第一步根据货物配送数据，得到线路l和l各个装卸点装卸货物的件数，时间精度取到小时，见表2和表3。
根据车辆的出行信息，可以得到线路l1和l2各装卸点的时间列表，见表4和表5。
第二步在各条路线每个车次装卸点OD中，获取大于最小支持数的各频繁装卸点。在本例中，设定minsup=10，则表2和表3中频繁的装卸有（AB）、（EFC），频繁的下客装卸点（BCD）、（CG）.如图2和图3所示：
根据性质1可以得到线路l1上频繁的直达路径有:
简记为A==>C，如图4所示。
线路l2上频繁的直达路径有：
简记为C==>G，如图5所示。
第四步在具有转运可能的装卸点c，对货物进行跟踪，搜寻出这些货物中后来又上另一辆货车的货物件数超过设定转运支持数的装卸点，如图6所示。
通过上述的实验，验证本文提出的物流RFID数据库时李模式挖掘方法能快速获取频繁装卸点、频繁直达路径和频繁转运路径等。这些信息就可以为库存控制和线路优化提供决策依据。
5 结论及展望
随着各种检测设备与RFID技术的投入使用，物流公司的信息部门每天都可采集并存储大量货物运送方面的数据，但是这些积累的海量物流时空数据并未得到有效的组织和利用，很多潜在的物流运送线路规律并未发现，造成了数据资源的浪费。本文提出了利用数据挖掘技术来抽取这些隐含在数据中的潜在有用的规律。但是时空数据挖掘方法在很多方面都需要进一步完善才能应用到物流领域中，本文只是在这方面做了一些探索，需要进一步研究的内容还有很多，比如时空模式的可视化，挖掘算法的智能化，挖掘结果的后处理与利用问题等。
12
