一种智能物流派送和调度管理方法与流程

1.本公开实施例涉及数据处理技术领域，尤其涉及一种智能物流派送和调度管理方法。


背景技术：

2.目前，在物流作业过程中的大量运筹与决策的智能化；以物流管理为核心，实现物流过程中运输，存储，包装，装卸等环节的一体化和智能物流系统的层次化；智能物流的发展会更加突出“以顾客为中心”的理念，根据消费者需求变化来灵活调节生产工艺；智能物流的发展将会促进区域经济的发展和世界资源优化配置，实现社会化。个人和企业都会在生活或者公司业务中遇到各种各样的优化问题，比如每个企业经常要考虑的公司特定某项业务“在一定成本下，如何使利润最大化或成本最小化”等。然而，现实的世界充满变数和不确定性。企业的业务开展中同样也有很多的随机因素，评判最优的标准值在很多问题中也具有不确定性。
3.可见，亟需一种能提高客户的满意度和物流效率，降低物流派送成本的智能物流派送和调度管理方法。


技术实现要素：

4.有鉴于此，本公开实施例提供一种智能物流派送和调度管理方法，至少部分解决现有技术中存在客户的满意度和物流效率较差，物流派送成本高的问题。
5.本公开实施例提供了一种智能物流派送和调度管理方法，包括：
6.步骤1，采集目标区域的初始数据，所述初始数据包括目标区域的交通状况数据、住宅小区数据、居住人口数据和物流数据；
7.步骤2，利用大数据分析技术和优化理论分析初始数据，得到物流派件数据；
8.步骤3，采用优化模型进行数据分析物流派件数据得到区域关联度并据此确定各个派送区域；
9.步骤4，采用神经网络和优化模型机制计算隐性相似度和显性相似度派，加权得到各个派送区域的融合派送度；
10.步骤5，由各个派送区域的融合派送度与预先设定的阈值以及当前的派送任务比较，结合优化理论和算法确定派送任务，同时建立动态调度管理方案。
11.根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
12.步骤2.1，对于物流数据，计算出各个时间段内各个小区的快件的接收数量，同时根据居住人口数据分析物流派件员的基本工作量；
13.步骤2.2，对于住宅小区数据，分析各个小区的地理位置，记录在矩阵la0中；
14.步骤2.3，对于交通状况数据，调用图论的优化算法计算出相应的相邻小区间的最短路径长度，记录在矩阵d0中；
15.步骤2.4，根据dist算法，得到各个小区的最短路径长度，记录在矩阵d1中；
16.步骤2.5，将物流派件员的基本工作量、各个小区的地理位置、相邻小区间的最短路径长度和各个小区的最短路径长度作为物流派件数据。
17.根据本公开实施例的一种具体实现方式，所述显性相似度的计算公式为p
α
(t
kn
,t
(k+1)m
)＝f1(t
kn
,p
kn
)，其中f1(t
kn
,p
kn
)为分段函数；
18.所述隐性相似度的计算公式为p
β
(t
kn
,t
(k+1)m
)＝f2(t
kn
,p
kn
)，其中，t
kn
表示在时间线tk中第n个派送区，p
kn
表示时间线tk中第n个派送员，其中函数f2(t
kn
,p
kn
)表示一种神经网络模型中双向长短期记忆网络所相应函数。
19.根据本公开实施例的一种具体实现方式，所述融合派送度的计算公式为p
x
(t
kn
,p
kn
)＝ap
α
(t
kn
,p
kn
)+bp
β
(t
kn
,p
kn
)，其中，a和b分别显性相似度和隐性相似度的权重。
20.根据本公开实施例的一种具体实现方式，a＝0.4，b＝0.6。
21.根据本公开实施例的一种具体实现方式，所述神经网络的子网络为双向长短期记忆网络。
22.根据本公开实施例的一种具体实现方式，所述神经网络和优化模型机制的计算公式为
[0023][0024]
公式中其中r表示为向量空间，n表示相似度计算机制中的层数，dk,dv分别表示为相关分析因素的维度。
[0025]
根据本公开实施例的一种具体实现方式，步骤5中所述建立动态调度管理方案的步骤，包括：
[0026]
设定阈值θ1,θ2,θ
p
，θ1《θ2《θ
p
，若第k个时间线中每个分派区域融合派送度的数值小于阈值θ1，为“正常”时态；
[0027]
若第k个时间线中各个分派区域融合派送度的数值中有不超过2个大于θ1而小于阈值θ2，为“微调”时态；
[0028]
若第k个时间线中各个分派区域融合派送度融合中有至少3个大于θ1而小于阈值θ2，为“调整”时态；
[0029]
若第k个时间线中各个分派区域融合派送度的数值中至少有一个值大于θ2而小于阈值θ
p
，至少有一个参数值大于θ
p
，为“应急”时态。
[0030]
本公开实施例中的智能物流派送和调度管理方案，包括：步骤1，采集目标区域的初始数据，所述初始数据包括目标区域的交通状况数据、住宅小区数据、居住人口数据和物流数据；步骤2，利用大数据分析技术和优化理论分析初始数据，得到物流派件数据；步骤3，采用优化模型进行数据分析物流派件数据得到区域关联度并据此确定各个派送区域；步骤4，采用神经网络和优化模型机制计算隐性相似度和显性相似度派，加权得到各个派送区域的融合派送度；步骤5，由各个派送区域的融合派送度与预先设定的阈值以及当前的派送任务比较，结合优化理论和算法确定派送任务，同时建立动态调度管理方案。
[0031]
本公开实施例的有益效果为：通过本公开的方案，结合数据挖掘和优化模型对物流快件进行分析，建立智能物流派送方法和智能调度管理方法和系统，提高客户了的满意度和物流效率，降低物流派送成本。
附图说明
[0032]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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，还可以根据这些附图获得其它的附图。
[0033]
图1为本公开实施例提供的一种智能物流派送和调度管理方法的流程示意图；
[0034]
图2为本公开实施例提供的一种智能物流派送和调度管理方法的部分流程示意图；
[0035]
图3为本公开实施例提供的一种具有自适应机制的神经网络结构示意图；
[0036]
图4为本公开实施例提供的一种显性相似度权重对判断结果精确度的影响示意图。
具体实施方式
[0037]
下面结合附图对本公开实施例进行详细描述。
[0038]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0039]
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0040]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0041]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0042]
本公开实施例提供一种智能物流派送和调度管理方法，所述方法可以应用于运输场景的物流派送过程中。
[0043]
参见图1，为本公开实施例提供的一种智能物流派送和调度管理方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
[0044]
步骤1，采集目标区域的初始数据，所述初始数据包括目标区域的交通状况数据、住宅小区数据、居住人口数据和物流数据；
[0045]
步骤2，利用大数据分析技术和优化理论分析初始数据，得到物流派件数据；
[0046]
进一步的，所述步骤2具体包括：
[0047]
步骤2.1，对于物流数据，计算出各个时间段内各个小区的快件的接收数量，同时根据居住人口数据分析物流派件员的基本工作量；
[0048]
步骤2.2，对于住宅小区数据，分析各个小区的地理位置，记录在矩阵la0中；
[0049]
步骤2.3，对于交通状况数据，调用图论的优化算法计算出相应的相邻小区间的最短路径长度，记录在矩阵d0中；
[0050]
步骤2.4，根据dist算法，得到各个小区的最短路径长度，记录在矩阵d1中；
[0051]
步骤2.5，将物流派件员的基本工作量、各个小区的地理位置、相邻小区间的最短路径长度和各个小区的最短路径长度作为物流派件数据。
[0052]
具体实施时，可以通过调研相关政府部门和相关物流企业，得到了服务区域的居住小区数量、居住户数、近2年来物流公司派件数据和交通状况等数据，对于收集的物流快件派送数据，经过分析，计算出各个时间段内各个小区的快件的接受数量，同时分析物流派件员的基本工作量。将它们分别记录在excel表格中。然后分析各个小区的地理位置，记录在矩阵la0中。根据交通情况，可以调用图论的优化算法，计算出相应的相邻小区间的的最短路径长度，记录在矩阵d0中，然后根据dist算法，可以得到各个小区的最短路径长度，记录在矩阵d1中，以备后面的聚类分析、优化算法、神经网络算法所使用。
[0053]
步骤3，采用优化模型进行数据分析物流派件数据得到区域关联度并据此确定各个派送区域；
[0054]
步骤4，采用神经网络和优化模型机制计算隐性相似度和显性相似度派，加权得到各个派送区域的融合派送度；
[0055]
可选的，所述显性相似度的计算公式为p
α
(t
kn
,t
(k+1)m
)＝f1(t
kn
,p
kn
)，其中f1(t
kn
,p
kn
)为分段函数；
[0056]
所述隐性相似度的计算公式为p
β
(t
kn
,t
(k+1)m
)＝f2(t
kn
,p
kn
)，其中，t
kn
表示在时间线tk中第n个派送区，p
kn
表示时间线tk中第n个派送员，其中函数f2(t
kn
,p
kn
)表示一种神经网络模型中双向长短期记忆网络所相应函数。
[0057]
进一步的，所述融合派送度的计算公式为p
x
(t
kn
,p
kn
)＝ap
α
(t
kn
,p
kn
)+bp
β
(t
kn
,p
kn
)，其中，a和b分别显性相似度和隐性相似度的权重。
[0058]
可选的，a＝0.4，b＝0.6。
[0059]
在上述实施例的基础上，所述神经网络的子网络为双向长短期记忆网络。
[0060]
进一步的，所述神经网络和优化模型机制的计算公式为
[0061][0062]
公式中其中r表示为向量空间，n表示相似度计算机制中的层数，dk,dv分别表示为相关分析因素的维度。
[0063]
神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理
需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。本发明中在相关特征提取和参数计算中应用了神经网络模型中的双向长短期记忆网络，使得我们的计算和分析具有智能化特点和并行处理的能力。
[0064]
在特定的区域内，在某个时间节点或者在某个时间段内，有一批量的快件到达某个公司，需要在一定时间段内快速送出，送到客户手中或者特定的寄存之地，以获得客户群的良好体验感和后继保持服务，同时也应该降低营运成本。这里一方面要结合前期收集的数据，这里包括该区域的住宅小区分布、人口分布、交通状况、人力资源成本等客观因素，继续大量和细致的数据挖掘工作，找出一些比较客观可靠的参数，为后面的智能派送算法和调度系统管理打下坚实的基础。然后结合最短路径算法，对某一个单个物件来说，收点和发点固定，道路情况明确，然后调用弗洛伊德算法，马上可以算出最优路径和时间。但是，现实生活中，基本一个快递员出发，往往带了一车货物，沿着某些路径，依次把一些快递物品送到相应的指定地方，这样整体的效率和成本比较高。
[0065]
结合道路情况、以往送货的路径、送货的数量、送货的往返时间、送货车的容量等客观数据，进行大数据分析和挖掘，根据某个时刻节点或时间段内货物的数量和品种，根据优化理论和神经网络模型建立动态智能派送算法和科学合理的调度系统，这个是十分必要和有重要意义的。
[0066]
具体实施时，可以根据已经出现的物流快件派送数据和当前任务演化分析，然后制定智能派送任务和智能派送管理系统。
[0067]
传统基于lda主题模型的方法中存在缺陷，因此本发明结合了孪生网络对当前任务和历史数据进行提取。本发明在参数提取关系中主要使用增强型的孪生双向长短期记忆网络模型对对应事件和关系进行计算。
[0068]
将p
x
定义为各个区域的融合派送度：
[0069]
p
x
(t
kn
,p
kn
)＝ap
α
(t
kn
,p
kn
)+bp
β
(t
kn
,p
kn
)，
[0070]
其中t
kn
表示在时间线tk中第n个派送区，p
kn
表示时间线tk中第n个派送员，p
α
表示显性相似度，p
β
表示隐性相似度，a和b分别显性相似度和隐性相似度的权重。然后得到总体融合派送度。
[0071]
显性相似度表示如下，
[0072]
p
α
(t
kn
,t
kn
)＝f1(t
kn
,p
kn
)，
[0073]
其中函数f1(t
kn
,p
kn
)是一种分段函数，根据历史数据分析的特征、当前任务和派送员的特征来确定。下面做出具体的说明；
[0074]
f1＝α1时，说明该派送区域的任务和所排出的派送员的业务能力完全胜任；
[0075]
f1＝α2时，说明该派送区域的任务部分超出和所排出的派送员的业务能力；
[0076]
f1＝α3时，说明该派送区域的任务完全超出所排出的派送员的业务能力。
[0077]
这里的参数0《α1《α2《α3。
[0078]
结合图3所示，对于隐形相似度，本发明采用的核心模型为基于循环神经网络改进的长短期记忆网络，相较侧重于识别跨空间的模式的卷积神经网络，循环神经网络侧重于跨时间的模式，对于时间序列长的任务中可以得到较好的效果，因此在物流快件派送的时序性长特点前提下，循环神经网络具有更好的表现，而长短期记忆网络作为循环神经网络的改进模型，其模型结构中记忆单元能有效的记录相关时序特征，在解决动态物件派送事
物上能够得到更好的效果。
[0079]
graves提出的双向长短期记忆网络，该模型可以获得更多的信息。且在该基础上引入了计算机制，即smd机制解决上述存在的信息丢失问题，从全局考虑物流快件信息和其他信息，提取全局相关信息进行计算。计算机制的公式如下式所示：
[0080][0081]
公式中其中r表示为向量空间，n表示机制中的层数，dk,dv分别表示为注意力索引k与对应向量v的维度。激活函数softmax中为三个矩阵相乘，得到一个n
×dv
的矩阵，可以简单的理解为smd层把n
×dk
的序列q编码为n
×dv
的新序列。
[0082]
隐性相似度使用基于孪生双向长短期记忆网络和计算机制并且使用曼哈顿距离的方法来实现隐性相似度度量。两个事件信息经过双向长短期记忆网络得到表征特征的向量，并通过计算机制中q,k,v权重矩阵，对得到的向量进行权重分配，然后经过上述smd层得到两个向量，该向量表征其对应的相关信息，通过曼哈顿函数进行计算得到两者相似度。当计算时间线tk中的第n个派送任务和时间线tk中第n个派送员的隐性相似度如下公式所示，式中以及分别为相关量在对应向量在空间中的表示。
[0083][0084]
其中||||1为1-范式，表示向量元素绝对值之和。
[0085]
本步骤结合lda主题模型和增强型的孪生双向长短期记忆网络模型能够在现有技术的基础上加入了对于相关信息的关注，提高了事件关系的准确率。本步骤中选择采用网格搜索来确定两个相似度的计算权重，即显性相似度和隐性相似度的权重，如图4所示，当a＝0.4并且b＝0.6，这样的分配比例得出的结果最为优异。
[0086]
步骤5，由各个派送区域的融合派送度与预先设定的阈值以及当前的派送任务比较，结合优化理论和算法确定派送任务，同时建立动态调度管理方案。
[0087]
在上述实施例的基础上，步骤5中所述建立动态调度管理方案的步骤，包括：
[0088]
设定阈值θ1,θ2,θ
p
，θ1《θ2《θ
p
，若第k个时间线中每个分派区域融合派送度的数值小于阈值θ1，为“正常”时态；
[0089]
若第k个时间线中各个分派区域融合派送度的数值中有不超过2个大于θ1而小于阈值θ2，为“微调”时态；
[0090]
若第k个时间线中各个分派区域融合派送度融合中有至少3个大于θ1而小于阈值θ2，为“调整”时态；
[0091]
若第k个时间线中各个分派区域融合派送度的数值中至少有一个值大于θ2而小于阈值θ
p
，至少有一个参数值大于θ
p
，为“应急”时态。
[0092]
具体实施时，考虑到每个派送任务的要求可能因为客户要求存在区别，则可以将事件关系的判定基准由θ1,θ2,θ
p
三个阈值与各个派送区域的融合派送度的数值的比较而确定，θ1判定正常和微调两类事件，θ2判定微调和调整两类事件，θ
p
判定调整和应急两类事件。以事件调整程度的高低为依据，设定阈值时依照θ1《θ2《θ
p
的规则。
[0093]
若第k个时间线中每个分派区域融合派送度的数值小于阈值θ1，为“正常”时态；若第k个时间线中各个分派区域融合派送度的数值中有不超过2个大于θ1而小于阈值θ2，为“微调”时态；若第k个时间线中各个分派区域融合派送度融合中有至少3个大于θ1而小于阈值θ2，为“调整”时态；若第k个时间线中各个分派区域融合派送度的数值中至少有一个值大于θ2而小于阈值θ
p
，至少有一个参数值大于θ
p
，为“应急”时态。
[0094]
本实施例提供的智能物流派送和调度管理方法，通过结合数据挖掘和优化模型对物流快件进行分析，建立智能物流派送方法和智能调度管理方法和系统，提高客户的满意度和物流效率，降低物流派送成本。
[0095]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
[0096]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0097]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。