CN110046749A - 一种基于实时路况的电商包裹与同城o2o包裹共同配送系统 - Google Patents

Abstract

本发明公开了一种基于实时路况的电商包裹与同城o2o包裹共同配送系统，包括：数据库存储模块，用于存储实时更新的网点信息、配送点信息、商户信息、电商订单信息、同城o2o订单信息、快递员信息、包裹配送路线规划和快递员调度规划；动态车辆路径优化模块，用于对电商订单信息和同城o2o订单信息进行合并分析处理，得到最优的包裹配送路线规划和快递员调度规划；电子地图模块，用于借助第三方电子地图获取实时路况网络和车辆实时速度，并在地图上显示配送路线；用户界面模块，用于客户发送o2o订单信息并显示订单配送状态，以及用于快递员查看每个包裹的规划配送路径。利用本发明，可以将电商包裹与o2o包裹相结合来进行路径规划，提高配送效率。

Description

一种基于实时路况的电商包裹与同城o2o包裹共同配送系统

技术领域

本发明属于动态车辆路径优化领域，尤其是涉及一种基于实时路况的电商包裹与同城o2o包裹共同配送系统。

背景技术

电商的蓬勃发展使得目前很大一部分的物流包裹均来源于线上电商订单。在中国，该比例超过了60％。这些包裹在配送的最后环节，是由快递员将包裹从网点送到消费者手中。

另一方面，随着互联网逐渐向线下渗透，涌现出了越来越多的同城包裹配送需求，如外卖订单或鲜花蛋糕等等同城订单。这两类包裹的配送是目前中国最后一公里配送中最典型的场景。将两类包裹结合起来配送，通过全局优化提升配送效率和降低配送成本。

本发明为提到的两类包裹提供最优的快递员配送方案。第一类是电商包裹，快递员需要从网点提取并配送至消费者，第二类是同城O2O包裹，其中大部分是外卖订单，快递员需要在指定时间去商户提取并在指定时间内配送至消费者。根据国家邮政局官方预测，这两类包裹在未来一段时间会持续增长。从而在运输配送的环节中成本越来越高。

单独的电商包裹路线规划或同城o2o路线规划已经有很多，但目前尚未出现将电商包裹与o2o包裹相结合来考虑路径规划，也未出现将两者结合起来实现共同配送的过程中添加实时路况。因为电商包裹与o2o包裹分别有自己的高峰期，比如o2o包裹中的典型案例外卖，在用餐时间是自己的高峰期，因为高峰期这一条件的存在，我们在路线的选择和花费的时间上会发生变化。

为了建立贴近实际的系统，对企业进行调研，采用启发式算法对模型进行求解，运用菜鸟物流公司的真实数据验证系统实用性及算法有效性。

发明内容

本发明提供了一种基于实时路况的电商包裹与同城o2o包裹共同配送系统，将电商包裹与o2o包裹相结合来进行路径规划，提高配送效率。

本发明的技术方案如下：

一种基于实时路况的电商包裹与同城o2o包裹共同配送系统，包括：

数据库存储模块，用于存储实时更新的网点信息、配送点信息、商户信息、电商订单信息、同城o2o订单信息、快递员信息以及利用动态车辆路径优化模块DVRP计算得出的包裹配送路线规划和快递员调度规划；

动态车辆路径优化模块，包含处理电商订单信息的动态车辆路径优化模型DVRP以及处理同城o2o订单信息的DVRPTW模型，用于将同城o2o订单根据约束条件插入到电商订单的配送中，得到最优的包裹配送路线规划和快递员调度规划；

电子地图模块，用于借助第三方电子地图获取实时路况网络和车辆实时速度，并在地图上显示配送路线；

用户界面模块，用于客户发送o2o订单信息并显示订单配送状态，以及用于快递员查看每个包裹的规划配送路径。

所述数据库存储模块可以使用非关系型数据库MongoDB来存储数据。主要包括网点的编码及经纬度；配送点的编码及经纬度；商户的编码及经纬度；电商订单信息(电商订单编码、配送点编码、网点编码、网点需要送至该配送点的电商包裹量)；同城o2o订单信息(同城o2o订单编码、配送点编码、商户编码、到商户领取时间、送达至消费者的最晚时间、订单包含包裹量)；快递员编码列表；计算模型得到的快递员调度计划(快递员编码，网点或配送点或商户编码，到达时间，离开时间，取/送货量(取为+，送为-)，订单编码)。

动态车辆路径优化模块中，所述动态车辆路径规划模型DVRP的目标函数为：

该目标函数表示K辆车满足n个客户需求，使所有车辆行走的总路程最短，其约束条件包括：

e₀≤a_i≤l₀ (7)

带时间窗的DVRPTW模型，其目标函数与动态车辆路径优化模型DVRP相同，除了满足上述公式(2)-(8)的约束条件之外，还要满足以下约束条件：

b_i＝max{a_i，e_i}≤l_i (10)

其中，需要先构建无向图G＝(V，E)，节点集合V＝{0，1，2，...，n}代表一个配送中心和n个客户，边集合E＝{(i，j)|0≤i≠j≤n}代表任意两节点形成的边，边长d_ij表示配送点i到j的距离，q_i是第i个客户的需求量，[e₀，l₀]是配送中心的工作日的时间区间，车辆不能再e₀之前离开，也不能在l₀之后返回；对于顾客i有预先设定的时间窗[e_i，l_i]，下界e_i定义了车辆服务客户i的最早开始时间，上界l_i定义了车辆服务客户i的最迟结束时间，车辆到达客户i开始服务的时间为b_i；配送中心0处有足够多的载重量均为Q的车辆，每个客户的请求时间为t_i，坐标表示为(x_i，y_i)，配送点处理时间为s_i；a_i为配送车辆到达客户的时间，c_ij表示顶点i到j的旅行成本，t_ij表示两顶点间配送所花费的时间，x_ijk表示存在车辆k从客户i到客户j的路线时为1，否则为0。

上述式(1)表示为目标函数，表示所有K辆车的行车总路径长度最小；式(2，3)表示每个客户恰好仅被一辆车服务；式(4)为每辆车的载量约束；式(5)为每辆车行驶距离约束；式(6)约束了所有车辆的起终点都在配送中心；式(7)限制客户必须在工作日期间被服务完成；式(8)表示存在车辆k从客户i到客户j路线时为1，否则为0；式(9)表示车辆k到达客户的时间；式(10)为车辆在客户开始服务的时间且不允许超过客户要求的最晚开始服务时间。

本发明中，对于动态车辆路径规划模型DVRP的目标函数，增加了时间窗的约束条件，带时间窗的动态车辆路径问题DVRPTW是DVRP的扩展，它与DVRP的区别是增加了时间窗，时间窗的定义：中央配送中心和顾客都有时间窗的限制。中央配送中心的时间窗为[e₀，l₀]。车辆不能再e₀之前离开，也不能在l₀之后返回。对于顾客i有预先设定的时间窗[e_i，l_i]。下界e_i定义了车辆服务客户i的最早开始时间，上界l_i定义了车辆服务客户i的最迟结束时间。

DVRP的处理过程常见的有两种处理策略，本发明中，采用基于滚动时间片的周期性策略，因为周期性优化策略可以转化为静态算法处理，操作性强并且设计简单，求解率较高。周期性策略是将整个工作区间划分为若干个小的时间片，在每一个时间片开始时对前一个时间片内的动态客户进行优化。

具体过程如下，将配送中心的工作时间区间[e₀，l₀]划分为长度相等的n_tm个时间片TM＝{TM₁，TM₂，...，TM_tm}，每个时间片的长度T/n_tm，其中T＝l₀-e₀。对于每个时间片的客户不是立即处理，而是先存放到请求池W中，直到当前的时间片结束再一起进行新的路线规划。简而言之，第一个时间片TM₁开始的时候只是处理静态客户，在TM₁内接收的客户等到TM₁结束才处理，同理，在时间片TM_i结束时处理的是当前时间片内接收的动态客户和当前没有被服务的其它客户。所以，DVRP问题是被分割成一个个独立静态VRP，然后采用静态算法处理每个时间片。

对每个时间片采用改进的遗传算法对其进行处理：这里假设配送车辆有K辆；配送车辆的最大载重量为Q_k(k＝1，2，...，K)；L是客户数量；D_k是每辆车的最大行驶距离；q_i是第i个客户的需求量；d_ij是配送点i到j的距离；d_oi是网点到配送点的距离；n_k是第k辆车服务的客户数；r_ki是配送点在第k条路线的次序是i；Rk是第k条行驶路线；模型的目标是配送总路径最短。

其目标函数为：

该目标函数表示K辆车完成所有客户的需求时的总路径最小，其约束条件包括：

0≤n_k≤L (14)

R_k＝{r_ki|r_ki∈[1，2，...，L]，i＝1，2，...，n_k} (16)

该模型的约束条件：1.每辆车从网点出发，经过若干个配送点，最后回到网点。2.每个客户的需求只能被一辆车服务，且只能服务一次。3.每辆车的载重量不能超过本身车辆的最大载重量。4.每条规划好的路线总距离不能超过车辆行驶的最大距离。

本发明利用电商订单和o2o订单配送数据，研究以最大载重量为约束条件的动态车辆路径问题、考虑了带时间窗的动态车辆路径问题。根据这两个问题在实时路况的基础上实现两类订单共同配送来建立数学模型，并用改进的遗传算法来求解模型，然后根据模型设计配送路径，从而提高了配送效率，节约了成本。

附图说明

图1为本发明实施例一种基于实时路况的电商包裹与同城o2o包裹共同配送系统的功能示意图；

图2为本发明实施例一种基于实时路况的电商包裹与同城o2o包裹共同配送系统的业务流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，一种基于实时路况的电商包裹与同城o2o包裹共同配送系统，本系统以客户的需求信息和配送中心的配送能力为条件，对系统功能进行设计，并调用系统的模型和算法进行对数据的分析和处理。最终以包裹配送路线规划和司机调度规划呈现出来。这里以电子地图为背景，更直观的显示给客户，为客户提供配送方案并且使客户可以对此次配送进行决策和评价，系统支持PC端和微信小程序。整个配送系统主要包括以下四个部分：

(1)数据库存储模块

用非关系型数据库MongoDB来存储数据。主要包括网点的编码及经纬度；配送点的编码及经纬度；商户的编码及经纬度；电商订单信息(电商订单编码、配送点编码、网点编码、网点需要送至该配送点的电商包裹量)；同城o2o订单信息(同城o2o订单编码、配送点编码、商户编码、到商户领取时间、送达至消费者的最晚时间、订单包含包裹量)；快递员编码列表；计算模型得到的快递员调度计划(快递员编码，网点或配送点或商户编码，到达时间，离开时间，取/送货量，订单编码)。

(2)动态车辆路径优化模块

内含动态车辆路径优化模块DVRP，用于对电商订单信息和同城o2o订单信息进行合并分析处理，得到最优的包裹配送路线规划和快递员调度规划；

(3)电子地图模块

这里借用第三方电子地图。比如百度地图，Google Maps，高德地图，腾讯地图等获取实时路况网络和车辆实时速度，并可以在地图上显示配送路线。

(4)用户界面模块

微信端：包含小程序二维码界面，验证手机号界面，用户类型界面。

客户界面：客户通过微信小程序发送自己的同城o2o订单，系统根据客户下单时间与要求送货最早最晚时间，为客户进行配送。客户在配送期间可以查看自己订单配送状况，比如订单的当前位置，预计到达时间。订单到达时微信也会发送通知消息给自己。客户界面主要包含两个：客户主界面，客户发布请求界面。

快递员界面：包含当天配送所有包裹界面和每个包裹配送路径界面。所有包裹界面显示当天的配送任务列表，点击每个页面会跳转到包裹配送路径界面，根据电子地图查看自己的配送路径。系统会获取车辆准确位置根据实时路况发送最优配送路径。

后台管理界面：该界面在web端显示，系统管理员可对页面所有信息综合管理，并可以对每一条配送路线实时监控。

如图2所示，为本发明一种基于实时路况的电商包裹与同城o2o包裹共同配送系统的业务流程图。根据电商订单信息和同城o2o订单信息，在实时路况的基础上实现两类订单共同配送来建立数学模型，并用改进的遗传算法来求解模型，然后根据模型设计配送路径。

动态车辆路径优化模块中含有DVRP模型。动态车辆路径问题DVRP是VRP的扩展，基本的VRP(vehicle routing problems)可理解为：一定数量的客户有不同数量的货物需求，配送中心组织车辆运送，在一定的约束条件下，达到诸如路程最短，耗时最少，成本最小，总利润最大等目的。对静态VRP分析时假设路况信息、客户地理位置、车辆信息、需求量、服务时间等已知。对DVRP制定路线规划时，部分信息已知，规划完成后随时间推移发生变化。

本实施例构建模型的数据来自菜鸟网络科技有限公司，包含了上海市最后一公里配送的海量电商包裹与同城o2o包裹数据，该数据适合构建模型及算法测试。调用电子地图APl获得道路网络和实时路况速度，使得模型的车辆速度参数进行更贴近实际的假设，然后对DVRP配送路径的进行规划。

首先构建完全无向图G＝(V，E)，其中节点集合V＝{0，1，2，...，n}代表一个配送中心和n个客户，边集合E＝{(i，j)|0≤i≠j≤n}代表任意两节点形成的边，边长用d_ij表示。[e₀，l₀]是配送中心的工作日的时间区间，T＝l₀-e₀是工作日的时间长度。配送中心0处有足够多的载重量同为Q的车辆，每个客户的请求时间为t_i，坐标表示为(x_i，y_i)，配送点处理时间为s_i。a_i为配送车辆到达客户的时间。c_ij表示顶点i到j的旅行成本，t_ij表示两顶点间配送所花费的时间。下面是K辆车满足这n个客户的需求，使所有车辆行走的总路程最短。

所以DVRP的数学规划模型如下所示，目标函数：

约束条件，使得规划车辆路径目标函数最小：

e₀≤a_i≤l₀ (7)

带时间窗的DVRPTW模型，其目标函数与动态车辆路径优化模型DVRP相同，除了满足上述公式(2)-(8)的约束条件之外，还要满足以下约束条件：

b_i＝max{a_i，e_i}≤l_i (10)

式(1)表示为目标函数，表示所有K辆车的行车总路径长度最小；式(2，3)表示每个客户恰好仅被一辆车服务；式(4)为每辆车的载量约束；式(5)为每辆车行驶距离约束；式(6)约束了所有车辆的起终点都在配送中心；式(7)限制客户必须在工作日期间被服务完成；式(8)表示存在车辆k从客户i到客户j路线时为1，否则为0；式(9)表示车辆k到达客户的时间；式(10)为车辆在客户开始服务的时间且不允许超过客户要求的最晚开始服务时间。

带时间窗的动态车辆路径问题DVRPTW是DVRP的扩展，它与DVRP的区别是增加了时间窗，时间窗的定义：中央配送中心和顾客都有时间窗的限制。中央配送中心的时间窗为[e₀，l₀]。车辆不能再e₀之前离开，也不能在l₀之后返回。对于顾客i有预先设定的时间窗[e_i，l_i]。下界e_i定义了车辆服务客户i的最早开始时间，上界l_i定义了车辆服务客户i的最迟结束时间。

DVRP的处理过程常见的有两种处理策略，这里采用基于滚动时间片的周期性策略，因为周期性优化策略可以转化为静态算法处理，操作性强并且设计简单，求解率较高。周期性策略是将整个工作区间划分为若干个小的时间片，在每一个时间片开始时对前一个时间片内的动态客户进行优化。

具体过程如下，将配送中心的工作时间区间[e₀，l₀]划分为长度相等的n_tm个时间片TM＝{TM₁，TM₂，...，TM_tm}，每个时间片的长度T/n_tm，其中T＝l₀-e₀。对于每个时间片的客户不是立即处理，而是先存放到请求池W中，直到当前的时间片结束再一起进行新的路线规划。简而言之，第一个时间片TM₁开始的时候只是处理静态客户，在TM₁内接收的客户等到TM₁结束才处理，同理，在时间片TM_i结束时处理的是当前时间片内接收的动态客户和当前没有被服务的其它客户。所以，DVRP问题是被分割成一个个独立静态VRP，然后采用静态算法处理每个时间片。

对每个时间片我采用遗传算法对其进行处理：这里假设配送车辆有K辆；配送车辆的最大载重量为Q_k(k＝1，2，...，K)；L是客户数量；D_k是每辆车的最大行驶距离；q_i是第i个客户的需求量；d_ij是配送点i到j的距离；d_oi是网点到配送点的距离；n_k是第k辆车服务的客户数；r_ki是配送点在第k条路线的次序是i；R_k是第k条行驶路线；模型的目标是配送总路径最短。

模型的目标函数和约束条件如下：

0≤n_k≤L (14)

R_k＝{r_ki|r_ki∈[1，2，...，L]，i＝1，2，...，n_k} (16)

该模型的约束条件：1.每辆车从网点出发，经过若干个配送点，最后回到网点。2.每个客户的需求只能被一辆车服务，且只能服务一次。3.每辆车的载重量不能超过本身车辆的最大载重量。4.每条规划好的路线总距离不能超过车辆行驶的最大距离。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，包括：

数据库存储模块，用于存储实时更新的网点信息、配送点信息、商户信息、电商订单信息、同城o2o订单信息、快递员信息以及利用动态车辆路径优化模块DVRP计算得出的包裹配送路线规划和快递员调度规划；

动态车辆路径优化模块，包含处理电商订单信息的动态车辆路径优化模型DVRP以及处理同城o2o订单信息的DVRPTW模型，用于将同城o2o订单根据约束条件插入到电商订单的配送中，得到最优的包裹配送路线规划和快递员调度规划；

电子地图模块，用于借助第三方电子地图获取实时路况网络和车辆实时速度，并在地图上显示配送路线；

用户界面模块，用于客户发送o2o订单信息并实时显示订单配送状态，以及用于快递员查看每个包裹的规划配送路径。

2.根据权利要求1所述的基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，所述电商订单信息包括：电商订单编码、配送点编码、网点编码、网点需要送至该配送点的电商包裹量；所述同城o2o订单信息包括：同城o2o订单编码、配送点编码、商户编码、到商户领取时间、送达至消费者的最晚时间、订单包含包裹量。

3.根据权利要求1所述的基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，所述动态车辆路径规划模型DVRP的目标函数为：

该目标函数表示K辆车满足n个客户需求，使所有车辆行走的总路程最短，其约束条件包括：

e₀≤a_i≤l₀ (7)

所述DVRPTW模型的目标函数与动态车辆路径优化模型DVRP相同，除上述约束条件外，还包括：

b_i＝max{a_i,e_i}≤l_i (10)

其中，需要先构建无向图G＝(V,E)，节点集合V＝{0,1,2,…,n}代表一个配送中心和n个客户，边集合E＝{(i,j)|0≤i≠j≤n}代表任意两节点形成的边，边长d_ij表示配送点i到j的距离，q_i是第i个客户的需求量，[e₀,l₀]是配送中心的工作日的时间区间，车辆不能再e₀之前离开，也不能在l₀之后返回；对于顾客i有预先设定的时间窗[e_i,l_i]，下界e_i定义了车辆服务客户i的最早开始时间，上界l_i定义了车辆服务客户i的最迟结束时间，车辆到达客户i开始服务的时间为b_i；配送中心0处有足够多的载重量均为Q的车辆，每个客户的请求时间为t_i，坐标表示为(x_i,y_i)，配送点处理时间为s_i；a_i为配送车辆到达客户的时间，c_ij表示顶点i到j的旅行成本，t_ij表示两顶点间配送所花费的时间，x_ijk表示存在车辆k从客户i到客户j的路线时为1，否则为0。

4.根据权利要求3所述的基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，所述动态车辆路径规划模型DVRP在求解之前先采用基于滚动时间片的周期性策略进行处理，将整个工作区间划分为若干个小的时间片，在每一个时间片开始时对前一个时间片内的动态客户进行优化。

5.根据权利要求4所述的基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，基于滚动时间片的周期性策略的处理过程具体为：

将配送中心的工作时间区间[e₀,l₀]划分为长度相等的n_tm个时间片TM＝{TM₁,TM₂,…,TM_tm}，每个时间片的长度T/n_tm，其中T＝l₀-e₀，对于每个时间片的客户不是立即处理，而是先存放到请求池W中，直到当前的时间片结束再一起进行新的路线规划。

6.根据权利要求4或5所述的基于实时路况的电商包裹与同城o2o包裹共同配送系统，其特征在于，采用改进的遗传算法对每个时间片进行求解，其目标函数为：

该目标函数表示K辆车完成所有客户的需求时的总路径最小，其约束条件包括：

0≤n_k≤L (14)

R_k＝{r_ki|r_ki∈[1,2,…,L],i＝1,2,…,n_k} (16)

其中，Q_k(k＝1,2,…,K)为配送车辆的最大载重，L是客户数量；D_k是每辆车的最大行驶距离；q_i是第i个客户的需求量；d_ij是配送点i到j的距离；d_oi是网点到配送点的距离；n_k是第k辆车服务的客户数；r_ki是配送点在第k条路线的次序是i；R_k是第k条行驶路线。