考虑预测不确定性的配送调度方法、装置及可存储介质

1.本发明涉及物流管理技术领域，更具体的说是涉及一种考虑预测不确定性的配送调度方法、装置及可存储介质。


背景技术：

2.目前，餐饮o2o行业连接线上线下的订餐需求，将传统的到店消费模式改造成更加灵活便捷的到家消费模式，极大降低了用户的消费成本和商户的固定成本。
3.但是，不同的配送员完成订单需要的配送时间存在巨大的差异，不同的环境对于众包配送员的工作效率也存在差异。针对配送员的差异，现有的针对配送员的异质化配送速度的物流调度算法，主要分为两类：第一类算法首先预测不同环境下的配送速度，然后结合到物流调度算法中、第二类算法将配送速度或配送时间作为随机变量，考虑一个随机优化的物流调度算法。上述算法仅考虑配送时间受环境因素的影响，未考虑配送员个性化因素对配送时间的影响，也没有考虑配送时间预测的不确定性。
4.因此，如何提供一种能够解决上述问题的物流配送调度方法是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种考虑预测不确定性的配送调度方法、装置及可存储介质，建立同步聚类和预测的配送时间预测模型，结合到物流调度算法中，并考虑预测算法的估计不确定性，可以实现更精准的供需匹配，提高决策的鲁棒性，有效降低配送成本和配送时间。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种考虑预测不确定性的配送调度方法，包括以下步骤：
8.确定调度决策周期时长、当前决策时刻以及配送员集合；
9.提取配送员个人特征数据集，以及配送员对应的历史配送记录的配送时间特征矩阵，利用聚类方法处理所述个人特征数据集及所述配送时间特征矩阵，寻找最优类目数量和聚类方案，构建个性化配送时间预测模型，并对所述个性化配送时间预测模型进行训练得到配送员配送时间模型；
10.基于经过训练的所述个性化配送时间预测模型的点估计与残差分布，并建立配送调度模型；
11.对所述配送调度模型及所述配送时间预测模型进行求解，得到物流配送调度方案。
12.优选的，利用所述最优类目数量及所述聚类方案对所述个性化配送时间预测模型进行训练的具体过程包括：
13.获取所述配送员集合中所有配送员对应的个人特征数据集、配送时间特征矩阵以及聚类的类目上限；
14.在所述类目上限内，依次选择不同的类目数量，基于所述个人特征数据集，利用聚类方法将所有配送员按照类目进行分类；
15.针对每一类配送员，构建个性化配送时间预测模型，调用基础预测方法对所述个性化配送时间预测模型进行训练；
16.计算所有类目配送员的预测误差总和；
17.当预测误差总和最小时，记录此时聚类的类目数量对应的个性化配送时间预测模型为所述配送员配送时间模型。
18.优选的，所述配送时间特征矩阵包括轨迹、配送员、区域、外部环境多个维度的特征。
19.优选的，所述基础预测方法采用线性回归模型、弹性网络模型、随机森林模型、支持向量机回归模型中的任一种或任几种。
20.优选的，对所述配送调度模型及所述配送时间预测模型进行求解的方法采用启发式算法。
21.进一步，本发明还提供一种考虑预测不确定性的配送调度装置，利用上述任一项所述的一种考虑预测不确定性的配送调度方法，包括：
22.第一获取模块，用于确定调度决策周期时长、当前决策时刻以及配送员集合；
23.第二获取模块，用于提取配送员个人特征数据集，以及配送员对应的历史配送记录的配送时间特征矩阵，利用聚类方法处理所述个人特征数据集及所述配送时间特征矩阵；
24.第一构建模块，用于构建个性化配送时间预测模型，并对所述个性化配送时间预测模型进行训练；
25.第二构建模块，用于获取实时配送员信息及订单信息，建立配送调度模型；
26.求解模块，用于对所述配送调度模型及所述配送时间预测模型进行求解，得到物流配送调度方案。
27.进一步，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的配送调度方法。
28.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种考虑预测不确定性的配送调度方法、装置及可存储介质，构建同步聚类与预测的个性化配送时间预测模型，对配送员的配送时间进行高频实时预测，并将此整合到物流配送决策过程中，实现高频调度，进行全局优化。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
30.图1为本发明提供的一种考虑预测不确定性的配送调度方法的整体流程图；
31.图2为本发明提供的一种考虑预测不确定性的配送调度装置的结构原理框图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.实施例1
34.参见附图1所示，本发明实施例公开了一种考虑预测不确定性的配送调度方法，包括以下步骤：
35.确定调度决策周期时长τa、当前决策时刻t以及配送员集合k；
36.提取配送员个人特征数据集{f
tk
}
k∈k'
，以及配送员对应的历史配送记录的配送时间特征矩阵利用聚类方法处理个人特征数据集及配送时间特征矩阵，寻找最优类目数量和聚类方案；
37.其中配送员个人特征数据集主要通过历史配送数据中提取，主要包括个人经验、偏好等特征；
38.构建个性化配送时间预测模型，并对个性化配送时间预测模型进行训练得到配送员配送时间模型；
39.基于经过训练的所述个性化配送时间预测模型的点估计与残差分布，并建立配送调度模型，其中配送调度模型可以利用平台的实时订单信息以及配送员信息得到；
40.对配送调度模型及配送时间预测模型进行求解，得到物流配送调度方案。
41.在一个具体的实施例中，利用最优类别数量及聚类方案对个性化配送时间预测模型进行训练的具体过程包括：
42.获取配送员集合中所有配送员对应的个人特征数据集{f
tk
}
k∈k'
、配送时间特征矩阵以及类目上限l
max
；
43.在类目上限内，依次选择不同的类目数量，基于个人特征数据集，利用聚类方法将所有配送员按照类目进行分类；
44.针对每一类配送员，构建个性化配送时间预测模型，调用基础预测方法对所述个性化配送时间预测模型进行训练；
45.计算所有类目配送员的预测误差总和
46.当预测误差总和最小时，记录此时聚类的类目数量对应的个性化配送时间预测模型为配送员配送时间模型。
47.在一个具体的实施例中，配送时间特征矩阵包括轨迹、配送员、区域、外部环境多个维度的特征。
48.在一个具体的实施例中，基础预测方法采用线性回归模型、弹性网络模型、随机森林模型、支持向量机回归模型中的任一种或任几种。
49.在一个具体的实施例中，对配送调度模型进行求解的方法采用启发式算法。
50.具体的，每个订单的配送完成时间的期望值由配送员配送时间模型点估计确定，每个订单的配送完成时间的概率分布由个性化众包配送时间预测模型的预测残差分
布，即
[0051][0052]
配送调度模型中采用的调度目标信息包括但不限于最小化配送成本，最大化配送利润，最大化订单准时率。
[0053]
具体的，启发式算法包括但不限于禁忌搜索、遗传算法、蚁群算法、模拟退火算法。
[0054]
参见附图2所示，本发明实施例还提供一种考虑预测不确定性的配送调度装置，利用上述任一项所述的一种考虑预测不确定性的配送调度方法，包括：
[0055]
第一获取模块，用于确定调度决策周期时长、当前决策时刻以及配送员集合；
[0056]
第二获取模块，用于提取配送员个人特征数据集，以及配送员对应的历史配送记录的配送时间特征矩阵，利用聚类方法处理个人特征数据集及配送时间特征矩阵；
[0057]
第一构建模块，用于构建个性化配送时间预测模型，并对个性化配送时间预测模型进行训练；
[0058]
第二构建模块，用于获取经过训练的个性化配送时间预测模型的点估计与残差分布，构建配送调度模型；
[0059]
求解模块，用于对配送调度模型进行求解，得到物流配送调度方案。
[0060]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上述实施例中任一项的配送调度方法。
[0061]
实施例2
[0062]
具体应用本发明实施例提供的方法过程如下：
[0063]
某大型外卖配送门店，数据库内拥有2017年5月1日-2017年6月14日的运营记录。现计划对该门店提供物流配送调度方案。每个调度决策周期长度为5分钟。
[0064]
提取配送员的个人特征数据集集，特征包括历史服务订单数、历史工作时间、历史工作绩效三个维度的特征。
[0065]
提取历史配送记录的配送时间特征矩阵，配送时间为配送员完成一整趟配送轨迹的时间，特征矩阵包括轨迹、配送员、外部环境三个维度的特征。
[0066]
选择聚类数目从2依次到10，利用k-means聚类算法对所有配送员进行分类，然后利用套索算法训练每一类配送员的配送时间预测模型，计算所有配送员的预测误差之和。
[0067]
选取使得所有配送员的预测误差总和最小的
[0068]
记录聚类的类目数量为时的配送员配送时间预测模型。
[0069]
基于个性化的每趟最大接单数和个性化配送时间预测模型，构建配送调度模型，优化目标为最小化延误成本。
[0070]
采用模拟退火算法的方法对问题进行求解，给出最优的决策方案。
[0071]
实施例3
[0072]
某大型o2o即时平台共有超过10万个门店，数据库内拥有2016年1月1日-2019年2月31日所有门店的运营记录。现计划对包含22个门店的一个区域提供物流配送调度方案。每个调度决策周期长度为5分钟。
[0073]
提取配送员的个人特征数据集集，特征包括历史服务订单数、历史工作时间、历史工作绩效三个维度的特征。
[0074]
提取历史配送记录的配送时间特征矩阵，配送时间为配送员完成一整趟配送轨迹的时间，特征矩阵包括轨迹、配送员、外部环境、区域熟悉程度四个维度的特征。
[0075]
选择聚类数目从2依次到15，利用k-means聚类算法对所有配送员进行分类，然后利用随机森林算法训练每一类配送员的配送时间预测模型，计算所有配送员的预测误差之和。
[0076]
选取使得所有配送员的预测误差总和最小的。
[0077]
记录聚类的类目数量为时的配送员配送时间预测模型。
[0078]
基于个性化的每趟最大接单数和个性化配送时间预测模型，构建配送调度模型，优化目标为最小化配送成本和延误成本之和。
[0079]
采用禁忌搜索算法的方法对问题进行求解，给出最优的决策方案。
[0080]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0081]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。