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 PDFInfo
- 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- Withdrawn
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
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。
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。
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。
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)
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 |
-
2018
- 2018-06-29 CN CN201810713585.XA patent/CN110659853A/zh not_active Withdrawn
Patent Citations (5)
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 |