CN107944598A - 一种物流路径配置方法及系统 - Google Patents

Abstract

本发明实施例公开了一种物流路径配置方法及系统，涉及智能物流技术领域，能够降低运输过程中不必要的线路里程损耗，提升运输效率。本发明包括：读取当前的运输路径，并获取所读取的运输路径的货量预测结果；利用所述货量预测结果，通过线路规划函数，生成推荐路径；将所述推荐路径，向所述物流中心发送，并利用所述推荐路径结果更新所述当前的运输路径。

Description

一种物流路径配置方法及系统

技术领域

本发明涉及智能物流技术领域，尤其涉及一种物流路径配置方法及系统。

背景技术

运输线路规划问题，一直是物流领域的需要重点研究的课题之一，尤其是在国内城市中，由于人口密度和路网的复杂程度往往高出欧美国家一个量级，因此很多国外企业已经应用成熟的规划方案，却难以有效满足国内长期处于高压状态的物流需求。

目前，国内一些企业也开始着手改进物流的运输效率，主要通过在物流系统中采用大量的智能设备，来提高仓库端的分拣效率并降低人工成本，以及进一步研发无人机、自动驾驶载具等智能化的物流设备。

虽然自动化将成为大势所趋，但目前真正采用全自动物流设备的快递公司屈指可数。而在当下的过渡阶段，占有物流市场份额最大的，还是大大小小的各类传统的人工快递公司。这类人工快递公司则是按照实际的经营情况，通过传统经验进行快递点布局，主要考虑的是快递点的地租和卸货方便程度等因素，快递员则围绕已布局好的快递点进行投递作业。在物流路径上则是对快递员的常用线路进行合并或拆分调整，从而优化从属每个独立的快递点的快递员的工作效率，并按照快递员的工作习惯为快递员配备一些智能设备，从而提高快递员的工作效率。

但是，由于城市化程度的快速增长，目前的快递公司对于投递效率的改进，却已无法满足目前国内的城市化程度，尤其是在国内的一、二线城市中，经常出现快递点爆仓的情况，区域内的整体投递效率已经难以进一步提升。

发明内容

本发明的实施例提供一种物流路径配置方法及系统，能够降低运输过程中不必要的线路里程损耗，提升运输效率。

在现有方案中，运输网络是根据业务经验进行人工规划调整的，如果当前运输路径的货量出现了重大变动，还按照之前的线路进行运输不仅会造成运输资源的浪费，也会影响运输的时效，进而影响客户体验。但是由于人工调整的滞后性，往往无法应对运输路径的货量变动。

在本实施例中，运输路径货量预测，采用机器学习预测算法，通过学习数据的历史趋势来预测未来一段时间内运输路径的货量。规划用的是运筹优化算法，通过将规划问题抽象成优化模型，结合业务实际建立目标函数和约束条件，再对优化模型运用精确式算法和启发式算法求解。

通过基于未来一段时间预测的货量进行线路规划，从而提前根据线路做好铺货准备。还可以根据实际的货量动态优化调整运输线路，降低运输过程中不必要的线路里程损耗，提升运输效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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。

图1为本发明实施例提供的一种可能的系统架构示意图；

图2为本发明实施例提供的方法流程示意图；

图3a、3b为本发明实施例提供的一种包括了支线运输线路的实例示意图；

图4a、4b为本发明实施例提供的一种包括了干线和支线运输线路的实例示意图；

图5为本发明实施例提供的另一种可能的系统架构示意图；

图6、7为本发明实施例提供的系统中的具体结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本实施例中的方法流程，具体可以在一种如图1所示的系统上执行，该系统包括：物流策略平台、大数据平台、BI、TMS，且相互之间可以通过互联网建立信道，并通过各自的数据传输端口进行数据交互。其中：

本实施例中所揭示的BI、TMS，在硬件层面上具体可以是工作站、超级计算机等设备，或者是由多台服务器组成的一种用于数据处理的服务器集群。其中，BI(BusinessIntelligence，商业智能)，所指的是用于将企业中现有的数据进行整合，建立企业级数据仓库及数据挖掘产品，帮助企业实现数据的应用价值，并为企业提供决策的数据支持的技术。例如，业内一些企业通过BI系统实现对物流运输的全流程监控，可以清楚知道客户的每个包裹所处的运输环节。TMS(Transportation Management System，运输管理系统)，用于物流企业实现对运输订单、调度分配、车辆管理、人员管理等模块功能的系统。

本实施例中所揭示的大数据平台，用于训练数学建模，并计算运输路径。在硬件层面上具体可以是工作站、超级计算机等设备，或者是由多台服务器组成的一种用于数据处理的服务器集群。

物流策略平台，在硬件层面上具体可以是由多台服务器组成的一种用于数据处理的服务器集群，用于运行相应的执行程序并执行本实施例中的流程。

本发明实施例提供一种物流路径配置方法，如图2所示，包括：

S1、读取当前的运输路径，并获取所读取的运输路径的货量预测结果。

在本实施例中，运输路径可以按照起始端和终端分为支线运输路径和干线运输路径。例如：运输路径按照业务模式的不同，可以分为物流中心到快递点的支线运输，以及不同等级的或者平级的物流中心之间进行库存调拨的干线运输。

若作为支线运输路径，则所述运输路径包括起始于低级物流中心且途径至少一个快递点的路径。例如：如图3a所示的，物流中心“北京仓”通过串联线路，依次连接K1-K6快递点，其中包括了2条支线运输路径，即1号支线运输路径：北京仓-K1-K2-K3，和2号支线运输路径：北京仓-K5-K4-K6。通常情况下，快递点指的是同一城市中用于快件暂存和分配投递任务(比如业内所称的“最后一公里阶段”的投递工作)的区域。

若作为干线运输路径，则所述运输路径包括起始于高级物流中心且途径至少一个物流中心的路径。例如：如图4a所示的，物流中心“北京”通过连接其它的物流中心，其中包括了2条干线运输路径，即北京-石家庄和北京-太原；

之后，还可以衔接支线运输路径，将起始于高级物流中心且途径至少一个高级物流中心的路径也作为支线运输路径，比如：如图4a所示的，石家庄-衡水、石家庄-邢台、太原-吕梁、太原-阳泉、太原-忻州等支线运输路径。

S2、利用所述货量预测结果，通过线路规划函数，生成推荐路径。

其中，线路规划函数可以基于预测算法设计并训练模型。基于预测算法设计并训练模型可以理解为：建立数学规划模型，利用精确算法(分支界定法、割平面法)求解；或者，利用元启发式算法，即遗传算法、蚁群算法等模拟自然界生物进化或某种自然界寻优现象的随机搜索算法来进行求解；或者，利用启发式算法，节约算法、邻近法、插值法、扫描法等，此类算法是通过固定的搜索过程迭代到相对最优的解。

生成推荐路径的方式，可以包括：通过线路规划函数，根据物流路径中点对点的货量需求，并且根据每个物流点的时效要求、运输车辆的装载限制和线路的连通性等约束，利用里程节约算法设计出各物流点线路串联的组合方式，以及线路可用车辆的组合方式。

在这其中，预测算法目前主要有两个研究方向，一方面是基于历史数据的时间序列预测，另一个是基于特征工程的机器学习算法，时间序列算法主要是对时序数据历史波动规律的把握，对波动进行平滑处理，针对平稳的序列进行预测具有较好的效果。而机器学习算法则是通过捕获引起数据波动的特征来对数据进行预测，对前期特征工程的要求较高，通过提取出与货量波动紧密相关的特征，则对预测的准确率有很大提升，因此针对不平稳的序列是个有效的预测方法。

运输线路规划问题(VRP)的研究目标，是对一系列的顾客需求点设计适当的路线，使车辆有序地通过，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，达到一定的优化目标(如里程最短、费用最少、时间尽量少、车队规模尽量小、车辆利用率高等)。但是如何将经典的运输线路规划问题(VRP)问题与企业现有的数据状况和业务模式相结合，并运用合适的算法满足业务功能和性能上的要求，却是鲜有学者进行研究。而在企业界，传统物流企业还处于对运力的统计分析阶段，或者着力于改进快递员的工作效率(即快件在所谓的“最后一公里”的投递效率)，无法做到从全局进行线路的统筹规划。

S3、将所述推荐路径，向所述物流中心发送，并利用所述推荐路径结果更新所述当前的运输路径。

利用所述推荐路径结果更新所述当前的运输路径，例如：对图3a所示的运输路径进行调整，得到如图3b所示的运输路径。

在本实施例中，运输路径货量预测，采用机器学习预测算法，通过学习数据的历史趋势来预测未来一段时间内运输路径的货量。规划用的是运筹优化算法，通过将规划问题抽象成优化模型，结合业务实际建立目标函数和约束条件，再对优化模型运用精确式算法和启发式算法求解。通过基于未来一段时间预测的货量进行线路规划，从而提前根据线路做好铺货准备。还可以根据实际的货量动态优化调整运输线路，降低运输过程中不必要的线路里程损耗，提升运输效率。

在本实施例中，所述获取所读取的运输路径的货量预测结果的具体方式，该方式可以用于支线运输路径和干线运输路径的货量预测结果的计算，该方式包括：

从历史数据库中获取历史货量数据，并设定数据预处理规则和异常数据剔除机制，对所获取的历史货量数据进行预处理。

通过时间序列模型拟合预处理后的历史货量数据，计算得到未来第一段时间周期内的货量预测值，作为所述货量预测结果。具体的，可以再。利用所述未来第一段时间周期内的货量预测值，计算未来第二段时间周期内的货量预测值；并重复利用前一段时间周期内的货量预测值，计算后一段时间周期内的货量预测值，将至少2个时间周期内的货量预测值，作为所述货量预测结果。例如：物流策略平台在货量预测中，根据历史货量数据设定数据预处理方法和异常数据剔除机制。定义ARIMA模型根据不同数据序列，运行参数自适应函数，作为时间序列模型。时间序列模型拟合历史数据，预测未来一天的货量，并将预测值作为历史值，进行未来第二天货量预测。直至未来预测出一周的数据。其中，本实施例中所指的ARIMA模型，全称为自回归积分滑动平均模型(Autoregressive Integrated MovingAverage Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法。

所述通过时间序列模型拟合预处理后的历史货量数据，计算得到未来第一段时间周期内的货量预测值，具体根据历史货量数据进行指数平滑处理并建立异常值剔除机制，对最终预测的准确率有较大的提升。建立的arima模型的参数自适应函数，可以结合不同时间序列数据，拟合出最合适的arima模型。例如：

对未来一周线路货量进行预测：

(1)对历史货量数据做指数平滑处理，再将线路数据集按8：2拆分成训练集和测试集；

(2)在Arima类中添加自定义函数实现依据序列数据特性自适应参数p,q；

(3)用Arima模型拟合训练集，对于拟合出来的label值与实际值对比，剔除波动大于50％的数据；

(4)对于剔除异常值后的序列重新进行指数平滑处理；

(5)对新序列利用arima模型进行拟合预测。

所述对所获取的历史货量数据进行预处理，包括：

获取所述运输路径在一个长周期内的历史货量数据。

还包括：读取所述运输路径的配置数据，所述配置数据包括：快递点和物流中心的装卸货时间、时效要求和所述运输路径的距离。再根据所述配置数据和所述货量预测结果，生成线路规划函数。

其中，可以通过节约算法定义支线线路规划函数。本实施例中分为线路货量预测和线路规划两个部分，货量预测主要采用的参数自适应时间序列算法进行未来一周销量的预测，线路规划主要采用的是基于总里程最优的节约算法。

其中，所述历史货量数据包括：物流中心标识、对应所述物流中心标识的派送日期和对应所述物流中心标识的历史单量，例如：获取近一年的支线(或者干线)的历史货量数据，其中，历史货量数据包括了：支线运输路径(L-K)的历史数据：werks(物流中心)、depart_date(派送日期)、order_list_cnt(历史单量)；干线运输路径(L-L)的历史数据：s_werks(高级物流中心)、l_werks(物流中心)、depart_date(派送日期)、order_list_cnt(历史单量)，通过历史货量数据预测的T+1日的支线(或者干线)的货量。历史货量数据中还可以包括线路规划的配置数据，比如：快递点及物流中心装卸货时间、时效要求、距离等数据。

以支干线线路规划的情况举例说明：

1)定义线路规划函数(route_schema_function):计算任意两个快递点之间的距离节约值，作为节约矩阵元素的值；

2)搜索节约矩阵中最大元素所在的位置，并进行线路合并判断，其中，合并判断的因素包括：1、合并后每个快递点的时效都能满足；2、合并后该线路货量不能超过车辆最大载重要求。

3)若线路合并的两个判断条件都满足，则对线路进行合并操作：当两条线路的初始线路除起点外都只有1个节点时，执行向前插入操作，另一条线路置为0；当其中一条初始线路除起点外有多于1个节点时，执行向后插入操作，另一条线路置为0。

4)由于基于总里程最优的节约算法可以实现为相应的节约值矩阵，对节约值矩阵进行更新，比如：将最大元素值位置的值置为0；若执行了线路合并操作，则将最大元素所在行和列的所有元素以及最大元素对称位置元素置为0。重复步骤2)至步骤4)，直至节约矩阵最大元素为0为止。

在本实施例中，所述根据所述配置数据和所述货量预测结果，生成线路规划函数，包括：

根据快递点的时效要求、装卸货时长和距离，通过节约算法得到支线线路规划函数。例如：在支线线路规划中，支线运输即为L点到K点的运输，运输模式是将L点的货物分派到所辐射的不同的K点中去，由于route_schema_function函数解决的就是一个物流中心出发途径多个快递点的问题，物流策略平台将各物流中心的派送需求应用于route_schema_function函数即可得到各物流中心的派送线路。

或者，根据物流中心点的时效要求、装卸货时长、距离和物流中心的运输等级，和所述货量预测结果，通过节约算法得到干线线路规划函数。例如：在干线线路规划中，干线运输即为L点到L点的运输，运输模式是将高级别L点的货物向低级别L点运输以及同级别L点之间货量相互调拨，是多点之间货物运输，与route_schema_function一点出发向多点运输的模式略有不同，并且干线运输还需要满足物流中心等级限制，即低级别物流中心不能向高级别物流中心运输。

物流策略平台可以修改适用于支线运输的route_schema_function函数，加入物流中心级别限制，另一方面需要将干线运输需求按高级别物流中心进行切分，所有的干线运输需求都可以切分为多个高级别物流中心向低级别物流中心的运输需求，这样就可以将多物流中心之间的干线运输切分成多个单物流中心的支线运输，再应用修改后的route_schema_function函数，即干线线路规划函数，便可求得干线的运输线路。

由于在线路规划中，干线的运输被物流中心的被物流中心的等级约束，即低级物流中心的不能向高级的物流中心运送，本实施例中，根据快递点时效要求、装卸货时长、距离并结合节约算法定义支线线路规划函数；将当前支线运输需求，按物流中心切分，并分别应用支线线路规划函数计算不同物流中心的支线运输线路；根据物流中心点时效要求、装卸货时长、距离、物流中心的运输等级限制等约束结合节约算法定义干线线路规划函数；将当前干线运输需求，按高阶物流中心进行切分，并对所有高阶物流中心应用干线线路规划函数计算不同高阶物流中心的运输线路，即为整个干线运输的线路。通过物流策略平台在物流的运输网络规划过程中，根据货量进行线路的串联，以达到运输总里程最短或者运输总成本最低的目标。线路的规划分为两个部分：1、货量的预测，结合历史货量趋势，运用时间序列算法，对不同的线路进行货量预测。2、基于总里程最优的原则，与支/干线运输线路规划，则是结合业务实际情况建立VRP(VRP模型即vehicle routingproblem，车辆路径问题)优化模型，再用节约算法进行求解。在货量预测方面，为了提升预测的准确率，对要预测的序列数据进行了指数平滑处理，然后再剔除异常波动数据，处理之后各线路货量预测准确率在85％左右。在线路规划方面，我们以节约算法为主并综合插值法，对初始线路进行优化合并，目标使得总体的运输里程最短，这样不仅可以缩短运输时效，提升客户体验，而且还能有效的降低运输成本。

更新前的支线运输路径(如图3a所示)与更新后的支线运输路径(如图3b所示)相比，可以得到如表1所示的结果：

表1

其中，按推荐路径调整支线运输路径后，总距离减少5.1公里，总时长减少20分钟，运输总成本降低91元，成本下降幅度22.3％。

更新前的干线运输路径(如图4a所示)与更新后的干线运输路径(如图4b所示)相比，可以得到如表2所示的结果：

表2

按推荐结果，将北京发阳泉的路线调整为在石家庄中转，总距离增加83.7公里，总时效提升3.2小时，运输成本降低4703元，成本下降幅度5.78％，总收入110416元，利润提升16.1％

在本实施例中，对于历史货量数据的校准，还可以利用订单系统的下单信息，比如图5所示的，相比图1所示的架构，还包括订单系统，订单系统用于向大数据中心提供订单统计信息：

接收大数据中心发送的订单统计信息。根据所述订单统计信息，确定所述物流中心在预设时间段内的出库和入库货量的预测结果。之后根据所述出库和入库货量的预测结果，更新所述历史货量数据。

本发明还提供一种物流路径配置系统，具体可以运行在如图1所示的物流策略平台上，如图6所示的，该系统包括：

读取模块，用于读取当前的运输路径，并获取所读取的运输路径的货量预测结果；

分析模块，用于利用所述货量预测结果，通过线路规划函数，生成推荐路径；

传输模块，用于将所述推荐路径，向所述物流中心发送，并利用所述推荐路径结果更新所述当前的运输路径。

其中，所述读取模块，具体用于从历史数据库中获取历史货量数据，并设定数据预处理规则和异常数据剔除机制，对所获取的历史货量数据进行预处理；并通过时间序列模型拟合预处理后的历史货量数据，计算得到未来第一段时间周期内的货量预测值，作为所述货量预测结果。

进一步的，如图7所示的，该系统还包括：

预测模块，用于接收大数据中心发送的订单统计信息；并根据所述订单统计信息，确定所述物流中心在预设时间段内的出库和入库货量的预测结果；并根据所述出库和入库货量的预测结果，更新所述历史货量数据；

函数维护模块，用于读取所述运输路径的配置数据，所述配置数据包括：快递点和物流中心的装卸货时间、时效要求和所述运输路径的距离；并根据快递点的时效要求、装卸货时长和距离，通过节约算法得到支线线路规划函数；或者，根据物流中心点的时效要求、装卸货时长、距离和物流中心的运输等级，和所述货量预测结果，通过节约算法得到干线线路规划函数。

在本实施例中，运输路径货量预测，采用机器学习预测算法，通过学习数据的历史趋势来预测未来一段时间内运输路径的货量。规划用的是运筹优化算法，通过将规划问题抽象成优化模型，结合业务实际建立目标函数和约束条件，再对优化模型运用精确式算法和启发式算法求解。通过基于未来一段时间预测的货量进行线路规划，从而提前根据线路做好铺货准备。还可以根据实际的货量动态优化调整运输线路，降低运输过程中不必要的线路里程损耗，提升运输效率。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种物流路径配置方法，其特征在于，包括：

读取当前的运输路径，并获取所读取的运输路径的货量预测结果；

利用所述货量预测结果，通过线路规划函数，生成推荐路径；

将所述推荐路径，向所述物流中心发送，并利用所述推荐路径结果更新所述当前的运输路径。

2.根据权利要求1所述的方法，其特征在于，所述运输路径包括起始于低级物流中心且途径至少一个快递点的路径；

或者是，所述运输路径包括起始于高级物流中心且途径至少一个高级物流中心的路径；

或者是，所述运输路径包括起始于高级物流中心且途径至少一个物流中心的路径。

3.根据权利要求1或2所述的方法，其特征在于，所述获取所读取的运输路径的货量预测结果，包括：

从历史数据库中获取历史货量数据，并设定数据预处理规则和异常数据剔除机制，对所获取的历史货量数据进行预处理；

通过时间序列模型拟合预处理后的历史货量数据，计算得到未来第一段时间周期内的货量预测值，作为所述货量预测结果。

4.根据权利要求3所述的方法，其特征在于，还包括：

利用所述未来第一段时间周期内的货量预测值，计算未来第二段时间周期内的货量预测值；

并重复利用前一段时间周期内的货量预测值，计算后一段时间周期内的货量预测值，将至少2个时间周期内的货量预测值，作为所述货量预测结果。

5.根据权利要求4所述的方法，其特征在于，还包括：

接收大数据中心发送的订单统计信息；

根据所述订单统计信息，确定所述物流中心在预设时间段内的出库和入库货量的预测结果；

根据所述出库和入库货量的预测结果，更新所述历史货量数据。

6.根据权利要求1所述的方法，其特征在于，还包括：

读取所述运输路径的配置数据，所述配置数据包括：快递点和物流中心的装卸货时间、时效要求和所述运输路径的距离；

根据所述配置数据和所述货量预测结果，生成线路规划函数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述配置数据和所述货量预测结果，生成线路规划函数，包括：

根据快递点的时效要求、装卸货时长和距离，通过节约算法得到支线线路规划函数；

或者，根据物流中心点的时效要求、装卸货时长、距离和物流中心的运输等级，和所述货量预测结果，通过节约算法得到干线线路规划函数。

8.一种物流路径配置系统，其特征在于，包括：

读取模块，用于读取当前的运输路径，并获取所读取的运输路径的货量预测结果；

分析模块，用于利用所述货量预测结果，通过线路规划函数，生成推荐路径；

传输模块，用于将所述推荐路径，向所述物流中心发送，并利用所述推荐路径结果更新所述当前的运输路径。

9.根据权利要求8所述的系统，其特征在于，所述读取模块，具体用于从历史数据库中获取历史货量数据，并设定数据预处理规则和异常数据剔除机制，对所获取的历史货量数据进行预处理；并通过时间序列模型拟合预处理后的历史货量数据，计算得到未来第一段时间周期内的货量预测值，作为所述货量预测结果。

10.根据权利要求8所述的系统，其特征在于，还包括：

预测模块，用于接收大数据中心发送的订单统计信息；并根据所述订单统计信息，确定所述物流中心在预设时间段内的出库和入库货量的预测结果；并根据所述出库和入库货量的预测结果，更新所述历史货量数据；

函数维护模块，用于读取所述运输路径的配置数据，所述配置数据包括：快递点和物流中心的装卸货时间、时效要求和所述运输路径的距离；并根据快递点的时效要求、装卸货时长和距离，通过节约算法得到支线线路规划函数；或者，根据物流中心点的时效要求、装卸货时长、距离和物流中心的运输等级，和所述货量预测结果，通过节约算法得到干线线路规划函数。