CN111445100B - 有限运力下基于自适应时间窗口的车货匹配方法 - Google Patents

Abstract

本发明设计了一种以高优先级货物交付最大化为目标的数据驱动的车货匹配决策框架，首先利用遗传算法以高优先级占比作为评价指标得到各货车的装载计划候选集，在各个时间窗口内根据以产生的装载计划候选集构建图，然后使用广度优先遍历的搜索方法进行路径搜索得到图中的最优路径作为车货匹配的决策结果，最后根据不同时段内货车的数量分布自适应得调整时间窗口的大小，以达到高效获取车货匹配决策的效果。

Description

有限运力下基于自适应时间窗口的车货匹配方法

技术领域

本发明属于数据挖掘技术领域，具体涉及一种基于自适应时间窗口的车货匹配方法。

背景技术

受钢铁物流行业运输能力的限制，钢铁物流企业普遍存在货车超载、订单超期，货物积压等严重问题。其直接后果是钢铁物流成本高、效率低，甚至对社会经济发展产生了不良的影响。传统的车货匹配策略仅根据每辆货车的最大载重上限来确定该货车的装载计划，决定货车运输的货物。但在钢铁物流行业中，货物数量远超过可用的运输能力是常态，因此不可避免得导致超载的发生。然而，传统的策略忽略了货物本身的优先顺序，没能及时得交付高优先级货物给钢铁物流平台的造成了巨大的利润损失。为了提高钢铁物流平台的利润，亟需一个合适的车货匹配决策机制来解决运力攻击与实际货物运输需求之间的不平衡问题。

目前已有的关于物流领域任务资源分配的研究成果，一部分直接使用组合优化的传统方法来解决，这类方法的有效必须建立在离线已知所有匹配信息的背景下，不适用于实际实时匹配的场景。另一类是在前一类的基础上进行了改进，增加了预测算法将在线匹配问题转换为离线处理，但由于场景的复杂性且受人为影响大的种种因素，在该场景下的预测结果往往是不可靠的，因此效果仍旧不理想。

发明内容

本发明所要解决的技术问题是针对上述现有的技术不足，提供一种基于自适应时间窗口的车货匹配策略算法框架方法，其目的是最大化高优先级货物的发运比例。本发明第一阶段首先完成离线的分析，提取出与车货匹配决策过程相关的一些限制规则。本发明的第二阶段为在线的车货匹配决策框架，为了最大化高优先级货物发运的占比，利用遗传算法和广度优先遍历的方法搜索出当前时间窗口中的最优路径，以获得每个时间窗口内所有达到货车的最优装载计划，完成车货匹配决策过程。此外，为了解决货车数量分布不均匀带来的决策效率低的问题，对时间窗口的大小进行实时的自适应调整。

为了实现上述技术目的，本发明采取的技术方案为：

一种基于自适应时间窗口的车货匹配方法，包含以下步骤：

S1：对历史数据进行分析，得到货车对于运输目的地以及运输货物品种的偏好；

S2：使用滑动时间窗口的技术，在处理一个批次内车货匹配的请求时，基于步骤S1得到的货车偏好，使用遗传算法为各个货车分别产生多个装载计划，构成各货车的候选集；

S3：基于步骤S2得到的各货车的候选集，将所有装载计划作为结点，按照取货的不冲突性原则建立连接，构成图；使用广度优先搜索算法计算出最优的路径，保证高优先级货物发运的占比最高；

S4：根据实时的车货匹配请求，对滑动时间窗口的窗口大小进行自适应的变化。

为优化上述技术方案，采取的具体措施还包括：

上述步骤S1包括：

使用来自企业的真实数据集，对多个不同的来源的数据集进行分析，其中所述数据集包含历史的装载计划、货物出库记录和货物订单数据。装载计划受到一些货车司机的偏好因素限制，这些偏好因素决定了货车司机接受一个装载计划决策的概率。提取历史数据中出现的货车司机对于运输城市和运输货物品种的偏好作为后续决策的限制与参考。

上述步骤S2包括：

步骤2.1)，给出定义：货车表示为T＝[T₁,T₂,…,T_j]；所有货物表示为C＝[C₁,C₂,…,C_i]；假设在N件货物与M辆货车进行车货匹配，用矩阵表示车货匹配决策结果为

其中

1表示货物i被分配到货车T_j上，反之为0；货车T_j上装载的货物列表，定义为装载计划LP_j，表示为LP_j＝[d_1j,…,d_ij,…,d_Nj]；由于货车司机存在不同的运输偏好，因此存在一件货物存在不能分配到某辆卡车上的情景。此外，一辆货车可以装载多件货物，但一件货物只能装配到一辆货车上，因此有约束

为了目标是最大化高优先级货物发运的比例，因此货车T_j有值

对于整个决策的优化目标与限制条件可以表示为：

其中w_i表示为货物C_i的重量，l_j表示为货车T_j的装载上限；

步骤2.2)，采用滑动窗口模型，将短时间内到达的货车视为时间窗口内的微批，进行批次处理。

步骤2.3)，将货物按照优先级降序进行排序，并筛选与货车偏好相符的高优先级货物。

步骤2.4)，使用改良过的遗传算法为每辆货车生成装载计划候选集。

上述步骤S3包括：

步骤3.1)，为了获取一个批次中所有货车的装载计划，并且考虑货车之间的竞争关系，将步骤S2中已经为每辆货车产生的装载计划候选集中的所有装载计划作为结点，根据步骤S2中给出的对于货物的限制条件，将没有冲突、不受限制的装载计划进行边连接，在该批次中构建图。

步骤3.2)，在一个时间窗口内，从已经构建的图中搜索一组结点，以总体的高优先级货物占比最大化为目标，使用广度优先遍历的方法，搜索最优路径，为各个货车生成最终的装载计划，作为车货匹配的决策。

上述步骤S4包括：

根据自适应时间窗口模型自适应地确定每个时间窗口的大小，通过不断计算当前时间窗口中最可行的车货匹配决策的E_dp值来确定时间窗口的大小W_curr。

本发明具有以下有益效果：

1、本发明能够利用数据驱动的车货匹配决策框架，解决钢铁物流行业运输能力供给与实际货物运输需求之间的不平衡问题；

2、本发明利用自适应时间窗口技术，产生在线的决策以最大限度地提高了高优先货物发运的比例，且满足了实时请求的响应效率需求；

本发明设计了一种以高优先级货物交付最大化为目标的数据驱动的车货匹配决策框架，首先利用遗传算法以高优先级占比作为评价指标得到各货车的装载计划候选集，在各个时间窗口内根据以产生的装载计划候选集构建图，然后使用广度优先遍历的搜索方法进行路径搜索得到图中的最优路径作为车货匹配的决策结果，最后根据不同时段内货车的数量分布自适应得调整时间窗口的大小，以达到高效获取车货匹配决策的效果。

附图说明

图1是每辆货车装载计划候选集生成算法的流程图；

图2是装载计划存在冲突的案例图；

图3是基于装载计划候选集的拓扑图示意图；

图4是装载计划最优路径搜索算法的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明。

本发明第一阶段首先完成离线的分析，对历史物流数据进行大量的分析，提取出与车货匹配决策过程相关的一些限制规则，如运输流向、货物品种等。本发明的第二阶段为在线的车货匹配决策框架，为了最大化高优先级货物发运的占比，利用遗传算法为每辆货车产生较优的多个装载计划作为结点，构建图，然后基于广度优先遍历的方法搜索出当前时间窗口中的最优路径，以获得每个时间窗口内所有达到货车的最优装载计划，完成车货匹配决策过程。此外，为了解决货车数量分布不均匀带来的决策效率低的问题，对时间窗口的大小进行实时的自适应调整。

如图1每辆货车装载计划候选集生成算法的流程图所示。

通过从货物列表CL_j中随机选择货物组成的装载计划来初始化候选集LPC。随后，从LPC_j中随机选择两个装载计划LP_α和LP_β，交换其中的一些货物已获得新的装载计划LP_α′和LP_β′，将他们插入列表LPC_j中。通过对某个装载计划中货物的“突变”——随机交换为其他类似的高优先级货物，不断地将LP_j更新迭代，并将具有较大

的子代追加到LPC_j中。通过迭代执行上述过程，生成一组货车T_j的装载计划，选择E_dp——高优先级货物重量占比值最高的K个装载计划作为货车T_j的装载计划候选集LPC_j。

图2给出了生成货物装载计划的示例，并且阐述了装载计划之间存在冲突的场景。

可以看到生成的两个装载计划

和

存在一些货物在一个时间窗口内反复被选择到不同的货车装载计划中的情况，这导致许多装载计划不能同时被执行，因此

和

不能同时存在于一个车货匹配的决策中。为此设计了拓扑结构以帮助获取车货匹配决策。

如图3基于装载计划候选集的拓扑图示意图。

将每个装载计划

作为一个结点。当两个结点之间没有冲突时，可以在它们之间添加一条边。为了避免环形结构可能造成的循环搜索，还给出了其他边的限制：一条边的两端结点分别表示两辆先后到达的货车的装载计划，表示为T_j和T_j+1在一个时间窗口内，为每辆货车搜索适合的装载计划结点作为最终方案。

图4给出的装载计划最优路径搜索算法给出了详细的算法流程，详细描述了装载计划路径搜索的整个过程。

为了确保满足

需要存储路径

最后找到集合PL中拥有最大E_dp值的LPD。

Claims (4)

1.一种基于自适应时间窗口的车货匹配方法，其特征在于，包括以下步骤：

S1:对历史数据进行分析，得到货车对于运输目的地以及运输货物品种的偏好；

S2:使用滑动时间窗口的技术，在处理一个批次内车货匹配的请求时，基于步骤S1得到的货车偏好，使用遗传算法为各个货车分别产生多个装载计划，构成各货车的候选集；所述步骤S2具体包括：

步骤2.1)，给出定义：货车表示为T＝[T₁,T₂,...,T_j]；所有货物表示为C＝[C₁,C₂,...,C_i]；假设在N件货物与M辆货车进行车货匹配，用矩阵表示车货匹配决策结果为

其中

1表示货物C_i被分配到货车T_j上，反之为0；货车T_j上装载的货物列表，定义为装载计划LP_j，表示为LP_j＝[d_1j,...,d_ij,...,d_Nj]；由于货车司机存在不同的运输偏好，因此存在一件货物存在不能分配到某辆卡车上的情景；此外，一辆货车可以装载多件货物，但一件货物只能装配到一辆货车上，因此有约束

为了最大化高优先级货物发运的比例，因此货车T_j有值

对于整个决策的优化目标与限制条件表示为：

其中w_i表示为货物C_i的重量，l_j表示为货车T_j的装载上限；

步骤2.2)，采用滑动窗口模型，将短时间内到达的货车视为时间窗口内的微批，进行批次处理；

步骤2.3)，将货物按照优先级降序进行排序，并筛选与货车偏好相符的高优先级货物；

步骤2.4)，使用改良过的遗传算法为每辆货车生成装载计划候选集；

S3:基于步骤S2得到的各货车的候选集，将所有装载计划作为结点，按照取货的不冲突性原则建立连接，构成图；使用广度优先搜索算法计算出最优的路径，保证高优先级货物发运的占比最高；

S4:根据实时的车货匹配请求，对滑动时间窗口的窗口大小进行自适应的变化。

2.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法，其特征在于，所述步骤S1具体包括：

使用来自企业的真实数据集，对多个不同的来源的数据集进行分析，其中所述数据集包含历史的装载计划、货物出库记录和货物订单数据；装载计划受到一些货车司机的偏好因素限制，这些偏好因素决定了货车司机接受一个装载计划决策的概率；提取历史数据中出现的货车司机对于运输城市和运输货物品种的偏好作为后续决策的限制与参考。

3.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法，其特征在于，所述步骤S3具体包括：

步骤3.1)，为了获取一个批次中所有货车的装载计划，并且考虑货车之间的竞争关系，将步骤S2中已经为每辆货车产生的装载计划候选集中的所有装载计划作为结点，根据步骤S2中给出的对于货物的限制条件，将没有冲突、不受限制的装载计划进行边连接，在该批次中构建图；

步骤3.2)，在一个时间窗口内，从已经构建的图中搜索一组结点，以总体的高优先级货物占比最大化为目标，使用广度优先遍历的方法，搜索最优路径，为各个货车生成最终的装载计划，作为车货匹配的决策。

4.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法，其特征在于，所述步骤S4具体包括：

根据自适应时间窗口模型自适应地确定每个时间窗口的大小，通过不断计算当前时间窗口中最可行的车货匹配决策的E_dp值来确定时间窗口的大小W_curr。

Images