CN108985510B - 基于人工智能的大规模智能物流路径判定系统 - Google Patents
基于人工智能的大规模智能物流路径判定系统 Download PDFInfo
- Publication number
- CN108985510B CN108985510B CN201810751141.5A CN201810751141A CN108985510B CN 108985510 B CN108985510 B CN 108985510B CN 201810751141 A CN201810751141 A CN 201810751141A CN 108985510 B CN108985510 B CN 108985510B
- Authority
- CN
- China
- Prior art keywords
- path
- time
- vehicle
- route
- vehicles
- 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.)
- Active
Links
Images
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)
- Traffic Control Systems (AREA)
Abstract
Description
技术领域
本发明属于物流领域,涉及一种基于人工智能的大规模智能物流路径判定系统。
背景技术
人工智能是智能机器所执行的通常与人类智能有关的智能行为,如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习核问题求解等思维活动。随着物流业朝着信息化方向的发展,物流信息的传递与管理方向越来越信息化。对于“智慧物流(Intelligent Logistics,IL)”被认为是在现代物流的基础上使用计算机以及各类人工智能算法对各类信息进行分类和特征分析从而独立完成物流订单的各个环节的工作和调度;与此相对的观点是智慧物流除了需要完成各个物流环节的自动化运作以外,还应该从物流管理角度出发,通过采用先进的激光、红外、无线射频、传感器、自动识别、编码、定位、光纤、无线、数据库等高新技术,这些先进的现代物流系统已基本具备了数字化、可视化、敏捷化、自动化、网络化、柔性化、集成化、信息化、智能化等科技特征,从而使货物能高效地从供应者送大需求者,最终使供方获得最大化利润、需方享受最佳服务、自然和社会资源消耗大大降低、自然生态环境得到最大限度地保护。
发明内容
本发明要解决使用智慧物流的方式,在可供选择的路径中,实时规划出更为优化的用时较短的路径,本发明为达到上述目的,采用如下技术方案:一种基于人工智能的大规模智能物流路径判定系统,其中存储有多条指令,所述指令适于有处理器加载并执行:
计算车辆从甲地出发由最短路径1到乙地所花费的行驶时间TA;
计算车辆从甲地出发由次短路径2到乙地所花费的行驶时间TB;
在路径1上计算第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n),表示第1、2、3……n个收费站前的队列中排在该辆车前的车辆数为n1,n2,n3……nn;
在路径2上计算第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m),表示第1、2、3……m个收费站前的队列中排在该辆车前的车辆数为m1,m2,m3……mm;
计算每辆车平均在每个收费站缴费时所花的时间t;
计算车辆在路径1上经过第1、2、3……n个收费站所花的总时间φ;
计算车辆分别以路径1、路径2从城市A到城市B花费的总时间S1和S2;
比较S1和S2的大小,若S1>S2,则该车选择路径2;若S1<S2,保持路径1不变。
进一步的,假设L是两城市之间的直线距离,V0是两城市之间的路段车辆的实际行驶速度,S是两城市之前的实际路网距离;
根据公式
S/V0=L/V修
求出修正后的速度V修,由修正后的速度V修求出的该路段的行驶时间就是修正后的行驶时间,行驶时间TA、行驶时间TB是修正后的行驶时间。
进一步的,所述的次短路径是除最短路径外的其他各路径。
进一步的,
其中:
i个收费站排队时间;
i个收费站排队时间。
进一步的,路径1上第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n);路径2上第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m)均是由实时数据提供。
进一步的,所述实时数据,由云计算平台调取不同路径上主路段的行驶速度、当前途经各个收费站点的排队等待车辆数量、一段时间内通过收费站点的车辆数量,及由此计算得到的每辆车平均在每个收费站缴费时所花的时间。
进一步的,云平台调取的数据是由路径上行驶车辆上传和收费站监测数据上传而得。
进一步的,如果遇到堵车,当前的最短路径和次短路径都不满足时间最短的条件,一边行驶中一边根据静态规划算法实时计算新的最短路径和次短路径,并再由上述的算法选择行驶路径。
有益效果:本发明使用现有的静态规划算法找出物流路径,在一定范围内,考虑实时耗时从而决定最终路径,该方法使得在更多物流途径中,使用实时数据传输,将路径选择以用时为导向,从而在运输中能够节约更多的时间。
附图说明
图1物流系统设计框图;
图2物流算法流程图;
图3车辆过收费站示意图;
图4快递过中转站示意图;
图5软件开始界面图;
图6用户注册界面图;
图7企业注册界面图;
图8司机注册界面图;
图9用户登录界面图;
图10用户下单界面图;
图11公司给本公司职员委派任务界面图。
具体实施方式
早在几年前就已经有一些智能化的应用出现在物流行业的各个运作环节之中,其中以京东和淘宝这两个电商巨头为代表,不仅已经可以在诸如仓库管理之类的操作中应用了诸如机械臂甚至机器人之类智能设施,而且连货物的预计送达时间以及位置都可以给出较为精确的计算结果。而上述这些智能化应用可以大致分为以下两个方面:
(1)智慧物流系统:智慧物流信息系统的构建必须以现代物流思想体系为基础,在计划、管理和控制以及作业环节等方面充分利用信息、快速反馈信息,为决策提供依据,优化物流业务流程和提高物流效率,从而将人、资金、服务和时间相结合,通过信息集成,向物流企业和用户进行信息反馈。
(2)物流信息平台:所谓智慧物流应用系统,它主要保证产品的可视化智能管理网络系统、智能溯源网络系统以及物流网络化公共信息平台等。如今开始将诸如射频识别(RFID)、红外感应器以及传感器的物联网设备结合起来,并由此实现智能化定位、智能化识别、智能追踪、监控和管理,最终形成一个低能耗高效率的智能化物流平台。
对于智慧物流及物流信息平台的应用,本发明提出一种物流算法,可以由软件程序实现,即基于大数据分析的时间最短运输路径选择方法,主要包括以下步骤:
确定运输起始地点和终止地点并找出分别对应的经纬度坐标,通过地图测定所有的可通行路径;
由静态规划算法在所有通行路径中,分别算出最短路径和次短路径分别对应的路程以及对应的运输路径;
按最短路径和次短路径长度来分别考察总修订时间,时间包括两地花费的行驶时间和收费站停留时间;
甲乙两地之间的最短路经是路径1,计算车辆从甲地出发由路径1到乙地所花费的行驶时间TA;
甲乙两地之间的次短路径是路径2,计算车辆从甲地出发由路径2到乙地所花费的行驶时间TB;
在路径1上计算第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n);
在路径2上计算第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m);
计算每辆车平均在每个收费站缴费时所花的时间t;
计算车辆在路径1上经过第1、2、3……n个收费站所花的总时间φ;
计算车辆分别以路径1、路径2从城市A到城市B花费的总时间S1和S2;
S1=TA+φ,φ是在路径1收费站所花费时间;
比较S1和S2的大小,若S1>S2,则该车选择路径2;若S1<S2,保持路径1不变。
所述的次短路径是除最短路径外的其他各路径
假设L是两城市之间的直线距离,V0是两城市之间的路段车辆的实际行驶速度,S是两城市之前的实际路网距离;
根据公式
S/V0=L/V修
求出修正后的速度V修,由修正后的速度V修求出的该路段的行驶时间就是修正后的行驶时间。
路径1上第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n),路径2上第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m)均是由实时数据提供,所述实时数据,由云计算平台调取不同路径上主路段的行驶速度、当前途经各个收费站点的排队等待车辆数量、一段时间内通过收费站点的车辆数量,及由此计算得到的每辆车平均在每个收费站缴费时所花的时间,云平台调取的数据是由路径上行驶车辆上传和收费站监测数据上传而得。
如果遇到堵车等情况,当前的路径长度最短与次短都不满足时间最短的条件,这样的话,如果不是一次性定出最短和次短路径,可以一边行驶中一边重新计算以上静态这个过程,这样可以根据实时的计算结果来重新执行算法来判定新的路径,首先利用上述的静态规划算法在排除实时出现的堵车路径后,重新规划出一条最短路经和次短路径,再通过对比这两个运输方案所需花费的总时间确定最终选择的运输路径。如此是在传统的规划算法中又增加了多次规划与选择路径的机会,用以应对突发的拥堵等事件所带来的损失。次短路径规划算法在传统旅行商问题(TSP问题)的基础上添加时间窗的约束条件。
对于本发明首先利用传统的静态规划算法规划出一条最短路经和次短路径,再通过对比这两个运输方案所需花费的总时间确定最终选择的运输路径。如此是在传统的规划算法中又增加了多次规划与选择路径的机会,用以应对突发的拥堵等事件所带来的损失。这段话是说,如果遇到堵车等情况,路径长度最短与次短都不满足时间最短的条件,这样的话,如果不是一次性定出最短和次短路径,可以一边行驶中一边重新计算以上静态这个过程,这样可以根据实时的计算结果来重新执行算法来判定新的路径。
如图1,物流系统主要是针对大规模物流运输所设计的,将物流系统按需求分为三大板块:第一部分为以生鲜为代表的需要跟换运输环境的;第二部分为以文件合同为代表的需要尽可能缩短运输时间的;第三部分为以原料运输给代表的需要尽可能缩短运输距离的。通过该系统将不同的需求分类处理,再根据各自的侧重点不同设置相对应的约束因素。如此一方面可以将系统的管理分层更为明晰化,从而能在一定程度上提高系统运作的效率;另一方面在找准问题的根源之后对症下药也能合理有效的分配时间上乃至空间上的各类资源,达到相互协调相互促进的效果。
针对这三类需求可以分别运用图1所示的算法分别解决。其中,算法所包含的相关参数的设置是来源于大数据算法和云计算平台提供的基础技术支撑:以云计算平台上获取的大量的动态数据信息为依据,从中抽取道路运输情况,各个快递站点的货物流通量以及储物量进行搜集和特征统计,用来确定路径规划算法编程中的各类参量。如此该系统将能够通过扩大数据搜索范围从而在一定程度上覆盖到更大的服务范围。
针对不同货物的不同运输要求采取分类处理的方法,即针对各个运输要求的不同,分别设计了不同的算法来解决。其中,该系统主要的设计功能分为如下三个方面:
(1)第一类是对运输环境有变更需求的。对于这一类货物的运输不但要考虑运输的路径还要合理有效的规划出运输工具的安排,以保障货物品质的完好。首先可以通过静态的路径规划系统做一个原始的路径安排,然后根据物品对周围环境的需求(譬如温度、湿度等),通过云计算平台调取沿途地区的相关环境参数,根据这些参数将原始路径分为多个子路段,然后由每个子路段的环境参数选择相对应的运输工具。
(2)第二类是对运输时间有较高要求的。对于这一类货物的运输路径规划需要纳入时间窗这一约束条件,该系统通过次短路径规划算法用以解决这个问题。考虑到在货物在运输过程中所花费的时间主要分为路途中行驶时间,路过各个物流站点的处理时间以及物流站点的等待时间这三部分。该算法利用静态规划算法分别规划出一条最短路经和次短路径,通过云计算平台调取这两条路径上主路段的行驶速度、途经各个物流站点的快件处理时间以及站点是否存在排队问题以及货物积压问题等。通过对比两条路径预计花费的时间,采取时间较短的的运输方案。
(3)第三类是要求运输路径最短。这一类运输主要针对原材料等物品的运输,该系统针对这类问题采用的是反近邻查询算法与静态路径规划算法相结合的方法解决。首先利用反近邻查询算法搜索到各方面条件相对比较合理的原材料产地,接着应用路径规划算法找到最短路经,从而形成最终的运输方案。
由图2可知,根据运输环境变更需求、运输时间最短需求以及运输路径最短需求这三个方面的物流需求,本发明所设计的物流系统分别设置了针对性的算法用以解决。而在实际应用中这三类需求也有对应的典型应用:
(1)生鲜类物品的运输:这类物品的运输所对应的运输需求是运输环境变更需求。可想而知,生鲜类物品的运输对环境温度有比较严格的控制,否则物品的品质就难以保证。这样可以先由静态规划算法规划出一条最短路经,然后通过调取沿途的各个城市地区的温度将该路径划分为几个子路段,再根据各个路段的环境温度决定该路段运输的交通工具,即确定哪些路段需要带有制冷效果的车辆,哪些路段需要有保温效果的车辆以及哪些路段可以直接用普通的车辆运输即可。这些就可以将装备跟齐全的车辆资源集中在需求量更大的路段,从而在资源一定的环境下高效率高质量地完成更多的物流订单。
(2)文件合同类物品的运输:针对这类物品的运输方案就是以时间最短为标准。由于运输的距离也会影响整体的运输时间,因此在这类问题的规划上既能保证时间上的最短,也要在一定程度上实现空间上的路径最短。为了调和这两个限制因素,本文利用规划算法同时规划出两个运输方案分别对应一条最短路经和一条次短路径。然后在这两个方案的基础上通过总体的花费时间的比较来确定一条最终的运输方案。如此最终的方案将可以在最大化程度上满足这类货物对运输时间的高要求。
(3)原材料类的运输:这类物品的运输大多数量比较大,运输成本以及时间成本都是需要考虑的重要因素。根据反近邻查询算法可以确定一个比较有利的原材料运输地,接着再通过路径规划算法得出最终的运输方案。
物流系统的运作流程为:通过确定出待运输货物的发货地点和收货地点,将这两个地点用经纬度表示在地图中定位出来,接着利用路径规划算法规划出两地点之间的大致路径。根据该物品在不同温度(环境条件)所对应的不同的保存方式或运输方式,采取与之对应的运输工具。如此既能保障被运输物品的品质,也能将装备精良的运输工具最大化的利用起来。
以生鲜为例,由于生鲜对运输环境的温度有较高的要求,只有满足这一运输要求才能保证货物送达之后的品质。由于我国国土面积较大,在长途运输中尤其是南北方可能会出现较大的温差,因此可根据运输沿途的温度将上述路径分为若干的子路段。每个子路段都有分别对应的运输方式,不仅能灵活的根据环境温度的变化灵活地变更运输工具,还能在一定程度上将数量一定的稀缺资源集中在最紧要的路段,从而在基础设施一定的基础上,尽可能的提高整体物流运输的效率。
此外,该系统还在传统的最短路经问题求解的基础上,添加了时间窗的约束条件。物流不再局限于传统模式中单一的规划方案,而是进一步实现了同一物流订单实现多条路径的规划和时间优化,从而能最大化程度上贴合用户的实际需求。在求解路径最短问题的基础上通过对比走最短路经所花费的时间与次短路径所花费的时间来进一步选择出最优的路径。换句话说就是同一快件在运输过程中会进行多条路径的规划并从中选择出在保证路径较短的同时选择出效率最高的一条运输方案。该算法的大致流程如图2所示:
首先确定运输起始地点和终止地点并找出分别对应的经纬度坐标。利用静态规划算法分别算出最短路经和次短路径分别对应的路程以及运输路径。为了便于在方案的选择中引入时间窗这一限制因素,本文假设货运运输所消耗的总时间近似等于车辆运输的行驶时间、货物经过途中所有物流站点的处理总时间以及排队等候总时间(这一项可能为零)之和。为了进一步的阐述该算法,本文将相关的变量做了如下定义(如表1所示):
该模型是受交通流的启发而设计的(如图3、图4所示)。车辆过收费站时排队等候以及缴纳费用都需要花费一定的时间。譬如一辆车要从城市A开往城市B,路径1为最短路径,在这条路径上需要经过n个收费站。假设每个收费站员工的工作效率一致且等候时间为该队列中这辆车前所有车辆缴费所需时间的总和,那么在第一个收费站该车辆所需要的等待的时间为:
因此,该车在甲乙两地之间通过这n个收费站所需要花费的总时间:
综上所述:该车从甲地到乙地所需要花费的总时间为行驶时间与在收费站所花费时间的总和,即:
同理,从甲地到乙地的次短路径2中有m个收费站,那么在路径2上所花费的总时间为:
比较S1和S2的大小,若S1>S2,则该车选择路径2;若S1<S2,保持路径1不变。
为了这一物流系统能够尽可能的融入人们的生活,本发明以大规模物流系统的设计方案以及基于人工智能的物流规划模型为核心设计出一款针对物流公司的应用软件。当物流公司接到快递委托后,只需要输入快件的出发地址和收货地址就能获取一个大致的运输路径,随后便可根据软件提示选择该路段上运输的物流司机;而负责在该路径途中从某一物流主站点(暂定为途经省份的省会城市)将货物运输至下一物流主站点的运输司机则可以看到更为细致的规划路径,与此同时该司机的定位又能同步传输到物流公司,这样一来既能保证双向选择的空间,又能达到一定程度的监管功能。
软件可分为两个部分,一部分是针对物流公司方面的,一部分是针对物流运输司机的。其中在物流公司接到物流委托之后通过软件选定最佳路径以及相对应的子路段。一方面物流公司可以将各个子路段的运输任务直接分配给公司旗下或者合作物流公司旗下的物流司机,一方面也可以利用软件对其他物流司机下单。如此,一方面可以促进各个物流公司之间的资源共享与合作关系,从而在一定程度上避免行业内的恶性竞争,另一方面不再编制内的私家车司机也可以通过接单的方式赚外快。
在用户成功下载并安装了该物流软件之后,进入软件可以看到如图5所示的软件界面,在这一界面中只需要点击下一步即可进入到注册/登录界面。接下来的注册界面可分为三个方面:用户注册、企业注册以及司机注册。个体用户注册的界面如图6所示,需要填写一些基本的个人信息以保证实名制。此外企业也可通过该软件注册账号,其注册页面如图7所示。为了确保其效力,注册界面的所有信息必须全部填写而且还会受到严格的检查和监督。最后司机的注册又可以分为两个部分,一部分是针对已经在物流公司工作的司机,这一部分司机有附属的物流公司,如果该司机所在的物流公司已经在软件中已经注册过账号,那么该司机在注册信息中的最后一栏需要填上“是”并且还要补充附属公司的各项信息,随后软件将通过软件把该司机的注册信息发给所属公司核对验证,只有通过验证后才能成功注册;另一方面是针对自由车主的,车主们可以在上班、出差甚至购物的途中进过物流站点时顺路捎上一定量的快件(物流包裹),具体地数量还需要通过车主车辆的规格以及车主个人的意愿综合决定(如图8所示)。
用户如果已经有注册过的账号那么在进入软件之后就可以直接进入到如下图9所示的登录界面。用户在账号登陆之后就可以开始下单等操作了。首先介绍的是永无的操作界面。用户需要选择出发的地点和目的地,地点都需要尽可能的详细以方便快递员或者司机的取件和送件。另外由于该物流系统采取物件的分类运送,所以用户也需要填写物件的类型,大致的重量范围和体积范围,方便物流公司安排合适的车辆类型前去取件和送件。如下图10所示,如果在填写上述问题的过程总碰到问题可以点击界面中的“帮助”。此外用户在下单之前要仔细阅读安全物流协议,并且保证待寄物品满足协议中的各项条件,否则后果自付。
物流公司在该软件注册账号之后可以在公司中将软件作为办公软件之一,可以直接通过该软件给公司旗下的物流司机进行物流订单的委派工作。如果在某些路段或者地区没有本公司的司机职员,不仅可以通过该软件给其他注册账号的物流公司旗下的司机下单,还可也给一些自由车主进行物流下单。如此不仅能在实现将该行业内的人力资源最大化地利用起来,还能将零散的自由车主号召起来,参与物流的运输之中,进而提高整个物流系统的工作效率和效益。(整体界面如下图11所示)。
本发明对系统算法优化:由于模型中路径规划时都是以各个城市的经纬度来计算两城市之间的距离的,在实际应用中不可避免的存在一些误差。利用路程一定,时间和速度成反比的原理。通过修正速度来弥补两城市间的经纬度直线距离与实际距离的误差。假设L是两城市之间的直线距离,S是两城市之前的实际路网距离(即按交通路径行驶的实际距离);V0是两城市之间的路段车辆的实际行驶速度,那么根据公式S/V0=L/V修,可求出修正后的速度V修,此时求出的该路段的行驶时间就是修正后的行驶时间。
本发明一方面是打破了“一条路走到底”的运输方式。传统的物流运输中在规划好运输路径、运输工具之后就不再变化,但随着人们对生活品质的要求逐渐提高之后,这一运输方式很难再满足人们的需求。本发明所设计的大规模物流规划系统中所包含的多路段动态规划算法通过将规划好的原始路径根据环境因素的不同而划分为多个个物流子路段,每个子路段根据该路段上的环境参数选择最恰当的运输方式或运输工具,那么若多个这样的静态路段规划结果的集合就形成了一段动态且灵活的动态路径规划方案。另一方面是次短路径规划算法在传统旅行商问题(TSP问题)的基础上添加时间窗的约束条件。首先利用传统的静态规划算法规划出一条最短路经和次短路径,再通过对比这两个运输方案所需花费的总时间确定最终选择的运输路径。如此是在传统的规划算法中又增加了多次规划与选择路径的机会,用以应对突发的拥堵等事件所带来的损失。
Claims (5)
1.一种基于人工智能的大规模智能物流路径判定系统,其特征在于,其中存储有多条指令,所述指令适于有处理器加载并执行:
计算车辆从甲地出发由最短路径1到乙地所花费的行驶时间TA;
计算车辆从甲地出发由次短路径2到乙地所花费的行驶时间TB;
所述的次短路径是除最短路径外的其他各路径;
在路径1上计算第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n),表示第1、2、3……n个收费站前的队列中排在该辆车前的车辆数为n1,n2,n3……nn;
在路径2上计算第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m),表示第1、2、3……m个收费站前的队列中排在该辆车前的车辆数为m1,m2,m3……mm;
计算每辆车平均在每个收费站缴费时所花的时间t;
计算车辆在路径1上经过第1、2、3……n个收费站所花的总时间φ;
其中:
计算车辆分别以路径1、路径2从城市A到城市B花费的总时间S1和S2;
S1=TA+φ,φ是在路径1收费站所花费时间;
比较S1和S2的大小,若S1>S2,则该车选择路径2;若S1<S2,保持路径1不变;
如果遇到堵车,当前的最短路径和次短路径都不满足时间最短的条件,一边行驶中一边根据静态规划算法实时计算新的最短路径和次短路径,并再由前述的算法选择行驶路径。
2.如权利要求1所述的基于人工智能的大规模智能物流路径判定系统,其特征在于:假设L是两城市之间的直线距离,V0是两城市之间的路段车辆的实际行驶速度,S是两城市之前的实际路网距离;
根据公式
S/V0=L/V修
求出修正后的速度V修,由修正后的速度V修求出的该路段的行驶时间就是修正后的行驶时间,行驶时间TA、行驶时间TB是修正后的行驶时间。
3.如权利要求1所述的基于人工智能的大规模智能物流路径判定系统,其特征在于:路径1上第1、2、3……n个收费站前的队列中排在该辆车前的车辆数n(1,2,3,……,n);路径2上第1、2、3……m个收费站前的队列中排在该辆车前的车辆数m(1,2,3,……,m)均是由实时数据提供。
4.如权利要求3所述的基于人工智能的大规模智能物流路径判定系统,其特征在于:所述实时数据,由云计算平台调取不同路径上主路段的行驶速度、当前途经各个收费站点的排队等待车辆数量、一段时间内通过收费站点的车辆数量,及由此计算得到的每辆车平均在每个收费站缴费时所花的时间。
5.如权利要求4所述的基于人工智能的大规模智能物流路径判定系统,其特征在于:云平台调取的数据是由路径上行驶车辆上传和收费站监测数据上传而得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810751141.5A CN108985510B (zh) | 2018-07-10 | 2018-07-10 | 基于人工智能的大规模智能物流路径判定系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810751141.5A CN108985510B (zh) | 2018-07-10 | 2018-07-10 | 基于人工智能的大规模智能物流路径判定系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985510A CN108985510A (zh) | 2018-12-11 |
CN108985510B true CN108985510B (zh) | 2022-07-29 |
Family
ID=64537634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810751141.5A Active CN108985510B (zh) | 2018-07-10 | 2018-07-10 | 基于人工智能的大规模智能物流路径判定系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985510B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116120A (zh) * | 2019-06-20 | 2020-12-22 | 北京京东振世信息技术有限公司 | 物流路径规划方法和装置 |
CN111898824A (zh) * | 2020-07-31 | 2020-11-06 | 沙师弟(重庆)网络科技有限公司 | 一种同城物流多点配送路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679990A (zh) * | 2011-03-16 | 2012-09-19 | 高德软件有限公司 | 导航方法和装置 |
CN103390350A (zh) * | 2012-05-07 | 2013-11-13 | 联想(北京)有限公司 | 一种确定车辆行驶时间的方法、系统及电子设备 |
CN106203915A (zh) * | 2016-07-11 | 2016-12-07 | 北京交通大学 | 基于物联网的散杂货管理系统 |
-
2018
- 2018-07-10 CN CN201810751141.5A patent/CN108985510B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679990A (zh) * | 2011-03-16 | 2012-09-19 | 高德软件有限公司 | 导航方法和装置 |
CN103390350A (zh) * | 2012-05-07 | 2013-11-13 | 联想(北京)有限公司 | 一种确定车辆行驶时间的方法、系统及电子设备 |
CN106203915A (zh) * | 2016-07-11 | 2016-12-07 | 北京交通大学 | 基于物联网的散杂货管理系统 |
Non-Patent Citations (1)
Title |
---|
基于时间窗的自动引导车系统路径优化研究;谷宝慧;《中国优秀硕士学位论文全文数据库》;20160415;第18-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985510A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960519B (zh) | 基于大数据分析的时间最短运输路径选择方法 | |
Taniguchi et al. | Modelling city logistics using recent innovative technologies | |
Chung | Applications of smart technologies in logistics and transport: A review | |
Martins et al. | Optimizing ride-sharing operations in smart sustainable cities: Challenges and the need for agile algorithms | |
US11176500B2 (en) | Interactive real time system and real time method of use thereof in conveyance industry segments | |
Ropke et al. | An adaptive large neighborhood search heuristic for the pickup and delivery problem with time windows | |
Baldacci et al. | An exact method for the car pooling problem based on lagrangean column generation | |
CN102542395B (zh) | 一种应急物资调度系统及计算方法 | |
Sayarshad et al. | A scalable non-myopic dynamic dial-a-ride and pricing problem for competitive on-demand mobility systems | |
CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
Mahmoudi et al. | A cumulative service state representation for the pickup and delivery problem with transfers | |
Makarova et al. | Logistical costs minimization for delivery of shot lots by using logistical information systems | |
Abosuliman et al. | Routing and scheduling of intelligent autonomous vehicles in industrial logistics systems | |
Mohammad et al. | Innovative solutions in last mile delivery: concepts, practices, challenges, and future directions | |
CN111539676A (zh) | 一种适用于跨境电子商务的网络实体物流系统 | |
CN108428084A (zh) | 一种基于服务链的多式联运系统及方法 | |
Jucha | Use of artificial intelligence in last mile delivery | |
Yu et al. | Pricing of parcel locker service in urban logistics by a TSP model of last-mile delivery | |
Kaspi et al. | Directions for future research on urban mobility and city logistics | |
CN108985510B (zh) | 基于人工智能的大规模智能物流路径判定系统 | |
KR20210008581A (ko) | 멀티 인수 및 멀티 배송을 위한 물류 운송 서비스 제공 시스템 | |
Anderluh et al. | Sustainable logistics with cargo bikes—Methods and applications | |
Cheng et al. | Integrated people-and-goods transportation systems: from a literature review to a general framework for future research | |
Correia et al. | Smart supply chain management: The 5W1H open and collaborative framework | |
Salehi Sarbijan et al. | Emerging research fields in vehicle routing problem: a short review |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |