CN107392523A - 智能云配货方法及系统 - Google Patents

智能云配货方法及系统 Download PDF

Info

Publication number
CN107392523A
CN107392523A CN201710499811.4A CN201710499811A CN107392523A CN 107392523 A CN107392523 A CN 107392523A CN 201710499811 A CN201710499811 A CN 201710499811A CN 107392523 A CN107392523 A CN 107392523A
Authority
CN
China
Prior art keywords
somebody
goods
cargo interests
lorry
cargo
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.)
Pending
Application number
CN201710499811.4A
Other languages
English (en)
Inventor
王帆
王一帆
李炯
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710499811.4A priority Critical patent/CN107392523A/zh
Publication of CN107392523A publication Critical patent/CN107392523A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能云配货方法及系统，智能云配货方法包括以下步骤：接收第一客户端发送的货车信息；接收至少一个第二客户端发送的货物运输的订单信息；汇总从出发地的位置到目的地的位置区间内的所有订单信息；根据从出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并筛选带权图中符合要求的边；通过带权图计算货车的出发地位置到目的地位置的所有路径，得到多个配货方案并对其进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。本发明的智能云配货方法及系统通过提供多种合理的配货方案，供货车用户跟据实际需要选择配货方案，提高货车的满载率，避免其返程空载。

Description

智能云配货方法及系统
技术领域
本发明物流配货领域。更具体地说，本发明涉及一种智能云配货方法及系统。
背景技术
由于公路运输网一般比铁路、水路网的密度要大十几倍，分布面也广，因此公路运输车辆可以“无处不到、无时不有”。公路运输在时间方面的机动性也比较大，车辆可随时调度、装运，各环节之间的衔接时间较短。但一般情况下,公路运输货车都只能接受单一订单,其满载率很难做到100％，经常会造成运力的剩余；而且传统的货物分配方法在时间上也容易出现空闲，很难得到充分利用。
发明内容
本发明的目的是提供一种可提高货车载货率，降低货车空车率的智能云配货方法及系统。
为了实现根据本发明的这些目的和其它优点，提供了一种智能云配货方法,包括以下步骤：
接收第一客户端发送的货车信息，所述货车信息至少包括出发地位置和目的地位置；
接收至少一个第二客户端发送的货物运输的订单信息，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
汇总从所述出发地的位置到目的地的位置区间内的所有订单信息；
根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；
通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；
根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
本发明的智能云配货方法的有益效果是：通过汇总货车的出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并对带权图加以时间约束，使带权图满足各节点时间上的顺序，再通过带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，并对其进行筛选，剔除不符合实际需要的配货方案，最后将符合筛选规则的配货方案发送到第一客户端；通过本发明的配货方法，货车司机只需要通过第一客户端输入其出发地的目的地的位置信息，服务器自动为其汇总其出发地到目的地区间内的所有需送货的订单信息，并规划出多种配货方案，每一种配货方案至少包括一个订单，充分利用货车的运力，提高货车货运的满载率，同时在货车返程的时候也可以接单，在回程时接收其目的地附近的订单，从而避免回程空载，解决货车返途空车率高的问题，为个体户司机或运输公司增加载货率、降低空车率。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步，所述的智能云配货方法中，所述根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
采用上述进一步方案的有益效果是，由于本方案中建立带权图时，是以两点之间的距离作为边的权值，所以任意两个点可以建立连线，但这些连线中，由于本方案中还涉及到出发点的到达时间、离开时间，目的点到达时间、离开时间，这就造成一些连线从时间上是不可以实现的，比如从A点到B点的连线，如果A点的离开到到B点的到达时间，这一段时间过小，导致货车并不能在这段时间内从A点到达B点，这样的边就是没有现实意义的，所以需要进行剔除，在带权图生成过程中对边的生成加以时间约束，通过第三方地图进行导航，计算得到A点到B点之间的所有第三方地图推荐的行驶路径，并选择时间最长的路径为A点到B点的最大路程时间，如果订单规定的A点到B点的时间小于A点到B点的最大路程时间，就不能生成A点到B点的连线，这样就可以避免出现时间上不允许的订单。
进一步，所述的智能云配货方法中，所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；所述根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
采用上述进一步方案的有益效果是，由于货车的载货重量和体积均为有上限，如果配货方案的所有订单的货物的总重量和总体积超过了货车的运载上限，该方案就没有了实际意义，同时如果装货和卸货时不否遵循先进后出原则，就会出现卸货时先要将该批货前的货物先卸下后，再卸该批货物，最后还需要将之前卸下的货物再装上去，不仅浪费了人力，而且也耽误了时间，从而造成了装货时间和卸货时间的不可控性，会影响到整个运货方法的连贯性和准时性，所以根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选可以将不符合实际情况的配货方案删除，保证推送到货车司机的每一个配货方法都是现实可行的。
进一步，所述的智能云配货方法中，根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
采用上述进一步方案的有益效果是，当配货方案的所有货物的总重量或总体积超过货车的运载上限时，该配货方案就没有任何意义，所以将总重量或总体积超过货车的运载上限的方案剔除，同时将装载卸载货物的顺序不遵循先进后出原则的方案剔除，可以保证每一次卸货装货的时间，保证推送到货车司机的每一个配货方法的时间、运货量都是在可行的范围内。
进一步，所述的智能云配货方法中，所述根据所述从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图包括：根据第三方地图对所有订单的出发点的位置和目的点的位置进行定位，并根据定位信息计算任意两点之间的距离，并将两点之间的距离作为两点之间的边的权值。
采用上述进一步方案的有益效果是，以所有订单的发点的位置和目的点的位置为节点，两点之间的距离为两点之间连线的权值，建立带权图，而通过带权图，就可以把订单的组合问题转化成路径的组合来解决。
进一步，所述的智能云配货方法中，发送到第一客户端的配货方案包括货车的行驶路线、行驶路线对应的总路程、该配货方案中所有订单的收益总和以及按路程计算得到的平均收益中的至少一个。
采用上述进一步方案的有益效果是，如果向货车司机发送每一个配货方案的行驶路线、总路程、收益总和平均收益，使得货车司机选择配货方案时，拥有更多的参考点，从而根据其需要选择最合适自己的配货方案。
本发明还提供了一种智能云配货系统，包括第一客户端、第二客户端和服务器，所述服务器分别与所述第一客户端和第二客户端通讯连接：
所述第一客户端用于生成货车信息并发送到所述服务器，所述货车信息至少包括出发地位置和目的地位置；
所述第二客户端用于生成货物运输的订单信息并发送到所述服务器，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
所述服务器接收所述货车信息，并汇总从所述出发地的位置到目的地的位置区间内的所有订单信息后，根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；再通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
本发明的智能云配货系统的有益效果是：本系统结构简单，可操作性强，商家只需要通过第二客户端将货物运输的订单信息发送到服务器等待货车司机接单，而需要接单的货车司机只需要通过通过第一客户端输入自己的出发地和目的地并发送到服务器，服务器就会自动为其汇总符合其出发地的位置到目的地的位置区间内的所有订单，并为其规划多个配货方案供其选择；通过本发明的智能云配货系统，商家寄货、货车司机接订单均只需要客户端就可以实施，减少中间的不必要环节，提高了效率。
进一步，所述的智能云配货系统中，所述服务器根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
进一步，所述的智能云配货系统中，所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；所述服务器根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
进一步，所述的智能云配货系统中，所述服务器根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明一实施例提供的智能云配货方法的流程示意图；
图2为本发明一实施例提供的智能云配货系统连接关系示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透切理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
图1为本发明实施例提供的一种智能云配货方法的流程示意图，该方法包括：
S110，接收第一客户端发送的货车信息，所述货车信息至少包括出发地位置和目的地位置；
S120，接收至少一个第二客户端发送的货物运输的订单信息，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
具体的，在设置装货点离开时间和卸货点离开时间时，除正常装货、卸货时间之外，还应该预留一段用于处理突发事件的时间，以避免发生突发事件时，造成出发时间的延误；
S130，汇总从所述出发地的位置到目的地的位置区间内的所有订单信息；
S140，根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；
S150，通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；
S160，根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
本发明实施例提供的智能云配货方法通过汇总货车的出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并对带权图加以时间约束，使带权图满足各节点时间上的顺序，再通过带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，并对其进行筛选，剔除不符合实际需要的配货方案，最后将符合筛选规则的配货方案发送到第一客户端；通过本发明的配货方法，货车司机只需要通过第一客户端输入其出发地的目的地的位置信息，服务器自动为其汇总其出发地到目的地区间内的所有需送货的订单信息，并规划出多种配货方案，每一种配货方案至少包括一个订单，充分利用货车的运力，提高货车货运的满载率，同时在货车返程的时候也可以接单，在回程时接收其目的地附近的订单，从而避免回程空载，解决货车返途空车率高的问题，为个体户司机或运输公司增加载货率、降低空车率。
优选地，作为本发明另外一个实施例，在图1所示实施例的基础上，该方法还包括：
所述根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
该实施例中，由于本方案中建立带权图时，是以两点之间的距离作为边的权值，所以任意两个点可以建立连线，但这些连线中，由于本方案中还涉及到出发点的到达时间、离开时间，目的点到达时间、离开时间，这就造成一些连线从时间上是不可以实现的，比如从A点到B点的连线，如果A点的离开到到B点的到达时间，这一段时间过小，导致货车并不能在这段时间内从A点到达B点，这样的边就是没有现实意义的，所以需要进行剔除，在带权图生成过程中对边的生成加以时间约束，通过第三方地图进行导航，计算得到A点到B点之间的所有第三方地图推荐的行驶路径，并选择时间最长的路径为A点到B点的最大路程时间，如果订单规定的A点到B点的时间小于A点到B点的最大路程时间，就不能生成A点到B点的连线，这样就可以避免出现时间上不允许的订单。
优选地，作为本发明另外一个实施例，在图1所示实施例的基础上，该方法还包括：
所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；所述根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
该实施例中，由于货车的载货重量和体积均为有上限，如果配货方案的所有订单的货物的总重量和总体积超过了货车的运载上限，该方案就没有了实际意义，同时如果装货和卸货时不否遵循先进后出原则，就会出现卸货时先要将该批货前的货物先卸下后，再卸该批货物，最后还需要将之前卸下的货物再装上去，不仅浪费了人力，而且也耽误了时间，从而造成了装货时间和卸货时间的不可控性，会影响到整个运货方法的连贯性和准时性，所以根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选可以将不符合实际情况的配货方案删除，保证推送到货车司机的每一个配货方法都是现实可行的。
优选地，作为本发明另外一个实施例，在图1所示实施例的基础上，该方法还包括：
所述的智能云配货方法中，根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
该实施例中，当配货方案的所有货物的总重量或总体积超过货车的运载上限时，该配货方案就没有任何意义，所以将总重量或总体积超过货车的运载上限的方案剔除，同时将装载卸载货物的顺序不遵循先进后出原则的方案剔除，可以保证每一次卸货装货的时间，保证推送到货车司机的每一个配货方法的时间、运货量都是在可行的范围内。
优选地，作为本发明另外一个实施例，在图1所示实施例的基础上，该方法还包括：
所述根据所述从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图包括：根据第三方地图对所有订单的出发点的位置和目的点的位置进行定位，并根据定位信息计算任意两点之间的距离，并将两点之间的距离作为两点之间的边的权值。
该实施例中，以所有订单的发点的位置和目的点的位置为节点，两点之间的距离为两点之间连线的权值，建立带权图，而通过带权图，就可以把订单的组合问题转化成路径的组合来解决。
优选地，作为本发明另外一个实施例，在图1所示实施例的基础上，该方法还包括：
发送到第一客户端的配货方案包括货车的行驶路线、行驶路线对应的总路程、该配货方案中所有订单的收益总和以及按路程计算得到的平均收益中的至少一个。
该实施例中，如果向货车司机发送每一个配货方案的行驶路线、总路程、收益总和平均收益，使得货车司机选择配货方案时，拥有更多的参考点，从而根据其需要选择最合适自己的配货方案。
图2为本发明实施例提供的智能云配货系统连接关系示意图，包括第一客户端、第二客户端和服务器，所述服务器分别与所述第一客户端和第二客户端通讯连接：
所述第一客户端用于生成货车信息并发送到所述服务器，所述货车信息至少包括出发地位置和目的地位置；
所述第二客户端用于生成货物运输的订单信息并发送到所述服务器，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
所述服务器接收所述货车信息，并汇总从所述出发地的位置到目的地的位置区间内的所有订单信息后，根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；再通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
本发明实施例提供的智能云配货系统结构简单，可操作性强，商家只需要通过第二客户端将货物运输的订单信息发送到服务器等待货车司机接单，而需要接单的货车司机只需要通过第一客户端输入自己的出发地和目的地并发送到服务器，服务器就会自动为其汇总符合其出发地的位置到目的地的位置区间内的所有订单，并为其规划多个配货方案供其选择；通过本发明的智能云配货系统，商家寄货、货车司机接订单均只需要客户端就可以实施，减少中间的不必要环节，提高了效率。
优选地，作为本发明另外一个实施例，在图2所示实施例的基础上，该系统中所述服务器根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
该实施例中，由于本方案中建立带权图时，是以两点之间的距离作为边的权值，所以任意两个点可以建立连线，但这些连线中，由于本方案中还涉及到出发点的到达时间、离开时间，目的点到达时间、离开时间，这就造成一些连线从时间上是不可以实现的，比如从A点到B点的连线，如果A点的离开到到B点的到达时间，这一段时间过小，导致货车并不能在这段时间内从A点到达B点，这样的边就是没有现实意义的，所以需要进行剔除，在带权图生成过程中对边的生成加以时间约束，通过第三方地图进行导航，计算得到A点到B点之间的所有第三方地图推荐的行驶路径，并选择时间最长的路径为A点到B点的最大路程时间，如果订单规定的A点到B点的时间小于A点到B点的最大路程时间，就不能生成A点到B点的连线，这样就可以避免出现时间上不允许的订单。
优选地，作为本发明另外一个实施例，在图2所示实施例的基础上，所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；所述服务器根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
该实施例中，由于货车的载货重量和体积均为有上限，如果配货方案的所有订单的货物的总重量和总体积超过了货车的运载上限，该方案就没有了实际意义，同时如果装货和卸货时不否遵循先进后出原则，就会出现卸货时先要将该批货前的货物先卸下后，再卸该批货物，最后还需要将之前卸下的货物再装上去，不仅浪费了人力，而且也耽误了时间，从而造成了装货时间和卸货时间的不可控性，会影响到整个运货方法的连贯性和准时性，所以根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选可以将不符合实际情况的配货方案删除，保证推送到货车司机的每一个配货方法都是现实可行的。
优选地，作为本发明另外一个实施例，在图2所示实施例的基础上，该系统中所述服务器根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
该实施例中，当配货方案的所有货物的总重量或总体积超过货车的运载上限时，该配货方案就没有任何意义，所以将总重量或总体积超过货车的运载上限的方案剔除，同时将装载卸载货物的顺序不遵循先进后出原则的方案剔除，可以保证每一次卸货装货的时间，保证推送到货车司机的每一个配货方法的时间、运货量都是在可行的范围内。
本发明还提供另一种智能云配货方法，包括服务器订单信息的数据模型，路网带权图的绘制、路网树状图的绘制和多条路径归纳算法的设计以及程序编写。其中，服务器订单信息为已知数据。当有司机需要装货时，可以选择任意一条路径，使其运载率最高。其中：
a)订单信息数据模型：其数据包括：订单ID、出发点经纬度、出发点到达时间、出发点离开时间、目的点经纬度、目的点到达时间、目的点离开时间、总重量和总体积。收集每一个订单的信息，建立订单信息数据模型。
b)路网带权图的绘制：根据订单信息数据模型，将整个订单信息数据模型，依据时间和距离为条件，抽象为图论中的带权图求解，从而把配货问题转换为路径选择问题。并且图论中的边生成有时间限制，边的生成条件，就为时间的约束，方法如下：
i.拥有时间＝点Di的到达时间-点Dj的离开时间
ii.路程时间＝第三方地图SDK通过计算Di和Dj两点得出
iii.如果拥有时间＞路程时间，则才可以生成从Di到Dj的边。
c)路网树状图的绘制：根据需求，司机会有一个主订单，即从A地到B地。那么就需要得到所有A到B点的路线。根据路网带权图，以A地为树论中的根，A地的相邻点为其树论中的孩子节点，依次遍历整个路网带权图，将其转化为路网树状图，得到所有A地到B地的路线问题就转为遍历路网树状图就可得到了。
d)多条路径归纳算法：得到所有的路线后，对路线在进行三次筛选，得出时间、重量、体积都满足的路线，其筛选方法如下：
i.所有的货物遵循先进后出的原则，即堆和栈。例如：车厢货物从内由外为ABC，那么就要先卸C货，再卸B货，最后卸A货。不满足该条件，则剔除该路线。
ii.该路线的货物组合是否超出货车最大承重，超出则剔除该路线。
iii.该路线的货物组合是否超出货车最大可载体积，超出则剔除该路线。
筛选后得到的多条路径，司机可以根据自身的需求，如：价格，路程，路程价格比，最大载重等因素，自主选择适合自己的配货方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种智能云配货方法，其特征在于，包括以下步骤：
接收第一客户端发送的货车信息，所述货车信息至少包括出发地位置和目的地位置；
接收至少一个第二客户端发送的货物运输的订单信息，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
汇总从所述出发地的位置到目的地的位置区间内的所有订单信息；
根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；
通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；
根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
2.如权利要求1所述的智能云配货方法，其特征在于，所述根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
3.如权利要求1所述的智能云配货方法，其特征在于，所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；
所述根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
4.如权利要求3所述的智能云配货方法，其特征在于，根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
5.如权利要求1所述的智能云配货方法，其特征在于，所述根据所述从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图包括：根据第三方地图对所有订单的出发点的位置和目的点的位置进行定位，并根据定位信息计算任意两点之间的距离，并将两点之间的距离作为两点之间的边的权值。
6.如权利要求1-5任一项所述的智能云配货方法，其特征在于，发送到第一客户端的配货方案包括货车的行驶路线、行驶路线对应的总路程、该配货方案中所有订单的收益总和以及按路程计算得到的平均收益中的至少一个。
7.一种智能云配货系统，其特征在于，包括第一客户端、第二客户端和服务器，所述服务器分别与所述第一客户端和第二客户端通讯连接，其特征在于：
所述第一客户端用于生成货车信息并发送到所述服务器，所述货车信息至少包括出发地位置和目的地位置；
所述第二客户端用于生成货物运输的订单信息并发送到所述服务器，所述订单信息至少包括：装货点位置、装货点到达时间、装货点离开时间；卸货点位置、卸货点到达时间、卸货点离开时间；
所述服务器接收所述货车信息，并汇总从所述出发地的位置到目的地的位置区间内的所有订单信息后，根据从所述出发地的位置到目的地的位置区间内的所有订单信息的装货点位置和卸货点位置抽象为一个带权图，并根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边；再通过经过边筛选的所述带权图计算所述货车的出发地位置到目的地位置的所有路径，得到多个配货方案，其中一个所述路径中的每一个节点对应的订单组成一个配货方案；根据预设筛选规则对得到的多个配货方案进行方案筛选，将符合筛选规则的配货方案发送到第一客户端。
8.如权利要求7所述的智能云配货系统，其特征在于，所述服务器根据订单信息中装货点到达时间、装货点离开时间、卸货点到达时间和卸货点离开时间筛选带权图中符合要求的边包括：对于带权图中任意两个节点Di和Dj，定义从Di的离开时间到Dj的到达时间为T1，然后使用第三方地图计算得到Di和Dj之间的行驶路径，取其中耗时最长的路径的预估行驶时间为最大路程时间为T2，若T1＞T2，则Di和Dj之间的边为符合要求的边。
9.如权利要求8所述的智能云配货系统，其特征在于，所述货车信息还包括货车的最大载货重量和/或最大载货体积；所述订单信息还包括货物重量和/或货物体积；
所述服务器根据预设筛选规则对得到的多个配货方案进行筛选包括：
根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选。
10.如权利要求9所述的智能云配货系统，其特征在于，所述服务器根据配货方案中所有货物的总重量与货车的最大承载重量的关系，配货方案中所有货物的总体积与货车的最大承载体积，以及装载卸载货物的顺序是否遵循先进后出原则中的至少一个对得到的多个配货方案进行筛选包括：
若配货方案的所有货物的总重量大于所述最大载货重量时，剔除此配货方案；
若配货方案的所有货物的总体积大于所述最大载货体积时，剔除此配货方案；
若配货方案为多个订单的组合，且装载卸载货物的顺序不遵循先进后出原则时，剔除此配货方案。
CN201710499811.4A 2017-06-27 2017-06-27 智能云配货方法及系统 Pending CN107392523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710499811.4A CN107392523A (zh) 2017-06-27 2017-06-27 智能云配货方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710499811.4A CN107392523A (zh) 2017-06-27 2017-06-27 智能云配货方法及系统

Publications (1)

Publication Number Publication Date
CN107392523A true CN107392523A (zh) 2017-11-24

Family

ID=60333649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710499811.4A Pending CN107392523A (zh) 2017-06-27 2017-06-27 智能云配货方法及系统

Country Status (1)

Country Link
CN (1) CN107392523A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087045A (zh) * 2018-08-09 2018-12-25 上海钧正网络科技有限公司 一种物流规划方法
CN110717711A (zh) * 2019-09-25 2020-01-21 吉航供应链管理(北京)有限公司 物流配送方法和系统
CN112906949A (zh) * 2021-02-02 2021-06-04 满帮信息咨询有限公司 路线规划方法、装置、电子设备及可读存储介质
CN112926917A (zh) * 2021-02-19 2021-06-08 中国石油天然气集团有限公司 一种基于综合风险的危险化学品道路运输线路规划方法
CN113935528A (zh) * 2021-10-13 2022-01-14 广州市钱大妈农产品有限公司 智能调度方法、装置、计算机设备及存储介质
CN114169813A (zh) * 2021-11-16 2022-03-11 悠桦林信息科技(上海)有限公司 运输调度方法、装置、电子设备和存储介质
CN114202278A (zh) * 2021-12-06 2022-03-18 国家能源集团新疆能源有限责任公司 一种煤炭运输车辆进站顺序排列方法、存储介质及系统
CN114612046A (zh) * 2022-03-30 2022-06-10 国网河北省电力有限公司营销服务中心 配送路径智能优化的方法
CN114626761A (zh) * 2022-04-25 2022-06-14 阿帕数字科技有限公司 货运业务调度方法、装置和货运终端
CN117689300A (zh) * 2023-11-03 2024-03-12 广州瑞基科技股份有限公司 基于人工智能的提货任务智能管理方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224935A1 (en) * 2014-07-08 2016-08-04 Rick Burnett Shipper and Carrier Interaction Optimization Platform
CN106203923A (zh) * 2016-08-19 2016-12-07 贵州汉方健康信息科技有限公司 供应链信息管理系统及管理方法
CN106296100A (zh) * 2016-08-19 2017-01-04 河南易之信网络科技有限公司 一种跨境物流业务的管理方法、装置及系统
CN106815702A (zh) * 2016-12-23 2017-06-09 上海天地汇供应链管理有限公司 一种智能公路运输调度管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224935A1 (en) * 2014-07-08 2016-08-04 Rick Burnett Shipper and Carrier Interaction Optimization Platform
CN106203923A (zh) * 2016-08-19 2016-12-07 贵州汉方健康信息科技有限公司 供应链信息管理系统及管理方法
CN106296100A (zh) * 2016-08-19 2017-01-04 河南易之信网络科技有限公司 一种跨境物流业务的管理方法、装置及系统
CN106815702A (zh) * 2016-12-23 2017-06-09 上海天地汇供应链管理有限公司 一种智能公路运输调度管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘南: "《交通运输学》", 31 August 2009, 浙江大学出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087045A (zh) * 2018-08-09 2018-12-25 上海钧正网络科技有限公司 一种物流规划方法
CN109087045B (zh) * 2018-08-09 2021-11-19 上海钧正网络科技有限公司 一种物流规划方法
CN110717711A (zh) * 2019-09-25 2020-01-21 吉航供应链管理(北京)有限公司 物流配送方法和系统
CN112906949A (zh) * 2021-02-02 2021-06-04 满帮信息咨询有限公司 路线规划方法、装置、电子设备及可读存储介质
CN112926917A (zh) * 2021-02-19 2021-06-08 中国石油天然气集团有限公司 一种基于综合风险的危险化学品道路运输线路规划方法
CN113935528A (zh) * 2021-10-13 2022-01-14 广州市钱大妈农产品有限公司 智能调度方法、装置、计算机设备及存储介质
CN114169813A (zh) * 2021-11-16 2022-03-11 悠桦林信息科技(上海)有限公司 运输调度方法、装置、电子设备和存储介质
CN114202278A (zh) * 2021-12-06 2022-03-18 国家能源集团新疆能源有限责任公司 一种煤炭运输车辆进站顺序排列方法、存储介质及系统
CN114612046A (zh) * 2022-03-30 2022-06-10 国网河北省电力有限公司营销服务中心 配送路径智能优化的方法
CN114626761A (zh) * 2022-04-25 2022-06-14 阿帕数字科技有限公司 货运业务调度方法、装置和货运终端
CN117689300A (zh) * 2023-11-03 2024-03-12 广州瑞基科技股份有限公司 基于人工智能的提货任务智能管理方法、系统及介质

Similar Documents

Publication Publication Date Title
CN107392523A (zh) 智能云配货方法及系统
Guastaroba et al. Intermediate facilities in freight transportation planning: a survey
Wieberneit Service network design for freight transportation: a review
CN106997494A (zh) 物流配送规划方法、物流配送方法及其装置
Crainic Long-haul freight transportation
Caris et al. Planning problems in intermodal freight transport: accomplishments and prospects
Limbourg et al. Optimal rail-road container terminal locations on the European network
Kang et al. Development of a maritime transportation planning support system for car carriers based on genetic algorithm
CN104504459B (zh) 物流运输优化方法及系统
Wiegmans et al. Analysis, modeling, and assessing performances of supply chains served by long-distance freight transport corridors
Lin et al. An integral constrained generalized hub-and-spoke network design problem
Powell Dynamic models of transportation operations
CN111967828A (zh) 一种面向全程物流的公铁联运产品协同优化方法
CN109948918B (zh) 属地应急众储物资的综合分配方法
Chislov et al. Mathematical modeling of cargo flow distribution in a regional multimodal transportation system
Orenstein et al. Parcel delivery using the hyperconnected service network
Chen et al. Schedule coordination, delay propagation, and disruption resilience in intermodal logistics networks
Campbell Strategic network design for motor carriers
He et al. Parcel delivery by collaborative use of truck fleets and bus-transit vehicles
Roso Emergence and significance of dry ports
CN116432880B (zh) 一种共享云仓物流城配路线智能选择及运费报价系统
CN117333099A (zh) 一种卡车和无人机协同的集配路径规划方法、系统及设备
Fernández L et al. A strategic model of freight operations for rail transportation systems
Campbell et al. Hub location and network design with fixed and variable costs
Rahmani Mokarrari et al. A stochastic-fuzzy multi-objective model for the last-mile delivery problem using drones and ground vehicles, a case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171124

RJ01 Rejection of invention patent application after publication