本发明涉及物流行业数据挖掘技术领域，具体为一种快件配送路径的规划方法。
背景技术
物流直观的理解是物质实体的定向移动，既包括物质实体在空间上的改变，也包括其在时间上的延续。物流定义为供应链活动的一部分，是为了满足客户需要而对商品、服务以及相关信息从产地到消费地的高效、低成本流动和储存进行的规划、实施与控制的过程。可以理解为在恰当的时间、地点和恰当的条件下，将恰当的产品以恰当方式和恰当的成本提供给恰当的消费者。而快件配送提供的是物流服务，因此满足顾客对物流服务的需求是配送的前提。人们对物流配送服务要求中，对服务时间的要求是常见的一个，也已成为越来越普遍的要求，即人们要求物流配送服务必须在某特定时间段完成，该特定时间段也称为时间窗约束。很自然的考虑到，若我们将时间窗相邻和空间位置相邻的顾客聚类到一起来综合考虑然后再进行配送，达到既满足顾客服务时间要求，又尽量降低费用的目的。
在数据挖掘中，聚类也是很重要的一个概念。将物理或抽象对象的集合分成由类似的对象组成的多个类的过程称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。本文中对快件配送客户进行聚类之后，同一类中的顾客具有空间位置相邻和时间窗相近的特性。本文所涉及的聚类方法是划分方法，大部分划分方法是基于距离的，给定要构建的分区数，划分方法首先创建一个初始化划分，然后采用一种迭代的重定位技术，通过把对象从一个组移动到另一个组来进行划分。一个好的划分的一般准备是：同一个簇中的对象尽可能相互接近或相关，而不同的簇中的对象尽可能远离或不同。针对快件配送客户的划分，同一个簇中的客户位置相邻且时间窗相近，所谓的时间窗相近是快件配送车辆能够在某一段时间内对该簇的客户进行服务，而不同的簇中的客户位置相隔较远，但是时间窗很有可能是相近的。
电商的快速发展导致了快递量的猛增，虽然快递企业在不断加大对物流网的投入，但是快递服务质量跟不上，企业利润率下降，主要是终端运输环节存在问题。现有的配送站点根据经验将服务区域划分为一个个路区，每个路区的快递配送人员则按照这个预先分配好的区域进行包裹服务。但是这种分区会使客户分布不均，可能导致包裹延误交付。在配送过程中，忽视了上门服务的质量。所以此时需要一个合理的路区划分方式，使得路区的客户点数大致均等，每个路区的服务范围趋于一致。并且对每个路区实时规划最优行驶路径，使快递配送人员能够根据客户需求调整配送方案。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于时空属性的快件配送路径规划方法，数据来源可靠、方法易于实现，分析结果易解释。
为达到上述目的，本发明提供如下技术方案：
基于时空属性的快件配送路径规划方法，包括如下步骤：
1)根据客户订单内容获得客户位置数据；
2)对客户按照空间位置临近性进行初始聚类；
3)对客户的空间距离和时间窗距离进行归一化，然后计算各个客户之间的时空距离；
4)将步骤2)获得的初始聚类所得的每个客户群聚类中心作为第二次聚类的初始聚类中心，对客户进行二次聚类；
5)根据步骤4)二次聚类的结果，对聚类区域内的客户进行路径规划。
进一步，所述步骤2)具体包括如下步骤：
21)计算客户两两之间的欧式距离
22)将每个客户归为一类；
23)将距离最近的两个类合并为一个新的类；；
24)重新计算新生成的聚类与所有其他聚类的间距d(i,j)，如果满足聚类结果个数超过预设值，则执行步骤3)，否则执行步骤23)。聚类数目的预设值根据相应的客户点数以及配送车辆数确定。
进一步，所述步骤3)具体包括如下步骤：
31)通过下式，对客户的空间距离和时间窗距离进行归一化：
其中，
32)通过下式，计算各个客户之间的时空距离：
其中，
进一步，对于步骤31)和32)所述的时间窗距离的度量，假设客户i的时间窗为[a，b]，客户j的时间窗为[c，d]；
若配送员到达客户i的时间为t∈[a，b]，在客户i处的服务时间为si，从客户i到客户j的行驶时间为tij，则到达客户j的时间为t'＝[a+si+tij,b+si+tij]；记a'＝a+si+tij，b'＝b+si+tij；
则时间窗距离的计算公式为：
进一步，所述步骤4)具体包括如下步骤：
41)将步骤2)初始聚类所得的客户群聚类中心作为初始聚类中心；
42)计算每个点到各个初始聚类中心的时空距离，按照点到初始聚类中心距离最短将点进行分类；
43)根据确定好的类别重新计算新的中心点；
44)若聚类中心改变量大于预定值，则执行步骤42)，若聚类中心改变量小于预定值，则整个聚类过程结束。
进一步，所述步骤5)具体包括如下步骤：
51)建立车辆路径优化模型：
52)对每一聚类区域的路径优化模型采用遗传算法求解。
本发明的有益效果在于：
1)在对快件配送客户进行聚类时，不仅考虑了空间位置邻近性，同时还考虑了快件配送客户之间的时间窗邻近性，这使得同一客户群内的快件配送客户相似度更高；
2)在聚类的过程中，采用了两次聚类的方法，将初始聚类所得的每个客户群中心作为第二次聚类的初始聚类中心，有效的解决了初始聚类中心的选择对聚类结果的影响；
3)将聚类结果运用到车辆的路径规划中，在每个聚类区域内进行路径规划，有效的提高了客户响应速度并且降低了配送费用。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图：
图1为基于时空属性的快件配送路径规划方法的流程示意图；
,图2为客户初始分布图；
图3为客户聚类结果图；
图4为聚类区域一的车辆行驶路径。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述，但所举实施例不作为对本发明的限定。
参见图1-4，本实施例的基于时空属性的快件配送路径规划方法，包括如下步骤：
1)选取要聚类的客户，获得客户位置数据；
2)每个客户分布在空间上的不同位置，对客户按照空间位置临近性进行初始聚类；具体包括如下步骤：
21)计算100个客户两两之间的欧式距离，即
22)将每个客户归为一类，共得到100类，每类仅包含一个对象。类与类之间的距离就是它们所包含的客户之间的距离；
23)找到两个距离最近的聚类并合并成一个类，这样类的个数便减少一个；
24)重新计算新生成的聚类与所有其他聚类的间距，如果满足终止条件，则执行步骤3)，否则执行步骤23)。本实施例中，根据相应的客户点数以及配送车辆数，最终获得6类。当聚类结果达到6类时，算法结束。
获得的6组聚类的各个聚类中心如表1所示：
表1初始聚类中心
3)对客户的空间距离和时间窗距离进行归一化，然后计算各个客户之间的时空距离；具体包括如下步骤：
31)空间距离和时间窗距离具有不同的单位，为了消除这种影响，对客户的空间距离和时间窗距离分别进行归一化，其归一化可以通过所有空间距离和时间窗距离分别除以一个表征各自特征量所得。具体如下：
其中，
32)对空间距离和时间窗距离赋予不同的权值加权，计算各个客户之间的时空距离：
其中，
对于步骤31)和32)所述的时间窗距离的度量，假设客户i的时间窗为[a，b]，客户j的时间窗为[c，d]，配送员依次服务客户i和j，当配送员依次对客户i和j进行服务时，a≤c。此时客户i和客户j的时间窗包含三种关系：
情况一：客户i和客户j的时间窗不存在包含或者交叉的情况，即c＞b；
情况二：客户i和客户j的时间窗相互交叉，即a＜c＜b&d＞b；
情况三：客户i包含客户j的时间窗，即a＜c&d＜b。
若配送员到达客户i的时间为t∈[a，b]，在客户i处的服务时间为si，从客户i到客户j的行驶时间为tij，则到达客户j的时间为t'＝[a+si+tij,b+si+tij]。记a'＝a+si+tij，b'＝b+si+tij。
时间窗距离的三种划分方式：
一：若配送员从客户i到达客户j的时刻晚于客户j能够接受服务的最晚时间，则配送员不能同时对客户i和客户j进行服务，将客户i和j的时间窗距离设为无穷大；
二：若配送员从客户i到达客户j的时刻在客户j能够接受服务的时间窗范围内，则将客户i和客户j的时间窗距离设为0；
三：若配送员到达客户j后必须经过一段时间的等待才能为其提供服务，则将客户i和客户j的时间窗距离设为相应的等待时间。
根据时间窗距离的三种划分方式，计算出三种客户时间窗的时空距离如下：
情况一：
情况二：
情况三：
则时间窗距离的计算公式为：
本实施例中，选取ω1＝0.5、ω2＝0.5。由于100个客户量较大，这里计算出初始聚类1的17个客户的时空距离，聚类1的时空距离如下表2所示：
表2聚类1时空距离
4)将步骤2)获得的初始聚类所得的每个客户群聚类中心作为第二次聚类的初始聚类中心，对客户进行二次聚类；
考虑到时间窗邻近性，如果空间位置相隔很远不适合聚类到一起，若空间位置接近的顾客，如果时间窗差别很大也不适合聚到一类中，所以要综合考虑客户的空间位置邻近性和时间窗邻近性，用
其中，n表示顾客数目，k表示聚类数目；
具体包括如下步骤：
41)将步骤2)初始聚类所得的客户群聚类中心作为初始聚类中心；
42)计算每个点到各个初始聚类中心的时空距离，按照点到初始聚类中心距离最短将点进行分类；
43)根据确定好的类别重新计算新的中心点；
44)若聚类中心改变量大于预定值1e-6，则执行步骤42)，若聚类中心改变量小于或等于预定值1e-6，则整个聚类过程结束。
最终获得的6类聚类结果如下：
表3最终聚类结果
对客户进行处理之后，得到了最终的聚类结果。客户的初始分布情况如图2所示，最终的聚类结果如图3所示。
5)根据步骤4)二次聚类的结果，对聚类区域内的客户进行路径规划。具体包括如下步骤：
51)建立车辆路径优化模型：
符号说明：
c:配送车单位行驶距离的费用；
dij:客户i到客户j的距离；
tij:从客户i到客户j的行驶时间；
ai:客户i规定的最早到达时间；
bi:客户i规定的最晚到达时间；
mi:客户i的需求货物重量；
vi：客户i的需求货物体积；
ti:配送车到达客户i的时间；
p：配送车提早到达时单位时间成本；
q：配送车延迟到达时单位时间成本；
q:配送车的最大载重质量；
v:配送车的最大载重体积；
fi:客户i的服务时间；
n:需要服务的客户数目。
决策变量：
已知到达客户点i的时间ti，则可得到从客户i到达客户j的时间tj为：tj＝ti+fi+ti,j·di,j+max[(ai-ti),0]
目标函数：
约束条件：
目标函数(1)表示配送车辆的总的行驶时间，目标函数(2)表示配送车辆的配送成本；约束条件(3)表示当前n个客户点由一辆配送车去服务；约束条件(4)表示每一个客户点都必须进行服务；约束条件(5)表示配送车辆从配送中心出发并最终返回配送中心；约束条件(6)表示配送车辆所运送的货物不能超过车辆的重量限制；约束条件(7)表示配送车辆所运送的货物不能超过车辆的体积限制；约束条件(8)表示总共还需进行服务的客户数为n。
52)对每一聚类区域的路径优化模型采用遗传算法求解，获得当前的车辆配送方案。获得的路径方案如下表4，对聚类1所规划的车辆配送方案如图4所示。
表4车辆行驶路径
实例结果分析：
由上述实例可见，首先对快件配送客户根据空间位置邻近性进行初始聚类，然后综合考虑顾客的空间位置邻近性和时间窗邻近性进行第二次聚类，有效的解决了初始聚类中心的选择对聚类结果的影响。而且采用本文所提出的一种基于时空属性的快件配送客户聚类方法对快件配送客户进行聚类之后，再对相应区域内的客户进行路径规划，可以加快对客户需求的响应速度，准时、快速的把物品送达客户，提高客户满意程度，降低配送成本。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。