CN109741595A

CN109741595A - 一种城市配送车辆出行仿真方法及系统

Info

Publication number: CN109741595A
Application number: CN201811492104.3A
Authority: CN
Inventors: 张永; 张瑞; 王柏林
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2018-12-07
Filing date: 2018-12-07
Publication date: 2019-05-10

Abstract

本发明公开了一种城市配送车辆出行仿真方法，包括：(1)根据物流车配送信息、交通小区、城市路网的现有历史数据进行数据预处理，得到物流车配送信息数据、交通小区数据以及道路网数据，并对这些数据进行验证；(2)抽取一辆物流车一天的配送属性，所述配送属性包括配送车速DV、物流车型号DM、客户需求CD以及当天配送的出行链C；(3)利用强化学习理论对物流车的出行链的时空信息进行仿真训练，得到物流车一天配送的最优选择，获取该物流车出行链完整信息；本发明以最少参数因素，获得最低的碳排放量出行方法，提高车辆满载率，减少运输资源的浪费，为企业和政府提供一种最优的城市配送车辆出行方式，具有良好的经济效益和社会效益。

Description

一种城市配送车辆出行仿真方法及系统

技术领域

本发明涉及交通出行特征仿真领域，具体涉及一种一种城市配送车辆出行仿真方法及系统。

背景技术

近年来随着社会经济发展，国际社会日益聚焦节能减排问题。据了解，截至2009年交通行业碳排放量占全球碳排放总量的25％左右，是仅次于电力行业的第二大碳排放行业。而在所有的交通运输部门中，道路运输业排放的二氧化碳占比达到77.5％，铁路运输为0.2％，民航为11.2％，海运为10.7％，由此可见道路运输业是交通行业内最主要的二氧化碳排放部门。

根据国际气候和环境组织的研究结果，全球二氧化碳排放总量从2000到2010年近10年间增加了13％，其中交通工具碳排放在增长率上达到25％，作为以运输为主要运作载体的物流行业，进行碳优化是大势所趋。又据《斯特恩报告》显示，在整个物流环节碳排放中，物流配送运输碳排放量约占14％，而在中国这一数据则达到34％。

综上可以看出：公路物流中的配送作业环节产生的碳排放在整个交通行业中占有突出位置，因此对于城市车辆配送的低碳化出行方法的改进具有重要意义。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种城市配送车辆出行仿真方法，该方法可以减轻城市物流配送中碳排放占比大的问题，本发明还提供一种城市配送车辆出行仿真系统。

技术方案：本发明所述的城市配送车辆出行仿真方法，该方法包括：

(1)根据物流车配送信息、交通小区、城市路网的现有历史数据进行数据预处理，得到物流车配送信息数据、交通小区数据以及道路网数据，并对这些数据进行验证；

(2)抽取一辆物流车一天的配送属性，所述配送属性包括配送车速DV、物流车型号DM、客户需求CD以及当天配送的出行链C，则配送出行链 C＝(DC₁-CL₁-CL₂-CL₃-...-CL_m-DC₂-...-DC_i)，其中DC＝(DC₁,DC₂,...,DC_i)为物流车一天到的物流配送中心，CL＝(CL₁,CL₂,...,CL_m,...,CL_n)为物流车服务的客户，m为物流车一次配送中服务的客户数，n为物流车一天配送服务的客户总数，i为物流车当天去物流配送中心的总数；

(3)根据所述配送车速DV、物流车型号DM、客户需求CD利用强化学习理论对物流车的出行链的时空信息进行仿真训练，得到物流车一天配送的最优选择，获取该物流车出行链完整信息；

(4)针对另外的一辆物流车按照以上3步仿真其一天的物流配送信息，直到仿真物流车的数量达到设定数。

优选的，步骤(2)中，所述出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

优选的，所述出行链链长为在区间[1,10]上服从均匀分布的随机整数。

优选的，所述出行链上一次出行的里程服从[1,6]上的均匀分布。

优选的，所述客户总数为出行链链长-1。

另一方面，本发明还提供城市配送车辆出行仿真方法实现的城市配送车辆出行仿真系统，包括：

数据预处理模块，用于根据物流车配送信息、交通小区、城市路网的现有历史数据进行数据预处理，得到物流车配送信息数据、交通小区数据以及道路网数据，并对这些数据进行验证；

配送出行链仿真模块，用于抽取一辆物流车一天的配送属性，所述配送属性包括配送车速DV、物流车型号DM、客户需求CD以及当天配送的出行链C，则配送出行链 C＝(DC₁-CL₁-CL₂-CL₃-...-CL_m-DC₂-...-DC_i)，其中DC＝(DC₁,DC₂,...,DC_i)为物流车一天到的物流配送中心，CL＝(CL₁,CL₂,...,CL_m,...,CL_n)为物流车服务的客户，m为物流车一次配送中服务的客户数，n为物流车一天配送服务的客户总数，i为物流车当天去物流配送中心的总数；

出行链训练模块，用于根据所述配送车速DV、物流车型号DM、客户需求CD利用强化学习理论对物流车的出行链的时空信息进行仿真训练，得到物流车一天配送的最优选择，获取该物流车出行链完整信息；

结果生成模块，用于针对另外的一辆物流车按照以上3步仿真其一天的物流配送信息，直到仿真物流车的数量达到设定数

优选的，所述出行链训练模块中，出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

优选的，所述客户总数为出行链链长-1。

有益效果：本发明通过建立出行链仿真模型，从车速、车辆类型、配送点需求三个角度对预期出行方法进行仿真，从而获得碳排放量最少的出行方法；本发明以最少参数因素，获得最低的碳排放量出行方法，提高车辆满载率，减少运输资源的浪费，为企业和政府提供一种最优的城市配送车辆出行方式，具有良好的经济效益和社会效益。

附图说明

图1是本发明所述的城市配送车辆出行方法流程图；

图2是本发明其中一个城市配送车辆出行仿真流程示意图；

图3是出行链链长与平均碳排放量关系图；

图4是出行链链长与单次出行平均碳排放量关系图；

图5是平均行驶车速与出行链平均碳排放量关系图；

图6是不同车辆类型情景下出行链平均碳排放量图；

图7是不同客户需求情景下出行链平均碳排放量图。

具体实施方式

实施例1

如图1所示，本发明提供一种城市配送车辆出行仿真方法，该方法包括：

在其中一个实施例中，步骤(2)中，所述出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

在其中一个实施例中，所述出行链链长为在区间[1,10]上服从均匀分布的随机整数。

在其中一个实施例中，所述出行链上一次出行的里程服从[1,6]上的均匀分布。

在其中一个实施例中，所述客户总数为出行链链长-1。

在其中一个实施例中所述出行链训练模块中，出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

在其中一个实施例中，所述客户总数为出行链链长-1。

实例

如图2所示，S1、确定生成1000条出行链，在此基础上建立出行链仿真模型：

1)出行链链长是在区间[1,10]上服从均匀分布的随机整数；

2)出行链上每次出行的里程服从[1,6]上的均匀分布。

基于1000条仿真出行链的统计分析如表1所示。

表1出行链统计分析

S2、对城市车辆配送情景进行仿真实现；

所述城市配送车辆配送运行情景的仿真包括、车速情景仿真、车辆类型情景仿真、客户需求情景仿真；

所述城市配送车辆配送运行情景的仿真还包括城市车辆配送基准情景仿真。

(1)基准情景仿真

仿真的基准情景一般根据正常情况下的城市配送情形进行设置，本实施例仿真基准情景设置如下：平均行驶车速35km/h；车辆类型为江淮骏铃V6载货车；不考虑客户需求影响。具体参数如表2所示。

表2基准情景出行链特征参数

(2)车速情景仿真

城市配送车辆的平均车速情况一般取决于城市交通情况，而城市道路平均车速一般变化范围在10到70km/h之间，为了研究车速变化对碳排放的影响，本实施例以5km/h 为一个等级，另外共设置12个仿真情景，具体如表3所示。

表3车速仿真情景

(3)车辆类型情景仿真

城市配送车辆类型多种多样，除了基准情景中的车型外，本实施例另外设置一汽解放J6P载货车以及五菱之光封闭货车两种车型情景，每种情景具体参数如表4所示。

表4车辆类型仿真情景

(4)客户需求情景仿真

在基准情境中并没有考虑客户需求对碳排放的影响，然而在实际生活中客户需求量对碳排放也存在一定的影响，因此本章另外设置三种仿真情景，具体如表5所示。

表5客户需求仿真情景

S3、根据仿真结果选择低碳配送方法

(1)优选出行链链长较长的出行方式

如图3所示，出行链平均碳排放量与链长成正比，又根据出行链性质，出行链链长与客户数、出行链长度具有如下关系：

客户数出行链链长-1

出行链长度＝单次出行平均长度×出行链链长。

(2)可以看出客户数、出行链长度都与出行链链长线性相关，因此客户数与碳排放的关系，以及出行链长度与碳排放的关系都具有线性相关关系。

如图4所示，利用出行链平均碳排放量除以对应的客户数即可得到出行链链长与客户平均碳排放量的关系，可以看出，在其他条件不变的情况下，出行链链长越长，客户平均碳排放量越小，最后趋于一个稳定值。

(3)优选车辆行驶速度区间为35-40km/h

如图5所示，根据不同车速情景对出行链碳排放进行仿真，统计各种情境下出行链平均碳排放量，即可得到平均行驶速度与碳排放的关系。可以看出，在其他条件不变的情况下，随着平均车速的逐渐增加，出行链平均碳排放量先减小，后增加，并且在 35-40km/h区间达到最小。

(4)根据不同出行链的客户需求等不同特征选择合适配送车辆

如图6所示，比较基准情景、车辆类型情景一、车辆类型情景二下出行链的平均碳排放量。可以看出，在其他条件不变的情况下，不同车辆类型的出行链平均碳排放量具有较大差异，车辆类型情景一下碳排放量是情景二下的3倍。比较三种情境下车辆的技术性能参数，基准情景与车辆类型情景一的参数基本相同，仅车辆质量以及怠速油耗率存在差异，其中情景一下车辆质量参数是基准情景下的3.4倍，为变化的主要因素；基准情景与车辆类型情景二的参数差异包括车辆质量、怠速油耗率以及单位油耗碳排放量，其中车辆质量为主要差异因素，基准情景为情景二的3.4倍。故可知车辆质量因素是导致不同车辆类型碳排放较大差异的主要原因。

(4)客户需求

分布计算基准情景、客户需求情景一、情景二以及情景三下出行链的平均碳排放量，结果如图7所示。可以看出客户需求对出行链碳排放具有一定影响，在基准情景下，不考虑客户需求量，出行链平均碳排放量最小；在客户需求情景一下，所有客户需求相同，碳排放量增加；情景二下，配送车辆先为需求较大的客户配送，碳排放量相对于情景一略有下降；情景三下，配送车辆先为需求较小的客户配送，碳排放量较情景一略有增加。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明，对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种城市配送车辆出行仿真方法，其特征在于，该方法包括：

(2)抽取一辆物流车一天的配送属性，所述配送属性包括配送车速DV、物流车型号DM、客户需求CD以及当天配送的出行链C，则配送出行链C＝(DC₁-CL₁-CL₂-CL₃-...-CL_m-DC₂-...-DC_i)，其中DC＝(DC₁,DC₂,...,DC_i)为物流车一天到的物流配送中心，CL＝(CL₁,CL₂,...,CL_m,...,CL_n)为物流车服务的客户，m为物流车一次配送中服务的客户数，n为物流车一天配送服务的客户总数，i为物流车当天去物流配送中心的总数；

2.根据权利要求1所述的城市配送车辆出行仿真方法，其特征在于，步骤(2)中，所述出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

3.根据权利要求2所述的城市配送车辆出行仿真方法，其特征在于，所述出行链链长为在区间[1,10]上服从均匀分布的随机整数。

4.根据权利要求2所述的城市配送车辆出行仿真方法，其特征在于，所述出行链上一次出行的里程服从[1,6]上的均匀分布。

5.根据权利要求2所述的城市配送车辆出行仿真方法，其特征在于，所述客户总数为出行链链长-1。

6.一种根据权利要求1-5任一项所述的城市配送车辆出行仿真方法实现的城市配送车辆出行仿真系统，其特征在于，包括：

配送出行链仿真模块，用于抽取一辆物流车一天的配送属性，所述配送属性包括配送车速DV、物流车型号DM、客户需求CD以及当天配送的出行链C，则配送出行链C＝(DC₁-CL₁-CL₂-CL₃-...-CL_m-DC₂-...-DC_i)，其中DC＝(DC₁,DC₂,...,DC_i)为物流车一天到的物流配送中心，CL＝(CL₁,CL₂,...,CL_m,...,CL_n)为物流车服务的客户，m为物流车一次配送中服务的客户数，n为物流车一天配送服务的客户总数，i为物流车当天去物流配送中心的总数；

7.根据权利要求6所述的城市配送车辆出行仿真系统，其特征在于，所述出行链训练模块中，出行链的仿真还可通过出行链链长、出行链一次出行的里程和预期生成的出行链数量仿真训练得到。

8.根据权利要求6所述的城市配送车辆出行仿真系统，其特征在于，所述出行链链长为在区间[1,10]上服从均匀分布的随机整数。

9.根据权利要求6所述的城市配送车辆出行仿真系统，其特征在于，所述出行链上一次出行的里程服从[1,6]上的均匀分布。

10.根据权利要求6所述的城市配送车辆出行仿真系统，其特征在于，所述客户总数为出行链链长-1。