CN110659853A - 基于深度学习的多用户配送物流优化方法 - Google Patents

基于深度学习的多用户配送物流优化方法 Download PDF

Info

Publication number
CN110659853A
CN110659853A CN201810713585.XA CN201810713585A CN110659853A CN 110659853 A CN110659853 A CN 110659853A CN 201810713585 A CN201810713585 A CN 201810713585A CN 110659853 A CN110659853 A CN 110659853A
Authority
CN
China
Prior art keywords
user
information
deep learning
optimization method
acquiring
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.)
Withdrawn
Application number
CN201810713585.XA
Other languages
English (en)
Inventor
卢欢
唐磊
高磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TIANJIN BAOGANG STEEL DISTRIBUTION Co Ltd
Original Assignee
TIANJIN BAOGANG STEEL DISTRIBUTION Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TIANJIN BAOGANG STEEL DISTRIBUTION Co Ltd filed Critical TIANJIN BAOGANG STEEL DISTRIBUTION Co Ltd
Priority to CN201810713585.XA priority Critical patent/CN110659853A/zh
Publication of CN110659853A publication Critical patent/CN110659853A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于深度学习的多用户配送物流优化方法，包括如下步骤：(1)获取用户要货信息；(2)获取物流商信息；(3)获取用户收货时间信息；(4)得到车辆运输计划。本发明可根据多个用户的要货频率、要货量、要货时间，设定出最优化的配送物流信息，提高了配送效率。

Description

基于深度学习的多用户配送物流优化方法
技术领域
本发明涉及物流优化技术领域，尤其是基于深度学习的多用户配送物流优化方法。
背景技术
加工中心在同时服务多个主机厂时，为了满足多个用户的要求，常常付出高昂的物流费用。多个用户的要货频率、要货量、要货时间都不尽相同，而加工中心的物流商也存在多个，每个物流商的车辆大小也不一样，为了节约成本常常需要拼车等安排，存在无规则性和不确定性因素较多，难以用一个模型来实现经济、合理的排运计划。
发明内容
针对上述存在的问题，本发明的目的是提供基于深度学习的多用户配送物流优化方法。
本发明的技术方案是：基于深度学习的多用户配送物流优化方法，包括如下步骤：
步骤一：获取用户要货信息；
步骤二：获取物流商信息；
步骤三：获取用户收货时间信息；
步骤四：得到车辆运输计划。
进一步的，所述步骤一中的用户信息包括发货量、发货时间以及路线信息。
进一步的，所述步骤二中的物流商信息包括额定装载量和车辆状态信息。
进一步的，所述车辆运输计划包括运输时间、运输量、预计到达时间和成本计算。
进一步的，在n个节点上：xij表示第i个节点到第j个节点的载货量；
Figure BDA0001716975950000011
表示第k个车场到第α个配送中心的车辆数；
Figure BDA0001716975950000012
表示第β个用户点到第k个车场的车辆数；
Figure BDA0001716975950000021
建立数学模型如下：
Figure BDA0001716975950000022
Figure BDA0001716975950000023
其中，xij≥0(i，j＝1，2，......，n)；
Figure BDA0001716975950000024
且k＝1，2……，p；α＝1，2，……，m；yij∈{0，1}(i，j＝1，2，……，n)。
与现有技术相比，本发明的有益效果是：
(1)本发明具有路径标记功能，可以指出车辆从车场出发，经过配送中心以及用户点，最后返回原车厂的次序和路径走向。
(2)本发明可根据多个用户的要货频率、要货量、要货时间，设定出最优化的配送物流信息，提高了配送效率。
具体实施方式
下面结合实施例对本发明作进一步的说明。
基于深度学习的多用户配送物流优化方法，包括如下步骤：
步骤一：获取用户要货信息；
步骤二：获取物流商信息；
步骤三：获取用户收货时间信息；
步骤四：得到车辆运输计划。
进一步的，所述步骤一中的用户信息包括发货量、发货时间以及路线信息。
进一步的，所述步骤二中的物流商信息包括额定装载量和车辆状态信息。
进一步的，所述车辆运输计划包括运输时间、运输量、预计到达时间和成本计算。
进一步的，在n个节点上：xij表示第i个节点到第j个节点的载货量；表示第k个车场到第α个配送中心的车辆数；
Figure BDA0001716975950000032
表示第β个用户点到第k个车场的车辆数；
Figure BDA0001716975950000033
建立数学模型如下：
Figure BDA0001716975950000034
Figure BDA0001716975950000035
其中，xij≥0(i，j＝1，2，......，n)；
Figure BDA0001716975950000036
且k＝1，2……，p；α＝1，2，……，m；yij∈{0，1}(i，j＝1，2，……，n)。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.基于深度学习的多用户配送物流优化方法，其特征在于，包括如下步骤：
步骤一：获取用户要货信息；
步骤二：获取物流商信息；
步骤三：获取用户收货时间信息；
步骤四：得到车辆运输计划。
2.根据权利要求1所述的基于深度学习的多用户配送物流优化方法，其特征在于，所述步骤一中的用户信息包括发货量、发货时间以及路线信息。
3.根据权利要求1所述的基于深度学习的多用户配送物流优化方法，其特征在于，所述步骤二中的物流商信息包括额定装载量和车辆状态信息。
4.根据权利要求1所述的基于深度学习的多用户配送物流优化方法，其特征在于，所述车辆运输计划包括运输时间、运输量、预计到达时间和成本计算。
5.根据权利要求1所述的基于深度学习的多用户配送物流优化方法，其特征在于，在n个节点上：xij表示第i个节点到第j个节点的载货量；
Figure FDA0001716975940000011
表示第k个车场到第α个配送中心的车辆数；
Figure FDA0001716975940000012
表示第β个用户点到第k个车场的车辆数；
Figure FDA0001716975940000013
建立数学模型如下：
Figure FDA0001716975940000014
Figure FDA0001716975940000021
其中，xij≥0(i，j＝1，2，......，n)；
Figure FDA0001716975940000022
hjβk∈正整数，且k＝1，2……，p；α＝1，2，……，m；yij∈{0，1}(i，j＝1，2，……，n)。
CN201810713585.XA 2018-06-29 2018-06-29 基于深度学习的多用户配送物流优化方法 Withdrawn CN110659853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810713585.XA CN110659853A (zh) 2018-06-29 2018-06-29 基于深度学习的多用户配送物流优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810713585.XA CN110659853A (zh) 2018-06-29 2018-06-29 基于深度学习的多用户配送物流优化方法

Publications (1)

Publication Number Publication Date
CN110659853A true CN110659853A (zh) 2020-01-07

Family

ID=69027100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810713585.XA Withdrawn CN110659853A (zh) 2018-06-29 2018-06-29 基于深度学习的多用户配送物流优化方法

Country Status (1)

Country Link
CN (1) CN110659853A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504459A (zh) * 2014-12-08 2015-04-08 上海维祥信息技术有限公司 物流运输优化方法及系统
CN105809290A (zh) * 2016-03-11 2016-07-27 中国联合网络通信集团有限公司 一种实现物流调度的方法及装置
CN106156981A (zh) * 2016-07-07 2016-11-23 成都镜杰科技有限责任公司 基于云计算的物流协同处理方法
US9921066B2 (en) * 2009-02-11 2018-03-20 Telogis, Inc. Systems and methods for analyzing the use of mobile resources
CN107977739A (zh) * 2017-11-22 2018-05-01 深圳北斗应用技术研究院有限公司 物流配送路径的优化方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9921066B2 (en) * 2009-02-11 2018-03-20 Telogis, Inc. Systems and methods for analyzing the use of mobile resources
CN104504459A (zh) * 2014-12-08 2015-04-08 上海维祥信息技术有限公司 物流运输优化方法及系统
CN105809290A (zh) * 2016-03-11 2016-07-27 中国联合网络通信集团有限公司 一种实现物流调度的方法及装置
CN106156981A (zh) * 2016-07-07 2016-11-23 成都镜杰科技有限责任公司 基于云计算的物流协同处理方法
CN107977739A (zh) * 2017-11-22 2018-05-01 深圳北斗应用技术研究院有限公司 物流配送路径的优化方法、装置及设备

Similar Documents

Publication Publication Date Title
CN107833002B (zh) 基于协同多目标算法的多级低碳物流配送网络规划方法
CN106997494A (zh) 物流配送规划方法、物流配送方法及其装置
CN110908381B (zh) 机器人调度方法及装置
CN106156985A (zh) 一种物流配送方法和设备
CN105117879A (zh) 一种车、货智能匹配方法、装置及系统
CN108416559B (zh) 一种货运平台车主收益最大化智能拼车匹配方法
WO2019000786A1 (zh) 订单分配方法及装置
Kim et al. Effectiveness of vehicle reassignment in a large-scale overhead hoist transport system
CN112232726A (zh) 拣货方法、装置、服务器及存储介质
CN109919359B (zh) 一种基于adp算法的车辆路径规划方法
CN109078857A (zh) 分拣方法及装置
Li et al. A solution for cross-docking operations planning, scheduling and coordination
CN110619424A (zh) 一种运输配送优化系统
CN109918376A (zh) 数据表处理方法、装置以及电子设备
CN110659853A (zh) 基于深度学习的多用户配送物流优化方法
CN113762820A (zh) 货到人拣选控制方法、系统、电子设备及存储介质
CN116629735A (zh) 物流配送方法、物流配送装置和电子设备
CN107103420A (zh) 工程车工艺信息化系统集成方法
CN108596446B (zh) 受集装箱吊车任务队列约束的港内集卡派发方法
CN112001664A (zh) 一种退货任务的生成方法、装置、设备和存储介质
CN116402286A (zh) 一种物流机器人的调度方法、装置、电子设备及存储介质
CN111209473B (zh) 一种基于大数据的车货匹配方法及系统
CN110428089B (zh) 一种单车场物流运输调度的方法、系统及设备
CN108665115A (zh) 调度优化方法和装置
CN107122485A (zh) 一种车型数据拆分匹配方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200107

WW01 Invention patent application withdrawn after publication