CN109002960A - 一种基于评分机制和路径规划的在线订单分发及配送方法 - Google Patents

Abstract

本发明提供了一种基于评分机制和路径规划的在线订单分发及配送方法，该方法包括以下步骤：首先通过聚类算法将同一区域某个时间段范围内的订单进行合并；然后通过对订单平台中骑手的历史配送数据进行挖掘，得到骑手的历史配送信息，计算骑手与该订单集合中的子订单是否匹配；接着在匹配骑手集合中计算得到骑手的得分；将配送信息优先推送到相匹配且得分最高的第一骑手，若该骑手放弃，则推送到相匹配且得分次高的第二骑手，依此进行三次转发，若无人接单则下发到抢单池中，供匹配骑手进行抢单；最后通过文化基因算法确定已接单骑手的行驶路线配送方案。根据本发明的订单分发及配送方法，可以在保证客户体验的同时保持订单分配的均衡，进一步降低配送成本、提高配送效率。

Description

一种基于评分机制和路径规划的在线订单分发及配送方法

技术领域

本发明涉及数据挖掘、智能优化、智能物流配送的技术领域，特别涉及一种基于评分机制和路径规划的在线订单分发及配送方法。

背景技术

目前的外卖订单一般是根据下单时间的先后顺序进行服务，然后将订单任务发布到配送平台等待骑手进行抢单，骑手抢单后先到商家去取食物，然后将订单送到客户手中。常常出现某些骑手盲目抢单，导致资源过于集中在小部分骑手中而其余骑手处于空闲等待的状态。由于这部分骑手的配送任务过重常常导致配送时间过长，客户不能按时拿到货物的情况。而且骑手通常只是根据以往的配送经验，对客户的订单进行配送，由于没有对行驶路径合理优化，导致配送效率低下，配送成本过高的问题。

与本发明最相近的方法有专利“一种基于O2O模式下的配送调度方法及调度系统”，公开号为CN105260873A，发明人林捷提出了一种基于O2O模式下的配送调度方法，包括如下步骤：实时接收订单的目的地、配送方式等信息；根据订单的接收顺序和配送方式，生成该订单的收货时间；按照收货时间由先到后的顺序对拣货人员、配送人员进行排序，生成配送信息并将该信息推送至配送人员的移动智能终端。该方法其满足了客户对配送时间的要求，但在运输距离、任务分配等方面的优化没有充分考虑。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于评分机制和路径规划的在线订单分发及配送方法，首先对订单进行聚类合并，然后挖掘订单平台数据，根据骑手和订单的匹配程度计算每位骑手的得分，根据得分进行优先推送订单，最后通过高性能、可并行的文化基因算法进行骑手配送方案的优化。

本发明的目的通过下述技术方案实现：一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，包括以下步骤：

S1、首先通过kmeans聚类算法将同一区域某个时间段范围内的订单进行合并，得到订单集合；

S2、通过对订单平台中骑手的历史配送数据进行挖掘，得到骑手的历史配送信息，并且依次对每个订单集合进行处理，根据骑手的历史配送信息计算骑手与该订单集合中的子订单是否匹配；

S3、根据骑手当前的所在位置、配送效率、历史客户评价、接单数量、骑手与订单的匹配程度，综合计算得到骑手的得分；

S4、将配送信息优先推送到相匹配且得分最高的第一骑手，若该骑手放弃，则推送到相匹配且得分次高的第二骑手，依此进行三次转发，若无人接单则下发到抢单池中，供其他感兴趣且匹配的骑手进行抢单；

S5、根据订单客户的优先级，基于高性能、可并行的文化基因算法确定已接单骑手的行驶路线配送方案。

进一步地，所述步骤S1具体包括：

步骤S101、从订单集合中随机选择k个订单c₁,c₂,...,c_k作为k个订单集合的初始簇中心；

步骤S102、计算剩余的订单到各个订单簇中心的距离，对于每个订单c_i，找出一个簇中心h_m，使得它们之间的距离d(c_i,h_m)最小，将其分配到与之距离最近的订单集合中；

步骤S103、把所有的订单都合并到相应的订单簇集合中，根据订单集合中每个订单的坐标点重新计算该簇的核心点h_i′；

步骤S104、重复步骤2和步骤3，直到所有订单的划分不再发生变化。

进一步地，所述步骤S2中通过如下公式计算骑手与订单的匹配度：

M＝λ₁*S(R)+λ₂*S(B)+λ₃*S(T)

其中，M表示骑手与订单的匹配度，S(R)表示骑手的配送范围，λ₁表示配送范围的权重系数，S(B)表示骑手曾接受商家订单的数量，λ₂表示接受商家订单的权重系数；S(T)表示骑手在一定时间段内的配送单量，λ₃表示骑手配送单量的权重系数。

进一步地，所述步骤S3中通过如下公式计算骑手的得分：

S＝ω₁*S(DB)+ω₂*S(E)+ω₃*S(Q)+ω₃*(1-0.2*n)*λ₃+ω₄*M

其中，S表示骑手的得分，S(DB)表示当前骑手到商家的距离，S(E)表示配送效率得分，S(Q)表示服务质量得分，n表示骑手当前手中尚未配送的订单数，ω_{i(i∈{1,2,3,4})}表示各个指标的权重系数。

进一步地，所述步骤S5中通过如下公式计算客户的优先级：

P_i＝μ₁(t-t_i)+μ₂u

其中，P_i表示客户i的优先级，t表示当前时间，t_i表示客户i的预计收货时间，u表示客户在配送期间的催单频率，μ₁、μ₂为权重系数。

进一步地，所述步骤S5中采用文化基因算法，对骑手的行驶路线进行初始化，然后根据构建规则对配送方案进行构建，最后输出优化后的行驶路线配送方案。

进一步地，所述构建规则具体为：

(1)选择距离最近的客户点；

(2)选择订单量最大的客户点；

(3)选择订单量/距离成本比值最大的客户点；

(4)当时间窗松弛分钟时，则选择距离最近的客户点，当时间窗松弛分钟时，选择时间松弛最少的客户点，当超出时间窗约束时，选择优先级最高的客户点；

(5)当任务超出骑手荷载量时，则结束该条子回路，回到配送中心，重新创建新的子回路。

本发明相对于现有技术具有如下的优点及效果：

一、使用聚类算法对订单进行合并，分区域、分时间划分订单集合，处理订单任务时更快速、更合理。

二、对骑手的历史配送数据挖掘，对骑手的配送范围、该时间段接单数量等计算骑手与订单的匹配程度，使得订单任务更符合骑手的配送习惯，更加人性化。

三、把骑手距离商家的远近、骑手与订单匹配程度等作为考虑因素，有利于降低配送成本，提高配送效率。

四、将配送效率、客户评价作为骑手评分的考虑因素，利于促进骑手积极性，保证客户体验。

五、通过控制骑手的当前接单数量，可以避免单个或小部分骑手盲目抢单，造成运力资源浪费，在一定程度上保证订单任务分配的均衡。

六、优先把订单推送给评分高的骑手，可降低配送成本，提高配送效率，若三次转发无人接单，则把该订单放到抢单池，可以保证订单任务分发的及时性，在一定程度上保证系统的响应速度。

七、根据文化基因算法对骑手的配送顺序和行驶路径进行优化，可通过路径优化进一步降低配送成本、提高配送效率。

附图说明

图1是本发明的在线订单分发及配送方法的流程图；

图2是本发明的订单聚类合并的流程图；

图3是本发明的订单任务分发的流程图；

图4是本发明的骑手配送路线的算法流程图；

图5是本发明的初始化配送路线的示意图；

图6是本发明的优化后配送路线的示意图；

图7是本发明的在线订单分发及配送方法的系统架构图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明的一种基于评分机制和路径规划的在线订单分发及配送方法，包括以下步骤：

步骤S1、首先通过kmeans聚类算法将同一区域某个时间段范围内的订单进行合并，得到订单集合。

根据聚类算法对同一区域某个时间段范围内的订单进行订单合并。针对集中时间或地点的外卖订单喷井式增加，订单密度分配不均，以及在某些订单集群分布等情况，使用kmeans聚类算法进行订单合并。当订单数量在某个时间段快速累计的时候，通过聚类算法合并订单，可以提高订单处理的合理性，提高配送效率。例如对某个时间段的某个区域的订单进行聚类算法处理，这个区域可以是同一家商家在此时间段的订单，也可以是不同商家在此时间段的订单。根据订单信息中提供包括但不仅限于目的地、送货时间等，通过聚类算法进行订单合并，可以保证订单配送的高效化和合理化。订单聚类合并的流程图如图2所示，具体可描述为如下步骤：

S101、从订单集合中随机选择k个订单c₁,c₂,...,c_k作为k个订单集合的初始簇中心；

S102、计算剩余的订单到各个订单簇中心的距离，对于每个订单c_i，找出一个簇中心h_m，使得它们之间的距离d(c_i,h_m)最小，将其分配到与之距离最近的订单集合中；

S103、把所有的订单都合并到相应的订单簇集合中，根据订单集合中每个订单的坐标点重新计算该簇的核心点h_i′；

S104、重复步骤2和步骤3，直到所有订单的划分不再发生变化。

步骤S2、通过对订单平台中骑手的历史配送数据进行挖掘，得到骑手的历史配送信息，并且依次对每个订单集合进行处理，根据骑手的历史配送信息计算骑手与该订单集合中的子订单是否匹配。

其中，所述历史配送信息包括但不仅限于骑手配送范围、接单商家、接单数量、接单时间等。具体通过如下公式计算骑手与订单的匹配度：

M＝λ₁*S(R)+λ₂*S(B)+λ₃*S(T)

其中，M表示骑手与订单的匹配度；S(R)表示骑手的配送范围，若订单在常规配送范围内，则为1，超出常规配送范围，距离低于一定阈值，则为0.5，超出阈值则为0；λ₁表示配送范围的权重系数；S(B)表示骑手曾接受商家订单的数量；λ₂表示接受商家订单的权重系数；S(T)表示骑手在一定时间段内的配送单量，当匹配度大于一定阈值时，则认为该骑手与订单相匹配；λ₃表示骑手配送单量的权重系数。

步骤S3、根据骑手当前的所在位置、配送效率、历史客户评价、接单数量、骑手与订单的匹配程度，综合计算得到骑手的得分。

具体通过如下公式计算骑手的得分：

S＝ω₁*S(DB)+ω₂*S(E)+ω₃*S(Q)+ω₃*(1-0.2*n)*λ₃+ω₄*M

其中，S表示骑手的得分，S(DB)表示当前骑手到商家的距离，S(E)表示配送效率得分，S(Q)表示服务质量得分，即客户对配送人员的评价得分，n表示骑手当前手中尚未配送的订单数，ω_{i(i∈{1,2,3,4})}表示各个指标的权重系数。

步骤S4、将配送信息优先推送到相匹配且得分最高的第一骑手，若该骑手放弃，则推送到相匹配且得分次高的第二骑手，依此进行三次转发，若无人接单则下发到抢单池中，供其他感兴趣且匹配的骑手进行抢单。

图3示出了本发明的订单任务分发的流程图，派单系统把订单指派给匹配且评分最高的骑手，如果该骑手一定时间内不做出接单，系统默认骑手繁忙，或者骑手拒绝接单后，那么这份订单将分配到评分次高的骑手，若第三个骑手仍未接单则放到相匹配的抢单池中，供其他感兴趣且匹配的骑手进行抢单。此处，订单最多只转发给三个骑手，若无人接单则下放到抢单池，可在一定程度上保证系统的响应速度以及配送运力的利用率。

步骤S5、根据订单客户的优先级，基于高性能、可并行的文化基因算法确定已接单骑手的行驶路线配送方案。

根据客户的预计收货时间以及催单频率，计算客户的优先级，计算方式如下公式所示：

P_i＝μ₁(t-t_i)+μ₂u

其中，P_i为客户i的优先级，t为当前时间，t_i为客户i的预计收货时间，u为客户在配送期间的催单频率，μ₁、μ₂为权重系数。

然后根据取餐起点，送餐终点，接单时间，催单频率等因素进行配送方案的计算，可以优先考虑处理订单量大、优先级高的客户。

文化基因算法的流程图如图4所示，具体可描述为：

S201、初始化：一部分个体随机初始化，一部分个体贪心初始化，当配送量达到骑手单次的荷载量时，骑手需返回配送中心，重新取餐。其中0代表配送中心，i代表客户点，i∈N。如初始化的一个序列为0-1-2-3-0-4-5-6-0-7-8-9-0，即骑手依次服务编号为1、2、3的客户，然后返回配送中心，再依次服务编号为4、5、6的客户，再返回配送中心，再依次服务编号为7、8、9的客户，再返回配送中心。图5为初始化的配送路线示意图。

S202、选择：采用轮盘赌选择法；

S203、交叉：采用基于序列的交叉方案；

S204、局部搜索

主要包括三个阶段：

第一阶段：采用单插入、双插入、交换操作。

第二阶段：启发式构建配送方案，先随机选择2条子回路合并，然后根据以下规则逐步插入客户点，对配送方案进行构建。

构建规则如下：

(1)选择距离最近的客户点；

(2)选择订单量最大的客户点；

(3)选择订单量/距离成本比值最大的客户点；

(4)当时间窗松弛t＞10分钟时，则选择距离最近的客户点，当时间窗松弛t∈[0,10]分钟时，选择时间松弛最少的客户点，当超出时间窗约束时，选择优先级最高的客户点；

(5)当任务超出骑手荷载量时，则结束该条子回路，回到配送中心，重新创建新的子回路。

第三阶段：重复第一阶段，进一步得到更优的解

S205、使用排序算法，即类似于冒泡排序的方式将较优的配送解放到种群的前面，作为下一代的候选个体。

S206、检查是否停止，若未达到停止条件，则重复S202、S203、S204、S205，若停止，则对染色体解码，输出优化后的配送方案，图6为优化后的配送路线示意图。

本发明的在线订单分发及配送方法的系统架构图如图7所示，通过聚类算法将同一区域某个时间段范围内的订单进行聚类合并，然后计算骑手和订单的匹配程度，接着在匹配骑手集合中，计算每个骑手的得分，形成骑手评分队列，优先将订单推送给评分高的骑手，若三次转发没有骑手接单，则下放到抢单池中，供匹配骑手进行抢单，最后通过高性能、可并行的文化基因算法进行骑手配送方案的优化。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，包括以下步骤：

S1、首先通过kmeans聚类算法将同一区域某个时间段范围内的订单进行合并，得到订单集合；

S2、通过对订单平台中骑手的历史配送数据进行挖掘，得到骑手的历史配送信息，并且依次对每个订单集合进行处理，根据骑手的历史配送信息计算骑手与该订单集合中的子订单是否匹配；

S3、根据骑手当前的所在位置、配送效率、历史客户评价、接单数量、骑手与订单的匹配程度，综合计算得到骑手的得分；

S4、将配送信息优先推送到相匹配且得分最高的第一骑手，若该骑手放弃，则推送到相匹配且得分次高的第二骑手，依此进行三次转发，若无人接单则下发到抢单池中，供其他感兴趣且匹配的骑手进行抢单；

S5、根据订单客户的优先级，基于高性能、可并行的文化基因算法确定已接单骑手的行驶路线配送方案。

2.根据权利要求1所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述步骤S1具体包括：

步骤S101、从订单集合中随机选择k个订单c₁,c₂,...,c_k作为k个订单集合的初始簇中心；

步骤S102、计算剩余的订单到各个订单簇中心的距离，对于每个订单c_i，找出一个簇中心h_m，使得它们之间的距离d(c_i,h_m)最小，将其分配到与之距离最近的订单集合中；

步骤S103、把所有的订单都合并到相应的订单簇集合中，根据订单集合中每个订单的坐标点重新计算该簇的核心点h_i′；

步骤S104、重复步骤2和步骤3，直到所有订单的划分不再发生变化。

3.根据权利要求1所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述步骤S2中通过如下公式计算骑手与订单的匹配度：

M＝λ₁*S(R)+λ₂*S(B)+λ₃*S(T)

其中，M表示骑手与订单的匹配度，S(R)表示骑手的配送范围，λ₁表示配送范围的权重系数，S(B)表示骑手曾接受商家订单的数量，λ₂表示接受商家订单的权重系数；S(T)表示骑手在一定时间段内的配送单量，λ₃表示骑手配送单量的权重系数。

4.根据权利要求1所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述步骤S3中通过如下公式计算骑手的得分：

S＝ω₁*S(DB)+ω₂*S(E)+ω₃*S(Q)+ω₃*(1-0.2*n)*λ₃+ω₄*M

其中，S表示骑手的得分，S(DB)表示当前骑手到商家的距离，S(E)表示配送效率得分，S(Q)表示服务质量得分，n表示骑手当前手中尚未配送的订单数，ω_{i(i∈{1,2,3,4})}表示各个指标的权重系数。

5.根据权利要求1所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述步骤S5中通过如下公式计算客户的优先级：

P_i＝μ₁(t-t_i)+μ₂u

其中，P_i表示客户i的优先级，t表示当前时间，t_i表示客户i的预计收货时间，u表示客户在配送期间的催单频率，μ₁、μ₂为权重系数。

6.根据权利要求5所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述步骤S5中采用文化基因算法，对骑手的行驶路线进行初始化，然后根据构建规则对配送方案进行构建，最后输出优化后的行驶路线配送方案。

7.根据权利要求6所述的一种基于评分机制和路径规划的在线订单分发及配送方法，其特征在于，所述构建规则具体为：

(1)选择距离最近的客户点；

(2)选择订单量最大的客户点；

(3)选择订单量/距离成本比值最大的客户点；

(4)当时间窗松弛t＞10分钟时，则选择距离最近的客户点，当时间窗松弛t∈[0,10]分钟时，选择时间松弛最少的客户点，当超出时间窗约束时，选择优先级最高的客户点；

(5)当任务超出骑手荷载量时，则结束该条子回路，回到配送中心，重新创建新的子回路。