品

人工智能、机器学习和深度学习在智能物流中的进一步发展方向综述

曼努埃尔·沃尚克 1，*

Montanuniversitaet Leoben 工业物流主席，8700 Leoben， Austria;helmut.zsifkovits@unileoben.ac.at

工业工程与自动化 （IEA），科学与技术学院，博岑-博尔扎诺自由大学，39100 博尔扎诺，意大利;erwin.rauch@unibz.it

* 通信方式 ： manuel.woschank@unileoben.ac.at; 电话 ： +43-3842-402-6023

收稿日期： 2020-03-31;录用日期： 2020-4-29;出版日期：2020 年 5 月 6 日

抽象： 工业 4.0 概念和技术通过关注互联、数字化和自动化的原则，确保微观和宏观经济实体的持续发展。在此背景下，人工智能被视为智能物流和智能生产计划的主要推动因素之一。本文系统分析了工业企业智能物流管理背景下人工智能、机器学习和深度学习的科学文献。此外，基于系统文献综述的结果，作者提出了一个概念框架，该框架基于最近的研究结果和见解提供了富有成效的启示，可用于指导和启动人工智能 （AI）、机器学习 （ML） 和深度学习 （DL） 领域的未来研究计划智能物流。

关键词： 工业 4.0;人工智能;机器学习;深度学习;智能物流;物流 4.0

1. 引言

第四次工业革命（工业 4.0）包括一系列概念和技术，这些概念和技术应该用于通过参考互联互通、数字化和自动化的概念来增强工业企业的竞争力 [1–4]。在此背景下，智能物流旨在基于敏捷和合作的网络以及相互关联的组织成功实施智能和精益供应链。此外，通过使用现代信息和通信技术 （ICT）、数据网络、参与者和传感器以及自动识别和材料跟踪技术，建立了信息交换。此外，由自主运输车辆支持的自动运输、过渡和存储系统应能够实现系统的部分和/ 或完全自我控制[2-4-6]。

此外，智能物流可以通过使用信息物理系统 （CPS）、物联网 （IoT） 的技术概念来实现，分别作为工业物联网 （IIoT） 和物理互联网 （PI） [2]。除了技术概念的实施外，人工智能、机器学习和深度学习概念的应用可以被认为是数字化转型过程中最重要的成功因素之一 [7]。

在这种情况下，人工智能 （AI） 可以定义为智能机器的科学和工程，特别关注智能计算机程序 [8]。机器学习

可持续性 2020， 12， 3760; doi：10.3390/su12093760www.mdpi.com/journal/sustainability

（ML） 被认为是 AI 不可或缺的一部分，它指的是自动检测数据集中有意义的模式。ML 工具旨在通过确保基于大数据分析的学习和适应能力来提高算法的效率 [9]。此外，深度学习 （DL） 被定义为 AI 技术中 ML 的一个子类，它探索多层非线性信息处理，用于有监督和/或无监督特征提取和转换，以及用于模式分析和分类 [10， 11]。

近年来，AI、ML 和 DL 在工程、医学、经济学、商业管理以及市场营销等众多研究领域中越来越重要 [12–15]。然而，据我们所知，目前科学文献中缺少对人工智能、机器学习和 DL 在工业企业智能物流背景下使用的整体研究。因此，作者在 2014 年至 2019 年的时间范围内对 AI 、 ML 和 DL 技术进行了系统的文献综述。确定的研究可用于提供这些新兴主题的研究概述，这些研究可以作为以后智能物流领域进一步研究的起点。

本文的结构如下。第 2 节描述了本研究选择的研究方法和方法，以及系统文献综述的详细过程步骤。第 3 节介绍了已确定研究的描述性分析和内容分析。第 4 节介绍了工业企业智能物流研究领域的 AI、ML 和 DL 方法的概念框架。第 5 节包含对研究结果的讨论。第 6 节总结了对未来研究计划和实际应用的影响，以及本研究的局限性。最后的第 7 节简要总结了本文的主要贡献。

2. 研究方法和方法

在本文中，作者进行了系统的文献综述 （SLR），以对最近关于 AI、ML 和 DL 方法在工业企业智能物流研究领域应用的研究进行基于二手数据的评估。

通过包括研究相关领域中研究相关研究的序贯识别、筛选、聚类和评价，SLR 方法因其系统性、方法驱动性和可复制性而被选中 [16–18]。特别是对于新知识的产生和评估，SLR 过程被认为是一种有价值的工具，它通过系统评估近期研究的相关发现来最大限度地减少各种判断偏差 [19–21]。

在这种情况下，研究为 SLR 提供了大量的指导方针，应该用这些指导方针来确保实证研究的高质量[16,22–24]。在本研究中，作者重点介绍了 Denyer 等[23]和 Hokka 等[16]建议的 SLR 指南 ，通常可分为以下四个步骤：

第 1 步：确定研究目标;

第 2 步：确定研究主题的框架（概念边界）;

第 3 步：使用纳入/排除标准收集数据;

第 4 步：验证研究结果。

2.1. 研究目标

本文旨在通过分析有关 AI、ML 和 DL 相关主题的当前知识和研究状态，特别强调工业研究的最新发展，系统地评估智能物流中 AI、ML 和 DL 可能的未来方向。特别是，作者想了解这个研究主题在过去几年中是如何演变的。此外，评估结果将用于确定进一步研究和实际应用的关键活动。

2.2. 研究对象的框架

本研究的重点是对工业企业智能物流的人工智能、机器学习和深度学习方法进行系统评估。因此，研究主题，即概念边界，是根据工业环境中的术语“人工智能”和相关术语“机器学习”和“深度学习”来定义的。

2.3. 使用一组包含和排除标准收集数据

SLR 还要求定义检索条件、数据库、检索词和出版期限。在这项研究中，作者使用 Scopus 作为关键词搜索的主要来源，因为它被确定为与工程和管理科学领域科学出版物最相关的数据库。对类似数据库 （Web of Science、Science Direct 和 Emerald） 的额外评价未导致结果研究的显著差异。因此，作者决定在本研究过程中使用 Scopus 作为评估二手数据的主要数据库。

下面的图 1 显示了结构化的研究过程 [16， 23] 和预定义的纳入和排除标准，它们基于我们的整体元搜索查询。

图 1. 系统文献综述的流程步骤。

第一步，作者通过筛选文章标题、摘要和关键词，确定了工程和商业、管理和会计学科领域中 AI 、 ML 和 DL 的相关文献。在此步骤中，作者包括各种文档类型，并将它们限制为英语语言。第一种方法主要用于获得对当前研究状态的第一印象。因此，作者将研究的时间范围限制为 2014 年 1 月 1 日至 2019 年 1 月 1 日。一般来说，这个过程导致了 52,546 项确定的研究。

在第二步中，作者还关注了与智能物流、智能生产、智能交通、智能协作网络、智能转型或工业 4.0 领域相关的研究。因此，我们将之前确定的 52,546 篇论文限制为智能物流、智能生产、智能交通、智能协作网络、智能转型或工业 4.0，总共确定了 351 篇论文。此外，作者还计算了所有已识别关键词的排名，用于验证正在进行的数据库研究的元搜索查询。我们的研究策略中没有遗漏任何重要的关键词。

第三步，研究仅限于会议论文、会议评论、文章或仅考虑高质量研究的评论。总之，最终的元搜索查询表述如下：（TITLE-ABS-KEY （“人工智能” 或 “机器学习” 或 “深度学习”） 和 TITLE-ABS-KEY （“智能物流” 或 “智能生产” 或 “智能交通” 或 “智能协作网络” 或 “智能转型” 或 “工业 4.0”）） AND （LIMIT-TO （DOCTYPE， “cp”） 或 LIMIT-TO （DOCTYPE， “ar”） 或 LIMIT-TO （DOCTYPE， “cr”） 或 LIMIT-TO （DOCTYPE，

“re”）） 和 （LIMIT-TO （SUBJAREA， “ENGI”） 或 LIMIT-TO （SUBJAREA， “BUSI”）） 和 （LIMIT-TO

（PUBYEAR，2019 年）或限制至（PUBYEAR，2018）或限制至（PUBYEAR，2017）或限制至（PUBYEAR，2016）或限制至（PUBYEAR，2015）或限制至（PUBYEAR，2014））和（限制至（语言，“英语”））。

下面的 表 1 显示了搜索字符串的特征。

表 1. 搜索字符串的特征。

¹ 会议论文集 （CP）、会议综述 （CR）、文章 （AR）、综述 （RE）。

因此，作者确定了 195 篇论文作为进一步研究过程的基础。

2.4. 研究结果的验证

根据实证研究的质量标准（有效性、可靠性、客观性和可推广性），作者强调识别过程是 SLR 中最关键的要素之一 [17]。因此，我们通过用评分 “1” （高适当性）、评分 “2” （中等适当性） 或评分 “3” （低适当性） 对确定的研究进行编码来确保研究结果的质量。

筛选由三名独立的博士后研究人员分两步进行。在第一步中，筛选仅关注研究的标题和摘要。第二步，研究团队对研究的全文进行了完整的评估。此外，通过评估评分的显着差异来计算可靠性。没有显著差异的论文被直接纳入或排除在研究过程中。研究团队对具有显着差异的论文进行了重新评估，以获得明确的研究结果。

通过审查 195 篇论文的标题和摘要，我们确定了 103 篇与智能物流领域的相关论文和 148 篇与智能生产领域的相关论文。在智能物流领域，走出

103 项研究，其中 33 项被指定为具有高适当性，而在智能生产领域，44 项被指定为具有高度适宜性，适用于本研究和随后的二次数据分析。表 2 显示了 SLR 的总结果。

表 2. 系统文献综述 （SLR） 的总研究结果。

在本文中，我们旨在分析人工智能、机器学习和深度学习在物流中的使用方面的当前进展。因此，我们在以下各节中仅考虑为 Smart Logistics 确定的论文。

3. 结果

在本节中，作者分析了 SLR 的描述性发现。此外，确定的论文的全文将在内容分析部分进行讨论。

3.1. 描述性分析

根据先前确定的 52,546 篇论文的总数，涉及

人工智能、机器学习和深度学习在各个科学学科中，最终有 103 篇论文被分配到工业企业的智能物流领域，因此被评为与本研究中进一步分析的相关性。表 3 显示了已确定研究的适当性分布，通过筛选相应研究的标题和摘要来评估。

表 3. 研究适当性的分布。

在智能物流领域确定的 103 篇全文中，33 篇 （32.04%） 被归类为高适宜性论文，52 篇论文 （50.49%） 被归类为中等适宜性论文，18 篇论文 （17.48%） 被归类为本研究目的的低适宜性论文。

表 4 显示了根据 Smart Logistics 领域确定的 103 篇完整论文的文档类型分布。

表 4. 文档类型的分布。

共有 63 篇论文 （61.17%） 是会议论文集，38 篇 （36.89%） 是文章，2 篇 （1.94%） 是综述。在最终样本中未发现会议综述。以下图 2 显示了 2014 年至 2019 年相关研究的进展。

2014 年发表 3 篇 （2.91%），2015 年发表 4 篇 （3.88%），2016 年发表 6 篇 （5.83%），2017 年发表 29 篇 （28.16%），2018 年发表 61 篇 （59.22%）。总的来说，关于 AI、ML 和 DL 在工业企业智能物流领域的应用，相关研究仍有增加的趋势。

以下表 5 显示了已确定研究的来源分布。大多数研究发表在 Lecture Notes in Computer Science、Advances in Intelligent Systems 和

计算、IFAC-Papers Online 和 IFIP 信息和通信技术进步。

图 2. 2014-2018 年相关研究的发展。

表 5. 已确定研究的分布。

以下图 3 显示了基于系统文献综述的已确定研究合作的概述。

图 3. 已确定的研究合作概述。

1 位作者发表 5 篇（4.85%），2 位作者发表 23 篇（22.33%），3 位作者发表 22 篇（21.36%），4 位作者发表 24 篇（23.30%），5 位作者发表 15 篇（14.56%），6 位作者发表 8 篇（7.77%），7 位作者发表 2 篇（1.94%）， 4 篇论文 （3.88%） 由超过 7 位作者发表。

下一步，作者通过从 Scopus 数据库中提取相关论文的作者关键词和索引关键词来执行关键词分析。结果显示在下面的图 4 中.

图 4. 关键词分析。

使用 IBM SPSS Statistics 24 （IBM， New York， NY， USA） 和 Wordle （www.wordle.net California， CA， USA ）软件包对关键词进行了分析。因此，单词和字母的大小反映了 103 篇完整论文的最终样本中关键字的频率。不出所料，作者最重要的关键词是 “Industry （4.0）”、“Machine Learning”、“（Big）

数据“、”（智能）系统“和”智能制造”。此外，排名靠前的索引关键词是“（智能）系统”、“（机器）学习”、“（大数据）”、“工业 （4.0）”和“（人工智能）智能”。

以下图 5 显示了按研究类型对相关研究进行分类，分为案例研究 （CS）、概念方法 （CA）、实验 （EX） 和文献综述 （LR）。分类基于内容分析和随后由研究团队将作品分配到一种主要研究类型的工作。

图 5. 按研究类型对相关研究进行分类 - 案例研究 （CS）、概念方法 （CA）、实验 （EX） 和文献综述 （LR）。

在确定的 33 篇具有高适当性的文章中，8 篇 （24.24%） 文章可归类为案例文章 （CS），12 篇 （36.36%） 文章可归类为概念方法 （CA），7 篇 （21.21%） 文章可归类为实验 （EX），6 篇 （18.18%） 文章可归类为文献综述 （LR）。

3.2. 内容分析

在本节中，作者分析了已确定论文的全文。因此，表 6 和表 7 通过简要总结表 6 中的聚类、主要参考文献、记录数量和记录百分比 ，以及表 7 中每个已确定工作的作者、研究类型、聚类和主要内容 ，显示了系统文献综述的综合结果 .研究团队进行了深入的内容分析，将选定的文献分类为相似的集群。

表 6. 已确定研究的分类。

结果进一步汇总为以下五个集群：

战略和战术流程优化;

物流中的信息物理系统;

预测性维护;

混合决策支持系统;

生产计划和控制系统;（6） 改进物流运营流程;

（7） 智能运输物流。

以下表 6 显示了 AI、ML 和 DL 在工业企业智能物流领域的应用五个集群的分类结果。

在以下段落中，我们将描述和总结每个定义的集群的已确定研究的内容。

3.2.1. 战略和战术流程优化

共有 12.12% 的已识别文章被分配到集群“战略和战术流程优化”中。Gursch 等人回顾了在企业状态监测和过程控制领域提供管理支持的学习系统。此外，作者指出，ML 可以通过处理静态和非自适应计算机程序无法解决的复杂问题，在优化、自动化和人工支持领域提供解决方案[25]。Brodsky 等人专注于决策分析的应用，例如，用于战略和战术推理中决策指南的开发。此外，这些指南可用于执行制造和物流过程中的监控、分析、规划和优化任务[26]。Qu 等人提出了一个在现实条件下的一般计算推理和学习框架。该方法从正式和面向数据的方法论角度解释了如何实现智能流程 [27]。Bonino 和 Vergori 引入了一种概念和架构，用于使用 ML、AI 和 IoT 技术连接现代工厂的内部和外部价值链。因此，作者强调了现代 IT 系统如何通过实施多智能体系统和 ML 技术来创新和优化生产和物流中的日常流程 [28]。

3.2.2. 物流中的信息物理系统

共有 21.21% 的已识别文章被分配到集群“物流 CPS 框架”中。在此背景下，Peres 等人引入了一个用于智能数据分析和实时监控的 IDARTS 框架，作为在生产环境中实施可扩展、灵活和可插拔分析的指南。该框架可用于通过实施基于云计算的 CPS 将数据转化为预测性维护、质量控制、生产和物流等领域的业务优势。该框架还包括数据采集、机器学习以及生产和物流过程的运行时推理技术[29]。Guo 等人描述了一种通过传输视觉元素检测器从不平衡的机械数据中学习的方法。作者提出了一种方法，将收集的传感器数据组织成图像形式，并利用基于卷积神经元网络（CNN）的视觉元素检测器[30]。Ferrer 等人提出了一个实施 CPS 适应的概念，它基于高级数据分析、机器对机器物联网协议、机器学习、知识表示算法和（智能）制造环境中基于云的平台，专注于生产线、物流和设施。此外，他们提出了在试点研究过程中实施 CPS 的情景 [31]。

Thalmann 等人描述了用于优化工业过程的新分析方法和工具。这些项目旨在开发一套工具，例如算法、分析机制、规划方法和可视化，用于基于数据分析的工业过程改进 [32]。Morozov 等人提出了一种 CPS 的适应方法，即形式概念分析

（FCA），其中包括用于知识结构化和 CPS 互作性优化的人工智能和机器学习[33]。Marella 和 Mecalla 以及 Marella 等人介绍了用于信息物理流程 （CPP） 和智能流程管理 （SmartPM） 的过程管理系统 （PMS）。该系统可用于通过使用基于大量数据的人工智能和认知计算来自动调整流程 [34， 35]。

3.2.3. 预测性维护

共有 21.21% 的已识别文章被分配到集群“预测性维护”中。因此，Subakti 和 江 提议为智能工厂中的机器设计、开发和实施增强现实系统。深度学习图像检测模块识别不同的机器，物联网允许机器将机器设置和机器状态报告给基于云的服务器[36]。Susto 等人描述了一种通过将基于粒子过滤技术的蒙特卡洛方法应用于半导体行业中实际的工业预测性维护问题来推导出机器健康因子的方法 [37]。Wang 和 Wang 通过关注 DL 技术来讨论 AI 对未来预测性维护的影响。因此，他们列出了预测性维护领域最先进的算法，例如深度前馈网络、长短期记忆、卷积网络、深度信念网络等，这些算法可以被认为是未来行业的关键成功因素 [38]。

Klein 和 Bergman 提出了一种生成预测性维护数据的方法

使用配备多个传感器的 Fischertechnik 模型工厂进行 ML 调查。该数据集将发布，并可用于未来的研究以及 ML 和 DL 方法的进一步开发[39]。Cho 等人介绍了一种用于智能工厂预测性维护的混合 ML 方法。该方法将无监督学习与半监督学习相结合，以提供数据驱动的决策支持[40]。Wuest 等人回顾了 ML 技术在监控和图像识别领域的制造业中的应用。因此，他们区分了监督学习、无监督学习和强化学习，后者可以用作制造环境中的强大工具集[41]。

3.2.4. 混合决策支持系统

共有 9.09% 的已识别文章被分配到集群 “decision support systems and man-machine interaction” 中。在此背景下，Terziyan 等人介绍了 Pi-Mind 技术，作为基于 AI 和 ML 技术的智能制造流程的人类专家驱动决策和 AI 驱动决策方法的混合体。在许多情况下，这种混合方法优于人工作员的理性决策过程[42]。Venkatapathy 等人和 Zeidler 等人描述了混合网络的基本概念，用于在内部物流中使用人和机器的协同作用。因此，他们专注于光学参考系统、无线电参考系统、激光项目系统、虚拟现实系统、机器人系统、LR-WPAN 和其他无线网络系统，以及网络计算系统[43-44]。

3.2.5. 生产计划与控制系统

共有 12.12% 的已识别物品被分配到集群“生产计划和控制系统”中。Lolli 等人提出了一种基于机器学习技术的基于多标准的库存分类方法。因此，作者通过使用 ML 领域的监督分类器减少了模拟工作 [45]。他等人回顾了一组用于流水车间调度问题的多目标群体智能算法。除了传统算法外，本文还提出了基于 ML 的新方法。各种算法的性能可以通过到帕累托最优前沿的最小距离、分布的优度和最大散布来评估 [46]。Zhang 等人系统回顾了工业 4.0 背景下基于 ML、AI 和 DL 技术的作业车间调度研究文献。这些算法进一步分为精确优化方法，例如高效规则方法、数学规划方法、分支和边界方法以及近似方法（例如，构造方法、人工智能方法、局部搜索方法和元启发式方法）[47]。

Gomes et al. 开发了一种基于环境智能的决策支持系统，用于基于 ML 的生产规划和控制，该系统通过使用环境智能、优化启发式和 ML 来协助创建确保生产数量和效率的标准工作程序 [48]。Luetkehoff 等人使用 AI 算法开发了一个自学的生产控制系统。开发的方法提出了一种基于平台的新概念，即使用自学习算法收集和分析数据。这些模式可用于预测未来的系统行为 [49]。

3.2.6. 物流运营流程的改进

共有 12.12% 的已识别物品被分配到“物流运营流程改进”集群。温 et al. 讨论了集群机器人在智能物流领域的应用，概述了现代物流下一个领域的一些可能性和应用领域，例如智能仓储、智能配送、路线跟踪、精确供应链、绿色物流和智能 ICT [50]。Laux 等人描述了一种基于反射的声音定位系统，该系统基于 ML 方法，可用于室内定位和对象跟踪[51]。

Ademujimi 等人回顾了目前关于制造业 ML 技术的文献，重点介绍了贝叶斯网络、人工神经网络、支持向量机和用于优化制造故障诊断的隐马尔可夫模型等技术[52]。Teschemacher 和 Reinhart 开发了一种蚁群优化算法，以实现物流中的动态循环取货，以减少长期优化方法中必要的车辆数量 [53]。

共 23

表 7. 关于智能物流中人工智能 （AI）、机器学习 （ML） 和深度学习 （DL） 的系统文献综述 （SLR）。

共 23

表 7.续.

3.2.7. 智能运输物流

共有 12.12% 的已识别物品被分配到集群“智能运输物流”中。Li et al. （2018） 介绍了一种智能交通系统，该系统将信息技术、数据通信技术、电子传感技术、全球定位技术、地理信息系统技术、计算机处理技术和系统工程技术相结合，形成一个基于深度置信网络模型 （DBN） 和支持向量回归分类器 （SVR） 的实时、准确、高效和智能的交通管理系统 [54].Cheng et al. （2017） 讨论了一种基于模糊组的智能交通控制，它减少了等待时间并将性能提高了 40% [55]。Li et al. （2015） 通过应用数据挖掘和机器学习方法的数值技术，基于 IoT 技术分析交通状况 [56]。Edelstein （2014） 概述了通过 ICT 进行更智能的运输管理的潜力，包括运营效率、降低成本以及通过使用集成多式联运系统为员工开发和实施流程创新提供更好的创业环境 [57]。

4. AI、ML 和 DL 在智能物流中的应用概念框架

4.1. 智能物流中 AI、ML 和 DL 的应用框架

在本文中，作者确定了五个集群，这些集群可以合并到一个概念框架中，用于 AI、ML 和 DL 在工业企业智能物流中的应用。图 6 说明了已开发的集群，即“物流 CPS 框架”、“预测性维护”、“决策支持系统和人机交互”、“生产规划和控制系统”和“物流运营流程的改进”。根据内容分析的结果，研究团队映射到文献中指示的每个已确定的相关方法和工具集群。

图 6. 智能物流中 AI、ML 和 DL 的概念框架。

集群 1，“战略和战术流程优化”，专注于应用 AI、ML 和 DL 方法在企业或物流网络设计层面优化战略和战术流程。基于用于管理支持的学习系统，所谓的管理信息系统可以丰富智能，因此不仅可以提供数据、信息和关键绩效指标，还可以在战略和战术层面上准备和做出决策[25–28]。这种战略和战术流程优化的进一步进展对于在不同国家运营的大公司来说具有重要意义。

集群 2，“物流中的信息物理系统”，描述了从传统物流系统发展到基于参与者和传感器的智能物流系统的机会，该系统通过最先进的学习方法进行实时数据分析和增强知识管理。CPS 可用于提高生产和物流过程的质量，从而进一步影响工业企业的整体效率。此外，CPS 将带来更高的连接性、一致的数字化、更好的建模技术、更大的灵活性以及系统和系统组件的更高通用性和可重用性[29–35]。

集群 3，“预测性维护”，侧重于在状态监测和预测性维护领域使用学习方法。因此，大量研究表明，应用最新的 AL、ML 和 DL 方法连续报告机器设置、机器状态和质量参数设置。基于实时数据，增强的知识可用于对生产和物流过程的战略性和主动性工厂维护策略进行进一步的预测分析[36–41]。

集群 4，“混合决策支持系统”，描述了通过使用可学习的支持系统来改进非自动化的、因此以人为中心的决策过程。在这种情况下，人工智能、机器学习和深度学习技术将自动收集、汇总和预先分析与决策相关的信息。在许多情况下，这些混合决策过程优于纯粹理性的决策过程 [42–44， 58]。

集群 5“生产规划和控制系统”在库存管理、流水车间问题、传统作业车间调度问题、生产过程优化以及基于 AI、ML 和 DL 技术应用的现代生产规划和控制系统的自学习能力等研究领域为高级规划和控制方法引入了新的机会 [45\u201249]。

集群 6，“物流运营流程的改进”，概述了通过应用 AI、ML 和 DL 技术来增强物流运营流程的各种可能性。因此，群体机器人技术可用于优化智能仓库，完善的定位系统可以提高识别和跟踪方法的效率，基于人工智能的算法确保整体制造故障诊断，蚁群优化方法可以优化物流问题中的牛奶线[50–53]。

专题 7“智能运输物流”分析了 AI、ML 和 DL 技术在智能运输系统和智能运输流程中的应用。在此背景下，通过将基于人工智能的方法与基于信息技术、数据通信技术、电子传感技术、全球定位技术、地理信息系统技术、计算机处理技术和系统工程技术的最新方法相结合，可以提高运输物流的性能[54–57]。

4.2. 实际例子

在本节中，我们为每个已确定的集群或应用程序寻找实际示例

物流中的 AI、ML 和 DL。该分析应概述如何将拟议的框架转化为实践，以及对公司管理者的实际影响。

Aitheon 在他的网站上展示了首批 AI 驱动的项目管理工具之一。项目管理 AI 为那些想要参与一般工作流程而无需了解或学习项目管理工具深度的人生成了一份简单的列表。该工具通过人工智能生成优先和分组的任务。基于 AI 的画板直观地组织信息，以显示整个项目各个部分之间的关系。这有助于创建复杂想法、概念或项目的愿景，并将其生成为可在甘特图或看板视图中查看的任务 [59]。

DHL 研究描述了他们对物流数字孪生的愿景。人工智能极大地推动了数字孪生和信息物理系统创造新价值。如今，DHL 从传感器、历史性能和行为输入中获得的所有数据都有助于与空间模型相关联，并通过更改不同的输入来预测未来行为。AI 的数据和预测能力使空间模型栩栩如生 [60]。

Presenso 是一款预测性维护软件，使用机器学习和深度学习算法来驱动精确和持续的故障预测。通过使用软件，物流公司可以通过旨在优化产量的全面预测性维护来节省运营成本。该系统高速收集大量数据，并将数据实时流式传输到云端。Presenso 的分析引擎使用独特的专有深度神经网络架构，自主地将事件与机器内的组件互连，并最终预测不断演变的故障。此外，它还提供了有关剩余故障时间及其在机器中的来源的宝贵信息 [61]。

根据 PWC 的一项研究，67% 的企业领导者认为，人工智能和自动化将在未来五年内对其行业的利益相关者信任水平产生负面影响。主要挑战在于，许多 AI 应用程序都在黑匣子中运行，几乎没有提供关于它们如何实现结果的明显见解。对 AI 的信心越大，它的部署就越快、越广泛 [62]。

SkyPlannerAPSananadvancedplanningandschedulingsystemusingAI.该软件包括人工智能，可立即优化工单，从而最有效地安排生产。AI 算法还考虑了可以进一步提高生产效率的细节。例如，在许多生产中，建议连续安排使用相同材料或工具的作业[63]。

AI 还能够更准确地估计完成不同工作所需的时间。

Swarm Logistics 是一家深度技术软件技术公司，专门从事智能自动驾驶运输系统的开发。Swarm Logistics 的自动调度员基于一种复杂的算法，该算法通过使用人工智能不断改进自身。该软件在案例研究中进行了测试，并与之前的规划进行了比较。比较结果表明，运输公司节省了 25% 和 35% 的成本交付速度 [64]。

Siemens Mobility 正在测试其 ITS 数字实验室应用程序和服务，以实现对道路交通、电动自行车等车队和多式联运出行的更智能管理。实时发送数据的联网车辆、将其状态传输到西门子物联网平台 MindSphere 的基础设施系统以及与智能手机连接的道路使用者都会产生大量数据。这种丰富且不断增长的数据源正在改变可行的移动出行服务类型。Siemens Mobility 正在为平衡的多式联运出行生态系统开发解决方案。

它不仅管理道路网络，还管理网络内的特定车队，并最终管理

不同交通方式的旅行者 [65]。

5. 讨论

在本文中，作者确定了 AI、ML 和 DL 在智能物流中应用的以下五个集群：（1） 物流中信息物理系统 （CPS） 框架;（2） （预测性）维护背景下的 AI、ML 和 DL;（3） 决策支持系统和人机交互;（4） 生产计划和控制系统，以及 （5） 物流运营流程的改进。在上述概念框架中，我们分析了当今应用 AI、ML 或 DL 或已经研究应用潜力的主要集群。

从拟议框架中的第一个集群来看，人工智能和相关技术和方法将在不久的将来用于更好地进行预测并更好地了解用户和客户。这将对战略/战术级别的预测优化产生重大影响，也可用于确定新的客户需求。未来，AI 还可能用于更高级别的流程，以检测欺诈、防止网络安全威胁，并通常优化更高级别的流程。人工智能未来还可以在项目管理任务中使用，通过预测分析和更准确的项目管理来降低项目失败率。此外，如果 AI 算法能够赢得棋局，它们也将能够用于企业战略的生成。

更详细地研究第二个确定的集群，该集群涉及人工智能方法在物流中创建 CPS，我们可以观察到，已经有许多研究活动用于实现 CPS 和从物理对象到数字模型的单向信息流（数字影子），并进一步在两个模型之间实现双向信息流，以通过所谓的数字孪生控制物理系统 [66].CPS 正在从物流系统接收大量不同的数据集和数据。今天，大多数从业者都面临着挑战，即他们没有合适的工具来以正确的方式利用数据量。在这里，AI 方法可以通过分析来自 CPS 的大数据、确定数据模式，从而自动化工作流程和流程，从而对物流系统进行更直接、更定性的控制，从而完成基于数字孪生的物流系统控制的愿景。尽管一些工作涉及这个主题，但我们发现，特别是对于物流系统，该领域仍然是一个新兴的研究领域，非常需要进一步的调查和案例研究应用。

第三个集群涉及 AI 方法，用于实现我们所说的预测性维护，作为预防性维护的增强，这在精益管理中是众所周知的。自新世纪初以来，预测性维护作为一个概念就得到了很好的讨论，但看看使用这个关键词的 Scopus 数据库，关于 这个概念的研究在 2017 年之后的几年里 “爆炸式增长”，当时在应用基于 AI 的方法实现预测性维护方面取得了进展。由于 AI 方法在很大程度上依赖于大量数据的可用性，因此预测性维护领域是一个非常重要的研究方向，因为新一代物流系统配备了传感器并提供大量可用于数据分析的数据。看到这一发展，我们认为预测性维护是物流中人工智能更整合的研究领域之一，尽管我们意识到仍然存在巨大的调查需求，尤其是应用研究和案例研究研究。

第四个集群 “混合决策支持系统” 遵循当前以人为本的工程趋势。尽管生产和物流的自动化和数字化具有所有潜力，但我们已经明白，许多流程仍然依赖于熟练工人，而且人类在未来也将在该行业中发挥重要作用。我们能做的就是用认知辅助系统来支持工人，提高他们的决策能力，同时利用大量的数据。基于 AI 的方法在为我们的工人开发此类数字援助系统方面发挥着重要作用。正如分析文献中所指出的，未来不仅提供纯粹的理性决策辅助工具，因为这将使人类的角色从智能个体降低为“愚蠢”的命令和决策执行者“超级智能系统”。使用基于可解释人工智能 [67] 的方法开发解决方案， 从而采用混合方式将变得非常重要

其中人类仍然能够通过可解释的界面理解结果。我们陈述了一个假设，即只有这样的混合系统才能在实践中成功应用，因为人类仍然是一个持怀疑态度的个人，不会接受基于纯粹理性决策的援助系统。虽然人工智能在人机交互中的应用已经研究了很多年，但我们认为基于可解释人工智能的决策系统的开发是未来研究的主要挑战之一。

与拟议的概念框架中确定的其他集群相比，第五个集群“生产规划和控制系统”可以再次被视为已经更发达且可能更加整合的领域之一。多年来，生产计划和控制在执行高级计划和调度任务时处理计划的优化，并将其转化为有意义的生产控制机制。

自 1990 年代初以来，我们已经可以找到几篇关于使用基于模拟的方法进行调度的工作[68]。另一方面，我们假设由于 AI 的持续趋势，该领域将出现 “文艺复兴”，为实时规划开辟一个新兴领域。人类规划人员永远无法像 AI 那样基于传感器和无缝垂直数据集成处理信息。通过将稳步增加的大量数据的计算能力和存储容量与用于收集实时数据的传感器设备相结合，实时规划在不久的将来触手可及。

第六类涉及物流运营流程的改进，这些改进通常可以从自然界中推断出来，如框架描述中的示例所示（另见 [50–53]）。生物转化的话题是一个已经出现的主题，例如，弗劳恩霍夫研究机构[69]和其他研究人员 [70]，它描述了通过结合我们从自然界过程的观察中可以推断和学习的内容以及人工智能的飞跃计算能力和进步，从纯粹的生物启发制造或物流系统向生物集成和生物智能的系统转变。 ML 和 DL.

多年来，第七个集群“智能运输物流”在基于数据的交通优化和自动驾驶汽车的开发方面取得了巨大进展。借助最新的对象识别技术，可以更好地实时监控道路和重要交通路口，从而减少可能的处理时间延迟。未来的巨大挑战将是调查和寻找适当的解决方案，以减少或消除网络攻击和有关运输的偏见决策的风险，以及讨论有关人工智能代替人类做出的决定的责任的道德问题。例如，在这方面，欧盟正在采取重要步骤，使其监管框架适应这些发展，以便支持创新，同时确保对基本价值观和权利的尊重 [71]。

以下表 8 总结了从已确定的集群的讨论中可以推断出的主要研究行动，以在智能物流中应用 AI、ML 和 DL。此外，它还涉及应参与研究活动的专家/利益相关者，因为物流是一个广泛的领域，其中融合了几个不同的主题、观点和专业知识类型。这应该保证进一步的研究是以目标为导向的，并遵循物流领域从业者的需求。列出的研究行动应激励基础和应用研究的研究人员进行进一步研究，以充分利用 AI、ML 和 DL 在物流领域的潜力。

表 8. 研究行动和要参与的专家/利益相关者。

6. 限制和影响

6.1. 本研究的局限性

该研究对 2014 年至 2019 年 1 月（从 Scopus 科学数据库中提取数据的日期）的科学文献进行了回顾。这项研究的一个局限性是，在框架的筛选、选择和分析以及开发期间，可能已经对物流中的 AI 进行了进一步的研究并发表。我们知道，目前该领域研究的快速发展限制了本综述的结果。为此，在下文中，我们总结了 2019 年初至 2020 年初期间围绕该主题所做的最重要的工作，以分析是否出现了进一步的研究方向。首先，该分析证实了所提出的框架，因为在作者调查了一段时间之后，许多工作都涉及已确定的集群。此外，还开始了关于一些新主题的科学讨论。以下简短概述并未列出新研究主题的详尽列表，而是提供一些最有趣的示例。

Giusti 等人将同步物流作为物流和运输中的一个新兴话题，基于 AI 的方法可能会开辟新的可能性。同步模式是物流领域一个新兴且有吸引力的概念，在过去十年中在比荷卢经济联盟地区开发和确立。同步模式的主要目的是降低成本、排放和交货时间，同时通过智能利用可用资源和同步运输流程来保持供应链服务的质量 [72]。

例如，在 Le 等人中，基于神经网络的方法被用于估计、预测和优化韩国集装箱船的燃料消耗。因此，开发的模型已被用于确认慢速蒸汽方法对实现能源效率的有效性[73]。

Liu 等人研究了情境感知对物流服务质量环境智能的影响，因为情境感知可以为每个客户提供个性化服务。基于情境感知的环境智能根据用户提供的情境来预测用户的使用意向。通过将预测应用于物流服务，它可以提供定制服务，让客户满意。以用户为中心的服务中，一个关键问题是如何检测每个用户的具体情况，并选择最符合用户需求的某种服务，进而为实时决策提供支持 [74]。

根据 Ceyhun 的说法，使用 AI 将通过精确计算来预测未来的案例，从而有助于预防与船舶相关的事故 [75]。

基于人工智能的方法的另一个用途是开发用于智能移动和运输维护系统的智能道路检查系统 [76]。

6.2. 对学术界和从业者的影响

从我们的角度来看，这项研究对学术界和从业者来说都很有趣。虽然现在有一些关于人工智能、机器学习或制造或业务流程中的深度学习的文献综述文章，但在物流领域非常缺乏此类综述文章。通过这篇论文，研究人员可以找到对当前研究状况的全面回顾。此外，本文还提出了在物流中使用 AI、ML 或 DL 的框架。该框架以及讨论部分收集的研究行动和领域应有助于并鼓励研究人员在这些领域进行进一步研究，从而朝着巩固这些领域迈出重要一步。

越来越多的物流公司或物流行业的管理者和从业者对基于 AI 的方法在物流中的潜力感兴趣。然而，这些主题的复杂性使得从业者很难估计它们的使用情况，甚至很难获得当前状态的概述。因此，在创建该框架后，我们关注的是展示管理文献和案例研究中的实际示例，该框架对学术界和从业者都有信息。这将为从业者提供当前方法的概述以及规划和启动在其物流流程中使用 AI 的计划的新输入。

7. 结论

在智慧物流的背景下，AI、ML 和 DL 技术的应用仍处于早期发展阶段。大多数已确定的研究是概念、实验室实验或处于非常早期的测试阶段。成熟的工业应用仍然缺失。然而，在库存管理、流水车间问题、传统作业车间调度问题、生产过程优化和运营物流流程的改进（例如识别和跟踪方法）等研究领域中，机器设置、机器状态、质量参数设置、预测性维护、决策支持系统、高级调度、规划和控制方法的持续报告可以被视为有前途的领域智能物流框架。

本研究的结果应作为未来调查 AI、ML 和 DL 技术在工业企业智能物流领域应用的起点，并为工业公司的从业者提供成功实施最先进技术的框架。因此，将不同的研究领域（例如信息技术、物流、机械工程、工业工程、数学和统计学）整合到未来的研究项目中非常重要。

作者贡献： H.Z. 领导并监督了研究项目。M.W. 和 ER 组织、规划和实施了 SLR。所有作者均已阅读并同意手稿的已发表版本。

资金： 这项研究由“中小企业 4.0—中小企业的工业 4.0”项目资助（由欧盟的 Horizon 2020 R&I 计划根据 Marie Skłodowska-Curie 赠款协议第 734713 号资助）。

利益冲突： 作者声明没有利益冲突。

引用

马特，D.T.;莫德拉克，V.;Zsifkovits， H. 中小企业的工业 4.0;施普林格：德国柏林/海德堡，2020 年。

Zsifkovits， H.;Woschank， M. Smart Logistics–Technologiekonzepte und Potentiale.BHM Berg Hüttenmännische Monatshefte 2019， 164， 42-45.[ 交叉引用 ]

博世，G.;布朗伯格，T.;海彼得，T.;Schmitz， J. Industrie und Arbeit 4.0： Befunde zu Digitalisierung und Mitbestimmung im Industriesektor auf Grundlage des Projekts “Arbeit 2020”.在 IAQ 报告中：Akutelle

Forschungsergebnisse aus dem Institut Arbeit und Qualifikation;室内空气质量：德国杜伊斯堡埃森，2017 年。可在线查阅：http：www.iaq.uni-due.de/iaq-report/2017/report2017-04.pdf（于 2020 年 3 月 1 日浏览）。

卡格曼，H.;安德尔，R.;Gausemeier， J.;舒赫，G.;沃尔斯特，W. 全球背景下的工业 4.0：与国际合作伙伴合作的战略 ;Herbert Utz Verlag：德国慕尼黑，2016 年。

达拉塞加，P.;沃尚克，M.;Ramingwong， S.;蒂帕亚旺，K.;Chonsawat， N. 确定欧洲、美国和亚洲中小企业对智能物流要求的实地研究。2019 年 3 月 5 日至 7 日在泰国曼谷举行的工业工程和运营管理国际会议论文集;第 844-855 页。

达拉塞加，P.;沃尚克，M.;Zsifkovits， H.;蒂帕亚旺，K.;Brown， C.A. 中小企业智能物流设计的需求分析。在中小企业的工业 4.0 中;马特，DT，莫德拉克，V.，Zsifkovits，H.，编辑;施普林格：柏林/海德堡，德国，2020 年;第 147-162 页。

西奥菲，R.;特拉瓦廖尼，M.;皮西特利，G.;佩特里洛，A.;de Felice， F. 人工智能和机器学习

智能生产中的应用：进展、趋势和方向。 可持续发展 2020， 12， 1-24.[ 交叉引用 ]

麦克卡锡，J.;明斯基，ML;北卡罗来纳州罗切斯特;香农，CE 达特茅斯人工智能暑期研究项目的提案。AI 磁 2006， 27， 12-14.

沙列夫-施瓦茨，S.;本-大卫 了解机器学习：从理论到算法 ;剑桥大学出版社：英国剑桥，2014 年。

迪兹-奥利文，A.;Del Ser， J.;加拉尔，D.;Sierra， B. 用于工业预测的数据融合和机器学习：

工业 4.0 的趋势和前景。 Inf. Fusion 2019， 50， 92–111.[ 交叉引用 ]

戴伊，N.;Ashour， A.S.;Nguyen， GN 用于多媒体内容分析的深度学习。在挖掘多媒体文档 ;Karaa， W.B.A.， Dey， N.， 编辑;CRC 出版社：美国佛罗里达州博卡拉顿，2017 年;第 193-203 页。

萨利希，H.;Burgueño， R. 结构工程中新兴的人工智能方法。 工程结构。 2018171， 170–189。[ 交叉引用 ]

哈梅特，P.;Tremblay， J. 医学中的人工智能。 梅塔布。克林。实验 2017,69S，36-40 。[ 交叉引用 ]

巴里安尼斯，G.;Validi， S.;丹尼，S.;Antoniou， G. 供应链风险管理和人工智能：最新技术和未来的研究方向。Int. J. Prod. Res. 2018， 57， 2179–2202.[ 交叉引用 ]

Wirth， N. 您好，营销，人工智能能为您提供什么帮助？ Int. J. Mark. Res. 2018， 60， 435–438. [ 交叉引用 ]

Hokka， M.;卡基宁，P.;波尔基，T.系统评价： 治疗晚期癌症患者疼痛的非药物干预。J. Adv. Nurs. 2014， 70， 1954–1969.[ 交叉引用 ]

特普弗，A. Erfolgreich Forschen： Ein Leitfaden für Bachelor-， Master-Studierende und Doktoranden， 3rd ed.;施普林格：德国柏林/海德堡，2012 年。

布斯，A.;萨顿，A.;帕帕约安努 D. 成功文献综述的系统方法 ，第 2 版;SAGE：英国伦敦，2016 年。

阿里，NB;Usman， M. 系统评价中搜索的可靠性：迈向自动检索策略的质量评估框架。Inf. Softw. Technol. 2018， 99， 133–147.[ 交叉引用 ]

帕尔马里尼，R.;Erkoyuncu， J.A.;罗伊，R.;Torabmostaedi， H.增强现实在维护中的应用的系统评价。 机器人。计算。制造。 2018， 49， 215–228.[ 交叉引用 ]

特兰菲尔德，D.;丹尼尔，D.;Smart， P. 通过系统评价开发循证管理知识的方法。Br. J. 马纳格。 2003， 14， 207–222.[ 交叉引用 ]

佩蒂克鲁斯，M.;罗伯茨 H. 社会科学系统评价：实用指南 ;布莱克威尔出版社：美国马萨诸塞州莫尔登，2012 年。

丹尼尔，D.;Tranfield， D. 制作系统评价。在 The Sage Handbook of Organizational Research Methods 中 ;布坎南，DA，布莱曼，A.，编辑;Sage Publications Inc.：美国加利福尼亚州千橡市，2011 年;第 671-689 页。

杜拉赫，CF;肯布罗，J.;维兰德，A.供应链管理系统文献综述的新范式。J. 供应链管理。 2017， 53， 67–85.[ 交叉引用 ]

古尔施，H.;Wuttei， A.;Gangloff， T. 制造管理支持学习系统。2016. 可在线获取：http：ceur-ws.org/Vol-1793/paper5.pdf（于 2020 年 3 月 1 日访问）。

布罗茨基，A.;克里希纳莫蒂，M.;Menasce， D.A.;邵 G.;Rachuri， S. 使用决策分析实现智能制造。2014 年 IEEE 大数据国际会议 （Big Data） 论文集，美国华盛顿特区，2014 年 10 月 27 日至 30 日;第 967-977 页。

曲 S.;简，R.;朱 T.;王 J.;Tan， T. 现实条件下智能制造的计算推理和学习。2014 年行为、经济和社会计算国际会议 （BESC） 论文集，中国上海，2014 年 10 月 30 日至 11 月 2 日;第 1-8 页。

博尼诺，D.;Vergori， P. 企业中的代理市场和深度学习：COMPOSITION 项目。

2017 年 7 月 4 日至 8 日在意大利都灵举行的 2017 年 IEEE 第 41 届计算机软件和应用年会 （COMPSAC） 会议记录中;第 749-754 页。

佩雷斯，RS;迪奥尼西奥·罗查，A.;雷涛， P.;Barata， J. IDARTS – 迈向工业 4.0 的智能数据分析和实时监控。 计算 Ind. 2018， 101， 138–146.[ 交叉引用 ]

郭 Q.;宫前，Y.;王 Z.;谷内，K.;杨 H.;Liu， Y. Senvis-Net：通过传输视觉元件检测器从不平衡的机械数据中学习。Int. J. Mach. 学习。计算。2018， 8， 416–422.

费雷尔，BR;穆罕默德，WM;马丁内斯·拉斯特拉，JL;维拉隆加，A.;Beruvides， G.;卡斯塔诺，F.;Haber， RE 朝向采用智能制造环境中的 Cyber-PhysicalSystemsofSystemsParadigm。2018 年 IEEE 第 16 届工业信息学国际会议 （INDIN） 论文集，葡萄牙波尔图，2018 年 7 月 18 日至 20 日;第 792-799 页。

塔尔曼，S.;曼格勒，J.;施雷克，T.;休默，C.;斯特雷特，M.;保克，F.;Weichhart， G.;舒尔特，S.;基特尔，C.;波拉克，C.;等人，工业过程改进的数据分析：愿景论文。2018 年 IEEE 第 20 届商业信息学会议 （CBI） 会议记录，奥地利维也纳，2018 年 7 月 11-13 日;第 92-96 页。

莫罗佐夫 D.;Lezoche 先生 ;Panetto，H. 信息物理系统的多范式建模 。

IFAC-PapersOnLine 2018， 51， 1385–1390.[ 交叉引用 ]

玛雷拉，A.;Mecella， M. 自适应信息物理流程的认知业务流程管理。在业务流程管理研讨会上;Teniente， E.， Weidlich， M.， 编辑;施普林格：柏林/德国海德堡，2018 年;第 429-439 页。

玛雷拉，A.;梅塞拉，M.;Sardiña， S. 通过基于动作的形式主义支持信息物理过程的适应性。AI 通讯。 2018， 31， 47–74.[ 交叉引用 ]

苏巴克蒂，H.;江 J.-R.使用深度学习的室内增强现实技术实现工业 4.0 智能工厂。2018 年 IEEE 第 42 届计算机软件和应用年会 （COMPSAC） 会议记录，日本东京，2018 年 7 月 23 日至 27 日;第 63-68 页。

佐治亚州苏斯托;Schirru， A.;潘普里，S.;Beghi， A.;德尼古拉，G.一种基于隐藏 Gamma 模型的过滤和预测方法，适用于制造业中的单调健康因素。 控制。工程实践。 2018， 74， 84–94. [ 交叉引用 ]

王 K.;王彦 AI 如何影响未来 预测性维护：深度学习入门.

先进制造与自动化 VII;Wang， K.， Wang， Y.， Strandhagen， J.O.， Yu， T.， 编辑;施普林格：柏林/德国海德堡，2018 年;第 1-9 页。

克莱因，P.;Bergmann， R. 使用物理模型生成数据以支持预测性维护的机器学习研究。LWDA 2018 会议记录，德国曼海姆，2018 年 8 月 22 日至 24 日;第 179-190 页。

Cho， S.;梅，G.;图尔科乔治斯，I.;佩雷斯，R.;拉扎罗，O.;de La Maza， B.;基里西斯 D.一种用于未来智能工厂预测性维护的混合机器学习方法。在生产管理系统的进步中。工业 4.0 的智能制造 ;Moon， I.， Lee， GM， Park， J.， Kiritsis， D.， von Cieminski， G.， 编辑;施普林格：柏林/德国海德堡，2018 年;第 311-317 页。

维斯特，T.;魏默，D.;Irgens， C.;托本，K.-D.制造业中的机器学习：优势、挑战和应用。Prod. Manuf. Res. 2016， 4， 23-45.[ 交叉引用 ]

Terziyan， V.;Gryshko， S.;Golovianko， M. 专利智能：克隆工业人类决策模型

4.0. J. Manuf. 系统。 2018， 48， 204–217.[ 交叉引用 ]

Venkatapathy，AKR;拜汉，H.;Zeidler， F.;Hompel， M. 内部物流中的人机协同效应：为研究和技术创建混合网络。2017 年计算机科学与信息系统联合会议论文集，捷克共和国布拉格，2017 年 9 月 3 日至 6 日;第 1065-1068 页。

Zeidler， F.;拜汉，H.;Ramachandran Venkatapathy， A.K.;ten Hompel， M. Referenzfeld zur Erforschung und Entwicklung neuartiger hybrider Formen der Zusammenarbeit von Menschen und Maschinen in der

物流。 Logist. J. Proc. 2017， 1， 1-8.可在线查阅：https：www.logistics-journal.de/proceedings/2017/ 4593/zeidler_2017.pdf（于 2020 年 3 月 1 日访问）。[ 交叉引用 ]

萝莉，F.;Balugani， E.;石坂， A.;甘贝里尼，R.;里米尼，B.;Regattieri， A. 应用于间歇性需求的多标准库存分类的机器学习。 生产计划。控制。2018， 30， 76–89.[ 交叉引用 ]

他，L.;李伟;张 Y.;Cao， J. 多目标 Flowshop 调度的 Swarm Intelligence 算法评论。在 Internet 和分布式计算系统中 ;Xiang， Y.， Sun， J.， Fortino， G.， Guerrieri， A.， Jung， J.J.， 编辑;施普林格：柏林/德国海德堡，2018 年;第 258-269 页。

张 J.;丁 G.;邹 Y.;秦 S.;Fu， J. 工业 4.0 下作业车间调度研究及其新视角回顾。J. Intell. Manuf. 2017， 30， 1809–1830.[ 交叉引用 ]

戈麦斯，M.;席尔瓦，F.;费拉兹，F.;席尔瓦，A.;阿纳利德，C.;Novais， P. 为生产和控制规划开发基于环境智能的决策支持系统。在 智能系统设计与应用;

Madureira， A.M.， Abraham， A.， Gamboa， D.， Novais， P.， 编辑;施普林格：柏林/海德堡，德国，2017 年;第 984-994 页。

Luetkehoff， B.;布鲁姆，M.;Schroeter， M. 使用人工智能算法的自学生产控制。在数据丰富的世界中协作 ;Camarinha-Matos， LM， Afsarmanesh， H.， Fornasiero， R.， 编辑;施普林格：柏林/海德堡，德国，2017 年;第 299-306 页。

温，J.;他，L.;Swarm 机器人控制和通信：下一代智能物流的迫在眉睫的挑战。IEEE Commun. Mag. 2018， 56， 102–107.[ 交叉引用 ]

劳克斯，H.;拜廷，A.;阿沙伊德，G.;施梅因克，A.;库尔特，G.K.;Dartmann， G. 工业应用的基于学习的室内定位。第 15 届 ACM 国际会议论文集，美国纽约州纽约市，2018 年 9 月 24 日至 29 日;第 355-362 页。

Ademujimi，T.T.;布伦戴奇，MP;Prabhu， V.V.当前用于制造诊断的机器学习技术的回顾。在生产管理系统的进步中。通往智能、协作和可持续制造之路 ;Lödding， H.， Riedel， R.， Thoben， K.-D.， von Cieminski， G.， Kiritsis， D.， 编辑;施普林格：柏林/海德堡，德国，2017 年;第 407-415 页。

美国 Teschemacher;Reinhart， G. 实现动态循环取货物流的蚁群优化算法。Procedia CIRP 2017， 63， 762–767。[ 交叉引用 ]

李 D.;邓，L.;蔡，Z.;弗兰克斯，B.;基于深度自编码学习的澳门智能交通系统.IEEE Trans. Ind. Inform. 2018， 14， 3253–3260.[ 交叉引用 ]

程 J.;吴，W.;曹 J.;Li， K. 通过车辆网络进行基于模糊群的交叉路口控制，用于智能交通。IEEE Trans. Ind. Inform. 2017， 13， 751–758.[ 交叉引用 ]

李，B.Y.S.;杨，L.F.;Tsang， K.F. 基于 IoT 技术分析交通状况。2014 年 IEEE 消费电子国际会议 （ICCE-C 2015） 会议记录，中国深圳，2015 年 1 月 10 日至 13 日;第 1-4 页。

Edelstein， R. 通过其实现更智能的运输管理。第 21 届世界智能交通系统大会论文集，ITSWC 2014：重塑我们互联世界中的交通，美国密歇根州底特律，2014 年 9 月 7 日至 11 日;第 1-4 页。

沃尚克，M.决策成熟度对决策效率的影响。博士论文，拉脱维亚大学，拉脱维亚里加，2018 年。

艾席恩。项目管理。可在线获取：https：aitheon.com/project-management（于 2020 年 4 月 19 日访问）。

DHL 研究。物流中的数字孪生。DHL 对数字孪生对物流行业影响的看法。可在线获取：https：www.dhl.com/content/dam/dhl/global/core/documents/pdf/glo-coredigital-twins-in-logistics.pdf（于 2020 年 4 月 19 日访问）。

普雷森索。Presenso 宣布推出其预测性维护解决方案的生产版本。可在线获取：https：www.prnewswire.com/news-releases/presenso-announces-the-production-release-of-itspredictive-maintenance-solution-839580485.html（于 2020 年 4 月 19 日访问）。

普华永道。可解释的 AI 通过更深入的理解推动业务价值。电子。可在线获取：https：www.pwc.co.uk/audit-assurance/assets/explainable-ai.pdf（于 2020 年 4 月 19 日访问）。

天空代码。SkyPlanner APS-AI 生产规划和调度。可在线获取：https：skycode.fi/en/ skyplanner-aps-ai-production-planning-and-scheduling/（于 2020 年 4 月 19 日访问）。

Swarm 物流。可在线获取：https：www.swarmlogistics.net/proof-of-concept-validates-swarmlogistics-system.html（于 2020 年 4 月 19 日访问）。

西门子交通。基于 AI 的交通和城市移动解决方案。可在线获取：https：www.mobility。 siemens.com/global/en/portfolio/road/digital-lab.html（于 2020 年 4 月 29 日访问）。

克里辛格，W.;卡纳，M.;特拉尔，G.;亨杰斯，J.;Sihn， W. 制造业中的数字孪生：分类文献综述和分类。IFAC-PapersOnLine 2018， 51， 1016–1022.[ 交叉引用 ]

Rai， A. 可解释的 AI：从黑匣子到玻璃盒。 J. Acad. Mark. Sci. 2019， 48， 137–141.[ 交叉引用 ]

艾图格，H.;巴塔查里亚，S.;科勒，G.;斯诺登 J.调度中的机器学习回顾。IEEE Trans. Eng. Manag. 1994， 41， 165–171.[ 交叉引用 ]

米赫，R.;鲍恩汉斯尔，T.;施瓦茨，O.;特劳布，A.;Lorenzoni， A.;沃尔特斯曼，L.;Full， J.;霍贝尔特，J.;绍尔，A.制造业的生物转型 - 设想生物智能增值。Procedia CIRP 2018， 72， 739–743。[ 交叉引用 ]

马特，D.T.;里德尔，M.;Rauch， E. Die Natur als Inspiration.ZWF Zeitschrift Wirtschaftlichen Fabrikbetrieb 2020， 115， 158–161.[ 交叉引用 ]

欧洲议会。交通中的人工智能。可在线获取：https：www.europarl.europa.eu/ RegData/etudes/BRIE/2019/635609/EPRS_BRI（2019）635609_EN.pdf（于 2020 年 4 月 29 日浏览）。

朱斯蒂，R.;马内尔巴，D.;布鲁诺，G.;Tadei， R. Synchromodal logistics：关键成功因素、使能技术和开放研究问题概述。Transp. Res. Part. E Logist. Transp. Rev. 2019， 129， 92–110. [ 交叉引用 ]

Le， L.T.;李，G.;Park， KS;Kim， H. 韩国集装箱船基于神经网络的燃料消耗估算。 玛丽特。策略管理。2020， 1， 1–18.[ 交叉引用 ]

刘 C.;帕克，E.;江，F. 检查情境感知对物流服务质量环境智能的影响：作为调节器的用户意识兼容性。J. 环境。英特尔。人性化。计算。2018， 11， 1413–1420.[ 交叉引用 ]

Ceyhun， G.Ç.人工智能在商业物流中的最新发展：海运业案例。在区块链生态系统中的数字商业战略中;施普林格：柏林/海德堡，德国，2020 年;第 343-353 页。

Karballaeezadeh， N.;Zaremotekhases， F.; 沙姆希尔班德，S.; 莫萨维，A.; 纳比普尔，N.; 西巴，P.;

Várkonyi-Kóczy， A.R. 使用高级机器学习进行智能道路检查;混合预测

智能移动和运输维护系统模型。 能源 2020， 13， 1718–1741。[ 交叉引用 ]