CN108460488A - 基于预测感知的深度学习智能物流配送规划系统 - Google Patents

基于预测感知的深度学习智能物流配送规划系统 Download PDF

Info

Publication number
CN108460488A
CN108460488A CN201810201471.7A CN201810201471A CN108460488A CN 108460488 A CN108460488 A CN 108460488A CN 201810201471 A CN201810201471 A CN 201810201471A CN 108460488 A CN108460488 A CN 108460488A
Authority
CN
China
Prior art keywords
unit
path
perception
dispatching
intelligent logistics
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
CN201810201471.7A
Other languages
English (en)
Inventor
苗江波
王宏祥
汤定
汤定一
吴春平
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.)
Zhou Pu Data Technology Nanjing Co Ltd
Original Assignee
Zhou Pu Data Technology Nanjing 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 Zhou Pu Data Technology Nanjing Co Ltd filed Critical Zhou Pu Data Technology Nanjing Co Ltd
Priority to CN201810201471.7A priority Critical patent/CN108460488A/zh
Publication of CN108460488A publication Critical patent/CN108460488A/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
    • G06Q10/04—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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于预测感知的深度学习智能物流配送规划系统，属于物流技术领域，所述感知点单元与区域分割单元相互配合，通过感知点将一定分为的区域进行分割，所述扫描寻找路径单元与区域分割单元相互匹配，扫描寻找路径单元寻找局部最优路径，扫描寻找路径单元、单次最优路径单元均与蚁群算法单元连接，单次最优路径单元得出数个单次最优路径，不断优化规划路径，确保最优路径规划准确率的同时提高最优路径规划效率，实现真正意义上的智能物流配送。

Description

基于预测感知的深度学习智能物流配送规划系统
技术领域
本发明涉及基于预测感知的深度学习智能物流配送规划系统。
背景技术
随着互联网技术的发展，以及我国物流配送行业的迅猛发展，互联网技术应用到物流配送行业实现智能化物流配送解决方案已经是大势所趋。
就目前而言，现有的物流配送行业在实际配送路径规划中并没有实现全局最优的路径规划愿景。主要存在以下几个问题：
区域路径规划不合理；只能按照既定的规划路径实现物流的配送，不能及时响应实际情况下的最优路径规划，在这段配送过程中有某个点需要寄件，这种情况下现有物流配送中还没有做到真正意义上的实时响应重新规划路线；
此外，现有物流配送中，物品的摆放次序并没有具体实施有效的方法，大多是凭借配送员的经验进行装箱的，这会在一定程度上限制配送的效率；
同时，互联网＋物流配送的结合，从我国物流配送行业发展的大背景而言，发展时间还是比较短的，发展中积累出来的数据并没有得到很好的深度挖掘进而进行再次应用，大数据刚刚积累并没有发挥大数据本身的价值。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种设计合理，可以确保最优路径规划准确率的同时提高最优路径规划效率，实现真正意义上的智能物流配送的基于预测感知的深度学习智能物流配送规划系统。
为实现上述目的，本发明采用的技术方案是：它包含待配送集合单元、智分配配送单元、感知点单元、区域分割单元、扫描寻找路径单元、蚁群算法单元、单次最优路径单元、结合学习数据单元、规划出整体配送单元；所述的待配送集合单元与智分配配送单元连接；所述智分配配送单元中设有感知点单元、区域分割单元、扫描寻找路径单元、蚁群算法单元、单次最优路径单元；所述感知点单元与区域分割单元相互配合，通过感知点将一定分为的区域进行分割，所述扫描寻找路径单元与区域分割单元相互匹配，扫描寻找路径单元寻找局部最优路径，扫描寻找路径单元、单次最优路径单元均与蚁群算法单元连接，单次最优路径单元得出数个单次最优路径，结合学习数据单元将之前的单次最优路径的数据进行分析、整合，规划出整体配送单元与结合学习数据单元连接，所述规划出整体配送单元不断重复以上单元的操作，优化方案，并得出最优配送方案。
作为优选，所述感知点单元中先选定一个起始点，再以起始点为坐标原点配合区域分割单元的操作。
作为优选，所述区域分割单元中采用顺时针和逆时针路线为基准，进行分簇，并结合蚁群算法寻找局部最优路径。
作为优选，所述单次最优路径单元中顺时针360度辐射整个区域，旋转一圈回到起点，利用蚁群算法得出单次最优路径。
本发明提出了基于蚁群-分簇混合算法的物流配送解决方法，该方法通过分簇以及蚁群算法的综合改进，在寻找出局部最优配送路径的基础上实现区域的全局最优配送路径。该方法的实现，可以解决上述描述的现有物流配送中的四个主要问题，进而推动互联网技术在物流配送行业的深入应用，实现技术的深度创新。
采用上述结构后，本发明有益效果为：本发明所述的基于预测感知的深度学习智能物流配送规划系统，可以实现在某一区域比如说在某个城市中满足闭环配送的规则下，在多重约束条件，包括配送目标点有时间限制、配送路径中有超大件厢式货车需要多次配送、实时路况的变化，在这些约束条件限制的应用场景中寻找出该区域中最优的路径规划，该最优路径规划能够保证是该区域的全局最优解即总路程最短、配送总时长最短。同时，在每次路径规划中产生的数据会做自主学习训练以便挖掘出更多物流配送的有效参数，不断优化规划路径，确保最优路径规划准确率的同时提高最优路径规划效率，实现真正意义上的智能物流配送。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的流程框图；
图2是本具体实施方式的分解图；
附图标记说明：
待配送集合单元1、智分配配送单元2、感知点单元3、区域分割单元4、扫描寻找路径单元5、蚁群算法单元6、单次最优路径单元7、结合学习数据单元8、规划出整体配送单元9。
具体实施方式
下面结合附图对本发明作进一步的说明。
参看如图1和图2所示，它包含待配送集合单元1、智分配配送单元2、感知点单元3、区域分割单元4、扫描寻找路径单元5、蚁群算法单元6、单次最优路径单元7、结合学习数据单元8、规划出整体配送单元9；所述的待配送集合单元1与智分配配送单元2连接；所述智分配配送单元2中设有感知点单元3、区域分割单元4、扫描寻找路径单元5、蚁群算法单元6、单次最优路径单元7；所述感知点单元3与区域分割单元4相互配合，通过感知点将一定分为的区域进行分割，所述扫描寻找路径单元5与区域分割单元4相互匹配，扫描寻找路径单元5寻找局部最优路径，扫描寻找路径单元5、单次最优路径单元7均与蚁群算法单元6连接，单次最优路径单元7得出数个单次最优路径，结合学习数据单元8将之前的单次最优路径的数据进行分析、整合，规划出整体配送单元9与结合学习数据单元8连接，所述规划出整体配送单元9不断重复以上单元的操作，优化方案，并得出最优配送方案。
其中，所述感知点单元3中先选定一个起始点，再以起始点为坐标原点配合区域分割单元4的操作。所述区域分割单元4中采用顺时针和逆时针路线为基准，进行分簇，并结合蚁群算法寻找局部最优路径。所述单次最优路径单元7中顺时针360度辐射整个区域，旋转一圈回到起点，利用蚁群算法得出单次最优路径。
本具体实施方式的操作步骤：
S1、初始条件：图2中以一个城市距离城市中心点最近的配送点为该城市区域中的配送起始点，图1中就是A点为配送起始点，即实际配送的城市中心配送点；以A点为圆心画出该城市的配送点辐射区域，该辐射区域需要囊括所辖配送范围内的收货点即整个城市。以A点为坐标原点，90度为切割单元，将该圆圈区域切割成图1中的四个区域，分别为顺时针方向B区（A1-A2，0度<=B区<90度）、C区（A2-A3，90度<C区<=180度）、逆时针方向D区（A1-A4，0度>E区>=-90度）、E区（A4-A3，-90度>D区>-180度）。
S2、以A点出发，分为顺时针180度区域（A1-A2-A3）、逆时针180度（A1-A4-A3）两条路线进行分簇＋蚁群算法训练，寻求局部最优解。这里以顺时针180度为例，逆时针一样。首先从A点出发，锐角进行扫描，获取B区的边界点，记为B边界，同时根据实际路况信息寻找出B区中最近收货点，记为B1，以B1作为初始分簇簇头，500米为扫描辐射半径，B边界为停止扫描辐射临界值，将B区进行分簇，图1中的B1簇、B2簇。。。Bn簇，每个簇中采用蚁群算法，找到每个簇的最优解，回溯到B区推出B区的最优路径，C区是从A点出发，以顺时针钝角扫描，方法类似B区，这样，顺时针180度得到了两个局部最优规划路径，即B区局部最优和C区局部最优。同理，得到E区局部最优、D区局部最优。
S3、得到四个分区的最优路径规划之后，以A点为出发点，顺时针360度辐射整个收货区域，即从B区出发最终最远从E区回到A点，利用蚁群算法寻求出最优路径作为本次配送的最优路径，即为本发明得到的单次配送的最优路径规划。
S4、以上是单次路径规划，在不断产生多次路径规划数据之后，本发明中会对这些历史数据进行深度挖掘，在做即时路径规划计算的过程中会将历史数据与本次预测规划的数据进行对比，最终训练得到本次即时路径规划的最优路径。
S5、通过不断重复以上步骤，该发明会不断优化自身方案，在保证配送路径准确率的同时提高训练效率，实现真正意义上智能物流配送方案。
本发明提出了基于蚁群-分簇混合算法的物流配送解决方法，该方法通过分簇以及蚁群算法的综合改进，在寻找出局部最优配送路径的基础上实现区域的全局最优配送路径。该方法的实现，可以解决上述描述的现有物流配送中的四个主要问题，进而推动互联网技术在物流配送行业的深入应用，实现技术的深度创新。
本具体实施方式所述的基于预测感知的深度学习智能物流配送规划系统，可以实现在某一区域比如说在某个城市中满足闭环配送的规则下，在多重约束条件，包括配送目标点有时间限制、配送路径中有超大件厢式货车需要多次配送、实时路况的变化，在这些约束条件限制的应用场景中寻找出该区域中最优的路径规划，该最优路径规划能够保证是该区域的全局最优解即总路程最短、配送总时长最短。同时，在每次路径规划中产生的数据会做自主学习训练以便挖掘出更多物流配送的有效参数，不断优化规划路径，确保最优路径规划准确率的同时提高最优路径规划效率，实现真正意义上的智能物流配送。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于预测感知的深度学习智能物流配送规划系统，其特征在于：它包含待配送集合单元、智分配配送单元、感知点单元、区域分割单元、扫描寻找路径单元、蚁群算法单元、单次最优路径单元、结合学习数据单元、规划出整体配送单元；所述的待配送集合单元与智分配配送单元连接；所述智分配配送单元中设有感知点单元、区域分割单元、扫描寻找路径单元、蚁群算法单元、单次最优路径单元；所述感知点单元与区域分割单元相互配合，通过感知点将一定分为的区域进行分割，所述扫描寻找路径单元与区域分割单元相互匹配，扫描寻找路径单元寻找局部最优路径，扫描寻找路径单元、单次最优路径单元均与蚁群算法单元连接，单次最优路径单元得出数个单次最优路径，结合学习数据单元将之前的单次最优路径的数据进行分析、整合，规划出整体配送单元与结合学习数据单元连接，所述规划出整体配送单元不断重复以上单元的操作，优化方案，并得出最优配送方案。
2.根据权利要求1所述的基于预测感知的深度学习智能物流配送规划系统，其特征在于：所述感知点单元中先选定一个起始点，再以起始点为坐标原点配合区域分割单元的操作。
3.根据权利要求1所述的基于预测感知的深度学习智能物流配送规划系统，其特征在于：所述区域分割单元中采用顺时针和逆时针路线为基准，进行分簇，并结合蚁群算法寻找局部最优路径。
4.根据权利要求1所述的基于预测感知的深度学习智能物流配送规划系统，其特征在于：所述单次最优路径单元中顺时针360度辐射整个区域，旋转一圈回到起点，利用蚁群算法得出单次最优路径。
5.根据权利要求1所述的基于预测感知的深度学习智能物流配送规划系统，其特征在于：它通过分簇以及蚁群算法的综合改进，在寻找出局部最优配送路径的基础上实现区域的全局最优配送路径。
CN201810201471.7A 2018-03-12 2018-03-12 基于预测感知的深度学习智能物流配送规划系统 Pending CN108460488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810201471.7A CN108460488A (zh) 2018-03-12 2018-03-12 基于预测感知的深度学习智能物流配送规划系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810201471.7A CN108460488A (zh) 2018-03-12 2018-03-12 基于预测感知的深度学习智能物流配送规划系统

Publications (1)

Publication Number Publication Date
CN108460488A true CN108460488A (zh) 2018-08-28

Family

ID=63219807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810201471.7A Pending CN108460488A (zh) 2018-03-12 2018-03-12 基于预测感知的深度学习智能物流配送规划系统

Country Status (1)

Country Link
CN (1) CN108460488A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112639904A (zh) * 2018-09-06 2021-04-09 本田技研工业株式会社 路线细分装置
CN116858264A (zh) * 2023-07-10 2023-10-10 深圳市丰宜科技有限公司 路径规划方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117441A (zh) * 2010-11-29 2011-07-06 中山大学 基于离散粒子群优化算法的智能物流配送
CN103226762A (zh) * 2013-04-17 2013-07-31 深圳东原电子有限公司 一种基于云计算平台的物流配送方法
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105045094A (zh) * 2015-08-03 2015-11-11 南通大学 多机器人群体的任务搜索和任务执行方法
US20170116497A1 (en) * 2015-09-16 2017-04-27 Siemens Healthcare Gmbh Intelligent Multi-scale Medical Image Landmark Detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117441A (zh) * 2010-11-29 2011-07-06 中山大学 基于离散粒子群优化算法的智能物流配送
CN103226762A (zh) * 2013-04-17 2013-07-31 深圳东原电子有限公司 一种基于云计算平台的物流配送方法
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105045094A (zh) * 2015-08-03 2015-11-11 南通大学 多机器人群体的任务搜索和任务执行方法
US20170116497A1 (en) * 2015-09-16 2017-04-27 Siemens Healthcare Gmbh Intelligent Multi-scale Medical Image Landmark Detection

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112639904A (zh) * 2018-09-06 2021-04-09 本田技研工业株式会社 路线细分装置
CN112639904B (zh) * 2018-09-06 2022-10-11 本田技研工业株式会社 路线细分装置
US11796327B2 (en) 2018-09-06 2023-10-24 Honda Motor Co., Ltd. Route subdivision apparatus
CN116858264A (zh) * 2023-07-10 2023-10-10 深圳市丰宜科技有限公司 路径规划方法、装置、设备和介质
CN116858264B (zh) * 2023-07-10 2024-04-26 深圳市丰宜科技有限公司 路径规划方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
Cathey et al. A prescription for transit arrival/departure prediction using automatic vehicle location data
Lucas et al. On the internal structure of cities
Yin et al. Group-wise itinerary planning in temporary mobile social network
CN108875998A (zh) 一种自动驾驶车辆规划方法和系统
CN103365293B (zh) 一种基于动态区域划分的机器人安全路径规划方法
CN104881710A (zh) 一种基于车辆自组网的城市快递配送方法
US10753751B2 (en) Systems and methods for street level routing
CN105654206A (zh) 基于乘客出行空间分布的公交站点选址布局优化方法
CN109959388A (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN106991558B (zh) 一种港口口岸间主航道的自动生成方法及系统
CN108460488A (zh) 基于预测感知的深度学习智能物流配送规划系统
Adacher et al. Decentralized spatial decomposition for traffic signal synchronization
Ho et al. An improved pheromone-based vehicle rerouting system to reduce traffic congestion
Bonte Role of smart cities for economic development
Kinable et al. Snow plow route optimization: A constraint programming approach
Ssamula Comparing air transport network operations in sparse networks in Africa
Adacher et al. Performance analysis of decentralized vs centralized control for the traffic signal synchronization problem
Popović et al. An MCDM approach to tourism projects evaluation: The Upper Danube Basin case
Guo et al. A multi-destination daily carpooling problem and an ant colony based resolution method
Prete Aircraft routing in the presence of hazardous weather
ELKHALIDI et al. Survey of reservation techniques in smart parking
Kala et al. Congestion avoidance in city traffic
Kangah et al. A Hybrid Optimization Model for Vehicle Routing Problem, a Case Study at Zoomlion Ghana Limited, Shama District
Li et al. Relieve the congestion by shuttle bus in rush hours using aggregation clustering algorithm on group travel pattern
Wang et al. Terminal-based zonal bus: A novel flexible transit system design and implementation

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: 20180828

RJ01 Rejection of invention patent application after publication