息必须位于调度中心服务器上，这要求连接各工作站的网络的带宽足够大。其优点是系统易于维护和管理，各用户只通过浏览器进入系统，用户端不需安装任何软件。对于连锁商业企业，由于其通常只有一个仓储中心，建成高速局域网也较为简单，因此适合采用这种方式。而对于第三方物流企业，由于其地域覆盖较广，业务量也较大，采用C／S结构较为合理。
采用这种实现架构的系统其数据传输量相对较小，从而减小了对系统对高速网络的依赖。并且将信息管理的职能在调度中心和仓储中心之间作了分工。大多数简单信息管理的工作在仓储中心完成，而涉及决策的工作则在调度中心完成。
8.3.2 基于商务智能技术的多式联运物流决策支持系统
多式联运系统有人的活动参与，可控度极高，系统的成败很大程度上取决于物流决策是否正确。因此要实现整个物流系统协调运作以及多式联运的信息化，必须建立高效的多式联运决策支持系统。传统的物流决策支持系统（LDSS）缺乏丰富的数据资源以及没有统一、优质、高效的数据作为决策分析的基础，单一的常规数据库技术远远满足不了海量和多源的多式联运空间数据融合、集成、交互和信息提取。为此，采用基于商务智能三剑客（数据仓库、OLAP、数据挖掘）的多式联运物流决策支持的体系结构。
1.基于数据仓库的多式联运物流决策支持系统结构
它包含三个层次：
基础层由模型库系统和数据库系统组成，是多式联运决策支持的基础，能为决策问题提供定量分析的辅助决策信息；加工层主要是指数据仓库系统，通过数据仓库集成多式联运企业信息孤岛的数据，然后从数据仓库中提取综合数据和信息，这些数据和信息反映了大量数据的内在本质；应用层包括联机分析处理（OLAP）、专家系统和数据挖掘等，数据挖掘从数据库和数据仓库中挖掘知识，并将其放入知识库，由进行知识推理的专家系统进行定性与定量相结合的分析来完成辅助决策。
2.多式联运决策支持系统各功能模块分析
（1）多式联运数据采集系统
多式联运数据采集系统将运输企业、货主企业、监管部门等相互联结起来，通过数据采集器将相应的数据存入数据库，作为数据仓库抽取数据的数据源。
（2）模型库系统
多式联运物流决策系统模型库主要包含预测模型、统计模型、仿真模型、网络模型、运输模型、库存模型、仓库模型以及多式联运综合物流模型。多式联运物流模型库为物流决策提供依据，主要解决路径选择、方式选择、库存选择、流程选择、统计分析等问题。在确认和评价物流行为时起重要作用，达成复杂的管理目标。成功地联结相关的物流活动以及整合整个多式联运物流系统，物流模型变得十分有效。
（3）数据仓库系统
数据仓库系统是多式联运决策支持系统的核心，主要由数据仓库、数据仓库管理系统、数据仓库分析和应用三部分组成。
数据仓库是整个系统信息挖掘的基础。数据仓库管理系统负责对整个系统的管理。
数据仓库分析以多维数据的OLAP分析工具、数据挖掘工具为代表，使数据仓库发挥支持决策分析作用。
数据仓库的使用会大大提高多式联运决策支持系统的效率。多式联运数据仓库中按主题集成的数据为多式联运决策支持系统提供了有效的数据平台。而且为访问和综合数据提供了集成基础，增强了决策分析的速度。多式联运数据仓库多维数据组织方式采用星型雪花模式。
（4）多式联运联机分析处理（MTOLAP）和数据挖掘
针对特定的多式联运物流问题，MTOLAP能够对不同数据集合从不同角度切割后进行分析。MTOLAP通常采用切片、切块、钻取、旋转等基本动作分析处理多维数据。
通过与模型库中的模型、方法有效地结合，将会极大地提高MTOLAP的分析能力。
MTOLAP侧重于与用户的交互、快速响应及提供数据的多维视图，而数据挖掘则注重自动发现隐藏在数据中的模式和有用信息，从数据仓库中挖掘知识，并将其放入知识库。
其分析结果可以为数据挖掘提供分析信息的依据，数据挖掘可以拓展MTOLAP分析的深度，可以发现MTOLAP不能发现的更为复杂细致的物流决策信息。
（5）专家系统
专家系统以知识推理形式解决定性问题，充分做到定性分析与定量分析的有机结合，使得解决多式联运实际问题的能力有较大提高，能解决的实际范围扩大很多，明显体现出整个多式联运物流决策支持系统智能的特性。
由于模型仅仅是在某种假定下对多式联运现实物流问题进行抽象描述，使得模型与实际问题产生“实用性的差距”。而知识库是为物流决策者提供解决动态和复杂物流问题的智能工具，具有解释、学习、精炼解决问题的方法的特性，可提高决策支持系统的灵活性和交互性。集中管理决策问题领域的知识（规则和事），包括知识的获取、表达、管理等。通过对模型库和知识库的连接，消除了差距的存在，有机地结合了定性与定量的决策支持，使多式联运物流管理者能应付不断变化的物流环境。
多式联运物流决策支持系统结构集成了数据仓库、数据挖掘和MTOLAP等信息技术，强化了系统的智能性，通过数据仓库集成相互分离的、甚至全异的系统数据，可提供更可靠的决策信息。然而数据仓库技术在我国的研究和应用尚处于起步阶段，提出的基于数据仓库的多式联运物流决策支持系统的体系结构只是对此类系统的一种探索。建立一个基于数据仓库的多式联运物流决策支持系统还需要更多的理论支持和实践经验。
本章小结
本章从决策支持系统的发展历程出发引出了物流决策支持系统的概念。物流决策支持系统只不过是决策支持系统的对象细化了而已。它也是物流信息系统发展的高级阶段。
物流决策支持系统的决策支持技术有很多，主要包括传统的模型支持技术，比如预测模型、线性规划模型、仿真模型等等。除了模型支持技术外，还有人工智能技术、商务智能技术等等。特别是商务智能技术的发展，有力地推动了决策支持系统的发展。
思考题
1.有了物流信息系统，为什么还要物流决策支持系统？
2.模型技术、人工智能技术、商务智能技术的决策支持方式有何异同？
3.物流决策支持系统开发的最大难点在哪里？
