CN102903038A - 基于用户轨迹的小件物流配送方法及系统 - Google Patents

基于用户轨迹的小件物流配送方法及系统 Download PDF

Info

Publication number
CN102903038A
CN102903038A CN2012103712333A CN201210371233A CN102903038A CN 102903038 A CN102903038 A CN 102903038A CN 2012103712333 A CN2012103712333 A CN 2012103712333A CN 201210371233 A CN201210371233 A CN 201210371233A CN 102903038 A CN102903038 A CN 102903038A
Authority
CN
China
Prior art keywords
user
track
logistics
frequent
rule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103712333A
Other languages
English (en)
Other versions
CN102903038B (zh
Inventor
宋沿锋
迟丽宁
宋峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WEIHAI ZHILIAN INFORMATION NETWORK CO Ltd
Original Assignee
WEIHAI ZHILIAN INFORMATION NETWORK CO Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WEIHAI ZHILIAN INFORMATION NETWORK CO Ltd filed Critical WEIHAI ZHILIAN INFORMATION NETWORK CO Ltd
Priority to CN201210371233.3A priority Critical patent/CN102903038B/zh
Publication of CN102903038A publication Critical patent/CN102903038A/zh
Application granted granted Critical
Publication of CN102903038B publication Critical patent/CN102903038B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及移动物联网交叉技术领域，具体地说是一种能够有效提高物流配送效率、降低物流成本的基于用户轨迹的小件物流配送方法及系统，其特征在于包括服务器、两个以上的物流携带者客户端、两个以上的货物发送者客户端，其中每个物流携带者客户端和货物发送者客户端分别与服务器建立通信，本发明通过对用户的出行信息进行预测，并通过匹配算法为用户推荐匹配度高的物流，具有能够有效利用现有闲置资源，降低物流成本，提高物流效率等优点。

Description

基于用户轨迹的小件物流配送方法及系统
技术领域
本发明涉及移动物联网交叉技术领域，具体地说是一种能够有效提高物流配送效率、降低物流成本的基于用户轨迹的小件物流配送方法及系统。 
背景技术
随着世界经济全球化和信息技术的发展，现代物流在经济和社会中的作用日益凸显，受到了企业和政府的重视。目前，小件物流在现代物流中所占的比重达70%。小件物流的配送成本包括社会分拣人力成本、配送人力成本和配送交通成本等，相比于配送价格，配送成本比例过大。这大大限制了现代物流的发展。 
移动物联网以移动终端为载体，实现了物与物、人与物之间的整合。移动终端不仅具有通话功能，而且集成了丰富的计算、感知和通信能力。用户通过随身携带移动终端就可以收集并共享周围环境的感知数据。对大量样本进行统计发现，物流的需求和城市中人群日常出行轨迹接近。因此，将用户的出行轨迹通过移动终端收集，匹配服务器根据用户的出行轨迹为小件物流配送找到最小代价的出行者携带配送，可以有效地降低物流配送的成本。 
该技术涉及用户出行轨迹收集、用户出行信息预测、用户和待配送物品的最优化匹配等多项技术。现有技术可以收集用户的出行信息，例如，GPS装置可以记录用户在一段时间内位于不同位置的经纬度，然后可将此信息作为一个轨迹记录。 
用户出行信息预测就是根据用户的出行轨迹，采用数据挖掘方法从中找出用户的出行规律，并结合用户当前的运动趋势，实现对用户出行信息的预测。目前国内外关于用户出行信息预测的方法主要分为两类：一类是传统的利用构造运动模型和运动函数的仿真技术并构造运动模型来精确预测的方法，这类方法研究时间久，技术成熟，但是却有着本质上的缺陷。另一类是新提出的使用数据挖掘相关技术进行预测的方法，这类方法依赖移动对象数据库中的历史数据，预测的实时性强。但是现有移动对象数据挖掘算法效率不高，并且在很多方面考虑不周全，许多涉及该方法的研究都没有给出一个十分完善且详尽的预测体系。本发明使用的Apriori算法的改进算法TidTraj算法有效地提高了时效性和精确度。 
用户和待配送物品的最优化匹配是根据用户的出行信息、出行意愿和物流配送需求，为用户推荐最匹配的物流配送任务，实现物流配送的最小代价花费。目前最优化算法分为两大类，第一类包括单纯形法、梯度法、动态规划法、分支剪界法，这些算法对于高度分线性的约束优化问题或NP-HARD问题、问题规模比较大的问题难以获得令用户满意的次优解；第二类是现代优化算法，包括遗传算法、模拟退火算法、群体复合形算法、人工鱼群算法和粒子群算法等，它们在优化复杂系统时，在一般情况下，还是能得到令人满意的次优解。本发明将遗传算法和复形法结合起来，加强了算法的搜索能力，加快了全局寻优速度。在这种混合算法中，遗传算法把握大局，确保混合算法能找到全局最优点的附近，复形法则在局部最优点附近有方向性的靠近最优点，在一定程度上解决了遗传算法的早熟问题。将遗传算法与复形法结合可以得到一定程度的互补效果，使得在较少的迭代步中找到精确度高的最优点。 
发明内容
本发明针对现有技术中存在的缺点和不足，提出一种匹配准确、能够显著提高物流配送效率，并降低物流配送成本的基于用户出行轨迹的小件物流配送方法及系统。 
本发明可以通过以下措施达到： 
一种基于用户出行轨迹的小件物流配送方法，其特征在于包括以下步骤：
步骤一：通过GPS收集用户的出行轨迹，并将将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端，
步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端中的用户出行轨迹存储模块中，供用户出行信息预测使用，
步骤三：通过物流携带者客户端中的用户出行信息预测模块，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器2，
步骤四：服务器2接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过匹配算法，为用户推荐匹配度高的物流。
本发明中执行步骤四后，用户可以通过执行如下步骤对服务器推荐的匹配度高的物流进行进一步选择，具体为用户通过匹配服务器中的用户反向竞价模块进行选择，用户反向竞价模块的功能包括用户竞价流程的控制；用户权限的配置，即在某一个时间段内一个用户只能对一次物流配送进行竞价；设置时间限制功能，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，完成物流的进一步选择。 
本发明还包括配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器的用户虚拟货币支付模块为用户支付虚拟货币。 
本发明步骤三中所述通过构建轨迹的Tid_List来计算支持度，包括以下步骤： 
（1）扫描用户出行轨迹数据库 
Figure 2012103712333100002RE-DEST_PATH_IMAGE001
，找出单位频繁轨迹集
Figure 138144DEST_PATH_IMAGE002
（所有长度为1的频繁轨迹的集合），并给每个单位频繁轨迹建立其相应的，
（2）对于两条单位频繁轨迹
Figure 131508DEST_PATH_IMAGE004
和
Figure 2012103712333100002DEST_PATH_IMAGE005
，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即
Figure 948154DEST_PATH_IMAGE006
，将所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做
Figure 2012103712333100002DEST_PATH_IMAGE007
，也即长度为2的所有频繁轨迹都包含在
Figure 747483DEST_PATH_IMAGE007
中，即
Figure 270868DEST_PATH_IMAGE008
，同时，对
Figure 700713DEST_PATH_IMAGE007
中所有轨迹建立
Figure 10514DEST_PATH_IMAGE003
，建立方法是对组成其中轨迹的单位频繁轨迹的
Figure 285638DEST_PATH_IMAGE003
作交集，以
Figure 929109DEST_PATH_IMAGE004
，
Figure 326592DEST_PATH_IMAGE005
为例，将它们合并生成的轨迹记做
Figure 2012103712333100002DEST_PATH_IMAGE009
，那么的
Figure 196645DEST_PATH_IMAGE003
通过
Figure 694622DEST_PATH_IMAGE004
，的
Figure 479225DEST_PATH_IMAGE003
做交集得到，即。轨迹
Figure 714214DEST_PATH_IMAGE009
的支持度
Figure 2012103712333100002DEST_PATH_IMAGE011
，将支持度不满足阈值
Figure 719079DEST_PATH_IMAGE012
的轨迹从
Figure 157014DEST_PATH_IMAGE007
中删除，便生成了长度为2的频繁轨迹集
Figure 2012103712333100002DEST_PATH_IMAGE013
，
（3）对于
Figure 639948DEST_PATH_IMAGE013
中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集
Figure 112517DEST_PATH_IMAGE014
，设
Figure 288284DEST_PATH_IMAGE004
和
Figure 213514DEST_PATH_IMAGE005
可以连接，令
Figure 2012103712333100002DEST_PATH_IMAGE015
，那么将轨迹
Figure 500139DEST_PATH_IMAGE009
加入到集合
Figure 561636DEST_PATH_IMAGE014
中，和第二步一样计算出,同时
Figure 320831DEST_PATH_IMAGE009
的支持度相应的通过得出，从删除支持度小于阈值
Figure 782402DEST_PATH_IMAGE012
的轨迹，就生成了长度为3的频繁轨迹集
Figure 682225DEST_PATH_IMAGE016
，反复进行这个过程，不断通过对
Figure 2012103712333100002DEST_PATH_IMAGE017
中轨迹进行连接以及相应的操作产生，直到不再产生更长的频繁轨迹集为止，最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出。
本发明步骤三中所述产生相应的运动规则，具体包括对于一条长度为的频繁轨迹
Figure 736954DEST_PATH_IMAGE020
，可以将其分裂为
Figure DEST_PATH_IMAGE021
个轨迹对
Figure 159845DEST_PATH_IMAGE022
，若
Figure DEST_PATH_IMAGE023
，其中min conf是给定的最小支持度阈值，则记
Figure DEST_PATH_IMAGE025
是一条运动规则，所有运动规则的集合叫做运动规则集（简称规则集），记为。 
本发明步骤三中，生成规则集movrule之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息，预测的具体过程如下： 
对于一个用户o，给出其最近的运动轨迹
Figure DEST_PATH_IMAGE029
，将作为输入，
步骤1：在规则集
Figure 50770DEST_PATH_IMAGE026
中查找满足如下要求的规则：1）运动规则的前项是
Figure 692470DEST_PATH_IMAGE029
的子轨迹，且
Figure 703151DEST_PATH_IMAGE020
的包含序列的最后一项和
Figure 733424DEST_PATH_IMAGE029
所包含的序列的最后一项相同，2）
Figure 829556DEST_PATH_IMAGE029
是运动规则
Figure 541160DEST_PATH_IMAGE030
的前项
Figure 468665DEST_PATH_IMAGE020
的子轨迹，且
Figure 607522DEST_PATH_IMAGE029
的包含序列的最后一项和
Figure 190950DEST_PATH_IMAGE020
所包含的序列最后一项相同，3）运动规则
Figure DEST_PATH_DEST_PATH_IMAGE008
的前项和完全相同；
步骤2：对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项tj作为预测结果输出，移动对象
Figure DEST_PATH_IMAGE033
在未来一段时间的位置就处在
Figure 922649DEST_PATH_IMAGE034
所表示的轨迹上，且运动趋势就是
Figure 993373DEST_PATH_IMAGE034
所示的轨迹趋势；
步骤3：倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果。
本发明步骤四中所述通过匹配算法为用户推荐匹配度高的物流，所采用的匹配算法是遗传算法和复形法的混合算法，采用该算法的优点是可以再较少的迭代步中实现精确度高的匹配，具体实施步骤如下： 
1、初始化，确定种群规模N，交叉概率pc，变异概率
Figure 109096DEST_PATH_IMAGE036
，循环代数，设置终止条件，产生初始种群，置循环代数
Figure DEST_PATH_IMAGE037
，
2、使用如下适应度函数，选取合适的Cmax的值，计算出各个个体的适应度值，并找出最优个体，
3、step1：用轮盘赌选择法，产生中间群体，
step2：对选择操作后的群体，采用算术交叉算子，依概率pc进行交叉，形成寻群体，
step3：对交叉后群体，依概率
Figure 73510DEST_PATH_IMAGE036
进行变异，其中取高斯随机数，
step4：比较Step 2中的最优个体和变异后的最差个体，进行取代，保存变异后的次差个体。
4、在最优个体小于h的邻域内随机找出
Figure DEST_PATH_IMAGE041
个不同的点构成复形，（这里的随机点是最优个体的每一维分别加上
Figure 971245DEST_PATH_IMAGE042
进行
Figure 828342DEST_PATH_IMAGE041
次找到的,
Figure DEST_PATH_IMAGE043
为随迭代数不断变小的量,
Figure 584946DEST_PATH_IMAGE044
为随机高斯数），然后进行复形法迭代，得出的个体与上步中得到的次差个体进行比较代替，更新群体， 
5、若满足终止准则，则输出群体中最优个体，停止计算，否则，令g=g+1，转到步骤2。
一种应用如上所述基于用户轨迹的小件物流配送方法的系统，其特征在于包括服务器、两个以上的物流携带者客户端、两个以上的货物发送者客户端，其中每个物流携带者客户端和货物发送者客户端分别与服务器建立通信。 
本发明中基于用户出行轨迹的小件物流配送系统，其中所述物流携带者客户端内设有用户出行轨迹信息收集模块、用户出行轨迹存储模块以及用户出行信息预测模块，所述服务器内设有用于存储用户轨迹信息的数据存储模块，匹配模块以及用户反向竞价模块。 
本发明将物流信息和人的出行需求有效结合起来，充分利用出行时的携带能力，解决物流运输问题，对物流行业来说：1）能够很大地降低社会分拣人力成本、配送人力成本和配送交通成本等；2）节省了物流配送的时间，提高了效率。对出行者而言，创造就业机会，增加个人收入，相对于现有技术，本发明通过对用户的出行信息进行预测，并通过匹配算法为用户推荐匹配度高的物流，具有能够有效利用现有闲置资源，降低物流成本，提高物流效率等优点。 
附图说明：
附图1是本发明的流程图。
附图2是本发明中配送系统的结构示意图。 
附图3是本发明中仅有一组用户的状态下配送系统的结构示意图。 
附图4是用户竞价流程图。 
附图标记：物流携带者客户端1、服务器2、货物发送者客户端3、用户出行轨迹信息收集模块4、用户出行轨迹存储模块5、用户出行信息预测模块6、数据存储模块7、匹配模块8、用户反向竞价模块9、虚拟货币支付模块10。 
具体实施方式：
下面将结合附图和实施例对本发明作进一步的详细说明。
如附图2所示，本发明是一种基于用户出行轨迹的小件物流配送方法，由服务器2、两个以上的物流携带者客户端1、两个以上的货物发送者客户端3，其中物流携带者客户端1和货物发送者客户端3分别与服务器2建立通信，其中所述物流携带者客户端1内设有用户出行轨迹信息收集模块4、用户出行轨迹存储模块5以及用户出行信息预测模块6，所述服务器2内设有用于存储用户轨迹信息的数据存储模块7，匹配模块8，用户反向竞价模块9以及虚拟货币支付模块10。 
本发明还提出一种基于用户出行轨迹的小件物流配送方法，如附图1所示，主要包括以下几个步骤： 
步骤一：通过GPS即用户出行轨迹信息收集模块4，收集用户的出行轨迹，并将将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端1，
步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端1中的用户出行轨迹存储模块5中，供用户出行信息预测使用，
步骤三：通过物流携带者客户端1中的用户出行信息预测模块6，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器2，
步骤四：服务器2接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过服务器2中匹配模块8内的匹配算法，为用户推荐匹配度高的物流。
本发明中执行步骤四后，用户可以通过执行如下步骤对服务器2推荐的匹配度高的物流进行进一步选择，具体为用户通过服务器2中的用户反向竞价模块9进行选择，用户反向竞价模块9的功能包括用户竞价流程的控制；用户权限的配置，即在某一个时间段内一个用户只能对一次物流配送进行竞价；设置时间限制功能，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，完成物流的进一步选择。 
本发明还包括配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器2的虚拟货币支付模块10为用户支付虚拟货币。 
本发明中步骤三对于用户出行轨迹的预测，采用Apriori算法的改进算法，解决了Apriori算法对数据库扫描次数过多的缺陷。该算法用来挖掘频繁轨迹集合，从而在此基础上进行移动对象的预测。基于频繁轨迹的预测方法，主要是从历史运动轨迹中，找到频繁出现的轨迹。举一个简单的例子，针对一条频繁轨迹序列
Figure 298824DEST_PATH_IMAGE046
，如果当前移动对象的运动轨迹为AB那么完全有理由预测它未来的运动轨迹可能是
Figure DEST_PATH_IMAGE047
。在此用到的Apriori改进算法能够使得挖掘到预测的过程在时间效率上有显著的提高。 
对于传统的基于频繁轨迹的预测方法，采用的频繁轨迹挖掘算法都是基于Apriori算法，这些算法在频繁轨迹的挖掘过程中，对于每一次生成的频繁轨迹候选集合都要通过扫描一次数据库来计算其支持度以确定频繁轨迹。针对这一点，在这里提出了
Figure 406457DEST_PATH_IMAGE003
（轨迹标识列表）的概念。Tid就是轨迹ID，对于用户出行轨迹数据库
Figure 801666DEST_PATH_IMAGE001
中存储的所有历史运动轨迹，对于每一条都有唯一的标识，如表1所示。数据库中的所有单位轨迹都归属到某一条轨迹中，那么，对于一条单位轨迹，可以建立一个所有包含它的轨迹的Tid的列表，这个列表就叫做
Figure 350460DEST_PATH_IMAGE003
。在表1中的一条单位轨迹
Figure 506678DEST_PATH_IMAGE048
，轨迹1和轨迹5都包含它（也就是说
Figure 773711DEST_PATH_IMAGE048
是这两条轨迹的子轨迹）。那么
Figure 972611DEST_PATH_IMAGE048
的
Figure 438227DEST_PATH_IMAGE003
就是{1,5}。那么对于表中的存储结构，我们可将其转化为包含单位轨迹及其轨迹标识列表的结构，表1中的数据按此方法转化后如表2所示。 
轨迹ID（Tid） 轨迹数据
1 <A,B,C,D,E>
2 <B>
3 <B,C,D>
4 <C,D,E>
5 <A,B,C>
表1用户对象数据库的例子 
单位轨迹 Tid_List
A {1,5}
B {1,2,3,5}
C {1,3,4,5}
D {1,3,4}
E {1,4}
表2 是轨迹的Tid_list表示结构
TidTraj算法的主要思想是通过构建轨迹的Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过的交集，来产生新的
Figure 576134DEST_PATH_IMAGE003
。TidTraj要完成的工作是对于用户出行轨迹数据库
Figure 313145DEST_PATH_IMAGE001
，给定一个最小支持度阈值
Figure 898848DEST_PATH_IMAGE012
。TidTraj要通过迭代找出所有频繁轨迹的集合
Figure 328692DEST_PATH_IMAGE050
。
（1）扫描用户出行轨迹数据库
Figure 304738DEST_PATH_IMAGE001
，找出单位频繁轨迹集
Figure 907758DEST_PATH_IMAGE002
（所有长度为1的频繁轨迹的集合），并给每个单位频繁轨迹建立其相应的
Figure 551229DEST_PATH_IMAGE003
。 
（2）对于两条单位频繁轨迹
Figure 886395DEST_PATH_IMAGE004
和
Figure 677634DEST_PATH_IMAGE005
，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即
Figure 756448DEST_PATH_IMAGE006
。所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做
Figure 254425DEST_PATH_IMAGE007
，也就是说长度为2的所有频繁轨迹都包含在
Figure 822810DEST_PATH_IMAGE007
中，即。同时，对
Figure 921533DEST_PATH_IMAGE007
中所有轨迹建立
Figure 336334DEST_PATH_IMAGE003
，建立方法是对组成其中轨迹的单位频繁轨迹的
Figure 278882DEST_PATH_IMAGE003
作交集，以
Figure 716817DEST_PATH_IMAGE004
，
Figure 199751DEST_PATH_IMAGE005
为例，将它们合并生成的轨迹记做
Figure 672320DEST_PATH_IMAGE009
，那么
Figure 582507DEST_PATH_IMAGE009
的通过，
Figure 121439DEST_PATH_IMAGE005
的
Figure 405790DEST_PATH_IMAGE003
做交集得到，即
Figure 818317DEST_PATH_IMAGE010
。轨迹
Figure 643053DEST_PATH_IMAGE009
的支持度
Figure 824636DEST_PATH_IMAGE011
。将支持度不满足阈值的轨迹从中删除，便生成了长度为2的频繁轨迹集
Figure 808138DEST_PATH_IMAGE013
。 
（3）对于
Figure 844227DEST_PATH_IMAGE013
中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集
Figure 532698DEST_PATH_IMAGE014
。设
Figure 919817DEST_PATH_IMAGE004
和
Figure 24039DEST_PATH_IMAGE005
可以连接，令
Figure 242531DEST_PATH_IMAGE015
，那么将轨迹
Figure 39585DEST_PATH_IMAGE009
加入到集合
Figure 648421DEST_PATH_IMAGE014
中，和第二步一样计算出
Figure 714309DEST_PATH_IMAGE010
,同时
Figure 724990DEST_PATH_IMAGE009
的支持度相应的通过得出。从删除支持度小于阈值
Figure 359737DEST_PATH_IMAGE012
的轨迹，就生成了长度为3的频繁轨迹集
Figure 552821DEST_PATH_IMAGE016
。反复进行这个过程，不断通过对
Figure 753995DEST_PATH_IMAGE017
中轨迹进行连接以及相应的操作产生
Figure 399740DEST_PATH_IMAGE018
。直到不再产生更长的频繁轨迹集为止。最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出。 
利用TidTraj算法挖掘出的频繁轨迹集合，可以较容易的产生相应的运动规则。对于一条长度为
Figure 711772DEST_PATH_IMAGE041
的频繁轨迹
Figure 759363DEST_PATH_IMAGE020
，可以将其分裂为个轨迹对
Figure 202163DEST_PATH_IMAGE022
，若
Figure 317886DEST_PATH_IMAGE023
，其中
Figure DEST_PATH_IMAGE051
是给定的最小支持度阈值。那么
Figure 219983DEST_PATH_IMAGE025
就是一条运动规则。所有运动规则的集合叫做运动规则集（简称规则集），记为
Figure 700643DEST_PATH_IMAGE026
。 
生成规则集
Figure 993084DEST_PATH_IMAGE026
之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息。预测的具体过程如下： 
（1）对于一个用户
Figure 912498DEST_PATH_IMAGE033
，给出其最近的运动轨迹
Figure 606785DEST_PATH_IMAGE029
，将
Figure 320663DEST_PATH_IMAGE029
作为输入，
（2）在规则集
Figure 365979DEST_PATH_IMAGE026
中查找满足如下要求的规则：
1）运动规则
Figure 823506DEST_PATH_IMAGE030
的前项是的子轨迹，且
Figure 789691DEST_PATH_IMAGE020
的包含序列的最后一项和
Figure 723011DEST_PATH_IMAGE029
所包含的序列的最后一项相同，2）
Figure 454207DEST_PATH_IMAGE029
是运动规则
Figure 713150DEST_PATH_IMAGE030
的前项
Figure 201900DEST_PATH_IMAGE020
的子轨迹。且
Figure 272668DEST_PATH_IMAGE029
的包含序列的最后一项和所包含的序列最后一项相同，3）运动规则的前项
Figure 326577DEST_PATH_IMAGE020
和
Figure 867280DEST_PATH_IMAGE029
完全相同。
（3）对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项
Figure 245172DEST_PATH_IMAGE034
作为预测结果输出，移动对象
Figure 95185DEST_PATH_IMAGE033
在未来一段时间的位置就处在
Figure 558527DEST_PATH_IMAGE034
所表示的轨迹上，且运动趋势就是
Figure 902921DEST_PATH_IMAGE034
所示的轨迹趋势。 
（4）倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果。 
本发明中步骤四匹配服务器接收用户的出行信息、参与物流意愿和物流需求，通过匹配算法，为用户推荐匹配度高的物流； 
所采用的匹配算法是遗传算法和复形法的混合算法，采用该算法的优点是可以再较少的迭代步中实现精确度高的匹配。
复形法在匹配过程中是将复合形定点中最差的顶点以新的最佳点替代，来更新多面体，使之逼近最佳解。具体步骤如下： 
1、构成复形。随机在n维可行空间内，随机选取
Figure 463215DEST_PATH_IMAGE052
个点，一般
Figure DEST_PATH_IMAGE053
较好，构成的多面体；
2、对复合形各顶点的目标函数逐一进行比较，比较出最坏点
Figure 969283DEST_PATH_IMAGE054
，即：
Figure DEST_PATH_IMAGE055
再计算
Figure 247818DEST_PATH_IMAGE056
所构成的凸包中心，
Figure 192640DEST_PATH_IMAGE058
作
Figure DEST_PATH_IMAGE059
的反射点
Figure 607441DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
3、形成新的复形，若
Figure 284410DEST_PATH_IMAGE060
比
Figure 784661DEST_PATH_IMAGE054
好，即
Figure 470857DEST_PATH_IMAGE062
，则由代替
Figure 853614DEST_PATH_IMAGE054
组成新的复形；若
Figure 778845DEST_PATH_IMAGE060
比
Figure 3153DEST_PATH_IMAGE054
差，即，则令
Figure 392546DEST_PATH_IMAGE064
，由
Figure DEST_PATH_IMAGE065
重新计算得出
Figure 739214DEST_PATH_IMAGE066
，直至
Figure 886161DEST_PATH_IMAGE062
，再以
Figure 976477DEST_PATH_IMAGE060
代替
Figure 158060DEST_PATH_IMAGE054
组成新的复形；若
Figure DEST_PATH_IMAGE067
值不断缩小且已小于某个预先设定的正数
Figure 669769DEST_PATH_IMAGE068
时，则不进行，去掉
Figure 569592DEST_PATH_IMAGE054
，构成新的复形。
4、转向第2步。 
停机标准，在第三步中，若 
Figure DEST_PATH_IMAGE069
则停机，其中
Figure 198020DEST_PATH_IMAGE070
为预先给定的精度。
混合算法的具体实施步骤如下： 
1、初始化
确定种群规模N，交叉概率
Figure DEST_PATH_IMAGE071
，变异概率
Figure 296426DEST_PATH_IMAGE036
，循环代数，设置终止条件，产生初始种群，置循环代数g:=1。
2、使用下面适应度函数，选取合适的
Figure 922579DEST_PATH_IMAGE072
的值，计算出各个个体的适应度值，并找出最优个体。 
Figure 44119DEST_PATH_IMAGE039
3、Step 1：用轮盘赌选择法，产生中间群体。Step 2: 对选择操作后的群体，采用算术交叉算子，依概率
Figure 476237DEST_PATH_IMAGE071
进行交叉，形成寻群体。Step 3: 对交叉后群体，依概率
Figure 632412DEST_PATH_IMAGE036
进行变异，其中
Figure 429467DEST_PATH_IMAGE040
取高斯随机数。Step 4: 比较Step 2中的最优个体和变异后的最差个体，进行取代，保存变异后的次差个体。 
4、在最优个体小于
Figure 100619DEST_PATH_IMAGE043
的邻域内随机找出
Figure 8533DEST_PATH_IMAGE041
个不同的点构成复形，（这里的随机点是最优个体的每一维分别加上
Figure 19214DEST_PATH_IMAGE042
进行
Figure 111804DEST_PATH_IMAGE041
次找到的,
Figure 207936DEST_PATH_IMAGE043
为随迭代数不断变小的量,为随机高斯数），然后进行复形法迭代，得出的个体与上步中得到的次差个体进行比较代替，更新群体。 
5、若满足终止准则，则输出群体中最优个体，停止计算，否则，令
Figure DEST_PATH_IMAGE073
，转到步骤2。 
本发明在步骤四执行完毕后，用户还可以通过反向竞价，对服务器推荐的物流进行进一步的选择，其具体包括：用户在收到匹配服务器发出的适合自己的物流匹配消息之后，要在规定的时间内登录竞价系统，进行竞价。竞价系统模块的功能包括用户竞价流程的控制；用户权限的配置，即在某一个时间段内一个用户只能对一次物流配送进行竞价；设置时间限制功能，即同一用户在两分钟内不得连续出价。 
本发明在配送完成之后由用户通过移动终端发送配送完成的确认信息，匹配服务器接收用户确认信息，通过用户虚拟货币支付系统向用户账户中支付虚拟货币，并向用户进行确认。 

Claims (8)

1.一种基于用户出行轨迹的小件物流配送方法，其特征在于包括以下步骤：
步骤一：通过GPS收集用户的出行轨迹，并将将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端，
步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端中的用户出行轨迹存储模块中，供用户出行信息预测使用，
步骤三：通过物流携带者客户端中的用户出行信息预测模块，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器，
步骤四：服务器接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过匹配算法，为用户推荐匹配度高的物流。
2.根据权利要求1所述的一种基于用户出行轨迹的小件物流配送方法，其特征在于步骤三中所述通过构建轨迹的Tid_List来计算支持度，包括以下步骤：
（1）扫描用户出行轨迹数据库 
Figure 236464DEST_PATH_IMAGE001
，找出单位频繁轨迹集
Figure 437638DEST_PATH_IMAGE002
（所有长度为1的频繁轨迹的集合），并给每个单位频繁轨迹建立其相应的
Figure 755487DEST_PATH_IMAGE003
，
（2）对于两条单位频繁轨迹和
Figure 318372DEST_PATH_IMAGE005
，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即
Figure 628131DEST_PATH_IMAGE006
，将所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做
Figure 433276DEST_PATH_IMAGE007
，也即长度为2的所有频繁轨迹都包含在
Figure 549000DEST_PATH_IMAGE007
中，即
Figure 388780DEST_PATH_IMAGE008
，同时，对
Figure 869439DEST_PATH_IMAGE007
中所有轨迹建立
Figure 489777DEST_PATH_IMAGE003
，建立方法是对组成其中轨迹的单位频繁轨迹的作交集，以，
Figure 755039DEST_PATH_IMAGE005
为例，将它们合并生成的轨迹记做
Figure 534776DEST_PATH_IMAGE009
，那么
Figure 929985DEST_PATH_IMAGE009
的通过
Figure 629137DEST_PATH_IMAGE004
，
Figure 958487DEST_PATH_IMAGE005
的
Figure 157387DEST_PATH_IMAGE003
做交集得到，即
Figure 826266DEST_PATH_IMAGE010
，轨迹的支持度
Figure 653854DEST_PATH_IMAGE011
，将支持度不满足阈值
Figure 656445DEST_PATH_IMAGE012
的轨迹从
Figure 242147DEST_PATH_IMAGE007
中删除，便生成了长度为2的频繁轨迹集，
（3）对于
Figure 648038DEST_PATH_IMAGE013
中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集，设
Figure 628949DEST_PATH_IMAGE004
和
Figure 229695DEST_PATH_IMAGE005
可以连接，令
Figure 755354DEST_PATH_IMAGE015
，那么将轨迹
Figure 99748DEST_PATH_IMAGE009
加入到集合中，和第二步一样计算出tc_TidL=ta_TidL∩tb_TidL,同时
Figure 166110DEST_PATH_IMAGE009
的支持度相应的通过
Figure 179065DEST_PATH_IMAGE011
得出，从
Figure 61571DEST_PATH_IMAGE014
删除支持度小于阈值
Figure 414055DEST_PATH_IMAGE012
的轨迹，就生成了长度为3的频繁轨迹集
Figure 418920DEST_PATH_IMAGE017
，反复进行这个过程，不断通过对
Figure 856854DEST_PATH_IMAGE018
中轨迹进行连接以及相应的操作产生
Figure 543051DEST_PATH_IMAGE019
，直到不再产生更长的频繁轨迹集为止，最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出。
3.根据权利要求2所述的一种基于用户出行轨迹的小件物流配送方法，其特征在于步骤三中所述产生相应的运动规则，具体包括对于一条长度为k的频繁轨迹ti，可以将其分裂为k-1个轨迹对（ti 1,ti 2），若 
Figure RE-DEST_PATH_IMAGE001
，其中minconf是给定的最小支持度阈值，则记是一条运动规则，所有运动规则的集合叫做运动规则集，记为movrule。
4.根据权利要求3所述的一种基于用户出行轨迹的小件物流配送方法，其特征在于步骤三中，生成规则集movrule之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息，预测的具体过程如下：
步骤1：对于一个用户o，给出其最近的运动轨迹tp，将tp作为输入，在规则集movrule中查找满足如下要求的规则：1）运动规则
Figure RE-802665DEST_PATH_IMAGE003
的前项ti是tp的子轨迹，且ti的包含序列的最后一项和tp所包含的序列的最后一项相同，2）tp是运动规则
Figure RE-DEST_PATH_IMAGE004
的前项ti的子轨迹，且tp的包含序列的最后一项和ti所包含的序列最后一项相同，3）运动规则
Figure RE-520086DEST_PATH_IMAGE005
的前项ti和tp完全相同；
步骤2：对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项tj作为预测结果输出，移动对象o在未来一段时间的位置就处在tj所表示的轨迹上，且运动趋势就是tj所示的轨迹趋势；
步骤3：倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果。
5.根据权利要求4所述的一种基于用户出行轨迹的小件物流配送方法，其特征在于步骤四中所述通过匹配算法为用户推荐匹配度高的物流，采用的匹配算法是遗传算法和复形法的混合算法，具体实施步骤如下：
第1步：初始化，确定种群规模N，交叉概率pc，变异概率pm，循环代数，设置终止条件，产生初始种群，置循环代数g:=1，
第2步：使用如下适应度函数，选取合适的Cmax的值，计算出各个个体的适应度值，并找出最优个体，
第3步：用轮盘赌选择法，产生中间群体，对选择操作后的群体，采用算术交叉算子，依概率pc进行交叉，形成寻群体，对交叉后群体，依概率pm进行变异，其中γ取高斯随机数，比较第2步中的最优个体和变异后的最差个体，进行取代，保存变异后的次差个体。
第4步：在最优个体小于h的邻域内随机找出k个不同的点构成复形，这里的随机点是最优个体的每一维分别加上h·randn进行k次找到的,h为随迭代数不断变小的量,randn为随机高斯数，然后进行复形法迭代，得出的个体与上步中得到的次差个体进行比较代替，更新群体，
第5步：若满足终止准则，则输出群体中最优个体，停止计算，否则，令g=g+1，转到第2步。
6.根据权利要求5所述的一种基于用户出行轨迹的小件物流配送方法，其特征在于步骤四执行完毕后，继续执行以下步骤：
步骤五：用户通过匹配服务器中的用户反向竞价模块对步骤四中服务器推荐的物流信息进行选择，其中在某一个时间段内一个用户只能对一次物流配送进行竞价，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，
步骤六：配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器的用户虚拟货币支付模块为用户支付虚拟货币。
7.一种应用如权利要求1至6中任意一项所述基于用户轨迹的小件物流配送方法的系统，其特征在于包括服务器、两个以上的物流携带者客户端、两个以上的货物发送者客户端，其中每个物流携带者客户端和货物发送者客户端分别与服务器建立通信。
8.根据权利要求6所述的基于用户出行轨迹的小件物流配送系统，其特征在于所述物流携带者客户端内设有用户出行轨迹信息收集模块、用户出行轨迹存储模块以及用户出行信息预测模块，所述服务器内设有用于存储用户轨迹信息的数据存储模块、匹配模块、用户反向竞价模块以及用户虚拟货币支付模块。
CN201210371233.3A 2012-09-29 2012-09-29 基于用户轨迹的小件物流配送方法及系统 Expired - Fee Related CN102903038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210371233.3A CN102903038B (zh) 2012-09-29 2012-09-29 基于用户轨迹的小件物流配送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210371233.3A CN102903038B (zh) 2012-09-29 2012-09-29 基于用户轨迹的小件物流配送方法及系统

Publications (2)

Publication Number Publication Date
CN102903038A true CN102903038A (zh) 2013-01-30
CN102903038B CN102903038B (zh) 2016-03-16

Family

ID=47575256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210371233.3A Expired - Fee Related CN102903038B (zh) 2012-09-29 2012-09-29 基于用户轨迹的小件物流配送方法及系统

Country Status (1)

Country Link
CN (1) CN102903038B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103929804A (zh) * 2014-03-20 2014-07-16 南京邮电大学 一种基于用户移动规则的位置预测方法
CN105512839A (zh) * 2015-11-27 2016-04-20 东莞酷派软件技术有限公司 快递信息的推送方法及推送装置
CN109492828A (zh) * 2018-12-12 2019-03-19 河南科技学院 一种考虑客户等级及配送时间要求的配送路径优化方法
CN109598461A (zh) * 2017-09-30 2019-04-09 北京京东尚科信息技术有限公司 配送方法、装置和计算机可读存储介质
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN110580390A (zh) * 2019-09-04 2019-12-17 电子科技大学 基于改进遗传算法与信息熵的地质统计学随机反演方法
CN112330248A (zh) * 2020-11-02 2021-02-05 上海寻梦信息技术有限公司 物流末端配送方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001075700A2 (en) * 2000-04-04 2001-10-11 Marconi Corporation Plc Tracking and logistics management system and method
EP1175593B1 (en) * 1999-04-02 2008-06-04 Herzog Contracting Corp. Logistics system and method with position control
CN101324440A (zh) * 2008-07-29 2008-12-17 光庭导航数据（武汉）有限公司 基于预测思想的地图匹配方法
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1175593B1 (en) * 1999-04-02 2008-06-04 Herzog Contracting Corp. Logistics system and method with position control
WO2001075700A2 (en) * 2000-04-04 2001-10-11 Marconi Corporation Plc Tracking and logistics management system and method
CN101324440A (zh) * 2008-07-29 2008-12-17 光庭导航数据（武汉）有限公司 基于预测思想的地图匹配方法
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕晋君，杨晋，郭建红: "一种新的连续优化的混合遗传算法", 《太原师范学院学报》, vol. 9, no. 1, 31 March 2010 (2010-03-31), pages 8 - 12 *
张伟: "移动对象位置预测关键技术的研究", 《中国优秀硕士学位论文全文数据库》, 15 March 2012 (2012-03-15) *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103929804A (zh) * 2014-03-20 2014-07-16 南京邮电大学 一种基于用户移动规则的位置预测方法
CN105512839A (zh) * 2015-11-27 2016-04-20 东莞酷派软件技术有限公司 快递信息的推送方法及推送装置
CN109598461A (zh) * 2017-09-30 2019-04-09 北京京东尚科信息技术有限公司 配送方法、装置和计算机可读存储介质
CN109726843A (zh) * 2017-10-30 2019-05-07 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN109726843B (zh) * 2017-10-30 2023-09-15 阿里巴巴集团控股有限公司 配送数据预测的方法、装置和终端
CN109492828A (zh) * 2018-12-12 2019-03-19 河南科技学院 一种考虑客户等级及配送时间要求的配送路径优化方法
CN109492828B (zh) * 2018-12-12 2021-08-13 河南科技学院 一种考虑客户等级及配送时间要求的配送路径优化方法
CN110580390A (zh) * 2019-09-04 2019-12-17 电子科技大学 基于改进遗传算法与信息熵的地质统计学随机反演方法
CN112330248A (zh) * 2020-11-02 2021-02-05 上海寻梦信息技术有限公司 物流末端配送方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN102903038B (zh) 2016-03-16

Similar Documents

Publication Publication Date Title
Guan et al. Cumulative prospect theory based dynamic pricing for shared mobility on demand services
Liu et al. Coordinated charging scheduling of electric vehicles: A mixed-variable differential evolution approach
Kong et al. Shared subway shuttle bus route planning based on transport data analytics
Huang et al. Multimodal transit network design in a hub-and-spoke network framework
Zheng et al. Using a heuristic approach to design personalized urban tourism itineraries with hotel selection
Correia et al. The added value of accounting for users’ flexibility and information on the potential of a station-based one-way car-sharing system: An application in Lisbon, Portugal
CN102903038A (zh) 基于用户轨迹的小件物流配送方法及系统
Xu et al. A hybrid machine learning model for demand prediction of edge-computing-based bike-sharing system using Internet of Things
Yin et al. Group-wise itinerary planning in temporary mobile social network
Ghahramani et al. IoT-based route recommendation for an intelligent waste management system
Tu et al. Real-time route recommendations for E-taxies leveraging GPS trajectories
Shafahi et al. Solving the school bus routing problem by maximizing trip compatibility
Raturi et al. Analyzing inter-modal competition between high speed rail and conventional transport systems: A game theoretic approach
He et al. Station importance evaluation in dynamic bike-sharing rebalancing optimization using an entropy-based TOPSIS approach
Sun et al. A graphical game approach to electrical vehicle charging scheduling: Correlated equilibrium and latency minimization
Bo et al. Establishment and application of fuzzy comprehensive evaluation of green building design based on data mining
Sun et al. Solving demand-responsive feeder transit service design with fuzzy travel demand: A collaborative ant colony algorithm approach
Fatnassi et al. Dealing with the empty vehicle movements in personal rapid transit system with batteries constraints in a dynamic context
Li et al. Meal delivery routing optimization with order allocation strategy based on transfer stations for instant logistics services
Peeters et al. Envisioning Tourism in 2030 and Beyond. The changing shape of tourism in a decarbonising world.
Garcia et al. Hybrid approach for the public transportation time dependent orienteering problem with time windows
Gan et al. The cooperation partner selection of private sector under public‐private‐partnership projects: an improved approach under group decision‐making based on FRS, SAW, and integrated objective/subjective attributes
Dib et al. Computing multicriteria shortest paths in stochastic multimodal networks using a memetic algorithm
CN104142151A (zh) 一种导航方法
Zhou et al. Refined taxi demand prediction with ST-Vec

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160316

Termination date: 20160929

CF01 Termination of patent right due to non-payment of annual fee