CN111415034A

CN111415034A - 一种智能路线排划方法、系统、终端及存储介质

Info

Publication number: CN111415034A
Application number: CN202010164462.2A
Authority: CN
Inventors: 常乐贵; 王腾飞; 陈文斌
Original assignee: Beijing Zebra C Data Technology Co ltd
Current assignee: Beijing Maxinsight Tiancheng Data Consulting Co ltd
Priority date: 2020-03-11
Filing date: 2020-03-11
Publication date: 2020-07-14

Abstract

本申请提供一种智能路线排划方法、系统、终端及存储介质，包括：加载任务信息、规则信息及任务涉及城市间交通可达信息；在满足任务规则前提下，根据任务信息确定审核资源的出发城市；将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市；根据目的城市任务信息确定审核资源的目的城市内分配的经销店；本申请通过启发式算法、神经网络算法解决在多种约束条件下多路径多人员的最优路线排划问题，可实现调配人员任务执行时间和交通成本最小化。

Description

一种智能路线排划方法、系统、终端及存储介质

技术领域

本申请涉及环境定位测量技术领域，尤其是涉及一种智能路线排划方法、系统、终端及存储介质。

背景技术

汽车厂商对品牌下的4S店进行考核时，通常采用人工排划的方式，调配审核资源直接进店考察4S店的服务和流程。考核时需要考虑审核资源数量的调配，以实现在规定时间内对分布在全国的几百家店全部走访完，并且尽可能降低时间和交通成本。此种人工排划的方式过度依赖专家经验，耗时耗力也很难排出一套相对最优的路线。

现有的路线规划问题如旅行者问题(TSP)，外卖员送餐路线问题等，可采用蚁群算法、Dijkstra算法以及Floyd算法等解决，但只适用于起点和途径点固定的前提下的单一人员路径规划，并不能直接适用于多路径多人员的路线排划任务，目前也没有解决此类任务的系统性算法。

因此，亟需一种智能路线排划方法、系统、终端及存储介质，以解决在多种约束条件下多路径多人员的最优路线排划问题。

发明内容

针对现有技术的上述不足，本申请提供一种智能路线排划方法、系统、终端及存储介质，解决了在多种约束条件下多路径多人员的最优路线排划问题。

第一方面，为解决上述技术问题，本申请提供一种智能路线排划方法，包括：

加载任务信息、规则信息及任务涉及城市间交通可达信息；

在满足任务规则前提下，根据任务信息确定审核资源的出发城市；

将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市；

根据目的城市任务信息确定审核资源的目的城市内分配的经销店。

可选的，所述加载任务信息、规则信息及任务涉及城市间交通可达信息，包括：

加载规则信息及任务涉及城市间交通可达信息；

判断任务是否存在断点；

若是，则加载初始任务信息；若否，则加载断点任务信息。

可选的，所述任务规则，包括：

审核资源每周访问最大经销店数，一天内某一城市被执行的最大经销店数，是否允许同一审核资源一天内跨城市执行，一个审核资源每日最大访问经销店数，在同一个城市连续执行的天数，是否一个审核资源可以在一个城市连续执行超过一天，本轮分配是否重新选择起点城市，同一家店规避时长，同一集团经销店规避时长，一个审核资源在同一城市下最多可访问经销店数，一个审核资源在同一城市下最多可访问天数，城市内分配店的策略，执行一段时间后是否可以返回曾经执行过的城市，周末是否规避。

可选的，所述在满足任务规则前提下，根据任务信息确定审核资源的出发城市，包括：

将任务涉及城市按照区域进行划分；

根据每个区域内经销店数占总经销店数的比例将审核资源按同比例进行划分，确定每个区域内审核资源的数量；

将每个区域内任务执行城市按照包含的经销店数进行降序排序；

若区域内任务执行城市的数目小于区域内审核资源的数量，则根据审核资源出发中心找到离这个城市最近同时在这个区域规避经销店数最少的审核资源，将其所在城市设置为出发城市。

可选的，所述将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市，包括：

获取审核资源当前所在城市的可达城市列表；

判断可达城市列表是否为空；

若是，则将审核资源出发日期增加一天；若否，则按照预设分配策略将可达城市列表的城市进行排序；

按照可达城市列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

若是，则确定此城市为目的城市，并更新审核资源的当前所在城市并将审核资源出发日期增加一天；若否，则将审核资源出发日期增加一天，并将审核资源的出发城市设为离当前所在城市经纬度最近的未执行完任务的城市。

可选的，所述按照预设分配策略将可达城市列表的城市进行排序，包括：

将可达城市列表的城市按照与所在城市按照交通耗时进行排序。

可选的，所述按照预设分配策略将可达城市列表的城市进行排序，还包括：

将可达城市列表的城市按照最少可执行天数进行排序。

可选的，所述根据目的城市任务信息确定审核资源的目的城市内分配的经销店，包括：

获取审核资源目的城市中未被分配的经销店的剩余可执行天数；

将经销店按照剩余可执行天数进行排序；

按照可执行经销店列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

若否，则结束；若是，则继续分配店直到该城市执行的店数到达限制条件或者该城市分配完，同时将此目的城市放入该审核资源规避城市列表；

判断审核资源在目的城市分配最多经销店时，当天执行经销店数是否到达限制；

若是，则并结束；若否，则确定下一目的城市变成当前城市的当天可达城市。

第二方面，本申请还提供一种智能路线排划系统，包括：

配置信息加载单元，配置用于加载任务信息、规则信息及任务涉及城市间交通可达信息；

出发城市确定单元，配置用于在满足任务规则前提下，根据任务信息确定审核资源的出发城市；

目的城市确定单元，配置用于将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市；

经销店分配单元，配置用于根据目的城市任务信息确定审核资源的目的城市内分配的经销店。

可选的，所述配置信息加载单元，具体用于：

加载规则信息及任务涉及城市间交通可达信息；

判断任务是否存在断点；

若是，则加载初始任务信息；若否，则加载断点任务信息。

可选的，所述出发城市确定单元，具体用于：

将任务涉及城市按照区域进行划分；

可选的，所述目的城市确定单元，具体用于；

获取审核资源当前所在城市的可达城市列表；

判断可达城市列表是否为空；

按照可达城市列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

可选的，所述经销店分配单元，具体用于：

将经销店按照剩余可执行天数进行排序；

按照可执行经销店列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

第三方面，提供一种终端，包括：

处理器、存储器，其中，

该存储器用于存储计算机程序，

该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。

第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

与现有技术相比，本申请具有如下有益效果：

本申请提供的智能路线排划方法、系统、终端及存储介质，通过启发式算法、神经网络算法解决在多种约束条件下多路径多人员的最优路线排划问题，可实现调配人员任务执行时间和交通成本最小化。不仅可解决汽车领域经销商走访这一特定问题，同样适用一个多限制条件下多人路线规划问题，例如物流送货路线，公交线路规划等都可以采用此方法求解。

本申请的智能路线排划方法还提供了一种估算成本的思路，即给定一个任务，可以通过计算给定执行周期下所需要的最少人数以及给定人数情况下需要的最短执行时长，以此来平衡执行时间和人数，从而节约成本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本申请实施例所提供的智能路线排划方法的示意性流程图。

图2是本申请实施例所提供的城市之间的可达线路网示意图。

图3是本申请另一实施例所提供的智能路线排划方法的示意性流程图。

图4是本申请另一实施例所提供的城市转移概率的神经网络模型结构示意图。

图5是本申请另一实施例所提供的智能路线排划方法的示意性流程图。

图6是本申请另一实施例所提供的智能路线排划方法得到的整体排划路线图。

图7是本申请另一实施例所提供的智能路线排划方法中单一人员的线路。

图8是本申请实施例所提供的智能路线排划系统的示意性框图。

图9为本申请实施例所提供的智能路线排划终端的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的智能路线排划方法的流程图，该方法100包括：

S101：加载任务信息、规则信息及任务涉及城市间交通可达信息；

S102：在满足任务规则前提下，根据任务信息确定审核资源的出发城市；

S103：将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市；

S104：根据目的城市任务信息确定审核资源的目的城市内分配的经销店。

需要说明的是，资源包括但不限于实施人员、实施装置或实施子系统。

基于上述实施例，作为优选的实施例，所述S101加载任务信息、规则信息及任务涉及城市间交通可达信息，包括：

加载规则信息及任务涉及城市间交通可达信息；

判断任务是否存在断点；

若是，则加载初始任务信息；若否，则加载断点任务信息。

具体的，配置加载主要是加载针对本次任务的任务信息、规则信息和城市间的交通可达信息。

1、任务信息包括：参与排划任务的审核资源、各自的出发日期和出发城市、排划任务需要安排的经销店，包括每个经销店店的位置信息、所在城市等。

需要说明的是，在任务的执行过程中，会有一些意外情况(例如审核人员请假，4S店临时不能进等)导致预先排好的路线不能继续使用，需要重新排之后的路线。断点续排主要的是解决执行过程中的重排问题，特点是审核资源在任务中的一部分路线是确定了，在某个断点之后的路线需要重新安排，这时我们根据已经确定的路线可以推测出断点时候审核资源所在城市及出发日期(分别为断点前最后一家执行店所在的城市和最后一家店的执行日期)，当然也可以为某个审核资源人工指定断点之后的新起点城市(请假后可能会回老家，如果还默认为断点前的城市会增加交通成本)，由此可见，第一次排划时加载的是初始任务信息，断点续排所加载的断点任务信息的都是一些相对确定的信息。

2、在任务执行过程中受到的约束条件限制作为任务规则，规则信息包括：

sample_number_max_one_week审核资源每周访问最大店数；

same_city_store_number_one_day一天内某一城市被执行的最大店数；

different_city_one_day是否允许同一审核资源一天内跨城市执行；

sample_number_max_one_day一个审核资源每日最大访问店数；

same_city_consecutive_days在同一个城市连续执行的天数；

two_consecutive_days是否一个审核资源可以在一个城市连续执行超过一天；

current_location_as_starting_point本轮分配是否重新选择起点城市；

visit_same_store_avoid_time同一家店规避时长；

visit_same_group_avoid_time同一集团经销店规避时长；

same_city_store_num一个审核资源在同一城市下最多可访问店数；

same_city_store_days一个审核资源在同一城市下最多可访问天数；

city_chose_store_precedence distinct城市内分配店的策略；

back_city执行一段时间后是否可以返回曾经执行过的城市；

avoid_weekend周末是否规避。

3、任务涉及城市间交通可达信息包括：

(1)交通可达信息

对于一个排划任务中涉及的城市集合C，C中城市交通可达信息是排划的前提，它决定了在某个城市到其它城市的可行性，算法中主要采用了火车和汽车的交通判断方式。

火车可达信息：

通过爬取12306网站的列车信息(途径站及出发和到达时间)可以编织出一张庞大的城市之间的双向可达线路网。如图2所示，为一个含有5个城市的集合C，train_route_C可以由一个方阵表示：

其中，图的边上的权重为含有多个key的字典，包含图中一个点(城市)到另一个点所用时间和花费，以及所有可达车次的起始时间等信息，记作train_route，W_ab＝：{train1：{′start′：datetime，′duration′：minutes，′fee′：money}，train2：{......}}。

汽车可达信息：

汽车可达信息和火车可达信息类似，也可以形成一张线路图，记作bus_route。

(2)直线距离信息

城市之间的直线距离，可以用城市中心的经纬度之间的距离来衡量，直线距离是对火车和汽车交通信息的补充，对于直线距离很近的两个城市(距离小于阈值θ)可以认为是可达的，记作distance_route。

(3)历史执行信息

历史任务执行记录里所记录的线路往往更加切合实际，其中的城市间的转移线路也可以作为参考，用来对上述火车、汽车以及直线距离三种情况的可达性的补充，记作history_route。

基于上述实施例，作为优选的实施例，所述S102在满足任务规则前提下，根据任务信息确定审核资源的出发城市，包括：

将任务涉及城市按照区域进行划分；

具体的，在第一次排划的时候，只知道审核资源的出发中心(几个大城市)，经试验对比发现审核资源的起始城市会直接影响最后的排划结果，分散起点的效果往往好于集中起点扩散式分配，所以在满足规则要求的情况下对人员起始执行城市需要再分配，采用如下算法：

按照地理位置将全国以省为单位划分为几个大区，记为area(比如东西南北)，统计每个区域里的店数，根据每个区域店的数目占总数的比例将本期审核资源按同比例进行划分，这样就确定了每个区域一开始大概投放几个审核资源，记作area_visitor_num，定义各区域内应该分配的审核资源数visitor_num＝area_visitor_num[area]。把区域内城市按照包含的店数进行降序排序得到的城市列表area_city_store_num。

如果该区域已安排人员的城市数目<区域内应该分配的审核资源数visitor_num:

根据审核资源出发中心找到离这个城市最近同时在这个区域规避店数最少的一个审核资源v，将审核资源v的出发城市设置为出发城市c；其他情形则结束。

基于上述实施例，作为优选的实施例，所述S103将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市，包括：

获取审核资源当前所在城市的可达城市列表；

判断可达城市列表是否为空；

按照可达城市列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

具体的，审核资源选择目的城市算法如图3所示，主要包括：

定义审核资源v当前城市为：location，

定义审核资源v从当前城市可达城市列表：reachable＝[]，

定义按照某一规则排序后的城市列表：reachable_sorted。

将可用审核资源按照出发日期进行排序；

找出可出发日期最早的那个审核资源v；

对于可出发日期最早的那个审核资源v，判断待分配城市里面的每一个城市该审核资源是否可达(路线可达，没有规避)：

如果是，则将该城市加入到可达城市列表reachable；

判断可达城市列表reachable是否为空；

若是，则将审核资源出发日期增加一天；若否，则按照预设分配策略将可达城市列表reachable的城市进行排序得到reachable_sorted；

按照可达城市列表reachable的顺序依次分配经销店；

如果reachable_sorted里的城市都没有分配成功经销店(包括reachable_sorted为空)，则该审核资源出发日期+1天，并将审核资源的出发城市设为离当前所在城市location经纬度最近的未执行完的城市；

如果reachable_sorted里的城市分配成功至少一家经销店，则不再继续尝试，确定此城市为目的城市，并更新审核资源的当前所在城市并将审核资源出发日期增加一天；

继续判断出发日期最早的审核资源在待分配城市里面的每一个城市是否可达，直至所有审核资源出发日期到达项目结束时间。

需要说明的是，确定目的城市时，上述单一的启发式策略往往只考虑审核资源v的当下“利益”，有的时候可能会阻碍另一个审核资源w的线路，产生“走别人的路让别人无路可走的”的结果。多人路线排划其实是一个全局性的问题，所以需要在选择城市的时候考虑别的审核资源的情况以及其他很多因素。算法中考虑的因素

中包含的信息有：到候选城市的距离；到候选城市最短时间；到候选城市当天车次数；候选城市店剩余可执行天数；候选城市到其他未执行城市的可达路线条数；其他审核资源也可达候选城市的人数；候选城市是否存在需要近期执行的店；候选城市所在区域里面目前的审核资源数量；候选城市所在区域内的未执行的店数。在实际的排划过程中两种算法可使用在排划的不同阶段。在路线排划的初级阶段，基于启发式思想的排序可以在满足规则的前提下尽可能的减少审核资源每次城市转移的成本；而在排划的后期，避免审核资源走进“死胡同”的策略就是通过采用基于神经网络的城市转移概率。

如图4所示，图4为城市转移概率的神经网络模型结构图，基于历史人工排划的路线，提取的某一时刻

作为输入，输出标签为实际选择的转移城市，建立并训练这些因素

与到一个城市转移概率的模型T_model，当然模型的输入因素不仅限于列举的几个，除了神经网络模型，xgboost等模型也是不错的选择，以神经网络为例，具体参数为：

一个隐藏层，20个节点；

学习率0.1；

损失函数：mean_squared；

激活函数：relu；

优化方法：SGD；

模型训练好后，对于每一个当前需要排划路线的审核资源，根据T_model预测每一个可达城市的转移概率T_p，根据排序选取转移概率最大的那个城市。

基于上述实施例，作为优选的实施例，所述按照预设分配策略将可达城市列表的城市进行排序，包括：

基于上述实施例，作为优选的实施例，所述按照预设分配策略将可达城市列表的城市进行排序，还包括：

将可达城市列表的城市按照最少可执行天数进行排序。

需要说明的是，路线排划的目的是在保证规定时间完成任务的前提下所用的时间和花费相对小。那么在选择下一站城市的时候就要向这个方向靠拢。上述两种目的城市预设分配策略均为启发式策略：(1)把审核资源v分配到离他路程最短的可达城市：对于审核资源v的当前所在城市location，根据train_route以及bus_route计算reachable中每个城市与location的交通最短耗时，按照耗时升序排序后返回reachable_sorted；(2)把审核资源v分配到可达城市里可用执行天数最少的城市：对于审核资源v的当前所在城市location，计算reachable中每个城市里面的店的最少可执行天数，按照最少可执行天数升序排序后返回reachable_sorted。第一种策略是基于让审核资源每次城市间转移尽量保证路程最小化，从而可以节约交通成本；而第二种策略则考虑优先执行剩余可执行天数少的城市里的店，主要是防止错过最佳的执行日期。

基于上述实施例，作为优选的实施例，所述S104根据目的城市任务信息确定审核资源的目的城市内分配的经销店，包括：

将经销店按照剩余可执行天数进行排序；

按照可执行经销店列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

具体的，审核资源目的城市内选择经销店的算法如图5所示，主要包括：

获取目的城市未被分配的经销店的剩余可执行天数，按照能被执行的剩余天数进行排序(升序)得到可执行经销店列表days_left_store；

按照可执行经销店列表days_left_store中顺序依次给审核资源分配经销店store；

如果该审核资源未分配到经销店store，则结束；如果该审核资源可分配到经销店store，则继续分配店直到该城市执行的店数到达限制条件或者该城市分配完，把该城市放入审核资源规避城市列表；

判断审核资源在该城市分配最多经销店时，当天执行经销店数是否到达限制：

如果否，则输入城市变成当前城市的当天可达城市，即获取当前城市的当天可达城市的未被分配的经销店的剩余可执行天数，按照能被执行的剩余天数进行排序(升序)得到可执行经销店列表days_left_store，进行递归调用；

如果是，则结束，递归结束，结果入库。

需要说明的是，机器排划高度依赖现有的交通信息网，但是有的时候交通的信息并不是可达性的直接反应。所以系统也设计具备“自学习”的功能来不断的进化和完善自己，来达到排出合理的可以被直接采用路线的目的。算法的自学习功能，主要体现在2个方面：一是对偏远地区城市路线的学习，按照现有的交通信息网，难免会出现一些到其他城市都很远的城市，我们称之为“孤立”城市点，为了避免出现这样的城市没有被排上的情况，采用的应对方法是从以往的人工排划中提取转移策略，例如，对于西藏的拉萨，从成都过去是相对方便的，所以程序会记住成都到拉萨这一固定的线路。二是模型T_model的自学习更新，主要是针对人工修改的情况进行学习，系统会存储人工对机器线路进行修改的记录及原因，从中提取有价值的修改，按照图4的方法定期重新训练T_model，最终让模型预测结果更加准确，从而排出更加合理的路线。

此外，入库的路线结果可以下载为各种文本格式，当然也提供了和其他应用系统的对接接口，同时，为了方便路线排划人员整体把握路线安排，排划结果以可视化形式在地图上呈现并支持修改，一旦一个审核资源的某一天的路线修改后，那此后的所有路线都会自动重新安排，即会有“牵一发而动全身”的效果。图6为整个项目的整体排划结果，不同审核资源的路线以不同颜色的虚线表示。同时系统也支持单一审核资源的路线筛选功能，使得路线的呈现更加直观，方便发现问题并随时做出调整。图7为单一人员的线路，其中深颜色部分为已经执行的路线。

请参考图8，图8为本申请实施例所提供的智能路线排划系统的结构示意图，该系统800，包括：

配置信息加载单元801，配置用于加载任务信息、规则信息及任务涉及城市间交通可达信息；

出发城市确定单元802，配置用于在满足任务规则前提下，根据任务信息确定审核资源的出发城市；

目的城市确定单元803，配置用于将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市；

经销店分配单元804，配置用于根据目的城市任务信息确定审核资源的目的城市内分配的经销店。

基于上述实施例，作为优选的实施例，所述配置信息加载单元801，具体用于：

加载规则信息及任务涉及城市间交通可达信息；

判断任务是否存在断点；

若是，则加载初始任务信息；若否，则加载断点任务信息。

基于上述实施例，作为优选的实施例，所述出发城市确定单元802，具体用于：

将任务涉及城市按照区域进行划分；

基于上述实施例，作为优选的实施例，所述目的城市确定单元803，具体用于；

获取审核资源当前所在城市的可达城市列表；

判断可达城市列表是否为空；

按照可达城市列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

基于上述实施例，作为优选的实施例，所述经销店分配单元804，具体用于：

将经销店按照剩余可执行天数进行排序；

按照可执行经销店列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

图9为本申请实施例提供的一种终端系统900的结构示意图，该终端系统900可以用于执行本申请实施例提供的智能路线排划方法。

其中，该终端系统900可以包括：处理器910、存储器920及通信单元930。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本申请的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，该存储器920可以用于存储处理器910的执行指令，存储器920可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器920中的执行指令由处理器910执行时，使得终端系统900能够执行以下上述方法实施例中的部分或全部步骤。

处理器910为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器910可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本申请实施方式中，CPU可以是单运算核心，也可以包括多运算核心。

通信单元930，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。

本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本申请提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。

因此，本申请提供的智能路线排划方法、系统、终端及存储介质，通过启发式算法、神经网络算法解决在多种约束条件下多路径多人员的最优路线排划问题，可实现调配人员任务执行时间和交通成本最小化。不仅可解决汽车领域经销商走访这一特定问题，同样适用一个多限制条件下多人路线规划问题，例如物流送货路线，公交线路规划等都可以采用此方法求解。本申请的智能路线排划方法还提供了一种估算成本的思路，即给定一个任务，可以通过计算给定执行周期下所需要的最少人数以及给定人数情况下需要的最短执行时长，以此来平衡执行时间和人数，从而节约成本。本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。

本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请实施例中的技术方案本质上或者说对现有技术做出贡献的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如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，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本申请各个实施例所述方法的全部或部分步骤。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统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，系统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。

尽管通过参考附图并结合优选实施例的方式对本申请进行了详细描述，但本申请并不限于此。在不脱离本申请的精神和实质的前提下，本领域普通技术人员可以对本申请的实施例进行各种等效的修改或替换，而这些修改或替换都应在本申请的涵盖范围内/任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种智能路线排划方法，其特征在于，包括：

加载任务信息、规则信息及任务涉及城市间交通可达信息；

2.根据权利要求1所述的智能路线排划方法，其特征在于，所述加载任务信息、规则信息及任务涉及城市间交通可达信息，包括：

加载规则信息及任务涉及城市间交通可达信息；

判断任务是否存在断点；

若是，则加载初始任务信息；若否，则加载断点任务信息。

3.根据权利要求1所述的智能路线排划方法，其特征在于，所述在满足任务规则前提下，根据任务信息确定审核资源的出发城市，包括：

将任务涉及城市按照区域进行划分；

4.根据权利要求1所述的智能路线排划方法，其特征在于，所述将可用审核资源的出发日期进行排序，根据任务涉及城市间交通可达信息确定最早出发的审核资源的目的城市，包括：

获取审核资源当前所在城市的可达城市列表；

判断可达城市列表是否为空；

按照可达城市列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

5.根据权利要求4所述的智能路线排划方法，其特征在于，所述按照预设分配策略将可达城市列表的城市进行排序，包括：

6.根据权利要求4所述的智能路线排划方法，所述按照预设分配策略将可达城市列表的城市进行排序，还包括：

将可达城市列表的城市按照最少可执行天数进行排序。

7.根据权利要求1所述的智能路线排划方法，所述根据目的城市任务信息确定审核资源的目的城市内分配的经销店，包括：

将经销店按照剩余可执行天数进行排序；

按照可执行经销店列表的顺序依次分配经销店；

判断可达城市内经销店是否分配成功；

8.一种智能路线排划系统，其特征在于，包括：

9.一种终端，其特征在于，包括：

处理器；

用于存储处理器的执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-4任一项所述的方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。