CN110400107A - 一种闲散运输业务的智能敏捷发现系统及模型 - Google Patents
一种闲散运输业务的智能敏捷发现系统及模型 Download PDFInfo
- Publication number
- CN110400107A CN110400107A CN201910594471.2A CN201910594471A CN110400107A CN 110400107 A CN110400107 A CN 110400107A CN 201910594471 A CN201910594471 A CN 201910594471A CN 110400107 A CN110400107 A CN 110400107A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cargo
- business
- matching degree
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种闲散运输业务的智能敏捷发现系统及模型,属于物流技术领域,系统包括业务数据输入模块、业务匹配调度控制模块、结果可视化模块,所述业务数据输入模块、业务匹配调度控制模块和结果可视化模块均与数据库模块连接。实现了精准业务发现,而且依赖将预设的匹配度阈值和业务的属性作为控制目标而只需要用户触发即可,中间调度计算无需用户干预,完全自动地完成,大幅度减少用户交互时间,同时通过控制业务属性匹配,大幅度减少无关的不满足需求的业务,避免业务决策者过多的决策干扰,从而节省其决策时间。通过组合车辆和组合货物,优化运输业务运作,提高资源的及时利用率,从而降低整体物流成本。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种闲散运输业务的智能敏捷发现系统及模型。
背景技术
在中国,物流运输需求地区分布不均衡,且比较分散,同时大部分运输车辆资源为私人所有,导致供需矛盾突出,物流成本偏高。随着物流的数字化,物流运营开始转向基于信息、数据来驱动运营,物流业务基本信息、业务过程都通过信息表示出来。为了提高物流业务之间的互为感知能力和减少不对称性,大量的物流公共服务技术平台或系统、无车承运平台相继开发出来,但随着汇聚的物流业务供需信息积聚增加,如何从海量的零散的资源或者需求中快速获取满足要求的需求和资源成为新的挑战。这些平台上涉及的物流业务发现有主动和被动两种方式,传统的主动方式主要通过手工操作依赖业务属性基于关键字来搜索,增加了业务需求方的负担,效率低下;而被动方式主要依靠直接推送,可能并不优化,两者都存在准确性低下,容易造成得到的业务信息结果过载,大幅度增加了业务需求者的决策判断时间,关键是无法尽快满足自身的业务需求;更主要的是,目前的方式完全基于业务需求者个体需求进行的,而不是系统全局,无法实现调度优化,比如提高资源利用率,提高响应及时性等。
发明内容
本发明的目的在于提供一种闲散运输业务的智能敏捷发现系统及模型,以解决现有物流调度系统无法实现调度优化,无法提高资源利用率和无法提高响应及时性等的技术问题。该系统能从海量的运输车源、货源中快速精准自动地发现感兴趣的业务,即车源发现货源,货源发现车源。
一种闲散运输业务的智能敏捷发现系统,包括业务数据输入模块、业务匹配调度控制模块、结果可视化模块,所述业务数据输入模块、业务匹配调度控制模块和结果可视化模块都与数据库连接;
所述业务数据输入模块用于输入需要系统发现调度运算的运输车辆和货物的信息,覆盖车主和货主对于业务资源的供应需求,并实现地址解析、地图定位标注和自动测距的功能,所述业务数据输入模块由用户基本信息维护子模块、公共信息维护子模块和业务信息发布子模块组成;
所述业务匹配调度控制模块用于集成闲散运输业务智能敏捷发现模型、扩展模型和算法,该模块将根据用户输入与数据库中的对应类型业务信息进行交互计算,如果输入类型为车源,则自动调用寻找货源的算法和使用货源数据库信息,根据建立的匹配模型和算法自动为对应的业务需求发现筛选符合匹配要求且具有一定匹配精准度的业务,并将结果存入到数据库,供结果可视化模块使用;
结果可视化模块为决策运算结果的输出模块,用于业务信息及业务需求的调度运算决策结果的可视化展示,提供最终调度结果信息,最终调度结果信息包括运输交易的车辆、、货物及组合运输方案和对应匹配度。
进一步地,所述用户基本信息维护子模块用于工业务用户输入基本信息,基本信息包括用户编号、姓名、企业营业执照或者法人身份证和联系方式,每个用户必须有唯一编号;
所述公共信息维护子模块用于输入车辆、货物的类别信息及其相容性规则,同时还输入调度控制参数,控制参数包括最低的匹配度阈值,涉及的匹配精准度有用户设定和系统默认设定两种方式,如果用户不设定,则使用系统默认的精准度,根据分析计算,系统默认的匹配度值为0.6;
所述业务信息发布子模块用于输入车辆业务、货物的基本属性要求,基本属性要求包括业务的服务类型、地理位置信息、时间要求、类型和载重,如果为车辆业务则需要提供出发地、目的地、业务开始时间、业务截止时间、车辆类型、车辆剩余容重、车辆剩余容积和已载货物类型;如果为货物业务则需要提供出发地、目的地、业务开始时间、业务截止时间、类型、重量和体积,根据运输业务供需关系将系统的业务服务类型定义为提供货源和提供车源两种,在业务信息录入时,需要选择对应的服务类型,系统将不同服务类型的业务需求数据分类存入不同的业务数据库和启动不同的调度计算程序。
进一步地,所述业务信息发布子模块在用户搜索之前,用户自己选择匹配度限值或者采用系统默认的匹配度限值,当用户点击搜索按钮以后,系统便根据匹配度限值,按照模型的算法自动进行匹配,达到匹配终止条件以后,匹配结束,同时将结果存储到系统数据库中和自动给用户推送发现结果提示,用户可通过结果可视化模块查看;在搜索半径达到最大值时,系统按照扩展优化模型的算法继续搜索,达到组合条件后,便分别按照车辆组合优化和货物组合优化两个模型对业务进行组合优化,达到匹配终止条件后匹配结束,同时向结果存储到数据库中,和自动给用户推送发现结果提示。
进一步地,所述系统的数据分为两个部分进行存储,系统产生的输入数据的全部详细信息存储到本体数据库,对于匹配度计算的相关匹配信息存储到百度LBS云存储中,数据库的存储实现包括本地数据库的存储和百度地图提供的LBS云存储两部分,本地数据库用于存储所有数据表的信息,而与匹配模型计算相关的信息要经过简化处理然后存储到LBS数据管理平台中。
一种闲散运输业务的智能敏捷发现模型,其特征在于:包括敏捷自动发现模型和扩展优化模型,敏捷自动发现模型实现业务匹配度的定量精确调度计算和自动发现;扩展优化模型则实现业务的调度优化,扩展优化模型包含车辆组合优化模型和货物组合优化模型。
进一步地,所述智能敏捷发现模型具体数据处理流程为:
设定闲散运输的四个属性的要求,即为运输流向,由运输起始点、目的地决定,运输时间,由开始、截止时间决定,货物类型和货物体积/重量,同时对时间匹配度、类型匹配度、载容的匹配度和流向匹配度进行计算;
当根据特定车、货业务属性直接寻找没有结果时,即此时系统中没有完全符合要求的业务,选择放松部分约束条件来获得新的业务,本模型放松流向中的位置要求,即寻找附近的货源或者运输车辆,其余条件不变,由于放松了一个约束条件,则会产生了若干个的备选方案,从备选方案中找到最终方案,为放松的流向要求设定边界来限制过于放松,并同时调整放松步长来是自动发现;
放松位置要求通过设置流向匹配度的来实现,为了实现自动发现要求,设定每次按一定的步长k放松,即Sk=1-0.1*k,Sk表示每次搜索的流向匹配度最低值,但放松过宽则表示车货之间的出发、目的位置差异很大,失去了意义,为此通过控制Sk的最低下限即匹配度下边界值来实现,经过分析,本系统设置为0.6,即0.6≤Sk≤1,该下边界值也可通过业务数据输入模块的公共信息维护子模块来输入另行设定,并根据流向匹配度的公式,将整个过程转化为通过控制以一定的半径进行搜索方式,
表示第i个需求方和第j个供应方出发地之间的距离,表示第i个需求方和第j个供应方目的地之间的距离,l3表示需求方自身出发地和目的地之间的距离,需求方或供应方指车辆和货物,其根据服务类型互为供需方。
在当前半径范围内搜索不到结果或者搜索的结果不符合匹配度的要求,那么就增加搜索半径并重新进行搜索,不断循环,直到出现符合匹配度要求的结果或者搜索半径达到最大值时,搜索停止;
如果仍然没有满足要求的业务结果,通过设定匹配度阈值来控制车辆组合和货物组合决策,执行扩展操作,直到找需求的业务结果。
进一步地,所述时间匹配度、类型匹配度、载容的匹配度和流向匹配度的计算过程为:
①时间匹配上,要求每个车源和货源都提供其业务有效时间,即开始的时间和截至时间,通过计算需求方和供应方二者的有效时间区间是否存在交集来证明供需的业务交易在时间上的可行性,时间匹配度的计算公式定义如(1)所示:
其中,为了便于表述,设ci表示第i个货物,vj表示第j辆车(它们的位置和类别都可以互换),分别代表第i个货物的起始时间和截止时间,相应地,分别代表第j辆车的起始时间和截止时间,如果时间上存在交集,那么匹配度的值为1,否则为0;
②类型匹配包括两部分:一部分是车辆和货物的类型匹配,另一部分是货物和货物的类型相容性匹配,根据系统定义的规则(在公共信息维护子模块输入)来确定,由此,类型匹配度的计算公式定义如(2)所示:
其中,ck表示第k个货物,如果车辆和货物的类型符合匹配要求,那么匹配度为1,否则为0;如果货物和货物的相容性符合匹配要求,那么匹配度也为1,否则为0;
③载容的匹配主要由供需双方相应的重量和体积来决定,对于货源方,如果这批货物的重量和体积同时小于一辆车的载重和容积,那么定义该车对于这批货物的匹配度是1;对于车源方如果车辆的载重和容积同时大于等于某一批货物的重量和体积,那么定义这批货物对于该车的匹配度也是1,但是对于车源方,在载容匹配之前还要判断这辆车是否为空车,如果非空,那么要进行货物相容性的判断,因此,载容匹配度的计算公式定义如(3)所示;
其中Q1表示对于货源方的需求,车辆的载容能力匹配度,Q2表示对于车源方的需求,货物的载容能力匹配度,分别表示第i批货物的重量和体积、分别表示第j辆车的载重和容积;
④闲散运输车辆/货物预定的流向由其预定的出发地、目的地决定,如果将出发地和目的地分别看作一个单独的点,那么需求方和任意一个供应方在地理位置上的几何关系主要有四种,Case1:需求方和供应方的出发地和目的地均一致,是最理想的情形,自然流向匹配度最大;Case2和Case 3分别为需求方和供应方的出发地或目的地一致;Case 4:需求方和供应方的出发地之间和目的地之间均不一致,而这些情形中,其运输业务供需的出发地、目的地之间的距离l3,也出现明显的变化,l3表示需求方自身出发地和目的地之间的距离,表示第i个需求方和第j个供应方出发地之间的距离,表示第i个需求方和第j个供应方目的地之间的距离,将流向匹配度计算为以需求方的出发地为圆心来计算,定义的流向匹配度计算公式如(4)所示:
由此得到总体定量匹配度模型如公式(5)所示
TMij=mf*md*mt*mq (5)
TMij表示第i个和第j个业务之间的总匹配度,需要强调的是i,j的类别和位置都可以互换,由公式(1)可知,TMij越大越满足要求;
将流向匹配度作为第一约束条件,其余为第二、三、四个约束条件,即根据用户业务需求与系统中的对应业务集逐个按序经过流向、时间、类型和载容匹配计算,最后计算出每个对应业务的总匹配度,业务集即为运输车的对应业务集为货,运货的对应业务集为车。
进一步地,所述扩展操作的具体过程为:
对货找车,在设定一匹配度限值要求下,所有能够匹配到的每一辆车所对应的载重和容积均小于货物的重量和体积,但存在多个车辆资源在流向、时间、类型上均满足要求,其地理位置上分散时,对车辆进行组合来满足货物的业务运输需求,每一辆组合车运输货物的一部分,车辆从不同地方到达货物出发地之后将货物运输到目的地,此时设定所有组合车辆的运输路径是一致的,并按以下数学模型即车辆组合优化模型求解得到:
其中:Zq表示车辆组合后的载重与货物重量的差值;x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;vWj、vVj分别表示第j辆车的载重和容积;CW、CV分别表示货物的重量和体积;Zd表示车辆组合的总碳排放量;表示第j辆车的碳排放量,采用MEET方法,ε表示空载车辆在零度角的道路上的排放率(g/km),LW为碳排放负载修正系数;公式(9)表示组合后的车辆的载重与货物的重量的差值最小,公式(10)表示车辆组合后的总碳排放量最小,约束条件(11)表示车辆的组合载重必须大于等于货物的重量,约束条件(12)表示车辆的组合容积必须大于等于货物的体积,K,k都表示一个常数,a-f表示根据吨级的不同所取的不同相关系数;v表示车辆的道路运行速度(km/h),n-u表示不同的相关系数;
②对于不得不出发的车辆,如果不满载,在保证车辆尽量不偏离预定行驶路线的情况下,能够匹配到沿途的货物,来有效地降低车辆的返程空驶率,即从种类繁多、地理位置分散且在流向、时间、类型上均满足一定要求的货源中筛选出能够使得车辆满载或者达到一定装载率的货物组合,按以下模型即货物组合优化模型求解得到:
其中:Zs表示货物组合后的重量与车辆的载重的差值;x1为二进制变量,车辆采用独立的编号,如果货物i被选中,则x1=1,否则x1=0;cwi、cvi分别表示第i批货物的重量和体积;VW、VV分别表示车辆的载重和容积;S1表示货物出发地与车辆始发地之间的几何距离;S2表示货物目的地与车辆目的地之间的距离;SAD表示车辆的出发地与货物的目的地之间的几何距离;SBC表示车辆的目的地与货物的出发地之间的几何距离。
本发明采用了上述技术方案,本发明具有以下技术效果:
本发明整个过程不但实现了精准业务发现,而且依赖将预设的匹配度阈值和业务的属性作为控制目标而只需要用户触发即可,中间调度计算无需用户干预,完全自动地完成,大幅度减少用户交互时间,同时通过控制业务属性匹配,大幅度减少无关的不满足需求的业务,避免业务决策者过多的决策干扰,从而节省其决策时间。通过组合车辆和组合货物,优化运输业务运作,提高资源的及时利用率,从而降低整体物流成本。该模型和系统不但可以用于闲散运输业务发现,也可用户零散运输的调度。
附图说明
图1为本发明系统功能结构框图。
图2为本发明系统的逻辑框架图。
图3为本发明系统的数据库存储关系图。
图4为本发明模型的总体流程。
图5为本发明基于流向匹配度的自动发现示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
在闲散物流运输中,需要考虑供需之间在众多要求的匹配关系(包括出发地、目的地、载重、时间、容积等),特别是业务的有效时间,除此之外,还需要考虑成本、服务水平、安全性等服务质量要求,以及使业务发现面向更复杂的问题,如:所有车都不满足载重要求的情况。针对此,本发明考虑了人们在进行闲散运输时业务发现的操作需求,通过建立定量匹配模型,实现了精准的自动敏捷零散运输业务的发现,能从海量的零散业务中,快速自动的找到满足需求的业务,并能实现一定优化,从整体上降低物流运营成本。
请参阅图1-3,本发明提供一种闲散运输业务的智能敏捷发现系统,对应的闲散运输业务的智能敏捷发现系统包含3个组成部分:业务数据输入模块、业务匹配调度控制模块和结果可视化模块,彼此通过数据库连接运算,并使用百度地图LBS(Location BasedServices)服务,系统结构如图1所示。
(1)业务数据输入模块用于输入需要系统发现调度运算的运输车辆、货物等信息,覆盖车主和货主对于业务资源的供应需求,并实现地址解析、地图定位标注和自动测距等功能,由用户基本信息维护、公共信息维护和业务信息发布三个子模块组成。这些输入包括4个方面:(i)业务用户的基本信息,包括用户编号、姓名、企业营业执照或者法人身份证、联系方式等,每个用户必须有唯一编号;(ii)车辆、货物的类别信息,及其相容性规则;(iii)车辆业务、货物的基本属性要求,包括业务的服务类型、地理位置信息、时间要求、类型、载重等,如为车辆则需要提供出发地、目的地、业务开始时间、业务截止时间、车辆类型、车辆剩余容重、车辆剩余容积、已载货物类型等;货物则需要提供出发地、目的地、业务开始时间、业务截止时间、类型、重量、体积等。根据运输业务供需关系将系统的业务服务类型定义为“提供货源、提供车源”两种,在业务信息录入时,需要选择对应的服务类型,系统将不同服务类型的业务需求数据分类存入不同的业务数据库和启动不同的调度计算程序;(iv)一些调度控制参数,如最低的匹配度阈值,涉及的匹配精准度有用户设定和系统默认设定两种方式,用户设定则在用户输入模块完成,如果用户不设定,则使用系统默认的精准度,根据分析计算,系统默认的匹配度值为0.6。第(i)部分输入在用户基本信息维护子模块中完成;第(ii)和第(iv)部分信息在公共信息维护模块输入,其余输入通过用户在业务信息发布子模块中完成。对于出发地和目的地涉及的地理位置信息,传统的物流信息服务平台只能录入省市区的地名库信息,具有一定的局限性。本系统为了计算运输流向的匹配度,在地理位置的信息发布上支持两种方式:(i)可以输入只包含省市区的地名信息;(ii)可输入具体到某一个街道某条路的信息,同时,引入电子地图(如百度地图)系统自动将以上的地理位置的语义解析成一个独立的经纬度坐标点,并且通过电子地图的接口自动计算出业务的出发地和目的地之间的几何距离,并存储到数据库中。
(2)业务匹配调度控制模块是业务发现系统的核心模块,集成了闲散运输业务智能敏捷发现模型、扩展模型和算法,该模块将根据用户输入与数据库中的对应类型业务信息进行交互计算,如输入类型为车源,则自动调用寻找货源的算法和使用货源数据库信息,根据建立的匹配模型和算法自动为对应的业务需求发现筛选符合匹配要求且具有一定匹配精准度的业务,并将结果存入到数据库,将结果可视化模块使用。该模块包含又包含3个部分:
第一部分以闲散运输业务的敏捷匹配模型的自动化实现为核心,在用户搜索之前,用户可以自己选择匹配度限值或者采用系统默认的匹配度限值,当用户点击搜索按钮以后,系统便根据匹配度限值,按照模型的算法自动进行匹配,达到匹配终止条件以后,匹配结束,同时向结果存储到数据库中和自动给用户推送发现结果提示,用户可通过结果可视化模块查看。
第二部分和第三部分分别以步骤(3)的车辆组合匹配优化和货物组合匹配优化自动化实现为核心。在搜索半径达到最大值时,系统按照扩展模型的算法继续搜索,达到组合条件后,便分别按照两个模型对业务进行组合优化,达到匹配终止条件后匹配结束,同时向结果存储到数据库中,和自动给用户推送发现结果提示。
3)结果可视化模块为决策运算结果的输出模块,用于业务信息及业务需求的调度运算决策结果的可视化展示,提供最终调度结果信息,如可以运输交易的车辆、或者货物,及组合运输方案,对应匹配度等。
为了充分利用百度LBS的服务功能,实现以一个坐标点为中心,以一定半径范围进行搜索的方式,将本系统的数据分为两个部分进行存储。系统产生的输入数据的全部详细信息存储到本体数据库,如SQL Server 2008中,对于匹配度计算的相关匹配信息存储到百度LBS云存储中。因此,数据库的存储实现包括本地数据库的存储和百度地图提供的LBS云存储两部分。本地数据库用于存储所有数据表的信息,而与匹配模型计算相关的信息要经过简化处理然后存储到LBS数据管理平台中,系统的数据存取关系如图3所示。
如图4-5所示,一种闲散运输业务的智能敏捷发现模型,包含两个组成部分:闲散运输业务的敏捷自动发现模型和扩展优化模型。敏捷自动发现模型实现业务匹配度的定量精确调度计算和自动发现;扩展优化模型则实现业务的调度优化,又包含车辆组合优化模型和货物组合优化模型。首先运行敏捷自动发现模型,然后再运行扩展优化模型,系统的总流程见图4。
(1)根据各属性的定量匹配度模型计算各属性的定量匹配度,根据各属性匹配度可得到总匹配度,根据定量匹配模型实现的业务精确调度发现。
在闲散运输业务发现时,需要同时考虑其闲散运输的四个属性的要求:运输流向(由运输起始点、目的地决定),运输时间(由开始、截至时间决定)、货物类型、体积/重量。因此闲散运输业务的定量匹配度计算模型也涉及四个匹配度计算。
①时间匹配上,要求每个车源和货源都提供其业务有效时间,即开始的时间和截至时间。基于此,通过计算需求方和供应方二者的有效时间区间是否存在交集来证明供需的业务交易在时间上的可行性。因此,时间匹配度的计算公式定义如(1)所示。
其中,为了便于表述,设ci表示第i个货物,vj表示第j辆车辆(它们的位置和类别都可以互换),分别代表第i个货物的起始时间和截止时间。相应地,分别代表第j辆车的起始时间和截止时间。如果时间上存在交集,那么匹配度的值为1,否则为0。
②类型匹配包括两部分:一部分是车辆和货物的类型匹配,另一部分是货物和货物的类型相容性匹配,根据系统定义的规则来确定。由此,类型匹配度的计算公式定义如(2)所示。
其中,ck表示第k个货物。如果车辆和货物的类型符合匹配要求,那么匹配度为1,否则为0;类似地,如果货物和货物的相容性符合匹配要求,那么匹配度也为1,否则为0。
③载容的匹配主要由供需双方相应的重量和体积来决定。对于货源方,如果这批货物的重量和体积同时小于一辆车的载重和容积,那么定义该车对于这批货物的匹配度是1。对于车源方如果车辆的载重和容积同时大于等于某一批货物的重量和体积,那么定义这批货物对于该车的匹配度也是1。但是对于车源方,在载容匹配之前还要判断这辆车是否为空车,如果非空,那么要进行货物相容性的判断。因此,载容匹配度的计算公式定义如(3)所示。
其中Q1表示对于货源方的需求,车辆的载容能力匹配度。Q2表示对于车源方的需求,货物的载容能力匹配度。分别表示第i批货物的重量和体积、分别表示第j辆车的载重和容积。
④闲散运输车辆/货物预定的流向由其预定的出发地、目的地决定。如果将出发地和目的地分别看作一个单独的点,那么需求方和任意一个供应方在地理位置上的几何关系主要有四种。Case1:需求方和供应方的出发地和目的地均一致,是最理想的情形,自然流向匹配度最大;Case2和Case 3分别为需求方和供应方的出发地或目的地一致;Case 4:需求方和供应方的出发地之间和目的地之间均不一致。而这些情形中,其运输业务供需的出发地、目的地之间的距离l3,也出现明显的变化(l3表示需求方自身出发地和目的地之间的距离,表示第i个需求方和第j个供应方出发地之间的距离,表示第i个需求方和第j个供应方目的地之间的距离,如图2所示)。为此,将流向匹配度计算为以需求方的出发地为圆心来计算,定义的流向匹配度计算公式如(4)所示:
由此得到总体定量匹配度模型如公式(5)所示
TMij=mf*md*mt*mq (5)
TMij表示第i个和第j个业务之间的总匹配度,需要强调的是i,j的类别和位置都可以互换。由公式(1)可知,TMij越大越满足要求。
⑤将流向匹配度作为第一约束条件,其余为第2、3、4个约束条件,即根据用户业务需求与系统中的对应业务集(即运输车的对应业务集为货,运货的对应业务集为车)逐个按序经过流向、时间、类型和载容匹配计算,最后计算出每个对应业务的总匹配度。
(2)当根据特定车、货业务属性直接寻找没有结果时,即此时系统中没有完全符合要求的业务,选择放松部分约束条件来获得新的业务,本模型和系统只允许放松位置要求,即寻找附近的货源或者运输车辆,其余条件不变,由于放松了一个约束条件,则会产生了大量的备选方案,从备选方案中找到最终方案。为放松的流向要求设定边界来限制过于放松,并同时调整放松步长来是自动发现。
放松位置要求通过设置流向匹配度的来实现,为了实现自动发现要求,设定每次按一定的步长k放松,即Sk=1-0.1*k,Sk表示每次搜索的流向匹配度最低值,但放松过宽则表示车货之间的出发、目的位置差异很大,失去了意义,为此通过控制Sk的最低下限即匹配度下边界值来实现,经过分析,本系统设置为0.6,即0.6≤Sk≤1。并根据流向匹配度的公式,将整个过程转化为通过控制以一定的半径进行搜索方式,
这样在当前半径范围内搜索不到结果或者搜索的结果不符合匹配度的要求,那么就增加搜索半径并重新进行搜索,不断循环,直到出现符合匹配度要求的结果或者搜索半径达到最大值时,搜索停止,其示意图如图5所示。
(3)如果仍然没有满足要求的业务结果,通过设定匹配度阈值来控制车辆组合和货物组合决策,执行以下扩展操作:
①对货找车,在某一匹配度限值要求下,所有能够匹配到的每一辆车所对应的载重和容积均小于货物的重量和体积,但存在多个车辆资源在流向、时间、类型上均满足要求,其地理位置上分散时,对车辆进行组合来满足货物的业务运输需求,每一辆组合车运输货物的一部分,车辆从不同地方到达货物出发地之后将货物运输到目的地,此时设定所有组合车辆的运输路径是一致的。并按以下数学模型(即车辆组合优化模型)求解得到:
其中:Zq表示车辆组合后的载重与货物重量的差值;x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;vWj、vVj分别表示第j辆车的载重和容积;CW、CV分别表示货物的重量和体积;Zd表示车辆组合的总碳排放量;表示第j辆车的碳排放量,采用Hickman等人提出的MEET方法[62],ε表示空载车辆在零度角的道路上的排放率(g/km),LW为碳排放负载修正系数;公式(9)表示组合后的车辆的载重与货物的重量的差值最小,公式(10)表示车辆组合后的总碳排放量最小,约束条件(11)表示车辆的组合载重必须大于等于货物的重量,约束条件(12)表示车辆的组合容积必须大于等于货物的体积。K,k都表示一个常数,a-f表示根据吨级的不同所取的不同相关系数;v表示车辆的道路运行速度(km/h),n-u表示不同的相关系数;
②对于不得不出发的车辆,如果不满载,在保证车辆尽量不偏离预定行驶路线的情况下,能够匹配到沿途的货物,来有效地降低车辆的返程空驶率,即从种类繁多、地理位置分散且在流向、时间、类型上均满足一定要求的货源中筛选出能够使得车辆满载或者达到一定装载率的货物组合。按以下模型(货物组合优化模型)求解得到:
其中:Zs表示货物组合后的重量与车辆的载重的差值;x1为二进制变量,车辆采用独立的编号,如果货物i被选中,则x1=1,否则x1=0;cwi、cvi分别表示第i批货物的重量和体积;VW、VV分别表示车辆的载重和容积;S1表示货物出发地与车辆始发地之间的几何距离;S2表示货物目的地与车辆目的地之间的距离;SAD表示车辆的出发地与货物的目的地之间的几何距离;SBC表示车辆的目的地与货物的出发地之间的几何距离。
本申请的系统和模型的整个过程不但实现了精准业务发现,而且依赖将预设的匹配度阈值和业务的属性作为控制目标而只需要用户触发即可,中间调度计算无需用户干预,完全自动地完成,大幅度减少用户交互时间,同时通过控制业务属性匹配,大幅度减少无关的不满足需求的业务,避免业务决策者过多的决策干扰,从而节省其决策时间。通过组合车辆和组合货物,优化运输业务运作,提高资源的及时利用率,从而降低整体物流成本。该模型和系统不但可以用于闲散运输业务发现,也可用户零散运输的调度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种闲散运输业务的智能敏捷发现系统,其特征在于,包括业务数据输入模块、业务匹配调度控制模块、结果可视化模块,所述业务数据输入模块、业务匹配调度控制模块和结果可视化模块均与设置的数据库连接;
所述业务数据输入模块用于输入需要系统发现调度运算的运输车辆和货物的信息,覆盖车主和货主对于业务资源的供应需求,并实现地址解析、地图定位标注和自动测距的功能,所述业务数据输入模块由用户基本信息维护子模块、公共信息维护子模块和业务信息发布子模块组成;
所述业务匹配调度控制模块用于集成闲散运输业务智能敏捷发现模型、扩展模型和算法,该模块将根据用户输入与数据库中的对应类型业务信息进行交互计算,如果输入类型为车源,则自动调用寻找货源的算法和使用货源数据库信息,根据建立的匹配模型和算法自动为对应的业务需求发现筛选符合匹配要求且具有一定匹配精准度的业务,并将结果存入到数据库,供结果可视化模块使用;
结果可视化模块为决策运算结果的输出模块,用于业务信息及业务需求的调度运算决策结果的可视化展示,提供最终调度结果信息,最终调度结果信息包括运输交易的车辆、货物及组合运输方案和对应匹配度。
2.根据权利要求1所述的一种闲散运输业务的智能敏捷发现系统,其特征在于:所述用户基本信息维护子模块用于业务用户输入基本信息,基本信息包括用户编号、姓名、企业营业执照或者法人身份证和联系方式,每个用户必须有唯一编号;
所述公共信息维护子模块用于输入车辆、货物的类别信息及其相容性规则,同时还输入调度控制参数,控制参数包括最低的匹配度阈值,涉及的匹配精准度有用户设定和系统默认设定两种方式,如果用户不设定,则使用系统默认的精准度,根据分析计算,系统默认的匹配度值为0.6;
所述业务信息发布子模块用于输入车辆业务、货物的基本属性要求,基本属性要求包括业务的服务类型、地理位置信息、时间要求、类型和载重,如果为车辆业务则需要提供出发地、目的地、业务开始时间、业务截止时间、车辆类型、车辆剩余容重、车辆剩余容积和已载货物类型;如果为货物业务则需要提供出发地、目的地、业务开始时间、业务截止时间、类型、重量和体积,根据运输业务供需关系将系统的业务服务类型定义为提供货源和提供车源两种,在业务信息录入时,需要选择对应的服务类型,系统将不同服务类型的业务需求数据分类存入不同的业务数据库和启动不同的调度计算程序。
3.根据权利要求1所述的一种闲散运输业务的智能敏捷发现系统,其特征在于:所述业务信息发布子模块在用户搜索之前,用户自己选择匹配度限值或者采用系统默认的匹配度限值,当用户点击搜索按钮以后,系统便根据匹配度限值,按照模型的算法自动进行匹配,达到匹配终止条件以后,匹配结束,同时将结果存储到系统的数据库中和自动给用户推送发现结果提示,用户可通过结果可视化模块查看;在搜索半径达到最大值时,系统按照扩展优化模型的算法继续搜索,达到组合条件后,便分别按照车辆组合优化和货物组合优化两个模型对业务进行组合优化,达到匹配终止条件后匹配结束,同时向结果存储到数据库中,和自动给用户推送发现结果提示。
4.根据权利要求1所述的一种闲散运输业务的智能敏捷发现系统,其特征在于:本系统的数据分为两个部分进行存储,系统产生的输入数据的全部详细信息存储到本体数据库,对于匹配度计算的相关匹配信息存储到百度LBS云存储中,数据库的存储实现包括本地数据库的存储和百度地图提供的LBS云存储两部分,本地数据库用于存储所有数据表的信息,而与匹配模型计算相关的信息要经过简化处理然后存储到LBS数据管理平台中。
5.一种闲散运输业务的智能敏捷发现模型,其特征在于:包括敏捷自动发现模型和扩展优化模型,敏捷自动发现模型实现业务匹配度的定量精确调度计算和自动发现;扩展优化模型则实现业务的调度优化,扩展优化模型包含车辆组合优化模型和货物组合优化模型。
6.根据权利要求5所述的一种闲散运输业务的智能敏捷发现模型,其特征在于:所述智能敏捷发现模型具体数据处理流程为:
设定闲散运输的四个属性的要求,即为运输流向,由运输出发地、目的地决定,运输时间,由开始、截止时间决定,货物类型和货物体积/重量,同时对时间匹配度、类型匹配度、载容的匹配度和流向匹配度进行计算;
当根据特定车、货业务属性直接寻找没有结果时,即此时系统中没有完全符合要求的业务,选择放松部分约束条件来获得新的业务,本模型设定放松流向中的位置要求,即寻找附近的货源或者运输车辆,其余条件不变,由于放松了一个约束条件,则会产生了若干个的备选方案,从备选方案中找到最终方案,为放松的流向要求设定边界来限制过于放松,并同时调整放松步长来是自动发现;
放松位置要求通过设置流向匹配度的来实现,为了实现自动发现要求,设定每次按一定的步长k放松,即Sk=1-0.1*k,Sk表示每次搜索的流向匹配度最低值,但放松过宽则表示车货之间的出发、目的位置差异很大,失去了意义,为此通过控制Sk的最低下限即匹配度下边界值来实现,经过分析,本系统设置为0.6,即0.6≤Sk≤1,该下边界值也可通过业务数据输入模块的公共信息维护子模块来输入另行设定,并根据流向匹配度的公式,将整个过程转化为通过控制以一定的半径进行搜索方式,表示第i个需求方和第j个供应方出发地之间的距离,表示第i个需求方和第j个供应方目的地之间的距离,l3表示需求方自身出发地和目的地之间的距离,需求方或供应方指车辆和货物,其根据服务类型互为供需方。
在当前半径范围内搜索不到结果或者搜索的结果不符合匹配度的要求,那么就增加搜索半径并重新进行搜索,不断循环,直到出现符合匹配度要求的结果或者搜索半径达到最大值时,搜索停止;
如果仍然没有满足要求的业务结果,通过设定匹配度阈值来控制车辆组合和货物组合决策,执行扩展操作,直到找需求的业务结果。
7.根据权利要求6所述的一种闲散运输业务的智能敏捷发现模型,其特征在于:所述时间匹配度、类型匹配度、载容的匹配度和流向匹配度的计算过程为:
①时间匹配上,要求每个车源和货源都提供其业务有效时间,即开始的时间和截至时间,通过计算需求方和供应方二者的有效时间区间是否存在交集来证明供需的业务交易在时间上的可行性,时间匹配度的计算公式定义如(1)所示:
其中,为了便于表述,设ci表示第i个货物,vj表示第j辆车(它们的位置和类别都可以互换),分别代表第i个货物的起始时间和截止时间,相应地,分别代表第j辆车的起始时间和截止时间,如果时间上存在交集,那么匹配度的值为1,否则为0;
②类型匹配包括两部分:一部分是车辆和货物的类型匹配,另一部分是货物和货物的类型相容性匹配,根据系统定义的规则(在公共信息维护子模块输入)来确定,由此,类型匹配度的计算公式定义如(2)所示:
其中,ck表示第k个货物,如果车辆和货物的类型符合匹配要求,那么匹配度为1,否则为0;如果货物和货物的相容性符合匹配要求,那么匹配度也为1,否则为0;
③载容的匹配主要由供需双方相应的重量和体积来决定,对于货源方,如果这批货物的重量和体积同时小于一辆车的载重和容积,那么定义该车对于这批货物的匹配度是1;对于车源方如果车辆的载重和容积同时大于等于某一批货物的重量和体积,那么定义这批货物对于该车的匹配度也是1,但是对于车源方,在载容匹配之前还要判断这辆车是否为空车,如果非空,那么要进行货物相容性的判断,因此,载容匹配度的计算公式定义如(3)所示;
其中Q1表示对于货源方的需求,车辆的载容能力匹配度,Q2表示对于车源方的需求,货物的载容能力匹配度,分别表示第i批货物的重量和体积、分别表示第j辆车的载重和容积;
④闲散运输车辆/货物预定的流向由其预定的出发地、目的地决定,如果将出发地和目的地分别看作一个单独的点,那么需求方和任意一个供应方在地理位置上的几何关系主要有四种,Case1:需求方和供应方的出发地和目的地均一致,是最理想的情形,自然流向匹配度最大;Case2和Case3分别为需求方和供应方的出发地或目的地一致;Case4:需求方和供应方的出发地之间和目的地之间均不一致,而这些情形中,其运输业务供需的出发地、目的地之间的距离l3,也出现明显的变化,将流向匹配度计算为以需求方的出发地为圆心来计算,定义的流向匹配度计算公式如(4)所示:
由此得到总体定量匹配度模型如公式(5)所示
TMij=mf*md*mt*mq (5)
TMij表示第i个和第j个业务之间的总匹配度,需要强调的是i,j的类别和位置都可以互换,由公式(1)可知,TMij越大越满足要求;
将流向匹配度作为第一约束条件,其余为第二、三、四个约束条件,即根据用户业务需求与系统中的对应业务集逐个按序经过流向、时间、类型和载容匹配计算,最后计算出每个对应业务的总匹配度,业务集即为运输车的对应业务集为货,运货的对应业务集为车。
8.根据权利要求6所述的一种闲散运输业务的智能敏捷发现模型,其特征在于:所述扩展操作的具体过程为:
对货找车,在设定一匹配度限值要求下,所有能够匹配到的每一辆车所对应的载重和容积均小于货物的重量和体积,但存在多个车辆资源在流向、时间、类型上均满足要求,其地理位置上分散时,对车辆进行组合来满足货物的业务运输需求,每一辆组合车运输货物的一部分,车辆从不同地方到达货物出发地之后将货物运输到目的地,此时设定所有组合车辆的运输路径是一致的,并按以下数学模型即车辆组合优化模型求解得到:
其中:Zq表示车辆组合后的载重与货物重量的差值;x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;vWj、vVj分别表示第j辆车的载重和容积;CW、CV分别表示货物的重量和体积;Zd表示车辆组合的总碳排放量;表示第j辆车的碳排放量,采用MEET方法,ε表示空载车辆在零度角的道路上的排放率(g/km),LW为碳排放负载修正系数;公式(9)表示组合后的车辆的载重与货物的重量的差值最小,公式(10)表示车辆组合后的总碳排放量最小,约束条件(11)表示车辆的组合载重必须大于等于货物的重量,约束条件(12)表示车辆的组合容积必须大于等于货物的体积,K,k都表示一个常数,a-f表示根据吨级的不同所取的不同相关系数;v表示车辆的道路运行速度(km/h),n-u表示不同的相关系数,s.t.表示约束条件;
②对于不得不出发的车辆,如果不满载,在保证车辆尽量不偏离预定行驶路线的情况下,能够匹配到沿途的货物,来有效地降低车辆的返程空驶率,即从种类繁多、地理位置分散且在流向、时间、类型上均满足一定要求的货源中筛选出能够使得车辆满载或者达到一定装载率的货物组合,按以下模型即货物组合优化模型求解得到:
其中:Zs表示货物组合后的重量与车辆的载重的差值;x1为二进制变量,车辆采用独立的编号,如果货物i被选中,则x1=1,否则x1=0;cwi、cvi分别表示第i批货物的重量和体积;VW、VV分别表示车辆的载重和容积;S1表示货物出发地与车辆始发地之间的几何距离;S2表示货物目的地与车辆目的地之间的距离;SAD表示车辆的出发地与货物的目的地之间的几何距离;SBC表示车辆的目的地与货物的出发地之间的几何距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594471.2A CN110400107B (zh) | 2019-07-03 | 2019-07-03 | 一种闲散运输业务的智能敏捷发现系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594471.2A CN110400107B (zh) | 2019-07-03 | 2019-07-03 | 一种闲散运输业务的智能敏捷发现系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400107A true CN110400107A (zh) | 2019-11-01 |
CN110400107B CN110400107B (zh) | 2023-10-27 |
Family
ID=68323984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594471.2A Active CN110400107B (zh) | 2019-07-03 | 2019-07-03 | 一种闲散运输业务的智能敏捷发现系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400107B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139755A (zh) * | 2021-05-17 | 2021-07-20 | 拉扎斯网络科技(上海)有限公司 | 配送任务的调度方法及系统 |
CN113592175A (zh) * | 2021-07-28 | 2021-11-02 | 广西大学 | 一种基于物流业务响应过程的资源调度优化控制系统 |
CN112686597B (zh) * | 2020-12-21 | 2023-11-14 | 广东易积网络股份有限公司 | 物流仓储的出货作业方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326991A1 (en) * | 2008-06-27 | 2009-12-31 | E-Lantis Corporation | Gps and wireless integrated fleet management system and method |
CN103106571A (zh) * | 2012-12-28 | 2013-05-15 | 何剑 | 一种基于手机位置服务的货车运输供求匹配方法 |
CN103699979A (zh) * | 2014-01-09 | 2014-04-02 | 吉安万吉物流运输有限公司 | 一种物流公共信息平台系统 |
CN104240052A (zh) * | 2014-07-09 | 2014-12-24 | 重庆大学 | 返空车配货交易服务方法及软件系统 |
CN105894184A (zh) * | 2016-03-30 | 2016-08-24 | 杭州米阳科技有限公司 | 一种物流联合调度方法、平台和系统 |
CN105976140A (zh) * | 2016-04-27 | 2016-09-28 | 大连海事大学 | 大规模流式数据环境下的车货实时匹配方法 |
CN106022864A (zh) * | 2016-05-09 | 2016-10-12 | 广西大学 | 一种车货供需智能匹配计算方法 |
CN107506964A (zh) * | 2017-08-23 | 2017-12-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱的配送物流网络共享方法、系统及终端 |
CN109886490A (zh) * | 2019-02-22 | 2019-06-14 | 广西大学 | 一种组合车辆联合运输的匹配优化方法 |
-
2019
- 2019-07-03 CN CN201910594471.2A patent/CN110400107B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326991A1 (en) * | 2008-06-27 | 2009-12-31 | E-Lantis Corporation | Gps and wireless integrated fleet management system and method |
CN103106571A (zh) * | 2012-12-28 | 2013-05-15 | 何剑 | 一种基于手机位置服务的货车运输供求匹配方法 |
CN103699979A (zh) * | 2014-01-09 | 2014-04-02 | 吉安万吉物流运输有限公司 | 一种物流公共信息平台系统 |
CN104240052A (zh) * | 2014-07-09 | 2014-12-24 | 重庆大学 | 返空车配货交易服务方法及软件系统 |
CN105894184A (zh) * | 2016-03-30 | 2016-08-24 | 杭州米阳科技有限公司 | 一种物流联合调度方法、平台和系统 |
CN105976140A (zh) * | 2016-04-27 | 2016-09-28 | 大连海事大学 | 大规模流式数据环境下的车货实时匹配方法 |
CN106022864A (zh) * | 2016-05-09 | 2016-10-12 | 广西大学 | 一种车货供需智能匹配计算方法 |
CN107506964A (zh) * | 2017-08-23 | 2017-12-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱的配送物流网络共享方法、系统及终端 |
CN109886490A (zh) * | 2019-02-22 | 2019-06-14 | 广西大学 | 一种组合车辆联合运输的匹配优化方法 |
Non-Patent Citations (4)
Title |
---|
陈巍: "基于Android移动平台的车货匹配设计与实现", 《交通科技与经济》 * |
陈巍: "基于Android移动平台的车货匹配设计与实现", 《交通科技与经济》, no. 03, 25 June 2016 (2016-06-25), pages 23 - 27 * |
陈昌豪: "基于计算机网络技术的智能物流决策系统", 《物流技术》 * |
陈昌豪: "基于计算机网络技术的智能物流决策系统", 《物流技术》, no. 07, 15 April 2015 (2015-04-15), pages 274 - 276 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686597B (zh) * | 2020-12-21 | 2023-11-14 | 广东易积网络股份有限公司 | 物流仓储的出货作业方法及装置 |
CN113139755A (zh) * | 2021-05-17 | 2021-07-20 | 拉扎斯网络科技(上海)有限公司 | 配送任务的调度方法及系统 |
CN113592175A (zh) * | 2021-07-28 | 2021-11-02 | 广西大学 | 一种基于物流业务响应过程的资源调度优化控制系统 |
CN113592175B (zh) * | 2021-07-28 | 2023-11-28 | 广西大学 | 一种基于物流业务响应过程的资源调度优化控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110400107B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pugliese et al. | Using drones for parcels delivery process | |
WO2022262469A1 (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
CN110400107A (zh) | 一种闲散运输业务的智能敏捷发现系统及模型 | |
TW200945242A (en) | Dynamically routing salvage shipments and associated method | |
JP7455455B2 (ja) | 搬送業界セグメントにおけるインタラクティブリアルタイムシステムおよびそのリアルタイム使用方法 | |
KR20210087013A (ko) | 다중 모드 화물 운송 서비스의 자동 형성 방법 | |
Gattuso et al. | Advanced methodological researches concerning ITS in freight transport | |
KR101409745B1 (ko) | 화주중심의 녹색물류 진단평가시스템 | |
Žunić et al. | An Adaptive Data‐Driven Approach to Solve Real‐World Vehicle Routing Problems in Logistics | |
CN113962467A (zh) | 一种冷链运输车辆智能调度方法 | |
Leclaire et al. | Method for static rebalancing of a bike sharing system | |
Cheng et al. | Design of a support system for complicated logistics location integrating big data | |
CN107229996B (zh) | 一种一体化供应链管理平台 | |
Kalantari | Foliated transportation networks: Evaluating feasibility and potential | |
Wang et al. | In-depth learning layout and path optimization of energy service urban distribution sites under e-commerce environment | |
Nahum et al. | A framework for solving real-time multi-objective VRP | |
Timko et al. | Probabilistic Data Modeling and Querying for Location-Based Data Warehouses. | |
Marcucci et al. | City Logistics landscape in the era of on-demand economy | |
Dong et al. | Exploration of Joint Optimization and Visualization of Inventory Transportation in Agricultural Logistics Based on Ant Colony Algorithm | |
Li et al. | Study on the extension evaluation of smart logistics distribution of fresh agricultural products based on the perspective of customers | |
Kourouthanassis et al. | Platform Architecture and Functionality for Efficient and Intelligent Logistics | |
Liu | An Empirical Study of B2C E-Commerce Logistics Network Optimization | |
Yang | Research on Distributed Material Vehicle Path Planning Based on AnyLogic | |
Albers | Environmental considerations in supply chain decisions: Proposing a new methodology for locating cross-docking terminals considering CO2e emissions | |
Ghazal | Analysis of Logistics’ Measures of CEP Service Providers for the Last-mile Delivery in Small-and Medium-sized Cities A Case Study of the Aachen City Region |
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 |