CN108510227A - 一种基于机器学习的车载物流配送实时规划系统 - Google Patents

Abstract

本发明涉及一种基于机器学习的车载物流配送实时规划系统，包括服务器端和客户端，所述服务器端用于建立数学模型，并通过机器学习求解进行车辆物流运输方案的规划；所述客户端用于采集车辆的实时速度和当前位置反馈给服务器端，还接收服务器端的配送路线规划。本发明使得物流配送方案的路线最加合理，节约成本。

Description

一种基于机器学习的车载物流配送实时规划系统

技术领域

本发明涉及物流配送规划技术领域，特别是涉及一种基于机器学习的车载物流配送实时规划系统。

背景技术

在当今社会的发展过程中，随着资源的流通和配置的不断加强，物流逐渐成为了大部分经济活动的正常运行基础。物流配送是物流系列的一个重要环节，由于配送服务对象的不同，配送方式也会有所区别。由于不同的客户需求、不同的商品类型、不同的地域环境，多样性的配送方式也应运而生。其中，车辆配送的高灵活性，车辆优化调度问题逐渐成为了人们关注的重点。车辆路径问题(VRPTW)作为研究内容的重要组成部分，更是人们研究问题的核心。

车辆路径问题(VRPTW)可定义为：对一系列配送中心和客户需求地点，对他们设置合适的车辆路径方案，使得车辆按照一定的次序一一通过他们，在满足现实中车辆、道路、货物等约束条件的限制下，尽可能使配送活动最优化，使的资金、人力、物力达到最佳的利用。

车辆路径问题(VRPTW)在研究的过程中会出现一系列的研究相关约束条件。常见的约束包括配送车辆的最大容量，客户接受配送服务的时间，车辆行驶的路程与耗时等等。例如：给定若干具有一定需求量的客户，若干具有一定装载能力且型号不同的车辆从配送中心出发，为客户进行配送服务后回到配送中心，同时使运输车辆数最少、运输成本最省的多个目标达到最优。还要考虑车辆在配送过程中的运输时间、客户等待时间不能超过一定限制。

由于约束条件较多且相互关联，使得货物配送规划问题求解过程中出现复杂条件，成为了一个NP难问题(non-deterministic polynomial hard)，例如，约束条件不能同时满足，存在局部最佳参数，数据爆炸呈现指数形式结果等，因此传统的精确算法难以求出其最优解。通常采用智能启发的方法寻找满意解，通常采用遗传算法、蚁群算法、模拟退火法、禁忌搜索法及多种算法结合等启发式算法对车辆路径问题进行探索。但是由于实际中的路况，车辆情况时实时变化的，所以根据实际情况制定实时配送方案才能更好的应用于实际问题的解决，但是目前却缺少此方面的研究。

机器学习是人工智能领域的一个重要分支，简单来说，就是将待解决问题建立数学模型，借助计算机、服务器、微型机等人工智能机器进行模型求解的解决实际问题的方法。常用的模型有回归分析和分类两大类，机器学习可以通过训练样本数据，学习并训练模型，实现对新的样本数据的预测。由于机器学习借助智能计算机系统，因此具有强大的数据处理能力，精度高，效率快。

发明内容

本发明所要解决的技术问题是提供一种基于机器学习的车载物流配送实时规划系统，使得物流配送方案的路线最加合理，节约成本。

本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习的车载物流配送实时规划系统，包括服务器端和客户端，所述服务器端用于建立数学模型，并通过机器学习求解进行车辆物流运输方案的规划；所述客户端用于采集车辆的实时速度和当前位置反馈给服务器端，还接收服务器端的配送路线规划。

所述服务器端包括：地图获取模块，用于获取配送点位置信息和实时路况；数学模型建立模块，用于根据实际问题进行数学量化，建立数学模型；机器学习求解模块，用于使用机器学习算法求解建立的数学模型；配送路径规划模块，用于根据求解结果制定实际的物流配送规划方案；第一控制模块，用于任务的调度与分配；第一数据收发模块，用于与客户端进行信息交互，发布物流运输规划方案和接收客户端的反馈数据；第一显示模块，用于提供可视化监控用监视和可视化控制。

所述数学模型建立模块将车辆的平均车速、运行状态、路况情况、配送地点与仓库位置、约束条件进行数学量化，根据数学量化的指标建立数学模型，确定目标函数和约束条件。

所述数学量化包括：每辆车送货时行驶的路程不超过它所能行驶的最远路程；中心仓库的车辆总数大于或等于当派送费用最小时所需的车辆数；配送中心有足够的资源以供配送；每个客户的需求只能由一辆配送车满足；每个客户的最大需求量不得超过安排配送的车辆的容载量，车辆出发配送完所有货物所行驶的总距离不得超过车辆的最大行驶里程；每辆车仅调度一次，每辆车能够给多个客户配送，但每个客户只能有一辆车进行配送；车辆到达需求点只有卸货无装货，且不要求返回原来的配送中心；每条路径上所有客户的需求量之和不能超过车辆的最大载重量；每辆车的运输时间不能超过最大运输时间。

所述数学模型为：k＝1,2,…,M，M表示车辆的总数，X_ijk表示车k是否从配送点i行驶到配送点j；k＝1,2,…,M，Y_ik表示配送点i的配送是否由车k完成；k＝1,2,…,M，Z_ijk表示车k从配送点i到配送点j的过程中是否吃午饭；所述约束条件为：车k的运输能力为其中，Q为车辆的最大载重量，q_i表示到配送点i的货物重量、N表示配送点的个数；所有货物到达时间t_i满足t_ia≤t_i≤t_ib，其中，t_ia表示最小运输时间、t_ib表示最大运输时间；每个配送点一定会被配送货物且只被配送一次，则有且只有一辆车k为配送点i配送货物，则有且只有一辆车k离开配送点i，则每辆车k的驾驶员只吃一次午饭，则

所述机器学习求解模块采用遗传算法中的双层染色体结构设计与蚁群算法相结合的方法求解建立的数学模型。

所述客户端包括：定位模块，用于定位运输车辆的实时位置；车速监控模块，用于检测运输车辆的车速和车辆运行状态；第二数据收发模块，用于接收服务器端的车辆运输规划和传送车辆的位置、车速和运行状况给服务器端；第二控制模块，用于任务的分配和调度；第二显示模块，提供运输车辆驾驶员配送运输方案。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

本发明在基于机器学习的基础上，将车载物流配送问题进行数学模型建立，确立目标函数，在满足客户需求基础上，物流公司使用配送车辆最少，成本花销最小；通过机器学习的求解模型，得到最优的配送方案，并且依据实时的路况、车辆状态等进行配送方案的实时规划。

本发明更适宜企业内部搭建，仅仅需要在通用计算机搭中搭建软件平台实现，节约硬件投资成本；同时采用机器学习方法处理求解并制定配送规划方案，而非传统经验形式的预估，更加客观、合理、精准；根据规划方案可以提前对费用进行预算，对车辆进行调度分配，节约人力资源和成本；同时可以根据车辆、路况等实时情况，进行实时的车辆配送方案的规划与制定。

附图说明

图1是本发明的设计框架示意图；

图2是本发明的结构示意图；

图3是本发明中机器学习算法流程图；

图4是配货地点与仓库分布图；

图5是总的车辆配送线路规划图，其中图5A为车辆配送点分布图，图5B为车辆配送路线图；

图6是实施例中配货规划图；

图7是根据实时路况调整路线图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于机器学习的车载物流配送实时规划系统，如图1和图2所示，包括服务器端和客户端，所述服务器端用于建立数学模型，并通过机器学习求解进行车辆物流运输方案的规划；所述客户端用于采集车辆的实时速度和当前位置反馈给服务器端，还接收服务器端的配送路线规划。

如图2所示，所述服务器端包括：地图获取模块，用于获取配送点位置信息和实时路况；数学模型建立模块，用于根据实际问题进行数学量化，建立数学模型；机器学习求解模块，用于使用机器学习算法求解建立的数学模型；配送路径规划模块，用于根据求解结果制定实际的物流配送规划方案；第一控制模块，用于任务的调度与分配；第一数据收发模块，用于与客户端进行信息交互，发布物流运输规划方案和接收客户端的反馈数据；第一显示模块，用于提供可视化监控用监视和可视化控制。所述客户端包括：定位模块，用于定位运输车辆的实时位置；车速监控模块，用于检测运输车辆的车速和车辆运行状态；第二数据收发模块，用于接收服务器端的车辆运输规划和传送车辆的位置、车速和运行状况给服务器端；第二控制模块，用于任务的分配和调度；第二显示模块，提供运输车辆驾驶员配送运输方案。

本实施方式中，该方法的执行主体为使用机器学习规划物流运输路线方案。该方法包括以下步骤：

数学模型建立，将车辆的平均车速、运行状态、路况情况、配送地点与仓库位置、约束条件进行数学量化如下：

(1)每辆车送货时行驶的路程不超过它所能行驶的最远路程；

(2)中心仓库的车辆总数大于或等于当派送费用最小时所需的车辆数；

(3)配送中心有足够的资源以供配送；

(4)每个客户的需求只能由一辆配送车满足；

(5)每个客户的最大需求量不得超过安排配送的车辆的容载量，车辆出发配送完所有货物所行驶的总距离不得超过车辆的最大行驶里程；

(6)每辆车仅调度一次，每辆车可以给多个客户配送，但每个客户只能有一辆车进行配送；

(7)车辆到达需求点只有卸货无装货，且不要求返回原来的配送中心；

(8)每条路径上所有客户的需求量之和不能超过车辆的最大载重量；

(9)每辆车的运输时间(行驶时间、服务时间以及等待时间之和)不能超过最大运输时间。

根据以上的量化指标进行建立数学模型，确定目标函数和约束条件，建立李雅普诺夫方程：

(1)0-1变量的引入：

k＝1,2,…,M，M表示车辆的总数，X_ijk表示车k是否从配送点i行驶到配送点j；

k＝1,2,…,M，Y_ik表示配送点i的配送是否由车k完成；

k＝1,2,…,M，Z_ijk表示车k从配送点i到配送点j的过程中是否吃午饭。

(2)约束条件的建立：

对与车k来说，运送货物是无返回的，即运送完其已装载的所有货物之后，不进行货物补充。因此定义车k的运输能力为：其中，Q为车辆的最大载重量，q_i表示到配送点i的货物重量、N表示配送点的个数。

为保证配送点i所需要的货物能够得到准时的配送，即满足所有货物到达时间t_i满足t_ia≤t_i≤t_ib，其中，t_ia表示最小运输时间、t_ib表示最大运输时间。车k由配送点i到配送点j的行驶时间为t_ijk。假设车k为配送点i送完货物之后为配送点j送货，车k到达配送点i的时间为t_ik，到达配送点i的时间为t_jk，则t_ik与t_jk之间的关系为：t_jk＝X_ijk(t_ik+t_ijk+t_iq+30*Z_ijk)，其中，t_iq为配送点i所需卸货时间。

每个配送点一定会被配送货物且只被配送一次，则

有且只有一辆车k为配送点i配送货物，则

有且只有一辆车k离开配送点i，则

每辆车k的驾驶员只吃一次午饭，则

机器学习模型求解，选择合适算法对上述数学模型进行求解，本实施方式采用遗传算法中的双层染色体结构设计与蚁群算法相结合的方法。遗传算法中的双层染色体结构设计取消了传统遗传算法中的交叉算子，仅需一个父代，因此即使种群中的个体均相同，也不会影响遗传操作，降低了对种群多样性的要求。此外，遗传算法中的双层染色体结构设计在寻优效率和“早熟收敛”上都较传统遗传算法具有优势。而蚁群算法具有鲁棒性强、可以进行分布式计算，易与其他算法有效结合等优点，但其容易陷入局部最优。本实施方式中，在遗传算法中的双层染色体结构设计和蚁群算法的基础上，吸收这两种方法的长处和优势，克服它们的短处和缺陷，进而提出混合型搜索多目标车辆路径问题的启发式优化算法，具体步骤如图3所示。

配合地点和仓库分布图如图4所示。货物配送运输方案规划，通过机器学习求解数学模型得到的解集，服务器端进行实际的车辆配送方案规划，如图5所示为规划后实际路线图，其中的(a)图表示每一辆物流运输车所要进行配送的客户地点，(b)图为从仓库出发，每一辆车行驶的路线图。这些规划方案由服务器端制定完成后通过数据传输模块传送给物流运输车辆的驾驶员手机客户端，驾驶员根据此进行配货。

实时配送方案规划，如图6和图7所示，为本实施方式中通过实时的信息，作出的实时车辆路径规划，主要是根据驾驶员手机APP软件中采取的车辆信息，位置信息和当前的路况信息，由服务器端的软件程序对对货物配送运输方案进行更新优化，做出实时路程的规划，并且反馈给司机。

不难发现，本发明在基于机器学习的基础上，将车载物流配送问题进行数学模型建立，确立目标函数，在满足客户需求基础上，物流公司使用配送车辆最少，成本花销最小；通过机器学习的求解模型，得到最优的配送方案，并且依据实时的路况、车辆状态等进行配送方案的实时规划。本发明更适宜企业内部搭建，仅仅需要在通用计算机搭中搭建软件平台实现，节约硬件投资成本；同时采用机器学习方法处理求解并制定配送规划方案，而非传统经验形式的预估，更加客观、合理、精准；根据规划方案可以提前对费用进行预算，对车辆进行调度分配，节约人力资源和成本；同时可以根据车辆、路况等实时情况，进行实时的车辆配送方案的规划与制定。

Claims (7)

1.一种基于机器学习的车载物流配送实时规划系统，其特征在于，包括服务器端和客户端，所述服务器端用于建立数学模型，并通过机器学习求解进行车辆物流运输方案的规划；所述客户端用于采集车辆的实时速度和当前位置反馈给服务器端，还接收服务器端的配送路线规划。

2.根据权利要求1所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述服务器端包括：地图获取模块，用于获取配送点位置信息和实时路况；数学模型建立模块，用于根据实际问题进行数学量化，建立数学模型；机器学习求解模块，用于使用机器学习算法求解建立的数学模型；配送路径规划模块，用于根据求解结果制定实际的物流配送规划方案；第一控制模块，用于任务的调度与分配；第一数据收发模块，用于与客户端进行信息交互，发布物流运输规划方案和接收客户端的反馈数据；第一显示模块，用于提供可视化监控用监视和可视化控制。

3.根据权利要求2所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述数学模型建立模块将车辆的平均车速、运行状态、路况情况、配送地点与仓库位置、约束条件进行数学量化，根据数学量化的指标建立数学模型，确定目标函数和约束条件。

4.根据权利要求3所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述数学量化包括：每辆车送货时行驶的路程不超过它所能行驶的最远路程；中心仓库的车辆总数大于或等于当派送费用最小时所需的车辆数；配送中心有足够的资源以供配送；每个客户的需求只能由一辆配送车满足；每个客户的最大需求量不得超过安排配送的车辆的容载量，车辆出发配送完所有货物所行驶的总距离不得超过车辆的最大行驶里程；每辆车仅调度一次，每辆车能够给多个客户配送，但每个客户只能有一辆车进行配送；车辆到达需求点只有卸货无装货，且不要求返回原来的配送中心；每条路径上所有客户的需求量之和不能超过车辆的最大载重量；每辆车的运输时间不能超过最大运输时间。

5.根据权利要求3所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述数学模型为：M表示车辆的总数，X_ijk表示车k是否从配送点i行驶到配送点j；Y_ik表示配送点i的配送是否由车k完成； Z_ijk表示车k从配送点i到配送点j的过程中是否吃午饭；所述约束条件为：车k的运输能力为其中，Q为车辆的最大载重量，q_i表示到配送点i的货物重量、N表示配送点的个数；所有货物到达时间t_i满足t_ia≤t_i≤t_ib，其中，t_ia表示最小运输时间、t_ib表示最大运输时间；每个配送点一定会被配送货物且只被配送一次，则有且只有一辆车k为配送点i配送货物，则有且只有一辆车k离开配送点i，则每辆车k的驾驶员只吃一次午饭，则

6.根据权利要求1所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述机器学习求解模块采用遗传算法中的双层染色体结构设计与蚁群算法相结合的方法求解建立的数学模型。

7.根据权利要求1所述的基于机器学习的车载物流配送实时规划系统，其特征在于，所述客户端包括：定位模块，用于定位运输车辆的实时位置；车速监控模块，用于检测运输车辆的车速和车辆运行状态；第二数据收发模块，用于接收服务器端的车辆运输规划和传送车辆的位置、车速和运行状况给服务器端；第二控制模块，用于任务的分配和调度；第二显示模块，提供运输车辆驾驶员配送运输方案。