CN109902987A - 确定运输方案的方法、训练快速装载模型的方法及设备 - Google Patents
确定运输方案的方法、训练快速装载模型的方法及设备 Download PDFInfo
- Publication number
- CN109902987A CN109902987A CN201810118531.9A CN201810118531A CN109902987A CN 109902987 A CN109902987 A CN 109902987A CN 201810118531 A CN201810118531 A CN 201810118531A CN 109902987 A CN109902987 A CN 109902987A
- Authority
- CN
- China
- Prior art keywords
- cargo
- scheme
- allocation plan
- route scheme
- delivery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 186
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000009434 installation Methods 0.000 claims abstract description 271
- 238000011156 evaluation Methods 0.000 claims abstract description 122
- 238000004088 simulation Methods 0.000 claims abstract description 53
- 238000012856 packing Methods 0.000 claims abstract description 51
- 230000010354 integration Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 93
- 238000012546 transfer Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000007704 transition Effects 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 21
- 238000013459 approach Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012805 post-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000032258 transport Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 16
- 239000000463 material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004806 packaging method and process Methods 0.000 description 8
- 241000208340 Araliaceae Species 0.000 description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 235000008434 ginseng Nutrition 0.000 description 7
- 210000005036 nerve Anatomy 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q10/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- 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
-
- 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
- G06Q10/0838—Historical data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本申请实施例提供一种确定运输方案的方法、训练快速装载模型的方法及设备,用于得到货物运输方案,特别在运输量大、复杂的场景下,可以快速得到目标运输方案,减小运输成本,提高运输效率。确定运输方案的方法包括:获取至少一个路径方案以及每个路径方案对应的第一货物分配方案集合,该每个路径方案为针对待运输货物进行运输而规划的运输路径,一个第一货物分配方案集合包括至少一个货物分配方案;根据快速装载模型确定每个货物分配方案的实装率,该快速装载模型为通过包括三维装载算法计算得到的历史装载方案的离线仿真数据进行离线训练得到;通过实装率对每个路径方案以及对应的货物分配方案进行整合评价,以确定目标运输方案。
Description
技术领域
本申请涉及物流领域,特别涉及一种确定运输方案的方法、训练快速装载模型的方法及设备。
背景技术
随着经济的发展,运输行业也越来越追求高效与准确,集装箱更是运输的主要容器。随着提货点以及需要运输的货物越来越多,为提高运输的效率,需要对运输的路径进行规划。
在现有方案中,通过蚁群算法得到路径方案,然后通过三维装载仿真得到路径方案中货物的装载方案,即货物在集装箱内的装载方式。但三维装载仿真无法并行处理货物,需要进行大量运算,耗费大量时间,特别是在货物量较大的场景下,耗费更大量的时间,因此降低了得到货物装载方案,输出实装率的效率,进而影响得到目标运输方案的效率。
发明内容
本申请实施例提供一种确定运输方案的方法、训练快速装载模型的方法及设备,用于进行货物运输,特别在运输量大、复杂的场景下,可以快速得到目标运输方案,减小运输成本,提高运输效率。
有鉴于此,本申请第一方面提供一种确定运输方案的方法,可以包括:
首先获取至少一个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,该至少一个路径方案中的每个路径方案为针对待运输货物进行运输而规划的运输路径,其中,一个路径方案可以包括至少一条运输路径,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合包括至少一个货物分配方案,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;根据快速装载模型确定该至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,该快速装载模型为通过离线仿真数据进行离线训练得到,该离线仿真数据包括通过三维装载算法计算得到的历史装载方案,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
在本申请实施例中,在确定至少一个路径方案以及该至少一个路径方案中每个路径方案对应的第一货物分配方案集合后,可以根据通过离线仿真数据进行离线训练的快速装载模型确定每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,可以快速得到每个路径方案对应的所有货物分配方案的实装率,可以降低获取每个路径方案对应的所有货物分配方案的实装率的时长,提高确定目标运输方案的效率。其中,快速装载模型由通过离线仿真数据进行离线仿真训练得到,该离线仿真数据包括由三维装载运算得到数据,可以提高得到的实装率的准确性。
结合本申请第一方面,在本申请第一方面的第一种实施方式中,获取至少一个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,可以包括:
首先获取目标货运单,该目标货运单包括运输节点信息以及待运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该待运输货物信息包括分布在该M个提货点的该待运输货物的信息,该M为正整数;然后根据该运输节点信息中的运输节点确定该至少一个路径方案,其中,一个路径方案可以包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及M个提货点中N个提货点,该N为正整数,且N≤M,为完成分布在该M个提货点的待运输货物,该至少一个路径方案中的每个路径方案均覆盖该M个提货点;为该至少一个路径方案中的每个路径方案中的每条运输路径进行该待运输货物的分配,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
在本申请实施方式中,在获取目标货运单后,根据该目标货运单中提供的信息进行路径规划以及货物分配,在确定路径方案时,可直接根据运输节点进行路径规划,可以减少进行路径搜索的时长,提高路径规划的效率,在路径规划完成之后再根据规划得到的路径方案进行货物分配,以得到每个路径方案的货物分配集合,后续再对每个路径方案以及每个路径方案对应的货物分配方案集合中的每个货物分配方案进行整合评价,以得到目标运输方案,可以提高得到目标运输方案的整体效率。
结合本申请第一方面的第一种实施方式,在本申请第一方面的第二种实施方式中,该根据该运输节点信息确定该至少一个路径方案,可以包括:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵;通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;根据该转移概率分布确定该至少一个路径方案中的每个路径方案中的每条运输路径,以得到该至少一个路径方案。
在本申请实施方式中,可以通过历史路径数据进行路径规划,具体包括利用历史路径数据对M个提货点的转移超参数进行初始化,然后根据转移超参数确定提货点转移概率分布,该概率分布为路径方案中的每条运输路径的集装箱在提货点以及港口之间的转移概率。应理解,历史路径数据中一个跳转产生的次数越多,那么该跳转对应的概率越高,可以根据得到的提货点转移概率分布确定至少一个路径方案中每个路径方案的每条运输路径,可以进一步提高获取该至少一个路径方案的效率,且通过历史路径数据计算提货点转移超参数,可以使得到的路径方案更准确。
结合本申请第一方面的第二种实施方式,在本申请第一方面的第三种实施方式中,该方法还可以包括:
若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
当历史路径数据数量不足时,此时存在无法通过历史路径数据对提货点的转移超参数进行初始化的情况,可以选择启发式算法对提货点的转移超参数进行初始化,增加了一种确定提货点超参数的方式。
结合本申请第一方面的第一种实施方式至本申请第一方面的第三种实施方式中的任一实施方式,在本申请第一方面的第四种实施方式中,该为该至少一个路径方案中的每个路径方案中的每条运输路径进行该待运输货物的分配,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案,可以包括:
对从目标货运单中获取到的M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件可以包括货物的长度、宽度、高度以及重量,此外,该聚类条件还可以包括材质、承压系数或最小面积等,通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该第一货物分配超参数可以是均匀分布的超参数,也可以是重复进行货物分配时通过上一次货物分配方案更新得到;从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
在本申请实施方式中,在对提货点的货物进行分配时,可以参考提货点所分布的货物的特征进行聚类,包括长度、宽度、高度或重量等特征,可以使用精确聚类,也可以使用模糊聚类,具体可根据实际需求调整,可以快速地将提货点的货物进行分类,从而快速地进行货物分配得到该至少一个路径方案中的每个路径方案对应的货物分配方案集合中的每个货物分配方案。
结合本申请第一方面的第一种实施方式至本申请第一方面的第四种实施方式中的任一实施方式,在本申请第一方面的第五种实施方式中,该根据快速装载模型确定该至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,可以包括:
获取该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,该第一特征向量用于指示某一货物分配方案中待运输货物的特征值,例如,每个货物分配方案中货物的长度、宽度、高度或重量等组成的向量;将该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第一特征向量输入该快速装载模型中,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,该实装率包括体积实装率与载重实装率,该体积实装率包括该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的体积占用集装箱荷载体积的比例,该载重实装率该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的重量占用集装箱的荷重的比例。
在本申请实施方式中,获取所得到的至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,该第一特征向量为指示至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中其中一个货物分配方案的特征值,将该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量输入该快速装载模型,可以得到至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的实装率,该实装率可以包括体积实装率与载重实装率,因此,可以将每个货物分配方案的第一特征向量输入快速装载模型中,可以快速得到至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的实装率,提高得到每个货物分配方案的实装率的效率。
结合本申请第一方面的第五种实施方式,在本申请第一方面的第六种实施方式中,该获取该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,可以包括:
获取该待运输货物中的每个货物的第二特征向量,该待运输货物中的每个货物的第二特征向量包括对应货物的长度、宽度、高度以及重量;根据该待运输货物中每个货物的第二特征向量计算出该M个提货点中的每个提货点分布的货物针对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量包括该待运输货物中的每个货物的第二特征向量的均值与协方差;对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量进行加权组合得到对应的该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
在本申请实施方式中,获取该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量的具体步骤可以是,首先获取待运输货物中每个货物的第二特征向量,并根据每个货物的第二特征向量计算出该M个提货点中针对至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,并对该第三特征向量进行加权计算,最后得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
结合本申请第一方面、本申请第一方面的第一种实施方式至本申请第一方面的第六种实施方式中的任一实施方式,在本申请第一方面的第七种实施方式中,该通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,可以包括:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
在本申请实施方式中,可以通过预置的评价函数以及实装率对所获取到的所有货物分配方案进行得分计算得到每个货物分配方案的得分,若该所有货物分配方案中不存在得分高于第二阈值的货物分配方案,则从该得分高于第二阈值的货物分配中确定目标货物分配方案,若高于第二阈值的货物分配方案的数量为一个,则确定该一个货物分配方案为目标货物分配方案,若高于第二阈值的货物分配方案的数量为至少两个,则可以从该至少两个高于第二阈值的货物分配方案中随机确定一个或确定得分最高的货物分配方案为目标货物分配方案,以及确定该目标货物分配方案对应的路径方案为目标路径方案,以得到目标运输方案,本申请实施方式中通过对每个货物分配方案进行打分以确定目标货物分配方案,可以得到最优的目标运输方案。
结合本申请第一方面的第七种实施方式,在本申请第一方面的第八种实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
本申请实施方式增加了一种对货物分配方案以及路径方案进行评价的评价函数,可以根据该评价函数得到最优的目标运输方案。
结合本申请第一方面的第七种实施方式或本申请第一方面的第八种实施方式,在本申请第一方面的第九种实施方式中,该方法还包括:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案,该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;通过该评价函数以及该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率,对该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率由该快速装载模型得到。
本申请实施方式中,若该所有分配方案中不包括得分高于该第二阈值的货物分配方案,则可以通过第一货物分配方案集合中的每个货物分配方案对每个提货点的第一货物分配超参数进行更新,得到每个提货点的第二货物分配超参数,然后根据该第二货物分配超参数对每个提货点的货物重新进行货物分配,以得到每个路径方案的第二货物分配方案集合中的每个货物分配方案,之后继续对该第二货物分配方案集合中的每个货物分配方案进行进一步地整合评价,直到达到停止条件为止,例如,得到得分大于该第二阈值的货物分配方案,或迭代的次数达到预置的次数。因此,本申请实施方式中通过对货物分配方案进行重复分配以及整合评价,可以得到更优的目标货物分配方案以及目标路径方案。
应理解,对货物分配方案进行重复分配时,还可以重新对路径方案进行规划,也可以直接通过该至少一个路径方案重新进行货物分配。
结合本申请第一方面、本申请第一方面的第一种实施方式至本申请第一方面的第九种实施方式中的任一实施方式,在本申请第一方面的第十种实施方式中,该通过该实装率对该至少一个路径方案中的每个路径方案与该至少一个路径方案中的每个路径方案的货物分配方案进行整合评价,以确定目标运输方案之后,该方法还包括:
根据该目标货物分配方案和该目标路径方案,确定该目标路径方案中每条运输路径的集装箱的型号;根据该目标路径方案中每条运输路径的集装箱的型号以及三维装载算法生成装载方案,该装载方案为该待运输货物在该目标路径方案中每条运输路径中的集装箱内的装载方式。
在本申请实施方式中,确定目标运输方案后,还可以进一步确定集装箱的型号,可以根据实装率进行调整,确定与实装率更匹配的集装箱型号,以节约运输成本。且在确定集装箱型号后,可以进一步通过三维装载算法生成装载方案,确定货物在集装箱内的装载方式,可以提高货物装载的效率。
结合本申请第一方面、本申请第一方面的第一种实施方式至本申请第一方面的第十种实施方式中的任一实施方式,在本申请第一方面的第十一种实施方式中,在该通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,该方法还包括:
若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,可以包括:
通过该实装率对该至少一个路径方案中的每个路径方案与对应的第一货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
在本申请实施方式中,若存在不能装入集装箱的货物,可以根据实装率计算待运输货物中是否还包括未分配到集装箱的剩余货物,则可以根据对剩余货物进行路径规划以及货物分配,以得到剩余货物的路径方案以及货物分配方案,并将该剩余货物的路径方案以及货物分配方案、目标路径方案以及目标货物分配方案作为目标运输方案,以得到对待运输货物的完整运输方案。
本申请第二方面提供一种训练快速装载模型的方法,可以包括:
首先获取离线仿真数据,该离线仿真数据包括在离线仿真时通过三维装载计算得到的历史装载方案与历史实装率;然后从从该离线仿真数据中获取特征向量,该特征向量包括该历史装载方案对应的历史运输货物的特征值;将该特征向量装换为预置格式的训练数据;通过该训练数据训练预测模型,以得到快速装载模型,该快速装载模型用于输出每个运输路径的货物分配方案集合中每个货物分配方案的实装率,该实装率为该每个货物分配方案中装入集装箱的货物占用该集装箱的比例。
在本申请实施方式中,可以通过离线仿真数据训练快速装载模型,该快速装载模型用于快速得到货物分配方案的实装率,可以提高确定目标运输方案的效率。
结合本申请第二方面,在本申请第二方面的第一种实施方式中,该预置格式为:(特征向量,历史实装率)。
结合本申请第二方或本申请第二方面的第一种实施方式,在本申请第二方面的第二种实施方式中,该预测模型包括:线性回归模型、岭回归模型、LASSO模型、支持向量机模型、随机森林模型、XgBoost模型或人工神经网络模型。
结合本申请第二方面,本申请第二方面的第一种实施方式或本申请第二方面的第二种实施方式,在本申请第二方面的第三种实施方式中,该获取模块,可以包括:
首先获取至少一个历史路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合,该至少一个历史路径方案中的每个路径方案为针对历史运输货物进行运输而规划的运输路径,其中,一个路径方案可以包括至少一条运输路径,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合包括至少一个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;根据三维装载算法确定该至少一个历史路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率以及装载方案,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
在本申请实施例中,根据通过离线仿真数据进行离线训练的三维装载算法模型确定每个路径方案对应的货物分配方案的实装率,可以准确地获取到每个路径方案对应的货物分配方案的实装率,提高确定离线仿真数据的准确性。
结合本申请第二方面,在本申请第二方面的第四种实施方式中,获取至少一个历史路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合,可以包括:
首先获取历史货运单,该历史货运单包括运输节点信息以及历史运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该历史运输货物信息包括分布在该M个提货点的该历史运输货物的信息,该M为正整数;然后根据该运输节点信息中的运输节点确定该至少一个历史路径方案,其中,一个路径方案可以包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及M个提货点中N个提货点,该N为正整数,且N≤M,为完成分布在该M个提货点的历史运输货物,该至少一个历史路径方案中的每个路径方案均覆盖该M个提货点;为该至少一个历史路径方案中的每个路径方案中的每条运输路径进行该历史运输货物的分配,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
在本申请实施方式中,在获取历史货运单后,根据该历史货运单中提供的信息进行路径规划以及货物分配,在确定路径方案时,可直接根据运输节点进行路径规划,可以减少进行路径搜索的时长,提高路径规划的效率,在路径规划完成之后再根据规划得到的路径方案进行货物分配,以得到每个路径方案的历史货物分配方案集合,后续再对每个路径方案以及每个路径方案对应的历史货物分配方案集合中的每个货物分配方案进行整合评价,以得到目标运输方案,可以提高得到目标运输方案的整体效率。
结合本申请第二方面的第四种实施方式,在本申请第二方面的第五种实施方式中,该根据该运输节点信息确定该至少一个历史路径方案,可以包括:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵,该历史路径数据包括针对历史待运输货物进行运输时的历史路径方案;通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;根据该转移概率分布确定该至少一个历史路径方案中的每个路径方案中的每条运输路径,以得到该至少一个历史路径方案。
在本申请实施方式中,可以通过历史路径数据进行路径规划,具体包括利用历史路径数据对M个提货点的转移超参数进行初始化,然后根据转移超参数确定提货点转移概率分布,该概率分布为路径方案中的每条运输路径的集装箱在提货点以及港口之间的转移概率。应理解,历史路径数据中一个跳转产生的次数越多,那么该跳转对应的概率越高,可以根据得到的提货点转移概率分布确定至少一个历史路径方案中每个路径方案的每条运输路径,可以进一步提高获取该至少一个历史路径方案的效率,且通过历史路径数据计算提货点转移超参数,可以使得到的路径方案更准确。
结合本申请第二方面的第五种实施方式,在本申请第二方面的第六种实施方式中,该方法还可以包括:
若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
当历史路径数据数量不足时,此时无法通过历史路径数据对提货点的转移超参数进行初始化,可以选择启发式算法对提货点的转移超参数进行初始化,增加了一种确定提货点超参数的方式。
结合本申请第二方面的第三种实施方式至本申请第二方面的第六种实施方式中的任一实施方式,在本申请第二方面的第七种实施方式中,该为该至少一个历史路径方案中的每个路径方案中的每条运输路径进行该历史运输货物的分配,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案,可以包括:
对从历史货运单中获取到的M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件可以包括货物的长度、宽度、高度以及重量,此外,该聚类条件还可以包括材质、承压系数或最小面积等,通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该第一货物分配超参数可以是均匀分布的超参数,也可以是重复进行货物分配时通过上一次货物分配方案更新得到;从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
在本申请实施方式中,在对提货点的货物进行分配时,可以参考提货点所分布的货物的特征进行聚类,包括长度、宽度、高度或重量等特征,可以使用精确聚类,也可以使用模糊聚类,具体可根据实际需求调整,可以快速地将提货点的货物进行分类,从而快速地进行货物分配得到该至少一个历史路径方案中的每个路径方案对应的历史货物分配方案集合中的每个货物分配方案。
结合本申请第二方面、本申请第二方面的第三种实施方式至本申请第二方面的第六种实施方式中的任一实施方式,在本申请第二方面的第七种实施方式中,该通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,可以包括:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
在本申请实施方式中,可以通过预置的评价函数以及实装率对所获取到的所有货物分配方案进行得分计算得到每个货物分配方案的得分,若该所有货物分配方案中不存在得分高于第二阈值的货物分配方案,则从该得分高于第二阈值的货物分配中确定目标货物分配方案,若高于第二阈值的货物分配方案的数量为一个,则确定该一个货物分配方案为目标货物分配方案,若高于第二阈值的货物分配方案的数量为至少两个,则可以从该至少两个高于第二阈值的货物分配方案中随机确定一个或确定得分最高的货物分配方案为目标货物分配方案,以及确定该目标货物分配方案对应的路径方案为目标路径方案,以得到目标运输方案,本申请实施方式中通过对每个货物分配方案进行打分以确定目标货物分配方案,可以得到最优的目标运输方案。
结合本申请第二方面的第七种实施方式,在本申请第二方面的第八种实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
本申请实施方式增加了一种对货物分配方案以及路径方案进行评价的评价函数,可以根据该评价函数得到最优的目标运输方案。
结合本申请第二方面的第七种实施方式或本申请第二方面的第八种实施方式,在本申请第二方面的第九种实施方式中,该方法还包括:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;通过该评价函数以及该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率,对该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率由该三维装载算法得到。
本申请实施方式中,若该所有分配方案中不包括得分高于该第二阈值的货物分配方案,则可以通过第一历史货物分配方案集合中的每个货物分配方案对每个提货点的第一货物分配超参数进行更新,得到每个提货点的第二货物分配超参数,然后根据该第二货物分配超参数对每个提货点的货物重新进行货物分配,以得到每个路径方案的第二历史货物分配方案集合中的每个货物分配方案,之后继续对该第二历史货物分配方案集合中的每个货物分配方案进行进一步地整合评价,直到达到停止条件为止,例如,得到得分大于该第二阈值的货物分配方案,或迭代的次数达到预置的次数。因此,本申请实施方式中通过对货物分配方案进行重复分配以及整合评价,可以得到更优的目标货物分配方案以及目标路径方案。
应理解,对货物分配方案进行重复分配时,还可以重新对路径方案进行规划,也可以直接通过该至少一个历史路径方案重新进行货物分配。
结合本申请第二方面、本申请第二方面的第三种实施方式至本申请第二方面的第九种实施方式中的任一实施方式,在本申请第二方面的第十种实施方式中,在该通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,该方法还包括:
若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,可以包括:
通过该实装率对该至少一个历史路径方案中的每个路径方案与对应的第一历史货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
在本申请实施方式中,若存在不能装入集装箱的货物,可以根据实装率计算历史运输货物中是否还包括未分配到集装箱的剩余货物,则可以根据对剩余货物进行路径规划以及货物分配,以得到剩余货物的路径方案以及货物分配方案,并将该剩余货物的路径方案以及货物分配方案、目标路径方案以及目标货物分配方案作为目标运输方案,以得到对历史运输货物的完整运输方案。
本申请第三方面提供一种确定装置,其特征在于,包括:
获取模块,用于获取至少一个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,该至少一个路径方案中的每个路径方案为针对待运输货物进行运输而规划的运输路径,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合包括至少一个货物分配方案,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;
快速装载模块,用于根据快速装载模型确定该至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,该快速装载模型为通过离线仿真数据进行离线训练得到,该离线仿真数据包括通过三维装载算法计算得到的历史装载方案,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;
评价模块,通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
结合本申请第三方面,在本申请第三方面的第一种实施方式中,该获取模块,包括:
获取子模块,用于获取目标货运单,该目标货运单包括运输节点信息以及待运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该待运输货物信息包括分布在该M个提货点的该待运输货物的信息,该M为正整数;
路径规划子模块,用于根据该运输节点信息确定该至少一个路径方案,该至少一个路径方案中的每个路径方案包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及该M个提货点中N个提货点,该至少一个路径方案中的每个路径方案均覆盖该M个提货点,该N为正整数,且N≤M;
货物分配子模块,用于为该至少一个路径方案中的每个路径方案中的每条运输路径进行该待运输货物的分配,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
结合本申请第三方面的第一种实施方式,在本申请第三方面的第二种实施方式中,该路径规划子模块,具体用于:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;
根据该转移概率分布确定该至少一个路径方案中的每个路径方案中的每条运输路径,以得到该至少一个路径方案。
结合本申请第三方面的第一种实施方式或本申请第三方面的第二种实施方式,在本申请第三方面的第三种实施方式中,该确定装置还包括:
初始化模块,用于若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
结合本申请第三方面的第一种实施方式至本申请第三方面的第三种实施方式中任一实施方式,在本申请第三方面的第四种实施方式中,该货物分配子模块,具体用于:
对该M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件包括货物的长度、宽度、高度以及重量;
通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
结合本申请第三方面的第一种实施方式至本申请第三方面的第四种实施方式中任一实施方式,在本申请第三方面的第五种实施方式中,该快速装载模块,具体用于:
获取该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,该第一特征向量用于指示某一货物分配方案中待运输货物的特征值;
将该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第一特征向量输入该快速装载模型中,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,该实装率包括体积实装率与载重实装率,该体积实装率包括该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的体积占用集装箱荷载体积的比例,该载重实装率该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的重量占用集装箱的荷重的比例。
结合本申请第三方面的第五种实施方式,在本申请第三方面的第六种实施方式中,该快速装载模块,具体用于:
获取该待运输货物中的每个货物的第二特征向量,该待运输货物中的每个货物的第二特征向量包括对应货物的长度、宽度、高度以及重量;
根据该待运输货物中每个货物的第二特征向量计算出该M个提货点中的每个提货点分布的货物针对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量包括该待运输货物中的每个货物的第二特征向量的均值与协方差;
对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量进行加权组合得到对应的该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
结合本申请第三方面、本申请第三方面的第一种实施方式至本申请第三方面的第六种实施方式中任一实施方式,在本申请第三方面的第七种实施方式中,该评价模块,具体用于:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;
若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;
通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
结合本申请第三方面的第七种实施方式,在本申请第三方面的第八种实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
结合本申请第三方面的第七种实施方式或本申请第三方面的第八种实施方式,在本申请第三方面的第九种实施方式中该评价模块,还用于:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案,该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;
通过该评价函数以及该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率,对该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率由该快速装载模型得到。
结合本申请第三方面、本申请第三方面的第一种实施方式至本申请第三方面的第九种实施方式中任一实施方式,在本申请第三方面的第十种实施方式中,该确定装置还包括:
后期处理模块,用于通过该实装率对该至少一个路径方案中的每个路径方案与该至少一个路径方案中的每个路径方案的货物分配方案进行整合评价,以确定目标运输方案之后,根据该目标货物分配方案和该目标路径方案,确定该目标路径方案中每条运输路径的集装箱的型号;
三维装载模块,用于根据该后期处理模块确定的该目标路径方案中每条运输路径的集装箱的型号以及三维装载算法生成装载方案,该装载方案为该待运输货物在该目标路径方案中每条运输路径中的集装箱内的装载方式。
结合本申请第三方面、本申请第三方面的第一种实施方式至本申请第三方面的第十种实施方式中任一实施方式,在本申请第三方面的第十一种实施方式中,该确定装置还可以包括:
确定模块,在该通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,用于若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该评价模块,还用于通过该实装率对该至少一个路径方案中的每个路径方案与对应的第一货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
本申请第四方面提供一种训练装置,其特征在于,包括:
获取模块,用于获取离线仿真数据,该离线仿真数据包括通过三维装载计算得到的历史装载方案与历史实装率;
该获取模块,还用于从该离线仿真数据中获取特征向量,该特征向量包括该历史装载方案对应的历史运输货物的特征值;
转换模块,用于将该特征向量转换为预置格式的训练数据;
训练模块,用于通过该训练数据训练预测模型,以得到快速装载模型,该快速装载模型用于输出每个运输路径的货物分配方案集合中每个货物分配方案的实装率,该实装率为该每个货物分配方案中装入集装箱的货物占用该集装箱的比例。
结合本申请第四方面,在本申请第四方面的第一种实施方式中,该预置格式为:(特征向量,历史实装率)。
结合本申请第四方面或本申请第四方面的第一种实施方式,在本申请第四方面的第二种实施方式中,该预测模型包括:线性回归模型、岭回归模型、LASSO模型、支持向量机模型、随机森林模型、XgBoost模型或人工神经网络模型。
结合本申请第四方面,本申请第四方面的第一种实施方式或本申请第四方面的第二种实施方式,在本申请第四方面的第三种实施方式中,该获取模块,可以包括:
获取子模块,用于获取至少一个历史路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合,该至少一个历史路径方案中的每个路径方案为针对历史运输货物进行运输而规划的运输路径,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合包括至少一个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;
三维装载子模块,用于根据三维装载算法确定该至少一个历史路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;
评价子模块,通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
在本申请实施例中,可以在训练快速装载模型时使用三维装载算法进行计算,得到历史路径方案对应历史装载方案,可以准确输出历史路径方案对应的货物分配方案的实装率。
结合本申请第四方面的第三种实施方式,在本申请第四方面的第四种实施方式中,该获取子模块,包括:
获取单元,用于获取历史货运单,该历史货运单包括运输节点信息以及历史运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该历史运输货物信息包括分布在该M个提货点的该历史运输货物的信息,该M为正整数;
路径规划单元,用于根据该运输节点信息确定该至少一个历史路径方案,该至少一个历史路径方案中的每个路径方案包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及该M个提货点中N个提货点,该至少一个历史路径方案中的每个路径方案均覆盖该M个提货点,该N为正整数,且N≤M;
货物分配单元,用于为该至少一个历史路径方案中的每个路径方案中的每条运输路径进行该历史运输货物的分配,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
结合本申请第四方面的第三种实施方式,在本申请第四方面的第五种实施方式中,该路径规划单元,具体用于:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;
根据该转移概率分布确定该至少一个历史路径方案中的每个路径方案中的每条运输路径,以得到该至少一个历史路径方案。
结合本申请第四方面的第四种实施方式,在本申请第四方面的第六种实施方式中,该训练装置还包括:
初始化模块,用于若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
结合本申请第四方面的第三种实施方式至本申请第四方面的第五种实施方式中的任一实施方式,在本申请第四方面的第六种实施方式中,该货物分配单元,具体用于:
对该M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件包括货物的长度、宽度、高度以及重量;
通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
结合本申请第四方面的第三种实施方式至本申请第四方面的第六种实施方式中的任一实施方式,在本申请第四方面的第七种实施方式中,,该评价子模块,具体用于:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;
若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;
通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
结合本申请第四方面的第七种实施方式,在本申请第四方面的第八种实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
结合本申请第四方面的第六种实施方式或本申请第四方面的第七种实施方式,在本申请第四方面的第十一种实施方式中,该评价子模块,还用于:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;
通过该评价函数以及该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率,对该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率由该三维装载子模型得到。
应理解,对货物分配方案进行重复分配时,还可以重新对路径方案进行规划,也可以直接通过该至少一个历史路径方案重新进行货物分配。
结合本申请第四方面、本申请第四方面的第三种实施方式至本申请第四方面的第十一种实施方式中的任一实施方式,在本申请第四方面的第十二种实施方式中,该训练装置还包括:
确定模块,在该通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,用于若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该评价子模块,还用于通过该实装率对该至少一个历史路径方案中的每个路径方案与对应的第一历史货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
本申请第五方面提供一种确定装置,可以包括:
处理器、存储器、总线以及输入输出接口,该处理器、该存储器与该输入输出接口通过该总线连接;
该存储器,用于存储程序代码;
该处理器调用该存储器中的程序代码时执行本申请第一方面提供的方法的步骤。
本申请第六方面提供一种训练装置,可以包括:
处理器、存储器、总线以及输入输出接口,该处理器、该存储器与该输入输出接口通过该总线连接;
该存储器,用于存储程序代码;
该处理器调用该存储器中的程序代码时执行本申请第二方面提供的方法的步骤。
本申请实施例第七方面提供一种存储介质,其上存储有可编程指令,当所述可编程指令在计算机上运行时,使得计算机执行上述第一方面或第一方面任一实现方式中描述的方法。
该存储介质包括:U盘、移动硬盘、只读存储器(英文缩写ROM,英文全称:Read-OnlyMemory)、随机存取存储器(英文缩写:RAM,英文全称:Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例第八方面提供一种存储介质,其上存储有可编程指令,当所述可编程指令在计算机上运行时,使得计算机执行上述第二方面或第二方面任一实现方式中描述的方法。该存储介质包括:U盘、移动硬盘、只读存储器(英文缩写ROM,英文全称:Read-OnlyMemory)、随机存取存储器(英文缩写:RAM,英文全称:Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例第九方面提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,该计算机软件指令可通过处理器进行加载来实现上述第一方面的确定运输方案的方法中的流程。
本申请实施例第十方面提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,该计算机软件指令可通过处理器进行加载来实现上述第二方面的训练快速装载模型的方法中的流程。
本申请实施例第十一方面提供了一种仿真系统,包括确定装置与训练装置,该确定装置用于执行本申请第一方面至第一方面中任一实施方式中的步骤;该训练装置执行本申请第二方面至第二方面中任一实施方式中的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
在确定目标运输方案时,可以使用快速装载模型得到每个路径方案对应的货物分配方案的实装率,然后根据实装率确定目标运输方案,其中,快速装载模型为通过对离线仿真数据进行离线训练得到,该离线仿真数据为通过三维计算得到的历史装载方案,通过该快速装载模型可以快速得到货物分配方案的实装率,无需进行三维运算得到装载方式,可直接对实装率进行计算,可以快速得到货物分配方案的实装率,可以降低得到实装率所需的时长,进而提高得到目标运输方案的效率。
附图说明
图1为本申请实施例中确定运输方案的方法的一种应用场景示意图;
图2为本申请实施例中确定运输方案的方法的一种实施例示意图;
图3为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图4为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图5为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图6为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图7为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图8为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图9为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图10为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图11为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图12为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图13为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图14为本申请实施例中训练预测模型的一种实施例示意图;
图15为本申请实施例中确定运输方案的方法的另一种实施例示意图;
图16为本申请实施例中三维装载仿真的一种实施例示意图
图17为本申请实施例中确定装置的一种实施例示意图;
图18为本申请实施例中训练装置的一种实施例示意图;
图19为本申请实施例中确定装置的另一种实施例示意图;
图20为本申请实施例中训练装置的另一种实施例示意图。
具体实施方式
本申请实施例提供一种确定运输方案的方法、训练快速装载模型的方法及设备,用于进行货物运输,特别在运输量大、复杂的场景下,可以快速得到目标运输方案,减小运输成本,提高运输效率。
随着物流行业的发展,货物运输在工业以及生活中都广泛应用,集装箱装载仿真是物流领域的核心问题,因此对集装箱的装载仿真需要达到高效性与准确性。高效性是指可以快速响应,可以通过输入的数据在短时间内输出装载结果,因此可以优先抢占物流资源,缩短发货的时间,保证货物的及时运输与交付。准确性是指输出的装载结果的有效,能够提高集装箱的利用率,降低运输成本。
本申请实施例应用的场景可以如图1所示,本申请实施例仅以2个港口,4个提货点,以及2个集装箱为例,在实际应用中,港口、提货点以及集装箱的数量可根据实际需求调整,具体此处不作限定。首先确定目标货运单,目标货运单中包括待运输货物,提货点以及港口,该待运输货物分布在提货点D1、提货点D2、提货点D3以及提货点D4,需要通过集装箱将该待运输货物运输到港口2,集装箱位于港口1。然后确定集装箱的数量与每个集装箱的路径,以及每个集装箱在途经提货点的货物分配方案和装载方案。本申请实施例提供的确定运输方案的方法可以快速生成集装箱的最佳运输路径以及装载方案,可以提高集装箱的实装率,以及运输的效率。在实际场景中,集装箱可以由货运车运输,一个集装箱可以由一辆货运车运输。
例如,目标货运单中要求将D1D2、D3以及D4的货物运输到港口2,可以确定路径方案为:集装箱1从港口1出发,经过D1以及D3,运输D1以及D3的货物,然后到达港口2,经过计算,集装箱1的体积实装率为95%,载重实装率为96%;集装箱2从港口1出发,经过D2以及D4,运输D2以及D4的货物,然后到达港口2,经过计算,集装箱2的体积实装率为97%,载重实装率为98%。因此,可通过本申请实施例提供的确定运输方案的方法得到货物运输的最佳路径,且提高集装箱的体积实装率与载重实装率。
下面对本申请实施例提供的确定运输方案的方法的流程进行说明,请参阅图2,本申请实施例中确定运输方案的方法的一种实施例示意图,包括:
201、获取目标货运单;
该目标货运单为待运输的货运单,目标货运单中包括运输节点以及待运输货物的信息,该运输节点包括港口以及M个提货点,其中,港口可以包括针对该待运输货物进行运输的货运起点与货运终点,该货运起点与货运终点可以是同一个港口,也可以是不同的港口,该待运输货物分布在该M个提货点中的各个提货点,该港口的数量可以是一个,也可以是多个,该M个提货点的数量可以是一个,也可以是多个,具体此处不作限定。在实际应用中,待运输货物单可以由用户输入得到,也可以是由实际运输系统生成得到。
202、根据运输节点对运输路径进行规划,以得到路径方案集合;
在获取到目标货运单后,可以通过该目标货运单获取运输的货运起点、货运终点以及待运输货物所分布的提货点,可根据历史路径数据对对运输路径进行规划,可以得到至少一个路径方案,该至少一个路径方案中的每个路径方案可以包括至少一条运输路径,即由多条运输路径组成一个完整的路径方案,该至少一个路径方案组成路径方案集合,该路径方案集合中包括至少一个路径方案。其中,一条运输路径可以对应一个集装箱,若完成待运输货物需要多个集装箱,则可以确定多个集装箱的运输路径,若一个提货点的货物无法通过一个集装箱完成运输,则可以使用多个集装箱进行运输,因此一个提货点可以由多个集装箱经过。例如,目标货运单中的需求是将提货点D1、D2、D3以及D4的货物运输到港口2,集装箱从港口1出发,可对提货点转移超参数进行初始化,然后通过提货点转移超参数得到提货点转移概率,确定提货点之间、或港口与提货点之间的转移概率,可以根据该提货点转移概率得到多条运输路径,包括从港口1至D1、D2、D3、D4、至港口2,或从港口1至D2、D1、D4、D3、至港口2等至少一条运输路径,该至少一条运输路径可以组成至少一个路径方案,该至少一个路径方案组成路径方案集合。
具体地,目标货运单中包括运输节点以及分布在该M个提货点的待运输货物的信息,该运输节点包括港口,M个提货点,其中M为正整数,该港口包括货运起点与货运终点,其中,货运起点与货运终点可以是同一个港口,也可以是不同的港口。根据该运输节点进行路径规划,得到路径方案集合,该路径方案集合总包括至少一个路径方案,该至少一个路径方案中的每个路径方案包括至少一个运输路径,以一个路径方案为例,该一个路径方案中包括至少一条运输路径,该一个路径方案中的所有运输路径覆盖该M个提货点,该一个路径方案中的其中一条运输路径可以覆盖该M个提货点中的L个提货点,L≤M。
在实际应用中,可根据历史路径数据或预设的权重调整规划路径,例如,可以根据历史路径方案得到港口到提货点或提货点之间的转移概率,也可以是通过随机分布或均匀分布初始化该提货点之间的转移概率,然后根据提货点之间的转移概率生成路径方案集合中的每个路径方案的每条运输路径。相对于现有方案中通过规则搜索获取路径方案,本申请实施例可以通过提货点之间的转移概率快速生成路径方案集合中的每个路径方案,提高得到路径方案的效率。
该路径方案集合中的每个路径方案还需要经过详细对比,才能确定出最合适的路径方案,该确定最合适的路径方案的条件可以包括,路径的长度,路径方案中集装箱的实装率或路径方案中集装箱的体积实装率与载重实装率的差值,其中,路径的长度越短,该路径方案越优;路径方案中集装箱的实装率越大,该路径方案越优;路径方案中集装箱的体积实装率与载重实装率的差值越小,该路径方案越优。
203、根据路径方案集合进行货物分配,以得到路径方案集合中每个路径方案的货物分配方案集合;
该路径方案集合中包括至少一个路径方案,因此还需要对该至少一个路径方案中的每个路径方案进行进一步地货物分配,对该路径方案集合中的每个路径方案中的每条运输路径进行货物分配,即将待运输货物分配到每个路径方案中每条运输路径对应的集装箱中,得到该至少一个路径方案中的每个路径方案的货物分配方案集合,即第一货物分配方案集合。
具体地,在进行货物分配时,因存在不同类型的货物,不同类型的货物的分布概率也会有差异,因此不能简单地通过分布算法进行货物分配,需要通过计算实际的不同类型的货物的概率分布来定义货物分配,在本申请实施例中,进行货物分配之前,首先可以对每个提货点的货物进行聚类,然后对同一类货物用一个概率分布来确定分配方式。聚类的参考条件可以是货物的长度、宽度、高度、重量、最小接触面积,材质以及承压系数等,为提高效率,可使用部分条件进行聚类,例如,可使用长度、宽度、高度以及重量进行聚类。其中,聚类可以包括精确聚类与模糊聚类。在本申请实施例中,以长度、宽度、高度以及重量进行聚类为例,精确聚类可以是将四个特征完全相同的货物归为一类,该聚类为小粒度的聚类方式,聚类的速度也快。以此种方式进行聚类,可以提高货物分配时的准确性。当精确聚类产生的货物类别数太大,会增加个体,即一个路径方案的评价运算成本,包括增加运算时间,降低运算的效率等。因此,当精确聚类的类别数量大于预置的阈值时,还可以通过K均值(k-means)聚类、高斯混合模型或层次聚类法等聚类算法进行聚类运算。因此,每个提货点的货物都可以通过聚类算法得到各个种类的分布,并通过该各个种类的分布得到至少一个路径方案中的每个路径方案对应的货物分配方案集合中的每个货物分配方案。
204、根据快速装载模型确定每个路径方案的实装率;
在确定该至少一个路径方案中的每个路径方案的货物分配方案后,可根据快速装载模型确定至少一个路径方案中的每个路径方案的实装率,该实装率可以包括体积实装率与载重实装率。该快速装载模型为通过离线仿真数据进行离线训练得到,该离线仿真数据可以是通过三维装载计算得到的历史装载方案。其中,体积实装率为分配到集装箱的货物占用集装箱载货体积的比例,载重实装率为分配到集装箱的货物占用集装箱荷载重量的比例。
在实际应用中,可以从历史装载方案中抽取特征,将离线仿真数据转换为预置格式的训练数据,然后使用该训练数据训练预测模型,可通过该预测模型对待运输货物的装载方案进行预测,输出实装率。相比于现有技术使用三维装载进行在线计算,本申请实施例中的快速装载模型可以快速输出至少一个路径方案中的每个路径方案的实装率,提高得到目标运输方案的效率。
205、通过实装率对每个路径方案以及每个路径方案对应的货物分配方案进行整合评价,以确定目标运输方案;
在得到货物分配方案集合中每个路径方案的货物分配方案后,需要通过至少一个路径方案中的每个路径方案与对应的货物分配方案进行对比评价,选出目标路径方案,即该至少一个路径方案中的每个路径方案中目标的路径方案。具体评价的方式可以是,路径方案的路程越短越优,集装箱的实装率越大越优,集装箱的体积实装率与载重实装率差值越小越优,可通过不同条件,包括路径方案的长度、集装箱的实装率与集装箱体积实装率与载重实装率的差值,通过协同评价确定目标路径方案与对应的目标货物分配方案,即目标运输方案,该目标运输方案可以包括目标货运单所对应的最优或次优的运输方案。
在实际应用中,可通过对路径方案集合中的路径方案进行迭代的路径规划、货物分配、快速装载以及整合评价,在达到停止条件后,例如,在迭代次数达到阈值,或得到最优的路径方案与货物分配方案等后,输出目标运输方案。
在本申请实施例中,在获取到目标货运单后,根据该目标货运单进行路径规划,可以得到路径方案集合,该路径方案集合中包括至少一个路径方案,该至少一个路径方案中的每个路径方案都由至少一条运输路径组成,即至少一条运输路径组成完整的路径方案,然后对该路径方案集合中的每个路径方案中的每条运输路径进行货物分配,得到至少一个路径方案中的每个路径方案的货物分配方案。相对于现有方案中使用禁忌搜索方法进行大量路径搜索,本申请实施例可以减小路径搜索的次数,提高得到路径方案的效率。之后通过快速装载模型快速输出货物分配方案集合中的每个路径方案的实装率,包括体积实装率与载重实装率,之后对货物分配方案以及路径方案集合中的至少一个路径方案中的每个路径方案进行进一步整合评价,得到目标路径方案与该目标路径方案对应的目标货物分配方案,该目标路径方案与目标货物分配方案组成目标运输方案。其中,快速装载模型为通过离线仿真数据得到,该离线仿真数据包括通过三维装载计算得到的历史装载方案,相比于现有方案中使用三维装载进行在线运算得到装载方案,本申请实施例可以快速输出实装率,并根据该实装率对至少一个路径方案中的每个路径方案以及对应的货物分配方案进行整合评价,以得到目标运输方案,可以提高得到目标路径方案与目标货物分配方案,即确定目标运输方案的效率。
前述对本申请实施例中确定运输方案的方法的流程就行了说明,下面对本申请实施例中确定运输方案的方法进行更详细的说明,请参阅图3,本申请实施例中确定运输方案的方法的另一个实施例示意图。
其中,确定运输方案的方法的流程可以是,在接收到目标货运单301后,进行超参数初始化302,对提货点转移超参数进行初始化,提货点转移超参数初始化完成后,可以根据该提货点转移超参数得到提货点转移概率分布,并根据该提货点转移概率分布进行路径规划303,得到路径方案集合,然后对路径方案集合中的每个路径方案进行货物分配304,得到路径方案集合中的每个路径方案的货物分配方案集合,然后进行快速装载306,对路径方案以及货物分配方案进行货物的快速装载,输出实装率,之后进行个体评价305,对路径方案与货物分配方案进行整合以及评价,进一步对路径方案集合以及货物分配方案进行整合评价得到目标路径方案与对应的目标货物分配方案,即仿真结果309。其中,快速装载步骤中的快速装载模型由对离线仿真307得到的离线仿真数据308,进行离线训练得到。在实际应用中,可以重复进行步骤303-步骤306,进行重复的路径方案探索与货物分配探索,直到停止条件达到,得到目标路径方案与对应的目标货物分配方案,也可以是直接将该路径方案集合中的其中一个路径方案以及对应的货物分配方案作为目标路径方案与对应的目标货物分配方案,具体可以根据实际设计需求进行调整,具体此处不作限定。
下面对本申请实施例中的步骤进行具体说明。
301、目标货运单。
首先,获取到一个目标货运单301,可通过该目标货运单中获知运输节点以及待运输货物,该运输节点包括港口以及提货点,该待运输货物分布在每个提货点,其中,港口可以包括货运起点以及货运终点,货运起点与货运终点可以是一个港口,也可以是不同的港口,例如,该目标货运单可以是指示港口1为货运起点,将分布在提货点1与提货点2的待运输货物运输到港口2。
302、超参数初始化。
随后进行提货点转移超参数初始化,根据初始化后的提货点转移超参数得到提货点转移概率分布,该提货点转移概率分布包括集装箱从港口到提货点或提货点之间转移的概率,例如,从提货点D1到提货点D2的概率。
实际应用中,贝叶斯估计算法的具体流程可以是,首先为待估计量分配一个先验分布,然后结合实验数据,根据贝叶斯公式计算得到后验分布,之后由后验分布获取待估计量的估计值。因此,本申请实施例中确定货物分配方案的方法也可以通过贝叶斯估计算法计算提货点转移超参数的。其中,先验分布可以由历史数据或用户经验得到,在实际的业务系统中,积累了大量的历史路径数据,可以从这些历史路径数据中提取大量待估计量的样本,并利用这些样本对超参数进行估计。该历史路径数据可以作为先验数据,此外,在实际应用中,还可以根据实际调度人员的经验对先验数据进行调整。而当从历史路径数据中获取的待估计量的样本数量低于预设的阈值时,无法对超参数进行估计,可以使用启发式算法进行估计,下面分别对本申请实施例中可以使用的贝叶斯估计算法以及启发式算法进行详细说明。
1、贝叶斯估计算法。
先验分布可以通过采样多项分布,或二项分布等来生成的,例如,当目标货运单中包含k个提货点D1,D2,D3…,Dk以及一个港口Port,港口到提货点之间的转移概率即一个多项分布,参数θ=(θ1,θ2,...,θk),从港口到提货点的转移概率如图4所示,一个港口至一个提货点,或两个提货点之间表示一种转移模式,起点为当前起点,终点为当前跳转点,如果当前跳转点属于目标货运单中需求的提货点,且不同与当前起点,那么这种转移模式为有效转移模式,即根据目标货运单中的提货点确定该转移模式为有效的转移模式。预设参数θ服从Dirichlet(α)分布,α即为超参数,则后验分布也服从Dirichlet分布。先验分布与后验分布间仅仅是超参数发生了变化,因此可以简化后验分布的计算,在本申请实施例中可以将θ看作服从Dirichlet(α)分布。
每一条历史路径数据可以表示历史的运输路径,例如,现有一条历史路径数据为:Port→D1→D3→D6→Port,即表示一条运输路径为,从港口出发,依次经过D1,D3,D6后回到港口。具体的初始化流程可以包括:首先选定目标货运单中的一个提货点或港口作为当前起点,筛选出历史路径数据,如果货运单中存在k个提货点,则可以确定k+1份历史路径数据。例如,若选择港口作为当前起点,则货运单中任意一个提货点作为当前跳转点都可以组成一种有效转移模式,筛选出的历史路径数据中需存在至少一种对应的有效转移模式,例如,目标货运单中,选定从港口至D1,则筛选出的历史路径数据中至少有一条路径中包括从港口至D1,如图5所示,假设目标货运单中包括港口以及两个提货点D1以及D4,则筛选出的历史路径数据中包含从港口转移到D1或从港口转移到D4的历史路径都作为有效转移模式。
筛选后的历史路径数据,按照预置的顺序排列,然后按照预设的窗口大小,依次取S条历史路径数据,如图6所示,可以预设S=3,然后每个窗口3条历史路径,若最后的数量不足3条,则可以归为前一个窗口中。若当前窗口的数量少于预设的第一阈值Nmin,则可以通过启发式算法进行计算。此处先对窗口数量不少于第一阈值Nmin的情况进行介绍,对少于第一阈值Nmin的情况,即启发式算法另行进行介绍。
在各个窗口中的历史路径数据分别统计有效转移模式出现的次数,并基于此计算对应多项式分布的参数,假设有t个窗口,t≥Nmin,则可以获取t个θ的样本。具体的统计过程可以如图7所示,选择其中一个窗口的路径数据,对该窗口的历史路径数据进行统计,例如,当前起点为港口,当前跳转点为D1,则统计从港口至D1的历史路径数量。在统计港口至提货点或提货点之间的转移次数后,进行归一化计算,得到多项分布的参数θ。
在统计完所有的窗口之后,基于得到的t个θ样本,进行极大似然估计,计算出超参数α的估计值。
2、启发式算法。
若当前窗口的数量少于预设的阈值Nmin,则可以通过启发式算法进行超参数计算。若目标货运单中有k个提货点,以其中一个提货点Di为例,货物的总体积为Vi,总重量为Wi,一个集装箱能装载的最大体积为V,最大载重为W。
启发式算法的具体的算法流程可以包括:
首先计算全部装载完提货点Di的货物所需的最少车辆数,此处将一个车辆看作一个集装箱,min_car=Max(Vi/V,Wi/W);在计算出最少车辆min_car后,计算向上取整后的最少车辆数,min_car_ceiled=Ceil(min_car)。
然后计算提货点Di的能量系数PDi,该能量系数为提货点对应的多项分布的超参数,
若不存在保税仓,保税仓即需要交税才能出的仓库,且只能空的集装箱进入,提货点Di对应的多项式分布的超参数为:
港口对应的多项分布超参数为:
在实际场景中,提货点中还可能存在保税仓,若提货点中存在保税仓,假设该保税仓为Di,则将港口对应的多项式分布的超参数设置为:αPort=(ε(1),...,ε(i-1),1,ε(i+1)),提货点Di对应的超参数为1,其余提货点的超参数可以设置为ε,且该其余提货点对应的ε可以设置为一个非常小的数,例如,0.00001,0.0000001等。
在实际应用中,积累了大量的高质量历史路径数据,可以为超参数初始化提供有效的数据基础,本申请实施例提供的确定运输方案的方法可以使用历史路径数据进行超参数初始化,通过历史路径数据可以得到更准确的路径方案,并且可以提高后续得到路径方案的效率。
303、路径规划。
在提货点转移超参数初始化完成后,进行路径规划。需要对运输的路径进行规划,确定运输的路径方案以及集装箱的数量。超参数初始化完成后,可以得到提货点转移超参数矩阵,可以利用该提货点转移超参数矩阵生成提货点转移概率矩阵,包括港口与提货点之间,或提货点之间的转移概率分布。其中,转移概率为从一个港口转移到一个提货点或从一个提货点转移到另一个提货点的概率,可以基于历史路径数据得到,例如,如图8所示,从图中可知,从提货点A转移到提货点B的概率为0.2,从提货点A转移到提货点C的概率为0.6,以此类推。通过贝叶斯估计算法或启发式算法计算得到超参数矩阵后,本申请实施例可以使用Dirichlet分布取期望值的方式获取转移概率矩阵的估计值,取期望值得到转移概率矩阵。在实际应用中,若需要偏向与其中一条路径,则可以提高该条路径中的转移概率所占的权重,可以通过自行设置转移概率以提高该条路径中的转移概率所占的权重。
得到转移概率矩阵后,通过采样生成路径方案集合,即路径方案种群。采样得到路径方案的示例请参阅图9,通过转移概率矩阵可以获取到港口与提货点或提货点之间转移的概率,然后通过该转移概率矩阵确定路径方案集合。例如,当前起点为港口,首先进行步骤1,从港口选择下一个跳转点,通过采样计算,得到的转移概率为0.23,确定为提货点A,之后的提货点确定方式与确定提货点A类似,随后步骤2与步骤3依次确定提货点C以及港口,得到路径方案为:港口→提货点A→提货点C→港口。
可以通过计算得到每个方路径方案被选中的概率Pi,i表示第i个个体,即一个路径方案,可以通过评价函数对至少一个路径方案中的每个路径方案进行评价,具体计算个体概率的公式可以是:
其中,j表示第j个个体,n表示个体的总数,f(i)为个体的得分,该个体得分函数为个体评价步骤中的评价函数,将在步骤305的个体评价步骤中详细描述,此处不作阐述。因此,通过该个体概率的计算公式可知,路径方案被选中的概率与路径方案的评价有关,路径方案评价越高,被选中的概率越大,可以理解为,路径方案的评价越高,该路径方案越优。
然后基于计算得到的至少一个路径方案中的每个路径方案的概率,选出m个个体,更新路径方案集合,此外,除了更新路径方案集合,还可以对超参数矩阵进行更新,以便之后提高之后对超参数计算的效率,且若规划得到的路径评价都不高,则可以继续通过更新后的超参数矩阵继续进行路径规划,以得到更准确的路径方案。利用选出的该m个个体进行贝叶斯估计更新超参数矩阵,更新超参数矩阵的具体示例如图10所示,例如,m个个体中提货点A→提货点B的转移模式出现了1次,则对应超参数矩阵中从提货点A转移至提货点B的值加1,原始值为0.6,那么增加后的值为1.6,其他的转移计算以此类推。在更新完超参数矩阵后,若选出的m个个体中在经过整合评价后不存在合适的路径方案,则可以继续通过该超参数矩阵得到提货点转移概率矩阵,然后重新进行路径规划。
例如,在超参数初始化完成后,根据初始化后的提货点转移超参数得到提货点转移概率矩阵,并根据该提货点转移概率矩阵确定第一路径方案集合,该第一路径方案集合中包括至少一个路径方案,然后根据该第一路径方案集合中的每个路径方案进行货物分配,得到该第一路径方案集合中的每个路径方案的货物分配方案集合中的每个货物分配方案,之后对该第一路径方案集合中的每个路径方案以及该第一路径方案集合中的每个路径方案对应的第一路径方案集合中的每个路径方案进行整合评价,根据整合评价的结果未得到合适的目标运输方案,此时,可以根据第一路径方案集合中的每个路径方案,对提货点转移超参数进行更新,并通过更新后的提货点转移超参数获取更新后的提货点转移概率矩阵,根据更新后的提货点转移概率矩阵重新对运输路径进行规划,得到第二路径方案集合,该第二路径方案集合包括至少一个路径方案,之后再对该第二路径方案集合中的每个路径方案货物分配以及整合评价,以得到目标运输方案。
304、货物分配。
在进行路径规划,得到路径方案集合中的每个路径方案之后,可以对该路径方案集合中的每个路径方案中的每条运输路径进行货物分配,对路径方案集合中的每个路径方案中的每条运输路径进行货物分配,以得到每条运输中集装箱所装载的货物。
一个路径方案集合可以看作为一个种群,种群中的每个个体代表一个路径方案,当个体生成后,路径方案中的每条运输路径都已确认,因此所需的集装箱数量,以及每个集装箱的路径都已经确定,在实际应用中,可以看作集装箱与运输路径一一对应,以及集装箱与货运车一一对应。那么,此时还需要对装入集装箱中的货物进行分配,确定每个集装箱所装载的货物。
在对货物进行分配时,由于存在类型不相同的货物,例如,长度不同,宽度不同,高度不同,或重量不同等。因此无法用简单的分布来描述提货点的货物分配,本申请实施例可以将货物进行聚类,然后通过聚类对货物进行分配。聚类的参考条件可以是货物的长度、宽度、高度、重量、最小接触面积,材质以及承压系数等,为提高效率,可使用部分条件进行聚类,例如,可使用长度、宽度、高度以及重量进行聚类。其中,聚类可以包括精确聚类与模糊聚类。在本申请实施例中,以长度、宽度、高度以及重量进行聚类为例,精确聚类可以是将四个特征完全相同的货物归为一类,该聚类为小粒度的聚类方式,聚类的速度也快。以此种方式进行聚类,可以提高货物分配时的准确性。当精确聚类产生的货物类别数太大,例如,货物的长度可分为多个类别,宽度也可以分为多个类别等,会增加个体的运算成本。因此,当精确聚类的类别数量大于预置的阈值时,还可以通过K均值(k-means)聚类、高斯混合模型或层次聚类法等聚类算法进行聚类运算。在本申请实施中,通过聚类的方法对货物进行分类,在分类后对货物进行分配,可以提高后续得到货物装载方案的准确性。
例如,货物分配的示意图可以如图11所示,其中,每个提货点都有等待运输的货物,例如图11中A中的待运输货物的种类包括货物类1、货物类2或货物类mA,分别对应提货点第一货物分配超参数θA1、θA2以及然后通过采样对该每个提货点的待运输货物进行货物分配,为每个提货点都生成一个代表货物分配方式集合的类别种群,该类别种群中的个体即表示该提货点中的货物分配方式。例如,提货点A有两个集装箱经过,图11中,那么种群1中的个体就表示提货点A中的货物分配到该两个集装箱的方案,即表示每个类别的货物在每个集装箱上分配的数量。由于一个种群只能代表一个提货点的货物分配方式,不能代表完整的货物分配方案,因此,需要将所有提货点的货物分配方式进行结合,形成完整方案后才能对方案进行评价,即协同评价,以确定每个路径方案的货物分配方案。例如,在评价种群1中的个体时,需要种群2以及种群3都提供一个代表个体,种群1中的个体首先与种群2与种群3的代表个体合并成一个完整的货物分配方案,然后再执行评价的步骤。代表个体可以是在种群中随机选取的,也可以是种群中的最优个体,还可以是在随机选取进行多次整合后确定的最优个体。可以通过个体评价,即步骤305中的评价函数对货物分配方案进行评价,根据评价函数计算货物分配方案集合中的每个路径方案的得分,该评价函数将在以下步骤305的详细说明中介绍,此处不作阐述。
例如,以一个路径方案为例,在形成第一货物分配方案集合,并对第一货物分配方案集合中的每个货物分配方案进行评价进行打分后,若该第一货物分配方案中不包括得分高于第二阈值的货物分配方案,则可以通过得到的第一货物分配方案集合更新提货点的第一货物分配超参数,以得到提货点的第二货物分配超参数,并通过该第二货物分配超参数重新进行对待运输货物进行分配,并得到该路径方案对应的第二货物分配方案集合,继续对该第二货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标货物分配方案与对应的目标路径方案。在实际应用中,可以重复进行货物分配,直到达到停止条件,例如,迭代次数达到预置次数,整合评价的结果得分高于第二阈值的货物分配方案达到预置的数量等。确定目标货物分配方案后停止。
具体地,为提高本申请实施例中确定运输方案的方法的效率,在得到个体得分后,采用与路径规划303步骤中类似的算法进行个体选择概率的计算,然后根据个体选择概率选取n个个体,并以此更新各个提货点的原始提货点超参数矩阵,得到目标提货点的超参数矩阵。即在确定每个提货点的货物分配方案后,还可以包括进一步地进行学习的过程,可用于重复对货物进行分配。更新货物分配超参数的具体过程可以如图12所示,在确定n个货物分配方案,且确定该货物分配方案都能将货物装入集装箱后,通过该n个货物分配方案更新。例如,货物分配方案中,标号为1的为同一类别,标号为2的为同一类别,标号为3的为同一类别,类1,即类别1在第一个集装箱,即车1上分配了2个,则将对应的车1、类1的超参数加2,原始提货点超参数矩阵中车1、类1的超参数为1.0,那么加2后的目标提货点超参数矩阵中车1、类1的超参数为3.0,其他的类别以及集装箱超参数以此类推。
305、个体评价。
在完成货物分配,得到货物分配方案后,还需要进行个体评价,个体评价即对路径方案以及货物分配方案进行整合,进行对路径方案以及货物分配方案的评价。评价的指标包括:路径方案的路径长度,集装箱的实装率,集装箱的体积实装率与载重实装率的差值等。其中,路径方案的路径越短,代表车辆行驶的路径,即集装箱的运输路径越短,可以节省运输成本,提高运输效率;集装箱的实装率越大,即集装箱装载的货物越多,即相同货物所需集装箱的数量越少,也可以节约运输成本以及提高运输效率;集装箱的体积实装率与载重实装率差值不能超过阈值,例如,如图13所示,相同重量的货物,当其中一个集装箱的体积实装率为35%,载重实装率为95%,另一个集装箱的体积实装率为95%,载重实装率为35%,此外还有一个集装箱装载剩余的货物,因此需要3个集装箱;当其中一个集装箱的体积实装率为75%,载重实装率为85%,另一个集装箱的体积实装率为80%,载重实装率为75%,则仅需两个集装箱。因此,集装箱的体积实装率与载重实装率的差值越小,越可以节约集装箱资源。在实际应用中,集装箱的实装率可以由快速装载,即步骤306得到。
可以通过观察历史数据上的集装箱的装载记录,获取到实装率不均衡的集装箱,体积实装率与载重实装率都分布在货运单所有货物的平均体积实装率和平均载重实装率相宜的两侧,即其中, rVi为第i个集装箱的体积实装率,rWi为第i个集装箱的载重实装率。
因此,本申请实施例提供了一种评价函数,在评价路径的长度与集装箱的实装率的同时,还能对体积实装率与载重实装率的差值进行对比。
该评价函数为:其中,为路径方案向量,包括m个集装箱,为该m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;α,β与γ为权重参数,rVi为第i个集装箱的体积实装率,rWi为第i个集装箱的载重实装率,为该m个集装箱的平均体积实装率,为该m个集装箱的平均载重实装率。
可通过该评价函数对路径方案进行评价,筛选出一些无效或评价低的路径方案,更新路径方案集合。
306、快速装载。
在进行步骤305个体评价时,可以通过快速装载模型对路径方案集合中的每个路径方案进行快速装载仿真得到每个路径方案对应的货物分配方案集合中的每个路径方案的实装率。可以根据货物分配得到的货物分配方案,即装入集装箱的货物集合,快速得到该集装箱的实装率。快速装载模型为根据离线仿真数据308训练得到,该离线仿真数据包括通过三维装载得到的历史装载方案,该离线仿真数据可以通过离线仿真307得到,离线仿真307的步骤与在本申请实施例中确定目标运输方案的步骤类似。
在实际应用中,除了通过快速装载模型确认路径方案集合中每个路径方案进行快速装载得到至少一个路径方案中的每个路径方案对应的每个货物分配的实装率,还可以根据实装率对装入集装箱的货物进行估计,得到可行解,即判断每个货物是否能装入集装箱,若存在不能装入集装箱的剩余货物,则需要对剩余货物进行进一步地货物分配,以得到能够对待运输货物进行完整运输的目标运输方案。
因此,步骤304、步骤305与步骤306共同组成货物分配方案探索的步骤,该货物分配方案探索与步骤303组成路径方案探索的步骤,在确定目标运输方案,即目标运输路径与该目标运输路径对应的货物分配方案后,输出目标运输方案,科根据该目标运输方案对待运输货物进行运输。
在实际应用中,可以通过重复步骤303-步骤306得到目标路径方案与对应的目标货物分配方案,即目标运输方案,并通过该目标路径方案与对应的目标货物分配方案对待运输货物进行运输。
具体地,快速装载模型与装载方案的具体获取流程可以如图14所示,分为离线训练部分与在线预测部分。
首先对离线训练部分进行说明,具体如图14所示,通过离线仿真获取大量的高质量的离线仿真数据,对该离线仿真数据中特征抽取,即集装箱的货物分配方案转化为一组特征向量,利用从离线仿真数据训练预测模型,该预测模型用于输出输入数据的体积实装率与载重实装率。该预测模型可以包括:线性回归模型,岭回归模型,LASSO模型,支持向量机模型,随机森林模型,XgBoost模型或人工神经网络模型等。
离线训练与在线预测都需要进行特征抽取,离线训练与在线预测的特征抽取过程类似,区别在于离线训练是从离线仿真数据中抽取特征,在线预测是从分配给集装箱的货物集合,即从每个货物分配方案中抽取特征。抽取特征的具体流程包括,首先抽取单个货物的特征,得到单个货物的特征向量,即第二特征向量,该单个货物的特征包括:货物的长度、宽度、高度以及重量,此外还可以包括最小接触面积,材质,承压系数等。其中,由于材质与承压系数是类别型变量,即与货物的类别有关系,且与类别维度不大,因此本申请实施例中可以采用one-hot编码方式来表示材质与承压系数。例如,有4种材质,其中一个货物属于材质1,则以one-hot编码方式的形式标识为:(1,0,0,0)。
在得到单个货物的特征向量后,接下来获取一个提货点中被分配的货物集合的特征向量即第三特征向量,该可以包括:货物特征量的均值和协方差,以及各材质货物的数量和该提货点的量化值ti。
接下来对集装箱经过各提货点的进行加权组合,得到最终的特征向量,即该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量 其中,n表示提货点的数量,ri表示提货点i在路径方案中的顺序的量化值,ri与ti为基于历史路径的数据,由对应分析的方法进行分析得到。
在离线训练时,将离线仿真数据中的每项历史装载方案数据都转换为预置格式的训练数据,该预置格式可以是(特征向量,实装率),然后进行模型训练,以得到快速装载模型。需要训练两个模型,包括一个预测体积实装率的模型以及预测载重实装率的模型,即快速装载模型包括预测体积实装率的模型以及预测载重实装率的模型。
在进行在线预测时,将分配给集装箱的货物集合转换为预置格式的特征向量,然后输入训练好的模型中,得到对应的输出值。
在实际应用中,分配给集装箱的货物存在不能装入集装箱的情况,且在更新超参数时,只能考虑装入集装箱的部分,即可行解,用装入的货物数量来更新超参数。货物分配时确定的货物分配方案中包括装入集装箱的货物集合,实装率预测模型只能预测该货物集合的实装率,而无法确定该货物集合中的货物能否装入集装箱。因此需要根据实装率的信息预估能装入集装箱的货物集合,在本申请实施例中,可以使用线性规划来实现该问题。
例如,有n个货物分配至一个集装箱,第i个货物的体积为vi,重量为wi,pi为第i个货物能装入集装箱的概率,由实装率预测模型输出的体积实装率为rv,载重实装率为rw,装入集装箱的货物的体积与重量的预测值分别为V和W,可以定义线性规划为:
求解以上公式可以得到一组pi,按照pi由大到小的顺序货物集合中的货物进行排序,然后按照顺序依次取货物,知道去除的货物总体积超过V,或总重量超过W,则给出的货物集合即为一个可行解的估计,即可装入集装箱的货物。
在本申请实施例中,在线仿真得到可行解后,还可以进行后期处理,即在确定目标运输方案之后,还可以进一步确定合适的集装箱型号并生成最终装载方案。例如,可以使用集装箱的箱型可以是40HQ,利用图3中的货物分配探索与路径方案探索可以获取到每个集装箱装载的货物体积与重量,则可以选择的箱型的体积与载重不能小于货物的体积与重量。在实际应用中,确定集装箱的箱型之后,也可以利用三维装载确定待运输货物在集装箱内的最终装载方案,以便将所有货物准确地装入集装箱中,提高实际装载货物时对货物进行装载的效率,该集装箱的箱型可以选择能够成功装入且成本最低的型号,以降低集装箱的成本。
若没有剩余的货物,即无法装入集装箱的货物,则确定的合适箱型与最终装载方案为完整方案,若有剩余的货物,即存在无法装入集装箱的货物,则可以将剩余的货物重新生成一个虚拟货运单,重复进行货物分配方案的探索,得到对剩余货物的运输方案,以完成剩余的货物的运输。
在本申请实施例中,训练快速装载模型的离线仿真数据可以由离线仿真得到,离线仿真的具体流程与在线仿真类似,区别包括,离线仿真使用历史货运单进行仿真,在线仿真使用当前货运单进行仿真;离线仿真使用三维装载生成装载方案,在线仿真通过离线训练的快速装载输出实装率等,具体请参阅图15,本申请实施例中确定运输方案的方法的另一种实施例示意图。
在实际应用中,由于在线仿真的中间数据占用内存大,无法进行保存,因此在进行离线训练快速装载模型时,需要对历史货运单重新进行路径规划、货物分配以及个体评价的步骤。在进行离线仿真时,首先获取历史货运单,该历史货运单中包括历史提货点信息以及历史待运输货物的信息,然后根据该历史货运单进行路径规划,以得到该历史货运单对应的历史路径方案,然后根据该历史路径方案进行货物分配得到每个历史路径方案对应的历史货物分配方案集合,之后通过三维装载运算得到么给了是路径方案对应的历史货物分配方案集合中每个货物分配方案的实装率以及装载方式,然后根据每个货物分配方案的实装率对该至少一个历史路径方案中的每个路径方案以及对应的历史货物分配方案集合中的每个货物分配方案进行整合评价,得到历史运输方案。
其中,离线仿真中的步骤包括,超参数初始化、路径规划、货物分配以及个体评价的步骤与前述图3中在线仿真的超参数初始化、路径规划、货物分配以及个体评价的步骤类似,具体此处不再赘述。下面对离线仿真与在线仿真的区别步骤进行阐述。
在离线仿真时,为得到更准确的数据,可以使用三维装载算法进行实装率的计算,即得到具体的装载方式。当进行货物分配完成货物的分发,即为集装箱分配货物后,即可使用三维装载运算得到集装箱的体积实装率与载重实装率,并可使用该体积实装率与载重实装率对路径方案进行评价,对路径方案进行评价的步骤与前述图3中的个体评价步骤305类似。本申请实施例可以使用基于Corner Point和Extreme Point的启发式算法完成货物的模拟装载,如图16所示,在装载货物之前,首先会确定集装箱的空间状态,然后获取一系列的候选放置点,之后会逐一进行尝试放置,直到找到合适的放置点。与Corner Point算法相比,Extreme Point算法因会扫描被货物架空的区域,因此会产生更多的候选点,可以得到精确的实装率与装载方案,可以提高集装箱的使用率。
而三维装载时一个序列过程,即只能按顺序对货物进行模拟装载,不能并行处理多个货物,因此在货物较多时,需要耗费更多的时间进行模拟装载,因此,本申请实施例在离线仿真与后期处理时使用三维装载仿真,可以提高得到货物装载方案以及输出实装率的效率,在离线仿真时使用三维装载算法对实装率进行计算,可以得到更准确的实装率,在后期处理时使用三维装载算法得到装载方案,可以在运输时获知货物的装载方式,提高运输的效率。
前述对本申请实施例提供的确定运输路径的方法进行了详细说明,下面对本申请实施例提供的装置进行说明,首先对确定装置进行说明,请参阅图17,该确定装置可以包括:
获取模块1701,用于获取至少一个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,该至少一个路径方案中的每个路径方案为针对待运输货物进行运输而规划的运输路径,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合包括至少一个货物分配方案,该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;
快速装载模块1702,用于根据快速装载模型确定该至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,该快速装载模型为通过离线仿真数据进行离线训练得到,该离线仿真数据包括通过三维装载算法计算得到的历史装载方案,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;
评价模块1703,通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
可选地,在一些可能的实施方式中,该获取模块1701,可以包括:
获取子模块17011,用于获取目标货运单,该目标货运单包括运输节点信息以及待运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该待运输货物信息包括分布在该M个提货点的该待运输货物的信息,该M为正整数;
路径规划子模块17012,用于根据该运输节点信息确定该至少一个路径方案,该至少一个路径方案中的每个路径方案包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及该M个提货点中N个提货点,该至少一个路径方案中的每个路径方案均覆盖该M个提货点,该N为正整数,且N≤M;
货物分配子模块17013,用于为该至少一个路径方案中的每个路径方案中的每条运输路径进行该待运输货物的分配,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
可选地,在一些可能的实施方式中,该路径规划子模块17012,具体用于:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;
根据该转移概率分布确定该至少一个路径方案中的每个路径方案中的每条运输路径,以得到该至少一个路径方案。
可选地,在一些可能的实施方式中,该确定装置还可以包括:
初始化模块1704,用于若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
可选地,在一些可能的实施方式中,该货物分配子模块17013,具体用于:
对该M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件包括货物的长度、宽度、高度以及重量;
通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
可选地,在一些可能的实施方式中,该快速装载模块1702,具体用于:
获取该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,该第一特征向量用于指示某一货物分配方案中待运输货物的特征值;
将该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第一特征向量输入该快速装载模型中,以得到该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,该实装率包括体积实装率与载重实装率,该体积实装率包括该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的体积占用集装箱荷载体积的比例,该载重实装率该至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的重量占用集装箱的荷重的比例。
可选地,在一些可能的实施方式中,该快速装载模块1702,具体用于:
获取该待运输货物中的每个货物的第二特征向量,该待运输货物中的每个货物的第二特征向量包括对应货物的长度、宽度、高度以及重量;
根据该待运输货物中每个货物的第二特征向量计算出该M个提货点中的每个提货点分布的货物针对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量包括该待运输货物中的每个货物的第二特征向量的均值与协方差;
对该至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量进行加权组合得到对应的该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
可选地,在一些可能的实施方式中,其特征在于,该评价模块1703,具体用于:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;
若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;
通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
可选地,在一些可能的实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
可选地,在一些可能的实施方式中,该评价模块1703,还用于:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案,该至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该待运输货物进行分配的方案;
通过该评价函数以及该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率,对该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率由该快速装载模型得到。
可选地,在一些可能的实施方式中,该确定装置还可以包括:
后期处理模块1705,用于通过该实装率对该至少一个路径方案中的每个路径方案与该至少一个路径方案中的每个路径方案的货物分配方案进行整合评价,以确定目标运输方案之后,根据该目标货物分配方案和该目标路径方案,确定该目标路径方案中每条运输路径的集装箱的型号;
三维装载模块1706,用于根据该后期处理模块1705确定的该目标路径方案中每条运输路径的集装箱的型号以及三维装载算法生成装载方案,该装载方案为该待运输货物在该目标路径方案中每条运输路径中的集装箱内的装载方式。
可选地,在一些可能的实施方式中,该确定装置还可以包括:
确定模块1707,在该通过该实装率对该至少一个路径方案中的每个路径方案以及该至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,用于若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该评价模块1703,还用于通过该实装率对该至少一个路径方案中的每个路径方案与对应的第一货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
下面对本申请实施例中的训练装置进行说明,请参阅图18,本申请实施例中训练装置的一个实施例示意图,可以包括:
获取模块1801,用于获取离线仿真数据,该离线仿真数据包括通过三维装载计算得到的历史装载方案与历史实装率;
该获取模块1801,还用于从该离线仿真数据中获取特征向量,该特征向量包括该历史装载方案对应的历史运输货物的特征值;
转换模块1802,用于将该特征向量转换为预置格式的训练数据;
训练模块1803,用于通过该训练数据训练预测模型,以得到快速装载模型,该快速装载模型用于输出每个运输路径的货物分配方案集合中每个货物分配方案的实装率,该实装率为该每个货物分配方案中装入集装箱的货物占用该集装箱的比例。
可选地,在一些可能的实施方式中,该预置格式为:(特征向量,历史实装率)。
结合本申请第四方面或本申请第四方面的第一种实施方式,在本申请第四方面的第二种实施方式中,该预测模型包括:线性回归模型、岭回归模型、LASSO模型、支持向量机模型、随机森林模型、XgBoost模型或人工神经网络模型。
可选地,在一些可能的实施方式中,该获取模块1801,可以包括:
获取子模块18011,用于获取至少一个历史路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合,该至少一个历史路径方案中的每个路径方案为针对历史运输货物进行运输而规划的运输路径,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合包括至少一个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;
三维装载子模块18012,用于根据三维装载算法确定该至少一个历史路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,该实装率为某一货物分配方案中装入集装箱的货物占用该集装箱的比例;
评价子模块18013,通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,该目标运输方案包括目标路径方案与该目标路径方案对应的目标货物分配方案。
在本申请实施例中,可以在训练快速装载模型时使用三维装载算法进行计算,得到历史路径方案对应历史装载方案,可以准确输出历史路径方案对应的货物分配方案的实装率。
可选地,在一些可能的实施方式中,该获取子模块18011,包括:
获取单元180111,用于获取历史货运单,该历史货运单包括运输节点信息以及历史运输货物信息,该运输节点信息包括货运起点、货运终点以及M个提货点,该历史运输货物信息包括分布在该M个提货点的该历史运输货物的信息,该M为正整数;
路径规划单元180112,用于根据该运输节点信息确定该至少一个历史路径方案,该至少一个历史路径方案中的每个路径方案包括至少一条运输路径,该至少一条运输路径中的每条运输路径包括货运起点、货运终点以及该M个提货点中N个提货点,该至少一个历史路径方案中的每个路径方案均覆盖该M个提货点,该N为正整数,且N≤M;
货物分配单元180113,用于为该至少一个历史路径方案中的每个路径方案中的每条运输路径进行该历史运输货物的分配,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
可选地,在一些可能的实施方式中,该路径规划单元180112,具体用于:
若历史路径数据的数量大于第一阈值,则基于该历史路径数据对该M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过该超参数矩阵确定该M个提货点的转移概率分布,该转移概率分布包括运输路径中的集装箱在该货运起点与该M个提货点之间、该货运终点与该M个提货点之间或该M个提货点之间的转移概率;
根据该转移概率分布确定该至少一个历史路径方案中的每个路径方案中的每条运输路径,以得到该至少一个历史路径方案。
结合本申请第四方面的第四种实施方式,在本申请第四方面的第六种实施方式中,该训练装置还包括:
初始化模块1804,用于若该历史路径数据的数量不大于该第一阈值,则基于启发式算法对该M个提货点的转移超参数进行初始化,以得到该超参数矩阵。
可选地,在一些可能的实施方式中,该货物分配单元180113,具体用于:
对该M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,该聚类条件包括货物的长度、宽度、高度以及重量;
通过该M个提货点中每个提货点的第一货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第一货物分配方式集合,该M个提货点中每个提货点的第一货物分配超参数为对该M个提货点中每个提货点进行货物分配的超参数,该M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从该M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案。
可选地,在一些可能的实施方式中,该评价子模块18013,具体用于:
通过预置的评价函数以及该实装率,对所获取到的所有货物分配方案进行得分计算;
若该所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从该得分高于该第二阈值的货物分配方案中确定该目标货物分配方案,以及将该目标货物分配方案对应的路径方案作为该目标路径方案;
通过该目标货物分配方案与该目标路径方案确定该目标运输方案。
结合本申请第四方面的第七种实施方式,在本申请第四方面的第八种实施方式中,该评价函数包括:
其中,该为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为该m个集装箱的载重实装率向量;该α、该β与该γ为权重参数,该rVi为第i个集装箱的体积实装率,该rWi为第i个集装箱的载重实装率,该为该m个集装箱的平均体积实装率,该为该m个集装箱的平均载重实装率。
可选地,在一些可能的实施方式中,该评价子模块18013,还用于:
若该所有货物分配方案中不包括得分高于该第二阈值的货物分配方案,则通过该M个提货点中每个提货点的第二货物分配超参数对该聚类结果进行采样计算,以得到该M个提货点中每个提货点的第二货物分配方式集合,该M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,该M个提货点中每个提货点的第二货物分配超参数为通过该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案对该M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从该M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案,该至少一个历史路径方案中的每个路径方案对应的第二历史货物分配方案集合中的每个货物分配方案为针对对应的路径方案对该历史运输货物进行分配的方案;
通过该评价函数以及该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率,对该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案进行得分计算,该至少一个历史路径方案中的每个路径方案的第二历史货物分配方案集合中的每个货物分配方案的实装率由该三维装载子模型得到。
应理解,对货物分配方案进行重复分配时,还可以重新对路径方案进行规划,也可以直接通过该至少一个历史路径方案重新进行货物分配。
可选地,在一些可能的实施方式中,该训练装置还包括:
确定模块1805,在该通过该实装率对该至少一个历史路径方案中的每个路径方案以及该至少一个历史路径方案中的每个路径方案对应的第一历史货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,用于若该实装率确定该M个提货点中的L个提货点还包括未分配到该集装箱的剩余货物,则为该剩余货物确定剩余货物路径方案和剩余货物分配方案,该L≤该M,该L为正整数;
该评价子模块18013,还用于通过该实装率对该至少一个历史路径方案中的每个路径方案与对应的第一历史货物分配方案集合中的每个货物分配方案,以及该剩余货物路径方案和该剩余货物分配方案进行整合评价,以确定目标运输方案。
图19是本申请实施例提供的一种确定装置结构示意图,该确定装置1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对确定装置中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在确定装置1900上执行存储介质1930中的一系列指令操作。
确定装置1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述图2-图16的实施例中确定运输方案的方法中的步骤可以基于该图19所示的确定装置结构执行。
图20是本申请实施例提供的一种训练装置结构示意图,该训练装置2000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)2022(例如,一个或一个以上处理器)和存储器2032,一个或一个以上存储应用程序2042或数据2044的存储介质2030(例如一个或一个以上海量存储设备)。其中,存储器2032和存储介质2030可以是短暂存储或持久存储。存储在存储介质2030的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练装置中的一系列指令操作。更进一步地,中央处理器2022可以设置为与存储介质2030通信,在训练装置2000上执行存储介质2030中的一系列指令操作。
训练装置2000还可以包括一个或一个以上电源2026,一个或一个以上有线或无线网络接口2050,一个或一个以上输入输出接口2058,和/或,一个或一个以上操作系统2041,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述图2-图16的实施例中由进行离线训练的步骤可以基于该图20所示的训练装置结构执行。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例图2至图16所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (31)
1.一种确定运输方案的方法,其特征在于,包括:
获取至少一个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,所述至少一个路径方案中的每个路径方案为针对待运输货物进行运输而规划的运输路径,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合包括至少一个货物分配方案,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案为针对对应的路径方案对所述待运输货物进行分配的方案;
根据快速装载模型确定所述至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,所述快速装载模型为通过离线仿真数据进行离线训练得到,所述离线仿真数据包括通过三维装载算法计算得到的历史装载方案,所述实装率为某一货物分配方案中装入集装箱的货物占用所述集装箱的比例;
通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,所述目标运输方案包括目标路径方案与所述目标路径方案对应的目标货物分配方案。
2.根据权利要求1所述的方法,其特征在于,所述获取至少一个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,包括:
获取目标货运单,所述目标货运单包括运输节点信息以及待运输货物信息,所述运输节点信息包括货运起点、货运终点以及M个提货点,所述待运输货物信息包括分布在所述M个提货点的所述待运输货物的信息,所述M为正整数;
根据所述运输节点信息确定所述至少一个路径方案,所述至少一个路径方案中的每个路径方案包括至少一条运输路径,所述至少一条运输路径中的每条运输路径包括货运起点、货运终点以及所述M个提货点中N个提货点,所述至少一个路径方案中的每个路径方案均覆盖所述M个提货点,所述N为正整数,且N≤M;
为所述至少一个路径方案中的每个路径方案中的每条运输路径进行所述待运输货物的分配,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运输节点信息确定所述至少一个路径方案,包括:
若历史路径数据的数量大于第一阈值,则基于所述历史路径数据对所述M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过所述超参数矩阵确定所述M个提货点的转移概率分布,所述转移概率分布包括运输路径中的集装箱在所述货运起点与所述M个提货点之间、所述货运终点与所述M个提货点之间或所述M个提货点之间的转移概率;
根据所述转移概率分布确定所述至少一个路径方案中的每个路径方案中的每条运输路径,以得到所述至少一个路径方案。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述历史路径数据的数量不大于所述第一阈值,则基于启发式算法对所述M个提货点的转移超参数进行初始化,以得到所述超参数矩阵。
5.根据权利要求2所述的方法,其特征在于,所述为所述至少一个路径方案中的每个路径方案中的每条运输路径进行所述待运输货物的分配,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案,包括:
对所述M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,所述聚类条件包括货物的长度、宽度、高度以及重量;
通过所述M个提货点中每个提货点的第一货物分配超参数对所述聚类结果进行采样计算,以得到所述M个提货点中每个提货点的第一货物分配方式集合,所述M个提货点中每个提货点的第一货物分配超参数为对所述M个提货点中每个提货点进行货物分配的超参数,所述M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从所述M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
6.根据权利要求2所述的方法,其特征在于,所述根据快速装载模型确定所述至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,包括:
获取所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,所述第一特征向量用于指示某一货物分配方案中待运输货物的特征值;
将所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第一特征向量输入所述快速装载模型中,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,所述实装率包括体积实装率与载重实装率,所述体积实装率包括所述至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的体积占用集装箱荷载体积的比例,所述载重实装率所述至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的重量占用集装箱的荷重的比例。
7.根据权利要求6所述的方法,其特征在于,所述获取所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,包括:
获取所述待运输货物中的每个货物的第二特征向量,所述待运输货物中的每个货物的第二特征向量包括对应货物的长度、宽度、高度以及重量;
根据所述待运输货物中每个货物的第二特征向量计算出所述M个提货点中的每个提货点分布的货物针对所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量包括所述待运输货物中的每个货物的第二特征向量的均值与协方差;
对所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量进行加权组合得到对应的所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,包括:
通过预置的评价函数以及所述实装率,对所获取到的所有货物分配方案进行得分计算;
若所述所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从所述得分高于所述第二阈值的货物分配方案中确定所述目标货物分配方案,以及将所述目标货物分配方案对应的路径方案作为所述目标路径方案;
通过所述目标货物分配方案与所述目标路径方案确定所述目标运输方案。
9.根据权利要求8所述的方法,其特征在于,所述评价函数包括:
其中,所述为路径方案向量,m为集装箱的数量,为m个集装箱的体积实装率向量,为所述m个集装箱的载重实装率向量;所述α、所述β与所述γ为权重参数,所述rVi为第i个集装箱的体积实装率,所述rWi为第i个集装箱的载重实装率,所述为所述m个集装箱的平均体积实装率,所述为所述m个集装箱的平均载重实装率。
10.根据权利要求8或9所述的方法,其特征在于,所述方法还包括:
若所述所有货物分配方案中不包括得分高于所述第二阈值的货物分配方案,则通过所述M个提货点中每个提货点的第二货物分配超参数对所述聚类结果进行采样计算,以得到所述M个提货点中每个提货点的第二货物分配方式集合,所述M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,所述M个提货点中每个提货点的第二货物分配超参数为通过所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案对所述M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从所述M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到所述至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案,所述至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案为针对对应的路径方案对所述待运输货物进行分配的方案;
通过所述评价函数以及所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率,对所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案进行得分计算,所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率由所述快速装载模型得到。
11.根据权利要求1至10任一项所述的方法,其特征在于,所述通过所述实装率对所述至少一个路径方案中的每个路径方案与所述至少一个路径方案中的每个路径方案的货物分配方案进行整合评价,以确定目标运输方案之后,所述方法还包括:
根据所述目标货物分配方案和所述目标路径方案,确定所述目标路径方案中每条运输路径的集装箱的型号;
根据所述目标路径方案中每条运输路径的集装箱的型号以及三维装载算法生成装载方案,所述装载方案为所述待运输货物在所述目标路径方案中每条运输路径中的集装箱内的装载方式。
12.根据权利要求1至11中任一项所述的方法,其特征在于,在所述通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,所述方法还包括:
若所述实装率确定所述M个提货点中的L个提货点还包括未分配到所述集装箱的剩余货物,则为所述剩余货物确定剩余货物路径方案和剩余货物分配方案,所述L≤所述M,所述L为正整数;
所述通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,包括:
通过所述实装率对所述至少一个路径方案中的每个路径方案与对应的第一货物分配方案集合中的每个货物分配方案,以及所述剩余货物路径方案和所述剩余货物分配方案进行整合评价,以确定目标运输方案。
13.一种训练快速装载模型的方法,其特征在于,包括:
获取离线仿真数据,所述离线仿真数据包括通过三维装载计算得到的历史装载方案与历史实装率;
从所述离线仿真数据中获取特征向量,所述特征向量包括所述历史装载方案对应的历史运输货物的特征值;
将所述特征向量装换为预置格式的训练数据;
通过所述训练数据训练预测模型,以得到快速装载模型,所述快速装载模型用于输出每个运输路径的货物分配方案集合中每个货物分配方案的实装率,所述实装率为所述每个货物分配方案中装入集装箱的货物占用所述集装箱的比例。
14.根据权利要求13所述的方法,其特征在于,所述预置格式为:特征向量,历史实装率。
15.根据权利要求13或14所述的方法,其特征在于,所述预测模型包括:线性回归模型、岭回归模型、LASSO模型、支持向量机模型、随机森林模型、XgBoost模型或人工神经网络模型。
16.一种确定装置,其特征在于,包括:
获取模块,用于获取至少一个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合,所述至少一个路径方案中的每个路径方案为针对待运输货物进行运输而规划的运输路径,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合包括至少一个货物分配方案,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案为针对对应的路径方案对所述待运输货物进行分配的方案;
快速装载模块,用于根据快速装载模型确定所述至少一个路径方案中的每个路径方案对应的第一货物分配集合中的每个货物分配方案的实装率,所述快速装载模型为通过离线仿真数据进行离线训练得到,所述离线仿真数据包括通过三维装载算法计算得到的历史装载方案,所述实装率为某一货物分配方案中装入集装箱的货物占用所述集装箱的比例;
评价模块,通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案,其中,所述目标运输方案包括目标路径方案与所述目标路径方案对应的目标货物分配方案。
17.根据权利要求16所述的确定装置,其特征在于,所述获取模块,包括:
获取子模块,用于获取目标货运单,所述目标货运单包括运输节点信息以及待运输货物信息,所述运输节点信息包括货运起点、货运终点以及M个提货点,所述待运输货物信息包括分布在所述M个提货点的所述待运输货物的信息,所述M为正整数;
路径规划子模块,用于根据所述运输节点信息确定所述至少一个路径方案,所述至少一个路径方案中的每个路径方案包括至少一条运输路径,所述至少一条运输路径中的每条运输路径包括货运起点、货运终点以及所述M个提货点中N个提货点,所述至少一个路径方案中的每个路径方案均覆盖所述M个提货点,所述N为正整数,且N≤M;
货物分配子模块,用于为所述至少一个路径方案中的每个路径方案中的每条运输路径进行所述待运输货物的分配,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
18.根据权利要求17所述的确定装置,其特征在于,所述路径规划子模块,具体用于:
若历史路径数据的数量大于第一阈值,则基于所述历史路径数据对所述M个提货点的转移超参数进行初始化,以得到超参数矩阵;
通过所述超参数矩阵确定所述M个提货点的转移概率分布,所述转移概率分布包括运输路径中的集装箱在所述货运起点与所述M个提货点之间、所述货运终点与所述M个提货点之间或所述M个提货点之间的转移概率;
根据所述转移概率分布确定所述至少一个路径方案中的每个路径方案中的每条运输路径,以得到所述至少一个路径方案。
19.根据权利要求18所述的确定装置,其特征在于,所述确定装置还包括:
初始化模块,用于若所述历史路径数据的数量不大于所述第一阈值,则基于启发式算法对所述M个提货点的转移超参数进行初始化,以得到所述超参数矩阵。
20.根据权利要求17所述的确定装置,其特征在于,所述货物分配子模块,具体用于:
对所述M个提货点中每个提货点的货物根据聚类条件进行聚类,以得到聚类结果,所述聚类条件包括货物的长度、宽度、高度以及重量;
通过所述M个提货点中每个提货点的第一货物分配超参数对所述聚类结果进行采样计算,以得到所述M个提货点中每个提货点的第一货物分配方式集合,所述M个提货点中每个提货点的第一货物分配超参数为对所述M个提货点中每个提货点进行货物分配的超参数,所述M个提货点中每个提货点的第一货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式;
从所述M个提货点中每个提货点的第一货物分配方式集合中分别选取货物分配方式进行结合,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案。
21.根据权利要求17所述的确定装置,其特征在于,所述快速装载模块,具体用于:
获取所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量,所述第一特征向量用于指示某一货物分配方案中待运输货物的特征值;
将所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第一特征向量输入所述快速装载模型中,以得到所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中每个货物分配方案的实装率,所述实装率包括体积实装率与载重实装率,所述体积实装率包括所述至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的体积占用集装箱荷载体积的比例,所述载重实装率所述至少一个路径方案中的每个路径方案中的每条运输路径所分配的货物的重量占用集装箱的荷重的比例。
22.根据权利要求21所述的确定装置,其特征在于,所述快速装载模块,具体用于:
获取所述待运输货物中的每个货物的第二特征向量,所述待运输货物中的每个货物的第二特征向量包括对应货物的长度、宽度、高度以及重量;
根据所述待运输货物中每个货物的第二特征向量计算出所述M个提货点中的每个提货点分布的货物针对所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量,所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量包括所述待运输货物中的每个货物的第二特征向量的均值与协方差;
对所述至少一个路径方案中的每个路径方案对应的第一货物分配方案中的每个货物分配方案的第三特征向量进行加权组合得到对应的所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案的第一特征向量。
23.根据权利要求16-22中任一项所述的确定装置,其特征在于,所述评价模块,具体用于:
通过预置的评价函数以及所述实装率,对所获取到的所有货物分配方案进行得分计算;
若所述所有货物分配方案中包括得分高于第二阈值的货物分配方案,则从所述得分高于所述第二阈值的货物分配方案中确定所述目标货物分配方案,以及将所述目标货物分配方案对应的路径方案作为所述目标路径方案;
通过所述目标货物分配方案与所述目标路径方案确定所述目标运输方案。
24.根据权利要求23所述的确定装置,其特征在于,所述评价函数包括:
其中,所述为路径方案向量,
m为集装箱的数量,为m个集装箱的体积实装率向量,为所述m个集装箱的载重实装率向量;所述α、所述β与所述γ为权重参数,所述rVi为第i个集装箱的体积实装率,所述rWi为第i个集装箱的载重实装率,所述为所述m个集装箱的平均体积实装率,所述为所述m个集装箱的平均载重实装率。
25.根据权利要求23或24所述的确定装置,其特征在于,所述评价模块,还用于:
若所述所有货物分配方案中不包括得分高于所述第二阈值的货物分配方案,则通过所述M个提货点中每个提货点的第二货物分配超参数对所述聚类结果进行采样计算,以得到所述M个提货点中每个提货点的第二货物分配方式集合,所述M个提货点中每个提货点的第二货物分配方式集合中的每个货物分配方式为针对对应的路径方案对分布在提货点的货物进行分配的方式,所述M个提货点中每个提货点的第二货物分配超参数为通过所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案对所述M个提货点中每个提货点的第一货物分配超参数进行更新得到;
从所述M个提货点中每个提货点的第二货物分配方式集合中分别选取货物分配方式进行结合,以得到所述至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案,所述至少一个路径方案中的每个路径方案对应的第二货物分配方案集合中的每个货物分配方案为针对对应的路径方案对所述待运输货物进行分配的方案;
通过所述评价函数以及所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率,对所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案进行得分计算,所述至少一个路径方案中的每个路径方案的第二货物分配方案集合中的每个货物分配方案的实装率由所述快速装载模型得到。
26.根据权利要求16至25任一项所述的确定装置,其特征在于,所述确定装置还包括:
后期处理模块,用于通过所述实装率对所述至少一个路径方案中的每个路径方案与所述至少一个路径方案中的每个路径方案的货物分配方案进行整合评价,以确定目标运输方案之后,根据所述目标货物分配方案和所述目标路径方案,确定所述目标路径方案中每条运输路径的集装箱的型号;
三维装载模块,用于根据所述后期处理模块确定的所述目标路径方案中每条运输路径的集装箱的型号以及三维装载算法生成装载方案,所述装载方案为所述待运输货物在所述目标路径方案中每条运输路径中的集装箱内的装载方式。
27.根据权利要求16至26中任一项所述的确定装置,其特征在于,所述确定装置还包括:
确定模块,在所述通过所述实装率对所述至少一个路径方案中的每个路径方案以及所述至少一个路径方案中的每个路径方案对应的第一货物分配方案集合中的每个货物分配方案进行整合评价,以确定目标运输方案之前,用于若所述实装率确定所述M个提货点中的L个提货点还包括未分配到所述集装箱的剩余货物,则为所述剩余货物确定剩余货物路径方案和剩余货物分配方案,所述L≤所述M,所述L为正整数;
所述评价模块,还用于通过所述实装率对所述至少一个路径方案中的每个路径方案与对应的第一货物分配方案集合中的每个货物分配方案,以及所述剩余货物路径方案和所述剩余货物分配方案进行整合评价,以确定目标运输方案。
28.一种训练装置,其特征在于,包括:
获取模块,用于获取离线仿真数据,所述离线仿真数据包括通过三维装载计算得到的历史装载方案与历史实装率;
所述获取模块,还用于从所述离线仿真数据中获取特征向量,所述特征向量包括所述历史装载方案对应的历史运输货物的特征值;
转换模块,用于将所述特征向量转换为预置格式的训练数据;
训练模块,用于通过所述训练数据训练预测模型,以得到快速装载模型,所述快速装载模型用于输出每个运输路径的货物分配方案集合中每个货物分配方案的实装率,所述实装率为所述每个货物分配方案中装入集装箱的货物占用所述集装箱的比例。
29.根据权利要求28所述的训练装置,其特征在于,所述预置格式为:(特征向量,历史实装率)。
30.根据权利要求28或29所述的训练装置,其特征在于,所述预测模型包括:线性回归模型、岭回归模型、LASSO模型、支持向量机模型、随机森林模型、XgBoost模型或人工神经网络模型。
31.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-15中任意一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118531.9A CN109902987B (zh) | 2018-02-06 | 2018-02-06 | 确定运输方案的方法、训练快速装载模型的方法及设备 |
PCT/CN2018/108534 WO2019153759A1 (zh) | 2018-02-06 | 2018-09-29 | 确定运输方案的方法、训练快速装载模型的方法及设备 |
EP18905663.3A EP3739530A4 (en) | 2018-02-06 | 2018-09-29 | METHOD FOR DETERMINING A TRANSPORT SCHEME, AND METHOD AND DEVICE FOR LEARNING A QUICK LOADING MODEL |
US16/986,508 US20200364664A1 (en) | 2018-02-06 | 2020-08-06 | Method for determining transportation scheme, method for training fast loading model, and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118531.9A CN109902987B (zh) | 2018-02-06 | 2018-02-06 | 确定运输方案的方法、训练快速装载模型的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902987A true CN109902987A (zh) | 2019-06-18 |
CN109902987B CN109902987B (zh) | 2023-12-08 |
Family
ID=66943197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810118531.9A Active CN109902987B (zh) | 2018-02-06 | 2018-02-06 | 确定运输方案的方法、训练快速装载模型的方法及设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200364664A1 (zh) |
EP (1) | EP3739530A4 (zh) |
CN (1) | CN109902987B (zh) |
WO (1) | WO2019153759A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178810A (zh) * | 2019-12-31 | 2020-05-19 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111709576A (zh) * | 2020-06-15 | 2020-09-25 | 深圳市前海沃德太客供应链技术有限公司 | 一种运输信息处理系统 |
CN111784265A (zh) * | 2020-07-29 | 2020-10-16 | 上汽安吉物流股份有限公司 | 整车物流运输智能配载系统及方法 |
CN111898954A (zh) * | 2020-07-31 | 2020-11-06 | 沙师弟(重庆)网络科技有限公司 | 一种基于改进高斯混合模型聚类的车辆匹配方法 |
CN112183954A (zh) * | 2020-09-10 | 2021-01-05 | 华为技术有限公司 | 一种获取货物的装载方案的方法和装置 |
CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
CN112365207A (zh) * | 2020-11-10 | 2021-02-12 | 上海汽车集团股份有限公司 | 一种装箱方法、装置及计算机可读存储介质 |
CN112395903A (zh) * | 2019-08-12 | 2021-02-23 | 顺丰科技有限公司 | 一种空间特征的确定方法、装置、网络设备及存储介质 |
CN112766611A (zh) * | 2021-02-08 | 2021-05-07 | 日日顺供应链科技股份有限公司 | 一种三维装车方法及装置 |
CN113988720A (zh) * | 2021-12-27 | 2022-01-28 | 北京京东振世信息技术有限公司 | 分流路径生成方法、装置、电子设备和计算机可读介质 |
CN115049334A (zh) * | 2022-06-16 | 2022-09-13 | 四川省交通勘察设计研究院有限公司 | 一种水路运输需求统计分析方法、设备及存储介质 |
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11100452B2 (en) * | 2017-12-11 | 2021-08-24 | Banyan Technology | Customized integrated pricing packages for freight shipment |
CN110533234B (zh) * | 2019-08-20 | 2022-09-23 | 集美大学 | 结合避碰策略的agv优化控制方法、终端设备及存储介质 |
CN111382907B (zh) * | 2020-03-10 | 2024-06-14 | 上海东普信息科技有限公司 | 规划车线的方法、系统、计算机设备和存储介质 |
CN113537506B (zh) * | 2020-04-22 | 2023-08-29 | 百度在线网络技术(北京)有限公司 | 针对机器学习效果的测试方法、装置、设备和介质 |
US11783271B2 (en) * | 2021-01-04 | 2023-10-10 | Bank Of America Corporation | System for directing resource transfers based on resource distribution data |
CN112801593A (zh) * | 2021-02-09 | 2021-05-14 | 北京橙心无限科技发展有限公司 | 生成配送方案的方法和装置 |
CN112966997A (zh) * | 2021-03-04 | 2021-06-15 | 上海东普信息科技有限公司 | 快递货物的运输方法、装置、设备及存储介质 |
JP2023013359A (ja) * | 2021-07-15 | 2023-01-26 | 株式会社日立製作所 | 物流作業最適化装置および物流作業最適化方法 |
US20230245045A1 (en) * | 2022-01-30 | 2023-08-03 | Walmart Apollo, Llc | Systems and methods for vehicle routing |
CN114358665B (zh) * | 2022-03-21 | 2022-07-01 | 天津港第二集装箱码头有限公司 | 考虑art前置和后置缓冲区的地面锁站动态调度方法 |
US20240005258A1 (en) * | 2022-06-30 | 2024-01-04 | Uber Technologies, Inc. | IIntelligent Load Clusters for Freight |
CN116402424B (zh) * | 2023-04-07 | 2024-01-23 | 广州拓威天海国际物流有限公司 | 一种物流配置优化调节方法及系统 |
CN117114560B (zh) * | 2023-10-25 | 2024-01-05 | 中科云谷科技有限公司 | 用于确定物品运输路径的方法、装置、存储介质及处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101381033A (zh) * | 2008-10-15 | 2009-03-11 | 江苏科技大学 | 一种基于蚁群算法的集装箱装载方法 |
CN103455841A (zh) * | 2013-07-17 | 2013-12-18 | 大连海事大学 | 基于改进蚁群算法和启发式算法的集装箱装载方法 |
US20140180954A1 (en) * | 2012-12-20 | 2014-06-26 | Oracle International Corporation | Concurrent determination of shipping mode and ship unit packing during transportation planning |
CN104866911A (zh) * | 2014-02-21 | 2015-08-26 | 日本电气株式会社 | 用于优化物流配载的设备和方法 |
US20150248639A1 (en) * | 2014-02-28 | 2015-09-03 | SynchroNet Logistics, Inc. | Determining optimal routes and rates for cargo transportation |
CN106156961A (zh) * | 2016-09-30 | 2016-11-23 | 杭州数梦工场科技有限公司 | 一种车辆调度方法和装置 |
CN106600180A (zh) * | 2016-11-04 | 2017-04-26 | 中联物流(中国)有限公司 | 物流管理系统的运输路径优化方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937992B1 (en) * | 2000-12-29 | 2005-08-30 | Arrowstream, Inc. | Transport vehicle capacity maximization logistics system and method of same |
CA2370084C (en) * | 2002-02-01 | 2017-12-12 | Canadian National Railway Company | System and method for on-line ordering of a transporation service providing route selection capability |
US20090048987A1 (en) * | 2007-08-13 | 2009-02-19 | Jeff Sweeney | System and Method for Optimizing the Loading of Shipping Containers |
CN102142107B (zh) * | 2010-01-29 | 2016-03-09 | 国际商业机器公司 | 物流信息处理方法和装置 |
US8554702B2 (en) * | 2010-12-17 | 2013-10-08 | Oracle International Corporation | Framework for optimized packing of items into a container |
CN103473617B (zh) * | 2013-09-17 | 2016-07-06 | 四川航天系统工程研究所 | 多种物资放入多规格货包的三维装载全局优化方法及系统 |
KR101748345B1 (ko) * | 2015-04-06 | 2017-07-17 | (주)한국화물운송 | 화물 연계 운송 관리 방법 및 시스템, 컴퓨터 프로그램, 그 기록매체 |
-
2018
- 2018-02-06 CN CN201810118531.9A patent/CN109902987B/zh active Active
- 2018-09-29 WO PCT/CN2018/108534 patent/WO2019153759A1/zh unknown
- 2018-09-29 EP EP18905663.3A patent/EP3739530A4/en active Pending
-
2020
- 2020-08-06 US US16/986,508 patent/US20200364664A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101381033A (zh) * | 2008-10-15 | 2009-03-11 | 江苏科技大学 | 一种基于蚁群算法的集装箱装载方法 |
US20140180954A1 (en) * | 2012-12-20 | 2014-06-26 | Oracle International Corporation | Concurrent determination of shipping mode and ship unit packing during transportation planning |
CN103455841A (zh) * | 2013-07-17 | 2013-12-18 | 大连海事大学 | 基于改进蚁群算法和启发式算法的集装箱装载方法 |
CN104866911A (zh) * | 2014-02-21 | 2015-08-26 | 日本电气株式会社 | 用于优化物流配载的设备和方法 |
US20150248639A1 (en) * | 2014-02-28 | 2015-09-03 | SynchroNet Logistics, Inc. | Determining optimal routes and rates for cargo transportation |
CN106156961A (zh) * | 2016-09-30 | 2016-11-23 | 杭州数梦工场科技有限公司 | 一种车辆调度方法和装置 |
CN106600180A (zh) * | 2016-11-04 | 2017-04-26 | 中联物流(中国)有限公司 | 物流管理系统的运输路径优化方法和系统 |
Non-Patent Citations (1)
Title |
---|
黄银娣等: "车辆货物配装过程建模与优化决策", 《起重运输机械》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
CN112395903A (zh) * | 2019-08-12 | 2021-02-23 | 顺丰科技有限公司 | 一种空间特征的确定方法、装置、网络设备及存储介质 |
CN111178810A (zh) * | 2019-12-31 | 2020-05-19 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111709576A (zh) * | 2020-06-15 | 2020-09-25 | 深圳市前海沃德太客供应链技术有限公司 | 一种运输信息处理系统 |
CN111784265A (zh) * | 2020-07-29 | 2020-10-16 | 上汽安吉物流股份有限公司 | 整车物流运输智能配载系统及方法 |
CN111898954B (zh) * | 2020-07-31 | 2024-01-12 | 沙师弟(重庆)网络科技有限公司 | 一种基于改进高斯混合模型聚类的车辆匹配方法 |
CN111898954A (zh) * | 2020-07-31 | 2020-11-06 | 沙师弟(重庆)网络科技有限公司 | 一种基于改进高斯混合模型聚类的车辆匹配方法 |
CN112183954A (zh) * | 2020-09-10 | 2021-01-05 | 华为技术有限公司 | 一种获取货物的装载方案的方法和装置 |
CN112183954B (zh) * | 2020-09-10 | 2024-05-24 | 华为技术有限公司 | 一种获取货物的装载方案的方法和装置 |
CN112365207A (zh) * | 2020-11-10 | 2021-02-12 | 上海汽车集团股份有限公司 | 一种装箱方法、装置及计算机可读存储介质 |
CN112766611A (zh) * | 2021-02-08 | 2021-05-07 | 日日顺供应链科技股份有限公司 | 一种三维装车方法及装置 |
WO2023124239A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京京东振世信息技术有限公司 | 分流路径生成方法、装置、电子设备和计算机可读介质 |
CN113988720A (zh) * | 2021-12-27 | 2022-01-28 | 北京京东振世信息技术有限公司 | 分流路径生成方法、装置、电子设备和计算机可读介质 |
CN115049334B (zh) * | 2022-06-16 | 2023-04-07 | 四川省交通勘察设计研究院有限公司 | 一种水路运输需求统计分析方法、设备及存储介质 |
CN115049334A (zh) * | 2022-06-16 | 2022-09-13 | 四川省交通勘察设计研究院有限公司 | 一种水路运输需求统计分析方法、设备及存储介质 |
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3739530A4 (en) | 2020-12-23 |
CN109902987B (zh) | 2023-12-08 |
US20200364664A1 (en) | 2020-11-19 |
EP3739530A1 (en) | 2020-11-18 |
WO2019153759A1 (zh) | 2019-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902987A (zh) | 确定运输方案的方法、训练快速装载模型的方法及设备 | |
Karak et al. | The hybrid vehicle-drone routing problem for pick-up and delivery services | |
Liu et al. | On-time last-mile delivery: Order assignment with travel-time predictors | |
Guo et al. | Green transportation scheduling with pickup time and transport mode selections using a novel multi-objective memetic optimization approach | |
Dechampai et al. | A differential evolution algorithm for the capacitated VRP with flexibility of mixing pickup and delivery services and the maximum duration of a route in poultry industry | |
Greiner et al. | Game theory based evolutionary algorithms: a review with nash applications in structural engineering optimization problems | |
García et al. | A clustering algorithm applied to the binarization of swarm intelligence continuous metaheuristics | |
Vieira et al. | Two cooperative ant colonies for feature selection using fuzzy models | |
García et al. | A KNN quantum cuckoo search algorithm applied to the multidimensional knapsack problem | |
CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
Li et al. | A decomposition-based chemical reaction optimization for multi-objective vehicle routing problem for simultaneous delivery and pickup with time windows | |
CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
CN108280538A (zh) | 基于云计算环境下分布式物流库存优化方法 | |
CN105469201A (zh) | 一种物流配送中心作业任务处理与调度的方法 | |
Luo et al. | A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips | |
Rostami et al. | Minimizing maximum tardiness and delivery costs with batch delivery and job release times | |
CN108122048B (zh) | 一种运输路径调度方法及其系统 | |
Biesinger et al. | A genetic algorithm in combination with a solution archive for solving the generalized vehicle routing problem with stochastic demands | |
Li et al. | A data-driven three-layer algorithm for split delivery vehicle routing problem with 3D container loading constraint | |
CN115329683B (zh) | 航空行李在线装载规划方法、装置、设备及介质 | |
Beeks et al. | Deep reinforcement learning for a multi-objective online order batching problem | |
Fontes et al. | On multi-objective evolutionary algorithms | |
CN108388769A (zh) | 基于边驱动的标签传播算法的蛋白质功能模块识别方法 | |
Saeheaw et al. | A comparative study among different parallel hybrid artificial intelligent approaches to solve the capacitated vehicle routing problem | |
Izquierdo et al. | Modeling and solving the clustered capacitated vehicle routing problem |
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 |