基于时间敏感需求在线学习的平台物流运输路径规划方法

1.本发明属于物流技术领域，具体涉及一种基于时间敏感需求在线学习的平台物流运输路径规划方法。


背景技术：

2.平台物流模式是指依托线上平台，集成多家物流企业的仓储、中转和运输资源，多家物流企业协同完成订单履约的物流模式，其最主要的特征表现为平台为客户规划的运输路径的不同路段上的运输任务可以由不同物流企业承担。
3.平台物流模式凭借其对物流资源的整合和协同运用，使得物流履约效率有效提升，企业运作成本下降，目前平台物流模式已在零售、制造等行业成功运用。运输路径规划是平台物流运作过程中的重要环节，平台通过在图1所示的平台所有物流资源组成的潜在网络中选择中转节点和承运不同路段运输任务的物流企业完成运输路径规划方案的设计。由于不同物流企业通常表现出不同的运输时间及单位运输费用、不同中转中心表现出不同的处理时间和单位处理费用，因此平台设计的不同运输路径规划方案通常表现出不同的履约时间和运作成本。
4.在以零售业为代表的现实运作背景下，客户对订单履约时间表现出敏感性，这种敏感性具体表现为某一区域的客户集群产生的需求量均值随履约时间的增加而减少，通常称此类需求为时间敏感需求。而现有运输路径规划技术通常忽略了时间敏感需求对运输路径规划方案运作效果的影响，同时，现有技术对客户需求的刻画通常采用基于历史数据的静态的统计回归的方法，缺乏对平台物流运作过程中产生的在线数据的挖掘和运用，无法有效地反映动态多变的现实需求，进而无法保证对客户需求刻画的准确性，导致所设计的运输路径方案对实际需求适应性差，运输能力浪费或不足，平台运作成本虚高，难以满足客户预期。


技术实现要素：

5.针对上述现有技术存在的不足，本发明提供了一种基于时间敏感需求在线学习的平台物流运输路径规划方法，该方法考虑了时间敏感需求中履约时间和需求量均值的关系、平台运作过程中产生的在线数据，能够基于在线数据实现客户时间敏感需求的在线学习，并进一步利用学习得到的时间敏感需求函数进行平台物流运输路径规划。
6.为实现上述目的，本发明提供以下的技术方案：
7.基于时间敏感需求在线学习的平台物流运输路径规划方法，该方法包括以下步骤：
8.步骤1：针对当前待运输商品，对其历史销售数据进行统计获得该商品的需求量均值和平均履约时间，参考所述需求量均值和平均履约时间估计出若干可能的时间敏感需求函数构成在线学习所需的潜在时间敏感需求函数集合φf；
9.步骤2：确定平台所有物流资源组成的潜在网络的信息及参数；
10.步骤3：从集合φf中随机选择一个函数作为初始的平台认定的客户实际时间敏感需求函数；
11.步骤4：基于平台所有物流资源组成的潜在网络的信息及参数、平台认定的客户实际时间敏感需求函数，以最大化平台收益为目标，以中转节点的选择和承担运输任务的物流企业的选择为决策变量，建立平台物流运输路径规划模型；
12.步骤5：求解平台物流运输路径规划模型，得到运输路径规划方案s
p
；
13.步骤6：平台应用s
p
，获得在线的客户真实时间敏感需求数据均值；
14.步骤7：计算集合φf中所有函数在s
p
下对应的客户时间敏感需求均值及其各自与所述真实时间敏感需求数据均值之间的偏差，找到集合φf中偏差值最小的函数；
15.步骤8：若最小偏差值在允许的误差范围内，则输出当前的运输路径规划方案；否则，判断最小偏差值是否大于预设的最大允许偏差范围：若是，则以运输路径规划方案s
p
对应的运输时间、真实时间敏感需求数据均值为参考，估计新的时间敏感需求函数并将其加入到集合φf后转至步骤9；若否，则执行步骤9；
16.步骤9：将φf中偏差值最小的函数更新为平台认定的客户实际时间敏感函数，并按照步骤4至步骤8的方法，重复执行步骤4至步骤8直到最小偏差值在允许的误差范围内时输出当前的运输路径规划方案。
17.进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，所述时间敏感需求函数表达的是待运输商品采用某运输路径规划方案所对应履约时间下的客户需求量均值。
18.进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，在所述步骤1中引入与待运输商品相近品类商品历史学习得到的时间敏感需求函数与所有估计的当前待运输商品的时间敏感需求函数一起构成所述集合φf。
19.进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，所述步骤2所述的平台所有物流资源组成的潜在网络的信息及参数包括潜在网络中不同节点间的连接关系、中转节点的处理时间及单位处理费用、相连节点间物流企业数量及每一家物流企业的运输时间及单位运输费用。
20.进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，所述平台物流运输路径规划模型包括：
21.式(4)所示的目标函数：
22.max r＝b.d
p
(t
p
)-c(s
p
)
ꢀꢀ
(4)
23.上式中，r为平台收益，元；b为平台完成订单获得的单位酬金，元/件；p为平台认定的客户实际时间敏感需求函数d
p
(t)在潜在时间敏感需求函数集合φf中的编号；s
p
表示在认定d
p
(t)为客户的实际时间敏感需求的情况下采用的运输路径规划方案；c(s
p
)为运输路径规划方案s
p
对应的运作成本，元；t
p
为运输路径规划方案s
p
的运输时间，h；d
p
(t
p
)为认定d
p
(t)为客户实际时间敏感需求的情况下采用运输路径规划方案s
p
时客户集群产生的需求量，件；
24.式(5)-(9)所示的约束条件，其中，
25.式(5)为流平衡约束，用于保证求解模型所得的运输路径规划方案是一条合理通路：
[0026][0027]
上式中，为平台所有物流资源组成的潜在网络中所有节点的集合；为平台所有物流资源组成的潜在网络中所有供应点的集合；为平台所有物流资源组成的潜在网络中所有中转节点的集合；为平台所有物流资源组成的潜在网络中所有客户的集合；为起点编号为i、终点编号为j的运输路段上所有物流企业的集合；x
ijk
为决策变量，代表承担运输任务的物流企业的选择，表示起点编号为i、终点编号为j的运输路段上编号为k的物流企业在运输路径规划方案中是否被选择，x
ijk
＝1代表被选择，x
ijk
＝0代表未被选择；
[0028]
式(6)和式(7)为唯一通路约束，用于保证每一个客户订单都经由唯一可行通路履约运送：
[0029][0030][0031]
式(8)和式(9)决策变量取值范围约束，用于规定决策变量在合理的{0,1}集合中取值；
[0032][0033][0034]
上式中，y
l
为决策变量，代表中转节点的选择，表示编号为l的中转节点在运输路径规划方案中是否被选择，y
l
＝1代表被选择，y
l
＝0代表未被选择；x
ijk
为决策变量，代表承担运输任务的物流企业的选择，表示起点编号为i、终点编号为j的运输路段上编号为k的物流企业在运输路径规划方案中是否被选择，x
ijk
＝1代表被选择，x
ijk
＝0代表未被选择。
[0035]
进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，按照式(2)计算运输路径规划方案s
p
的运输时间t
p
；
[0036][0037]
其中，tp
ijk
为起点编号为i、终点编号为j的运输路段上编号为k的物流企业的运输时间，h；tc
l
为编号为l的中转节点的处理时间，h。
[0038]
进一步地，根据所述的基于时间敏感需求在线学习的平台物流运输路径规划方法，按照式(3)计算运输路径规划方案s
p
对应的运作成本c(s
p
)，元；
[0039][0040]
其中，cp
ijk
为起点编号为i、终点编号为j的运输路段上编号为k的物流企业的单位运输费用，元；cc
l
为编号为l的中转节点的单位处理费用，元。
[0041]
总体而言，通过本发明所构思的以上技术方案较现有技术具有以下有益效果：
[0042]
(1)本发明方法相较于传统的运输路径规划方法，在运输路径规划模型中引入了时间敏感需求，能够有效地刻画客户需求量与履约时间的关系，进而能够更有效地进行运输路径规划，避免由于履约时间改变导致的运输路径规划方案失准；
[0043]
(2)相较于基于历史数据的统计回归的客户需求刻画方式，本发明方法通过在线
学习方式，基于在线客户需求数据探索获得客户时间敏感需求函数，使得对客户需求的刻画更加精准，更有利于设计使得平台收益最大的运输路径规划方案；
[0044]
(3)本发明方法与传统的运输路径规划方法相比可以不断适应变化的客户时间敏感需求，适用范围更广。
附图说明
[0045]
为了更清楚地说明本发明实施例中的具体方式，下面将对实施例中涉及的相关附图做简单说明，下面的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来说，在没有创造性改变的前提下，可以根据这些附图获得其它的附图。
[0046]
图1为平台物流模式下平台所有物流资源组成的潜在网络示意图；
[0047]
图2为本实施方式基于时间敏感需求在线学习的平台物流运输路径规划方法的流程示意图；
[0048]
图3为本实施方式基于时间敏感需求在线学习的平台物流运输路径规划方法的流程示意图；
[0049]
图4为本实施方式平台收集得到的真实客户需求数据分布图；
[0050]
图5为本实施方式平台收益最大的运输路径规划方案示意图；
[0051]
图6为本实施方式平台每日收益变化曲线图；
[0052]
图7为本实施方式平台累计收益变化曲线图；
[0053]
图8为本实施方式平台设定的客户时间敏感需求函数的甘特图。
具体实施方式
[0054]
为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的较佳实施方式。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本技术的公开内容理解的更加透彻全面。
[0055]
如本领域技术人员所知，平台物流模式中的运输路径规划是在如图1所示的平台所有物流资源组成的潜在网络中可用资源上进行选择规划的过程。图1中源点1表示运输任务的出发点，汇点10表示运输任务的目的地，中间节点2-9表示平台拥有的仓库、中转站、分销中心、停靠分拣中心等可用的中转节点，图中两个节点间的有向边表示能够承运两个节点间路段运输任务的物流企业，其中，两个节点间可能会有多个可用的物流企业，其运输能力、运输时间、单位费用等不完全相同，即，平台物流运输的潜在网络被表示为多重图结构。平台完成运输任务的过程即为按照设计的运输路径规划方案，经出发点出发，由不同物流企业经过不同中转节点，最终运送至目的地的过程。
[0056]
对于平台物流运输路径规划，本发明的核心思路是：首先通过基于商品历史销售数据的统计学特征进行估计的方式构建潜在时间敏感需求函数集合；然后从潜在时间敏感需求函数集合中选定任意一个函数为初始的平台认定的客户时间敏感需求函数，建立运输路径规划模型并求解得到对应的运输路径规划方案；再然后平台通过应用求得的运输路径规划方案收集真实的客户需求量数据，并计算潜在时间敏感需求函数集合中所有函数在上述运输路径规划方案下对应的客户时间敏感需求均值及其各自与在线真实时间敏感需求
数据均值之间的偏差值，若其中最小偏差值不在预设的允许误差范围且大于预设的最大允许偏差范围，则以当前数据为参考点预估新的时间敏感需求函数并添加至潜在时间敏感需求函数集合，并用偏差值最小的函数更新设定为平台认定的客户实际时间敏感函数，重复上述计算过程直至最小偏差值在预设的允许范围内，输出运输路径规划方案。
[0057]
现以某平台物流运营商对某电子品类商品的运输路径规划为例对本发明方法做进一步的详细说明，图2和图3是本实施方式基于时间敏感需求在线学习的平台物流运输路径规划方法的流程示意图，如图2和图3所示，所述基于时间敏感需求在线学习的平台物流运输路径规划方法包括如下步骤：
[0058]
步骤1：统计待运输商品的历史销售数据获得该商品的需求量均值和平均履约时间，并基于所述需求量均值和平均履约时间估计出若干可能的时间敏感需求函数构成在线学习所需的潜在时间敏感需求函数集合φf；
[0059]
本实施例通过对待运输的所述某电子品类商品历史销售数据的统计，得到表1所示的该电子品类商品的统计学特征。
[0060]
表1所述电子品类商品历史销售数据的统计学特征
[0061][0062]
将从所述电子品类商品有限的历史销售数据中统计得到的特征作为参考点，围绕该参考点可以估计若干曲线经过的时间敏感需求函数，其中对时间敏感需求函数估计的数量不做限制，如表2示出的围绕表1示出的特征所估计的时间敏感需求函数。
[0063]
表2时间敏感需求函数估计结果
[0064][0065]
其中，t代表履约时间，d
p
(t)代表编号为p的时间敏感需求函数下履约时间为t时的客户需求量均值。由表2示出的时间敏感需求函数可以理解出时间敏感需求函数表达了待运输商品在某运输路径规划方案下对应的履约时间为t时的客户需求量均值d
p
(t)。
[0066]
基于估计的时间敏感需求函数构建在线学习所需的潜在时间敏感需求函数集合φf：由所有估计的时间敏感需求函数组合构成集合φf，较佳地是引入与待运输商品相近品类商品历史学习得到的时间敏感需求函数与所有估计的时间敏感需求函数一起组合构成集合φf；
[0067]
为了提高利用潜在时间敏感需求函数集合φf学习客户需求的有效性，可以将相近品类商品历史学习得到的时间敏感需求函数引入至集合φf，表3示出的是与所述电子品
类商品相近品类商品历史学习得到的时间敏感需求函数。应当知道，引入相近品类商品历史学习得到的时间敏感需求函数仅是为了提升在线学习的效果，并不是必要的。
[0068]
表3相近品类商品历史学习得到的时间敏感需求函数
[0069][0070]
步骤2：确定平台所有物流资源组成的潜在网络的信息及参数；
[0071]
平台所有物流资源组成的潜在网络的信息及参数应包括潜在网络中不同节点间的连接关系、中转节点的处理时间及单位处理费用、相连节点间物流企业数量及每一家物流企业的运输时间及单位运输费用，具体表现为如图1所示的潜在网络上中转节点和物流企业的信息及参数。如表4示出的某平台所有物流资源组成的潜在网络节点的信息及参数，以及表5示出的某平台所有物流资源组成的潜在网络边的信息及参数。
[0072]
表4某平台所有物流资源组成的潜在网络节点的信息及参数
[0073][0074][0075]
表5某平台所有物流资源组成的潜在网络边的信息及参数
[0076][0077]
步骤3：从潜在时间敏感需求函数集合φf中随机选择一函数d
p
(t)作为初始的平台认定的客户实际时间敏感需求函数。
[0078]
其中，p为潜在时间敏感需求函数集合φf中时间敏感需求函数的编号，其取值范围为{1,
…
,k}，其中k为潜在时间敏感需求函数集合φf中存在的函数总数。
[0079]
在本实施例中，随机选择d1(t)＝-10t+150作为初始的平台认定的客户实际时间敏感需求函数。
[0080]
步骤4：基于平台所有物流资源组成的潜在网络的信息及参数、平台认定的客户实际时间敏感需求函数，以最大化平台收益为目标，以中转节点的选择和承担运输任务的物流企业的选择为决策变量，建立平台物流运输路径规划模型；
[0081]
在本实施例中，以决策变量y
l
代表中转节点的选择，表示编号为l的中转节点在运输路径规划方案中是否被选择，y
l
＝1代表被选择，y
l
＝0代表未被选择；以决策变量为x
ijk
代表承担运输任务的物流企业的选择，表示起点编号为i、终点编号为j的运输路段上编号为k的物流企业在运输路径规划方案中是否被选择，x
ijk
＝1代表被选择，x
ijk
＝0代表未被选择。
[0082]
平台收益是指完成订单获取的酬金与付出的运作成本之差，在本实施例中按照式(1)计算平台收益r，元；
[0083]
r＝b
·dp
(t
p
)-c(s
p
)
ꢀꢀ
(1)
[0084]
上式中，b为平台完成订单获得的单位酬金，本实施例中平台完成订单获得的单位酬金b＝15，元/件；p为平台认定的客户实际时间敏感需求函数在潜在时间敏感需求函数集合φf中的编号，即认定d
p
(t)为客户的实际时间敏感需求；s
p
表示在认定d
p
(t)为客户的实际时间敏感需求的情况下采用的运输路径规划方案；c(s
p
)为运输路径规划方案s
p
对应的运作成本，元；t
p
为运输路径规划方案s
p
的运输时间，h；d
p
(t
p
)为认定d
p
(t)为客户实际时间敏感需求的情况下采用运输路径规划方案s
p
时客户集群产生的需求量，件。
[0085]
本实施例中，按照式(2)计算运输路径规划方案s
p
的运输时间t
p
，h；
[0086][0087]
其中，tp
ijk
为起点编号为i、终点编号为j的运输路段上编号为k的物流企业的运输时间，h；tc
l
为编号为l的中转节点的处理时间，h；为平台所有物流资源组成的潜在网络中所有节点的集合；为平台所有物流资源组成的潜在网络中所有中转节点的集合；为起点编号为i、终点编号为j的运输路段上所有物流企业的集合。
[0088]
本实施例中，按照式(3)计算运输路径规划方案s
p
对应的运作成本c(s
p
)，元；
[0089][0090]
其中，cp
ijk
为起点编号为j、终点编号为j的运输路段上编号为k的物流企业的单位运输费用，元；cc
l
为编号为l的中转节点的单位处理费用，元。
[0091]
进而，建立如下平台物流运输路径规划模型，其中，目标函数如式(4)所示：
[0092]
max r＝b.d
p
(t
p
)-c(s
p
)
ꢀꢀ
(4)
[0093]
约束条件如式(5)-(9)所示：
[0094]
流平衡约束如式(5)所示，用于保证求解模型所得的运输路径规划方案是一条合理通路：
[0095][0096]
其中，为平台所有物流资源组成的潜在网络中所有供应点的集合；为平台所有物流资源组成的潜在网络中所有客户的集合。
[0097]
唯一通路约束如式(6)和式(7)所示，用于保证每一个客户订单都经由唯一可行通路履约运送：
[0098][0099][0100]
决策变量取值范围约束如式(8)和式(9)所示，用于规定决策变量在合理的{0,1}集合中取值：
[0101][0102]
[0103]
步骤5：求解平台物流运输路径规划模型，得到运输路径规划方案s
p
；
[0104]
式(4)-(9)所示的平台物流运输路径规划模型是一个0-1整数二次规划模型，通过现有的整数规划技术可以求得最优解，即输出决策变量x
ijk
和y
l
的最优取值，从而得到运输路径规划方案。
[0105]
步骤6：平台应用求得的运输路径规划方案s
p
，获得在线的客户真实时间敏感需求数据均值；
[0106]
具体方法为：在应用周期w期间按照步骤5求得的运输路径规划方案s
p
进行履约，平台每天获得一个真实销售数据，即平台获得{x1,
…
,xw}共w个真实销售数据，通过式(10)计算在线真实客户时间敏感需求数据均值；
[0107][0108]
其中，w为平台设定的运输路径规划方案应用周期，天；xq为应用周期中第q天平台收集到的真实客户需求量，件；为在一个完整应用周期的时间内应用运输路径规划方案s
p
的情况下平台收集得到的真实客户需求量的均值，件。
[0109]
在本实施例中，设定平台运输路径规划方案应用周期w＝60，平台将收集到如图4所示的真实客户需求量数据。
[0110]
步骤7：计算潜在时间敏感需求函数集合φf中所有函数在运输路径规划方案s
p
下对应的客户时间敏感需求均值及其各自与在线真实时间敏感需求数据均值之间的偏差，找到潜在时间敏感需求函数集合φf中偏差值最小的函数；
[0111]
具体方式如下：计算潜在时间敏感需求函数集合φf中所有函数在运输路径规划方案s
p
下对应的客户时间敏感需求均值，通过式(11)计算潜在时间敏感需求函数集合φf中在运输路径规划方案s
p
下与在线真实时间敏感需求数据均值偏差最小的函数编号m，并得到对应的时间敏感需求函数dm(t)；
[0112][0113]
其中，δdm为潜在时间敏感需求函数集合φf中编号为m的函数在运输路径规划方案s
p
下对应的客户时间敏感需求均值与在线真实时间敏感需求数据均值的偏差值。
[0114]
将dm(t)设定为更新后的平台认定的客户实际时间敏感需求函数；
[0115]
步骤8：若最小偏差值在允许的误差范围内，则输出当前的运输路径规划方案；否则，判断最小偏差值是否大于预设的最大允许偏差范围δd
max
：若是，则以运输路径规划方案s
p
对应的运输时间t
p
、在线真实时间敏感需求数据均值为参考点，估计新的时间敏感需求函数加入到潜在时间敏感需求函数集合φf并转至步骤10；若否，则执行步骤10；
[0116]
步骤9：以φf中偏差值最小的函数更新设定为平台认定的客户实际时间敏感函数，按照步骤4至步骤8的方法，重复执行步骤4至步骤8直到最小偏差在允许的误差范围内时输出当前的运输路径规划方案。
[0117]
根据本发明方法，基于上述平台所有物流资源组成的潜在网络的信息及参数、平台运输路径规划方案应用周期，通过计算机编程建立上述平台物流运输路径规划模型并实现基于在线数据的客户时间敏感需求在线学习，计算得到最优客户时间敏感需求函数为d7(t)＝-30t+350，计算得到的潜在时间敏感需求函数集合φf中所有函数的偏差值如表6所示，输出使得平台收益最大的运输路径规划方案如图5所示。在本实施例中对平台总核算周期600天时间内，平台每日收益变化曲线图如图6所示；平台累计收益曲线图如图7所示；平台设定的客户时间敏感需求函数的甘特图如图8所示。从图8中可以看到，本实施例中，平台仅通过2次调整运输路径规划方案即得到了使得平台收益最大的运输路径规划方案。结果表明，平台利用在线数据对客户时间敏感需求函数进行在线学习后，可以快速调整设定至使得平台收益最大的时间敏感需求函数，并计算得到运输路径规划方案，实现平台盈利。
[0118]
表6潜在时间敏感需求函数集合中所有函数的最优运输时间及需求量偏差值
[0119][0120][0121]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。