CN109376952A - 一种基于轨迹大数据的众包物流配送路径规划方法及系统 - Google Patents
一种基于轨迹大数据的众包物流配送路径规划方法及系统 Download PDFInfo
- Publication number
- CN109376952A CN109376952A CN201811390979.2A CN201811390979A CN109376952A CN 109376952 A CN109376952 A CN 109376952A CN 201811390979 A CN201811390979 A CN 201811390979A CN 109376952 A CN109376952 A CN 109376952A
- Authority
- CN
- China
- Prior art keywords
- floating car
- data
- track
- city
- logistics distribution
- 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.)
- Granted
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
本发明公开了一种基于轨迹大数据的众包物流配送路径规划方法及系统,方法包括:收集历史浮动车轨迹数据,找出浮动车的停留信息,并确定出配送中转站的备选地址;采用启发式算法对包裹进行时效路由计算,并确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出匹配的浮动车,并指派该浮动车对所述城市包裹进行配送。本发明从交通轨迹大数据中获取真实有效的交通网络数据,为物流配送中转站的选址提供了决策支持,此外,本发明还将在线浮动车轨迹数据与物流配送数据进行匹配,从而实现用浮动车进行众包物流配送的新模式,有效节省了物流成本。
Description
技术领域
本发明涉及物流配送技术领域,具体涉及一种基于轨迹大数据的众包物流配送路径规划方法及系统。
背景技术
互联网技术推动着电子商务的高速发展,城市物流配送是电子商务重要的组成部分,物流配送的效率对电子商务客户满意度有着重要影响。但城市物流配送由于其小批量,高频次的特点,使其面临着诸多挑战,如配送成本高服务满意度低,同时城市配送也增加了城市交通压力。随着城市化进程的发展,人们对城市配送提出了新的更高要求,城市配送不仅需要提高效率与提升便捷性,而且应该考虑低碳化、经济性、可持续发展等要求。
信息与通讯技术(ICT)为获取城市大数据和感知城市动态信息提供了技术支持,同时在城市配送模式方面提供了新的思路。通过对历史交通轨迹大数据的挖掘可以发现城市交通设施的利用情况和城市交通动态特征,为物流配送网络提供动态且真实的交通网络信息,为物流中转站选址提供决策依据。
而现有技术中,对于物流配送站选址主要考虑交通运输条件和成本等因素,而没有将真实的动态交通因素考虑其中。配送车辆是经过专业改造的专用车辆,这些车辆加重了城市交通压力,同时有限的专业配送车辆是很难完成高效率的物流配送。因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于轨迹大数据的众包物流配送路径规划方法及系统,旨在提出一种更为绿色、低碳、共享、高效的物流配送模式,进而降低物流配送成本,提高配送服务质量。
本发明解决技术问题所采用的技术方案如下:
一种基于轨迹大数据的众包物流配送路径规划方法,其中,所述方法包括:
收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站;
采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;
获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述浮动车是指安装了车载GPS定位装置并行驶在城市交通轨道上的车辆。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站的步骤,具体包括:
收集历史浮动车轨迹数据,并对所述历史浮动车轨迹数据进行数据清洗以及数据补充;
从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长;
获取停留频数高于预定数目的停留点位置,并设置为配送中转站的备选地址。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述数据清洗包括:剔除GPS记录小于预定值的数据、重复数据以及属性缺失的数据。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述数据补充包括:对GPS数据连续间断时间超过预设的时间阈值的间断数据进行修复补充,补充GPS点的位置是间断前的位置,补充点的时间tsup=tstart+dis/v,tstart为间断前的时间,dis为间断两点之间的距离,v为补充的速度。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长的步骤,还包括:
判断浮动车的停留点是否为真实停留点,并将非真实停留的数据剔除;
对相邻两个停留点的停留时间间隔以及相邻两个停留点之间的距离均小于预设范围的停留点进行融合,融合成一个停留点。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述采用启发式算法对城市包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径的步骤,包括:
根据建设的配送中转站,利用图与网络理论建立城市配送网络;
通过静态大规模浮动车轨迹大数据挖掘配送中转站之间的网络交通强度;
用所述网络交通强度对路网长度进行加权,得到配送网络弧之间的代价值;
用大规模邻域搜索算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送的步骤,具体包括:
获取城市在线浮动车轨迹数据,计算浮动车轨迹和最佳路径中某个子路径中两个中转站之间连成的轨迹;
计算所有待匹配的浮动车的轨迹与所有包裹所确定的最佳路径之间的相似度;
找出将相似度满足预设要求的浮动车,并指派所述浮动车对所述城市包裹进行配送。
所述的基于轨迹大数据的众包物流配送路径规划方法,其中,所述指派所述浮动车对所述城市包裹进行配送具体包括:
一个包裹只能由一辆浮动车配送,而一辆浮动车可以同时配送多个包裹或完成最佳路径中多段自路径的配送任务。
一种基于轨迹大数据的众包物流配送路径规划系统,其中,所述系统包括:
备选地址确定模块,用于收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站;
最佳路径确定模块,用于采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;
轨迹匹配及配送模块,用于获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
本发明的有益效果:本发明通过对交通轨迹大数据进行分析,从中获取真实有效的交通网络数据,为物流配送中转站的选址提供了决策支持,此外,本发明还将在线的浮动车轨迹数据与物流配送数据进行匹配,从而实现用浮动车进行众包物流配送的新模式,有效节省了物流成本。
附图说明
图1是本发明的基于轨迹大数据的众包物流配送路径规划方法的较佳实施例的流程图。
图2是本发明基于轨迹大数据的众包物流配送路径规划方法中改进的大规模领域算法的计算流程示意图。
图3是本发明基于轨迹大数据的众包物流配送路径规划方法中相似度匹配的流程示意图。
图4是本发明的轨迹大数据的众包物流配送路径规划系统的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供一种基于轨迹大数据的众包物流配送路径规划方法,如图1中所示,所述方法包括:
步骤S100、收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站;
步骤S200、采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;
步骤S300、获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
本实施例中的浮动车是指安装了车载GPS定位装置并行驶在城市交通轨道上的车辆,其中包括公交车、出租车以及签订协议的私家车辆等。通过获取这些车辆的历史轨迹数据,可以准确地获取城市交通实际状态数据。
具体地,本实施例中首先收集历史浮动车轨迹数据,并对收集到的历史浮动车轨迹数据进行分析。由于每辆浮动车上均设置有GPS定位装置,因此,就可以根据所述GPS定位装置获取到每辆浮动车的路径轨迹数据,并将这些路径轨迹数据存储,以便随时获取数据来进行分析。当获取到历史浮动车轨迹数据之后,需要对获取到的数据进行数据清洗以及数据补充,以提高数据的准确性。
由于浮动车的运营状态不同,部分车辆的GPS记录数据较少,这些数据是不能反映城市交通实际状态,因此需要对浮动车轨迹数据进行质量清洗,包括删除GPS记录小于预定值的数据、重复数据和属性缺失的数据。此外,本实施例中还对浮动车一天的开始时间与结束时间进行数据补充,开始时间点的位置为现有的第一个记录的位置,结束时间位置为现有记录的最后一个记录的位置。当浮动车处于休息状态、进入隧道或出现设备故障时,可能会造成连续的GPS数据有大量间断,若间断时间超过阈值t需要对间断数据进行修复补充,尽量还原车辆真实的运动状态。具体地,补充GPS点的位置是间断前的位置,补充点的时间tsup=tstart+dis/v,tstart为间断前的时间,dis为间断两点之间的距离,v为补充的速度。优选地,在进行数据补充时,可根据经验设置t=10min,v=28km/h。通过上述的数据清洗以及数据补充,能够保证所有获取的历史浮动车轨迹数据都是有效的,且更为准确,提高分析精度,有利于后续步骤中对于配送中转站的选址。
进一步地,本发明是需要解决现有技术中的配送中转站设置随机且分散无规律的问题,提供更为合理的配送中转站设置方案。因此,本实施例是基于浮动车的高停留频数为原则来进行配送中转站的位置设置的,也就是说,本实施例中配送中转站是设置在停留频数高的一些地点,这些地点经过的浮动车多,且浮动车在这些地点停留的机会大,因此将配送中转站设置在在这些地方更为合理,为后续步骤中匹配合适的浮动车进行包裹配送提供依据。
具体地,当对获取的历史浮动车轨迹数据进行数据清洗以及数据补充之后,从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长。同样地,为了保证数据分析的准确性,本实施例中在获取每一辆浮动车的停留数据(包括:停留频数、停留点位置以及停留时长)时,需要进一步判断浮动车的停留点是否为真实停留点,并将非真实停留点的数据删除。例如,首先用HAVERSINE(半正矢)公式计算两个两点之间的距离d,根据两点时间差tgap计算浮动车行驶速度v=v/dgap,由于GPS定位误差的影响,筛选出运动速度低于0.2m/s的记录作为静止点记录。当相邻两静止点记录之间时间间隔小于阈值tc的记录视为一个停留点集合C={(x1,y1,t1),(x2,y2,t2)…(xn,yn,tn)},该集合是一个潜在的停留行为。然后计算停留时长ts=tn-t1和停留点范围dgap=HAVERSINE((x1,y1),(xn,yn)),即计算集合中第一个静止点与最后一个静止点之间的真实距离。当停留时间大于预定时间且停留点范围大于预定距离时,则为真实停留。例如,ts>3min且dgap<50m,视为真实停留。
进一步地,本实施例还获取相邻两个停留点的停留时间间隔以及相邻两个停留点之间的距离,并对相邻两个停留点的停留时间间隔以及相邻两个停留点之间的距离均小于预设范围的停留点进行融合,融合成一个停留点。优选地,判断准则为:若两停留点时间间隔小于5min,距离小于500m,则将这两个停留点融合为同一个停留点。
进一步地,当每一辆浮动车的一天中的停留频数、停留点位置以及停留时间之后,本实施例统计停留频数,并获取停留频数高于预定数目的停留点位置,然后将这些停留点位置设置为配送中转站的备选地址。具体地,本实施例中在设置备选地址时,还会进一步对符合条件的停留点地址进行筛选。例如,本实施例中首先判断符合条件的停留点的类型,停留时间ts≤300min的停留点视为活动停留点,活动停留点可以挖掘出城市中被访问频数较多的活跃区域,ts>300min视为居家停留点,居家停留点说明浮动车是停留在车主家中,居家停留点是不适合作为物流配送站的备选地址的。此外,本实施例中还剔除主干道路网上面的停留点。在设置配送中转站时,本实施例将城市划分为若干个500*500米网格,计算每个网格中活动停留点的数量,然后在浮动车访问频数较高(停留频数高)的区域建设配送中转站,这样可提高配送成功率。
优选地,本实施例是根据城市规模和等实际情况对停留频数前K(即停留频数高于预定值)的区域作为配送中转站的备选地址。在配送中转站的备选地址中选取适合的POI或者新建配送中转站站点。选择规则如下:(a)对于靠近路网的POI点优先选择快递网点、报停、加油站、停车场作为配送中转站;(b)对于POI数量小于5个且无规则a中出现POI类型的区域则沿路网新建配送中转站。可见,本实施例中所设置的配送中转站,不但是浮动车访问数量且停留频数高的区域,而且还基于城市规模以及实际情况对配送中转站进行了合理的设置,从而解决了现有技术中因对于配送中转站的不合理设置,导致的物流成本浪费的问题。
进一步地,当根据确定备选地址设置合理的配送中转站后,本实施例采用启发式算法(指的是一个问题的最优算法求得该问题每个实例的最优解)对城市包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径。具体地,根据建设的配送中转站,利用图与网络理论建立城市配送网络。然后通过静态大规模浮动车轨迹大数据挖掘中转站之间的网络交通强度α;αij表示节点i与节点j之间的交通强度,计算公式如下:其中numij为节点i与j之间的交通流量数。进一步地,用所述网络交通强度α对路网长度进行加权,得到配送网络弧之间的代价值wij,其计算如下:wij=Lij×αij,其中Lij为节点i与j之间实际路网长度。最后,用改进的大规模邻域搜索算法(LNS)对包裹进行时效路由计算,计算框架如图2,根据建立的动态城市配送网络计算包裹从初始点(xeo,yeo)到目标点(xed,yed)中间经过的中转站的步骤,即求解两点之间的最短路径问题。得到规划的最佳路径的子路径序列route={(n1,xeo,yeo,x2,y2),(n2,x2,y2,x3,y3),…(nn,xn-1,yn-1xed,yed)}。也就是说,本实施例在建设好配送中转站之后,基于合理的配送中转站位置,对包裹的配送路径进行规划,规划的原则是以路径最短为原则,从而分析出包裹从初始点到目标点之间经过各个配送中转站的最佳路径。
优选地,本实施例中是利用改进的大规模邻域搜索算法(LNS)对包裹进行时效路由计算的。具体如图2中所示,首先输入配送网络与参数,然后初始解生成算法,经过破坏算子、修复算子、自适应算法已经禁忌搜索算法,最后进行迭代运算,当迭代结束后,则输出最优解(本实施例中表示最佳路径),当迭代没有结束时,则返回破坏算子算法处,重新进行计算,直至迭代结束。本实施例中在进行包裹的时效路由计算时,是需要经过若干次的迭代计算的,这样才能保证求解出最优的解,即最佳路径。
进一步地,在确认出最佳路径之后,本实施例获取城市在线浮动车轨迹数据,将该最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。具体地,如图3中所示,本实施例计算浮动车轨迹(xto,yto,xtd,ytd)和最佳路径中某个配送子路径中两个配送中转站之间连成的轨迹(xi-1,yi-1,xi,yi)的相似度。相似度直接用两点位置偏移来衡量:
计算出所有待匹配的浮动车与所有包裹所确定的最佳路径的相似度,并取每个包裹相似度较高的前M个浮动车相连接,将相似度作为权重建立浮动车与包裹子路径之间的二分图。利用匈牙利匹配算法匹配出将相似度满足预设要求的浮动车,并指派所述浮动车对所述城市包裹进行配送。
优选地,本实施例将浮动车与包裹的匹配问题转化为不平衡指派问题,一个包裹只能匹配一辆浮动车,而一辆浮动车可以同时匹配多个包裹或多段子路径的配送任务。也就是说,在实际配送过程中,一个包裹只能由一辆浮动车配送,而一辆浮动车可以同时配送多个包裹或完成最佳路径中多段自路径的配送任务,这样可以尽可能地利用闲置的浮动车,提高配送效率,节省配送成本。
由此可见,本发明通过对交通轨迹大数据进行分析,从中获取真实有效的交通网络数据,为物流配送中转站的选址提供了决策支持,此外,本发明还将在线的浮动车轨迹数据与物流配送数据进行匹配,从而实现用浮动车进行众包物流配送的新模式,有效节省了物流成本。
基于上述实施例,本发明还提供一种基于轨迹大数据的众包物流配送路径规划系统,如图4中所示,该系统具体包括:备选地址确定模块410、最佳路径确定模块420以及轨迹匹配及配送模块430。
其中,备选地址确定模块410,用于收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址;
最佳路径确定模块420,用于采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过中转站的最佳路径;
轨迹匹配及配送模块430,用于获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
优选地,本实施例中的浮动车是指安装了车载GPS定位装置并行驶在城市交通轨道上的车辆,其中包括公交车、出租车以及签订协议的私家车辆等。通过获取这些车辆的历史轨迹数据,可以准确地获取城市交通实际状态数据。
进一步地,本实施例中的备选地址确定模块410还用于收集历史浮动车轨迹数据,并对所述历史浮动车轨迹数据进行数据清洗以及数据补充;从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长;获取停留频数高于预定数目的停留点位置,并设置为配送中转站的备选地址。优选地,所述数据清洗包括:剔除GPS记录小于预定值的数据、重复数据以及属性缺失的数据。所述数据补充包括:对GPS数据连续间断时间超过预设的时间阈值的间断数据进行修复补充,补充GPS点的位置是间断前的位置,补充点的时间tsup=tstart+dis/v,tstart为间断前的时间,dis为间断两点之间的距离,v为补充的速度。通过上述的数据清洗以及数据补充,能够保证所有获取的历史浮动车轨迹数据都是有效的,且更为准确,提高分析精度,有利于后续步骤中对于配送中转站的选址。优选地,本实施例是基于浮动车的高停留频数为原则来进行配送中转站的位置设置的,也就是说,本实施例中配送中转站是设置在停留频数高的一些地点,这些地点经过的浮动车多,且浮动车在这些地点停留的机会大,因此将配送中转站设置在在这些地方更为合理,为后续步骤中匹配合适的浮动车进行包裹配送提供依据。
进一步地,本实施例中的最佳路径确定模块420还用于根据建设的配送中转站,利用图与网络理论建立城市配送网络;通过静态大规模浮动车轨迹大数据挖掘配送中转站之间的网络交通强度;用所述网络交通强度对路网长度进行加权,得到配送网络弧之间的代价值;用大规模邻域搜索算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径。
进一步地,本实施例中的轨迹匹配及配送模块430还用于获取城市在线浮动车轨迹数据,计算浮动车轨迹和最佳路径中某个子路径中两个中转站之间连成的轨迹;计算所有待匹配的浮动车的轨迹与所有包裹所确定的最佳路径之间的相似度;找出将相似度满足预设要求的浮动车,并指派所述浮动车对所述城市包裹进行配送。
综上所述,本发明提供了一种基于轨迹大数据的众包物流配送路径规划方法及系统,方法包括:收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址;采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过中转站的最佳路径;获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。本发明从交通轨迹大数据中获取真实有效的交通网络数据,为物流配送中转站的选址提供了决策支持,此外,本发明还将在线浮动车轨迹数据与物流配送数据进行匹配,从而实现用浮动车进行众包物流配送的新模式,有效节省了物流成本。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述方法包括:
收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站;
采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;
获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
2.根据权利要求1所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述浮动车是指安装了车载GPS定位装置并行驶在城市交通轨道上的车辆。
3.根据权利要求1所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站的步骤,具体包括:
收集历史浮动车轨迹数据,并对所述历史浮动车轨迹数据进行数据清洗以及数据补充;
从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长;
获取停留频数高于预定数目的停留点位置,并设置为配送中转站的备选地址。
4.根据权利要求3所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述数据清洗包括:剔除GPS记录小于预定值的数据、重复数据以及属性缺失的数据。
5.根据权利要求3所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述数据补充包括:对GPS数据连续间断时间超过预设的时间阈值的间断数据进行修复补充,补充GPS点的位置是间断前的位置,补充点的时间tsup=tstart+dis/v,tstart为间断前的时间,dis为间断两点之间的距离,v为补充的速度。
6.根据权利要求3所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述从所述历史浮动车轨迹数据中获取每一辆浮动车的一天中的停留频数、停留点位置以及停留时长的步骤,还包括:
判断浮动车的停留点是否为真实停留点,并将非真实停留的数据剔除;
对相邻两个停留点的停留时间间隔以及相邻两个停留点之间的距离均小于预设范围的停留点进行融合,融合成一个停留点。
7.根据权利要求1所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述采用启发式算法对城市包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径的步骤,包括:
根据建设的配送中转站,利用图与网络理论建立城市配送网络;
通过静态大规模浮动车轨迹大数据挖掘配送中转站之间的网络交通强度;
用所述网络交通强度对路网长度进行加权,得到配送网络弧之间的代价值;
用大规模邻域搜索算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径。
8.根据权利要求1所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送的步骤,具体包括:
获取城市在线浮动车轨迹数据,计算浮动车轨迹和最佳路径中某个子路径中两个中转站之间连成的轨迹;
计算所有待匹配的浮动车的轨迹与所有包裹所确定的最佳路径之间的相似度;
找出将相似度满足预设要求的浮动车,并指派所述浮动车对所述城市包裹进行配送。
9.根据权利要求8所述的基于轨迹大数据的众包物流配送路径规划方法,其特征在于,所述指派所述浮动车对所述城市包裹进行配送具体包括:
一个包裹只能由一辆浮动车配送,而一辆浮动车可以同时配送多个包裹或完成最佳路径中多段自路径的配送任务。
10.一种基于轨迹大数据的众包物流配送路径规划系统,其特征在于,所述系统包括:
备选地址确定模块,用于收集历史浮动车轨迹数据,根据所述历史浮动车轨迹数据,找出浮动车的停留信息,并基于浮动车的停留频数确定出配送中转站的备选地址,建设配送中转站;
最佳路径确定模块,用于采用启发式算法对包裹进行时效路由计算,并基于路径最短原则确定出包裹从初始点到目标点之间经过配送中转站的最佳路径;
轨迹匹配及配送模块,用于获取城市在线浮动车轨迹数据,将确定出的最佳路径与城市在线浮动车轨迹数据进行相似度匹配,找出轨迹数据与最佳路径匹配的浮动车,并指派所述浮动车对所述城市包裹进行配送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811390979.2A CN109376952B (zh) | 2018-11-21 | 2018-11-21 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811390979.2A CN109376952B (zh) | 2018-11-21 | 2018-11-21 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376952A true CN109376952A (zh) | 2019-02-22 |
CN109376952B CN109376952B (zh) | 2022-10-18 |
Family
ID=65376706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811390979.2A Active CN109376952B (zh) | 2018-11-21 | 2018-11-21 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376952B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919550A (zh) * | 2019-03-07 | 2019-06-21 | 重庆交通大学 | 一种基于轨道交通工具的众包快递系统及方法 |
CN110197588A (zh) * | 2019-06-03 | 2019-09-03 | 长安大学 | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 |
CN110276655A (zh) * | 2019-05-07 | 2019-09-24 | 中国矿业大学 | 基于匈牙利算法的众包平台新任务多目标推荐方法 |
CN110414730A (zh) * | 2019-07-22 | 2019-11-05 | 北京三快在线科技有限公司 | 一种确定物流配送策略的方法及装置 |
CN110428193A (zh) * | 2019-06-14 | 2019-11-08 | 上海中旖能源科技有限公司 | 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法 |
CN110717711A (zh) * | 2019-09-25 | 2020-01-21 | 吉航供应链管理(北京)有限公司 | 物流配送方法和系统 |
CN110991967A (zh) * | 2019-12-05 | 2020-04-10 | 惠龙易通国际物流股份有限公司 | 物流运输方法及装置 |
CN111008672A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
CN111047622A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 视频中对象的匹配方法和装置、存储介质及电子装置 |
CN112418475A (zh) * | 2019-08-23 | 2021-02-26 | 顺丰科技有限公司 | 物流路径规划方法、装置、电子设备及存储介质 |
CN112906959A (zh) * | 2021-02-06 | 2021-06-04 | 合肥工业大学 | 考虑众包和自配送协同情形的路径优化方法和系统 |
CN113723882A (zh) * | 2021-08-26 | 2021-11-30 | 拉扎斯网络科技(上海)有限公司 | 中继柜选址方法、订单配送方法、装置及电子设备 |
CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
CN114047769A (zh) * | 2022-01-13 | 2022-02-15 | 江西丹巴赫机器人股份有限公司 | 无人驾驶搬运车的控制方法及装置 |
CN114066354A (zh) * | 2021-11-12 | 2022-02-18 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN114840014A (zh) * | 2022-03-16 | 2022-08-02 | 深圳大学 | 一种桥梁全息巡检的无人机协同路径规划方法及系统 |
CN115345261A (zh) * | 2022-10-18 | 2022-11-15 | 永立数智(北京)科技有限公司 | 车辆轨迹真实性校验方法、装置及电子设备 |
CN116451897A (zh) * | 2023-06-14 | 2023-07-18 | 吉林大学 | 一种基于人工智能的众包物流配送路径规划系统及其方法 |
CN117334051A (zh) * | 2023-10-26 | 2024-01-02 | 江苏中路交通发展有限公司 | 一种高速路车辆轨迹重构方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930355A (zh) * | 2012-11-12 | 2013-02-13 | 大连三通科技发展有限公司 | 一种双方在移动过程中计算最优路径的送餐系统 |
CN104881710A (zh) * | 2015-05-11 | 2015-09-02 | 浙江大学 | 一种基于车辆自组网的城市快递配送方法 |
US9316505B2 (en) * | 2013-01-10 | 2016-04-19 | Fujitsu Limited | Analysis method, and analysis apparatus |
CN105719118A (zh) * | 2016-01-21 | 2016-06-29 | 华南师范大学 | 基于图论的多目标物流调度方法和系统 |
CN105719117A (zh) * | 2016-01-21 | 2016-06-29 | 华南师范大学 | 基于图论的协同物流调度方法和系统 |
CN107844941A (zh) * | 2017-12-04 | 2018-03-27 | 东莞市大易产业链服务有限公司 | 一种智能物流配送方法 |
CN108303112A (zh) * | 2018-01-04 | 2018-07-20 | 重庆大学 | 一个基于出租车群的城市包裹递送路线规划系统 |
-
2018
- 2018-11-21 CN CN201811390979.2A patent/CN109376952B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930355A (zh) * | 2012-11-12 | 2013-02-13 | 大连三通科技发展有限公司 | 一种双方在移动过程中计算最优路径的送餐系统 |
US9316505B2 (en) * | 2013-01-10 | 2016-04-19 | Fujitsu Limited | Analysis method, and analysis apparatus |
CN104881710A (zh) * | 2015-05-11 | 2015-09-02 | 浙江大学 | 一种基于车辆自组网的城市快递配送方法 |
CN105719118A (zh) * | 2016-01-21 | 2016-06-29 | 华南师范大学 | 基于图论的多目标物流调度方法和系统 |
CN105719117A (zh) * | 2016-01-21 | 2016-06-29 | 华南师范大学 | 基于图论的协同物流调度方法和系统 |
CN107844941A (zh) * | 2017-12-04 | 2018-03-27 | 东莞市大易产业链服务有限公司 | 一种智能物流配送方法 |
CN108303112A (zh) * | 2018-01-04 | 2018-07-20 | 重庆大学 | 一个基于出租车群的城市包裹递送路线规划系统 |
Non-Patent Citations (4)
Title |
---|
何兆成 等: "基于浮动车数据的隧道路段在线地图匹配方法", 《交通运输系统工程与信息》 * |
李兆: "基于浮动车大规模轨迹点数据挖掘的路径规划研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
涂伟 等: "基于网络Voronoi图的大规模多仓库物流配送路径优化", 《测绘学报》 * |
谢金运 等: "大规模浮动车流数据并行地图匹配方法", 《武汉大学学报(信息科学版)》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919550A (zh) * | 2019-03-07 | 2019-06-21 | 重庆交通大学 | 一种基于轨道交通工具的众包快递系统及方法 |
CN110276655A (zh) * | 2019-05-07 | 2019-09-24 | 中国矿业大学 | 基于匈牙利算法的众包平台新任务多目标推荐方法 |
CN110197588A (zh) * | 2019-06-03 | 2019-09-03 | 长安大学 | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 |
CN110428193B (zh) * | 2019-06-14 | 2022-03-04 | 上海中旖能源科技有限公司 | 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法 |
CN110428193A (zh) * | 2019-06-14 | 2019-11-08 | 上海中旖能源科技有限公司 | 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法 |
CN110414730A (zh) * | 2019-07-22 | 2019-11-05 | 北京三快在线科技有限公司 | 一种确定物流配送策略的方法及装置 |
CN112418475A (zh) * | 2019-08-23 | 2021-02-26 | 顺丰科技有限公司 | 物流路径规划方法、装置、电子设备及存储介质 |
CN110717711A (zh) * | 2019-09-25 | 2020-01-21 | 吉航供应链管理(北京)有限公司 | 物流配送方法和系统 |
CN111047622A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 视频中对象的匹配方法和装置、存储介质及电子装置 |
CN110991967A (zh) * | 2019-12-05 | 2020-04-10 | 惠龙易通国际物流股份有限公司 | 物流运输方法及装置 |
CN111008672A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
CN112906959A (zh) * | 2021-02-06 | 2021-06-04 | 合肥工业大学 | 考虑众包和自配送协同情形的路径优化方法和系统 |
CN112906959B (zh) * | 2021-02-06 | 2022-09-23 | 合肥工业大学 | 考虑众包和自配送协同情形的路径优化方法和系统 |
CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
CN113723882A (zh) * | 2021-08-26 | 2021-11-30 | 拉扎斯网络科技(上海)有限公司 | 中继柜选址方法、订单配送方法、装置及电子设备 |
CN114066354A (zh) * | 2021-11-12 | 2022-02-18 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN114066354B (zh) * | 2021-11-12 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN114047769A (zh) * | 2022-01-13 | 2022-02-15 | 江西丹巴赫机器人股份有限公司 | 无人驾驶搬运车的控制方法及装置 |
CN114840014A (zh) * | 2022-03-16 | 2022-08-02 | 深圳大学 | 一种桥梁全息巡检的无人机协同路径规划方法及系统 |
CN115345261A (zh) * | 2022-10-18 | 2022-11-15 | 永立数智(北京)科技有限公司 | 车辆轨迹真实性校验方法、装置及电子设备 |
CN116451897A (zh) * | 2023-06-14 | 2023-07-18 | 吉林大学 | 一种基于人工智能的众包物流配送路径规划系统及其方法 |
CN116451897B (zh) * | 2023-06-14 | 2023-08-18 | 吉林大学 | 一种基于人工智能的众包物流配送路径规划系统及其方法 |
CN117334051A (zh) * | 2023-10-26 | 2024-01-02 | 江苏中路交通发展有限公司 | 一种高速路车辆轨迹重构方法及系统 |
CN117334051B (zh) * | 2023-10-26 | 2024-05-10 | 江苏中路交通发展有限公司 | 一种高速路车辆轨迹重构方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109376952B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376952A (zh) | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN103177561B (zh) | 公交实时路况的生成方法 | |
Powell et al. | Towards reducing taxicab cruising time using spatio-temporal profitability maps | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN102436603B (zh) | 基于概率树d预测的轨道交通全路网客流预测方法 | |
CN106969777A (zh) | 路径预测装置以及路径预测方法 | |
CN108681796B (zh) | 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法 | |
CN102346042B (zh) | 基于实时路况的路线规划方法及其服务设备 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
CN102346041B (zh) | 基于实时路况的路线规划方法及其服务设备 | |
CN109543882B (zh) | 一种基于最优公交平均站间距的公交线网密度计算方法 | |
CN106056242A (zh) | 基于客流动态分配的高铁列车开行方案评价方法 | |
Liu et al. | A distributed Markovian parking assist system | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN109686091A (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN107490384A (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN107085620A (zh) | 一种出租车和地铁接驳出行线路的查询方法及系统 | |
CN108549952A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN115630988B (zh) | 陆路综合交通可达性测算方法和装置 | |
CN105718755A (zh) | 基于客流动态分配的高铁网络能力适用性评价方法 | |
CN110232470A (zh) | 一种确定车辆行驶路径的方法及装置 | |
Cerna et al. | Efficient automation of an HEV heterogeneous fleet using a two-stage methodology | |
CN109637178A (zh) | 车辆到站时间确定方法及设备 |
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 |