2.1.2　物流大数据的类型

随着大数据的广泛应用，物流大数据的分类与整理成为物流行业智能化的重要依据。同样，在智能物流中，对于智能物流大数据的分类与整理也是智能物流发展与应用的重要部分。随着大数据的作用越来越明显，对智能物流过程中海量的数据进行采集、存储和分析，是大数据技术应用到智能物流中的关键。在进行智能物流大数据处理之前，需要将智能物流中的海量数据进行分类梳理，进而为大数据在智能物流中的应用提供基础。将智能物流大数据按照业务数据进行分类，可以实现对智能物流大数据分析、整理的目的。

1）轨迹型数据

感知设备记录的数据反映了整个物流过程，其数据的时间序列轨迹映射了物流的配送轨迹、仓储中转轨迹、流通加工轨迹等。从线路的拥堵情况、红绿灯分布情况等维度分析数据的轨迹，寻求物流路径优化、仓储中心选址、物流调度优化的方法，以满足资源合理配置的需求。

2）动态型数据

物流大数据的空间时效性特征主要来自大感知数据，在物流全过程中，所有的传感数据和监控数据都具有较强的空间时效性：数据的采集过程是在特定时间、地点和设备上发生的。运输车辆的车载GPS测量、记录的数据，表示车辆在当下时间的位置信息，每个订单包裹的RFID传输的数据也表示其目前的节点信息。

3）即时型数据

大数据的处理能力要求快速、及时地计算出结果，并且及时用于指导物流过程，否则可能失去计算意义。车辆动态配送过程要求系统的调度优化及时响应。配送车辆在提供服务时，度量空间中的任意节点在任何时间提出的服务请求均有服务期限，若在规定的时间内某一服务请求不能被满足则将被取消。

4）高增长型数据

高增长型数据不同于海量数据，前者强调未来的数据空间，后者表示过去的数据积累。物流领域未来数据量的大小不仅决定物流大数据实现的难易程度，还影响物流大数据发展的空间。基于物联网技术的感知数据急速增长，截至2020年物联网设备激增到260亿台，再加上智能手机和平板设备，联网设备数量高达330亿台。物联网设备的增长带来的是感知数据的激增。国内国际物流市场持续增长的需求带来的是物流的商机和由此产生的大量潜在数据。