CN111652552A - 一种用于物流订单运输规划方法、系统及装置 - Google Patents

Abstract

本发明公开了一种用于物流订单运输规划方法、系统及装置，所述方法包括：根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；根据最大流计算结果，为物流订单安排相应的物流交通路线。本发明通过订单整合和交通路线选择，将来自于不同起始点的多样物流订单信息和物流交通信息抽象为一个源点、一个汇点的模型数据，从而能够利用科学的算法进行最大流方案计算，实现交通资源最大化利用，提高整体运输效率。另外还对物流订单进行运输实效限制、班车排序，保障班车按时到达，进一步提高了运输的效力。

Description

一种用于物流订单运输规划方法、系统及装置

技术领域

本发明属于物流运输技术领域，特别涉及一种用于物流订单运输规划方法、系统及装置。

背景技术

现有物流运输，会根据货物的不同属性有不同的运输方案。以大件慢消品为例，消费周期长，运输体积大，货物一般在用户下单开始运输，所以如何在现有运力和货物之间做匹配，既保证运输时效，又能尽量降低运载工具的空载率，是最终要解决的问题。一般的物流行业，会根据经验制定一些装载规则，如先进先出、剩余里程比排序、剩余交付时间排序等，但这些方案不是很科学，容易出错，且花费的时间和人力较大。

因此，亟需一种自动、科学的物流订单运输规划方法。

发明内容

针对上述问题，本发明提供了一种用于物流订单运输规划方法，所述方法包括：

根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；

基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；

根据最大流计算结果，为物流订单安排相应的物流交通路线。

进一步地，所述构建订单物流模型包括：

根据物流订单的出发点和终点，将多个物流订单进行分类聚合，形成物流订单聚合信息，所述物流订单聚合信息包括每类物流订单的数量；

为每类物流订单分别选择可行的交通路线，形成物流交通信息，所述物流交通信息包括物流订单选择的班车；

根据所述订单聚合信息和所述物流交通信息生成所述订单物流模型。

进一步地，所述将多个物流订单进行分类聚合包括根据物流订单的出发点、终点和创建时间对物流订单进行分类聚合，形成物流订单聚合信息，每类订单具有相同的出发点、终点和创建时间。

进一步地，所述为每类物流订单分别选择可行的交通路线还包括根据每类物流订单的创建时间和班车时刻信息，选择使得物流订单能够满足运输时限到达的班车。

进一步地，所述构建订单物流模型还包括：

将所述订单聚合信息模拟为订单节点；

将所述班车模拟为班车节点；

将所述物流交通信息模拟为订单节点与班车节点的边向量；

将班车的空位数模拟为班车节点到汇点的边向量的权值。

进一步地，所述班车中的一个或多个班车具有多个班次时，所述构建订单物流模型还包括：

计算每类物流订单所有可到达的交通路线的耗时，生成物流订单耗时信息；

根据班车时刻信息和物流订单耗时信息，从可到达的交通路线中选择满足运输时限的班次来形成物流交通信息。

进一步地，所述班车中的一个或多个班车具有多个班次时，所述构建订单物流模型还包括：

将班车按照其班次数量模拟为多个班车节点；

将所述多个班车节点按照时间优先的次序分别依次与前置节点相连接。

进一步地，对于需要中转班车的物流订单，将所述物流订单按照中转班车信息拆分为多个中转物流订单，对每个所述中转物流订单分别构建订单物流模型。

本发明还提供了一种用于物流订单运输规划系统，所述系统包括：

建模单元，用于根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；

计算单元，用于基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；

输出单元，用于根据最大流计算结果，为物流订单安排相应的物流交通路线。

本发明还提供了一种用于物流订单运输规划装置，所述装置包括至少一个处理器以及至少一个存储器；

所述存储器存储执行上述方法的计算机程序，所述处理器调用存储器中的所述计算机程序以执行上述方法。

本发明通过订单整合和交通路线选择，将来自于不同起始点的多样物流订单信息和物流交通信息抽象为一个源点、一个汇点的模型数据，从而能够利用科学的算法进行最大流方案计算，实现交通资源最大化利用，提高整体运输效率。另外还对物流订单进行运输实效限制、班车排序，保障班车按时到达，进一步提高了运输的效力。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例的用于物流订单运输规划方法的整体流程图；

图2示出了本发明实施例的用于物流订单运输规划方法的抽象业务模型示意图；

图3示出了本发明实施例的用于物流订单运输规划方法的班车具有多个班次的模型示意图；

图4示出了本发明实施例的用于物流订单运输规划方法的Dinic算法模型示意图；

图5示出了本发明实施例的用于物流订单运输规划系统的结构示意图；

图6示出了本发明实施例的用于物流订单运输规划装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明为了尽量降低班车(班车：按照固定时刻表发车及运行的运输车辆)的空载率，使运输的订单(订单：需要运输的货物)数达到最大，同时又能保证运输时效，提出了一种用于物流订单运输规划方法，示例性的，图1示出了本发明实施例的用于物流订单运输规划方法的整体流程图，如图1所示，所述方法包括以下步骤：

步骤一:根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构，如图2所示；其中，物流订单为包括运输目标的订单，物流交通信息包括班车信息和班次信息，本实施例中，物流交通信息以直达班车为例进行物流模型建立和分析。对于需要中转班车的物流订单，将物流订单按照中转班车信息拆分为多个中转物流订单，对每个中转物流订单分别构建订单物流模型，进行最大流计算，其中中转物流订单为通过一趟班车直达的物流订单信息。示例性地，订单从出发点A经过中转点B到达终点C，处理此订单时，先只考虑出发点A到中转点B的情况，将中转点B当作终点处理，订单到达时间也相应的转化为A-B的时间，等订单到达B后，再将B作为出发点，C为终点，生成B-C的订单，订单到达时间为B-C的时间，对这两个中转物流订单作为独立订单参与建模和计算。

具体的，所述构建订单物流模型包括：

根据物流订单的出发点和终点，将多个物流订单进行分类聚合，形成物流订单聚合信息，所述物流订单聚合信息包括每类物流订单的数量；

为每类物流订单分别选择可行的交通路线，形成物流交通信息，所述物流交通信息包括物流订单选择的班车；

根据所述订单聚合信息和所述物流交通信息生成所述订单物流模型。

进一步地，所述将多个物流订单进行分类聚合包括根据物流订单的出发点、终点和创建时间对物流订单进行分类聚合，形成物流订单聚合信息，每类订单具有相同的出发点、终点和创建时间，便于进行最大流计算。

其中，为每类物流订单分别选择可行的交通路线还包括根据每类物流订单的创建时间和班车时刻信息，选择使得物流订单能够满足运输时限到达的班车。示例性的，运输时限包括订单到达目的地的最后时间，根据订单运送的需求，设置订单的运输时限，保障物流订单运输实效，避免用户长期等待，提升体验度。

具体地，构建订单物流模型的过程是将上述订单聚合信息、物流交通信息模拟为节点和边向量的过程，包括：将订单聚合信息模拟为订单节点；将班车模拟为班车节点；将物流交通信息模拟为订单节点与班车节点的边向量；将班车的空位数模拟为班车节点到汇点的边向量的权值；将每类物流订单的数量作为源点到物流节点的边向量的权值。本发明实施例，将订单信息和物流信息抽象为节点、向量模型，从而能够基于综合的订单信息和物流信息采用最大流算法，计算运输方案，实现订单运输方案的自动、智能、科学决策。

当所述班车中的一个或多个班车具有多个班次，构建订单物流模型时，则计算每类物流订单所有可到达的交通路线的耗时，生成物流订单耗时信息，然后根据班车时刻信息和物流订单耗时信息，从可到达的交通路线中选择满足运输时限的班次来形成物流交通信息；并且，将班车按照其班次数量模拟为多个班车节点，再将所述多个班车节点按照时间优先的次序分别依次与前置节点相连接，其中前置节点为分类聚合的订单节点。示例性的，如图3所示，班车1中有三个班次，根据班次分别模拟为班车1a、班车1b、班车1c三个班车节点，其中班车1a、班车1b、班车1c按照时间优先的次序排序，并依次与前置节点连接，便于进行最大流计算时，能够按照固定时刻表上的班次顺序选择班车，从而避免出现班车等待时间过长的情况。

订单物流模型具有一个源点(Dinic算法的出发点)和一个汇点(Dinic算法的汇聚点)，源点和汇点均为创建的抽象节点，本实施例中，所述源点包括所有的订单，所述汇点为最终可以运送的订单总数。所述源点与分类聚合的订单类抽象节点之间的对应关系也形成边向量，该边向量的权值为该订单节点的订单数。

示例性的，如图2所示，抽象业务模型中包括源点、订单节点、班车和汇点，其中订单节点即为分类聚合的订单类抽象节点，班车为载具类(即现实运输中的班车)的抽象节点，同一个订单节点中的订单具有相同的出发点、终点和创建时间，源点和汇点均为创建的抽象节点，本实施例中，订单节点以四个为例进行说明，包括订单节点(A，B，T1)，其中A为出发点，B为终点，T1为创建时间；订单节点(A，C，T2)，其中A为出发点，C为终点，T2为创建时间；订单节点(F，B，T1)，其中F为出发点，B为终点，T1为创建时间；订单节点(A，G，T3)，其中A为出发点，G为终点，T3为创建时间。班车以三个为例进行说明，包括班车1、班车2、班车3，当班车具有多个班次时，每种班车又可以分为多个班车节点，每个班车中的班车节点按照时间优先的次序分别依次与同一个订单节点相连接，如图3所示。源点中出发点为A、终点为B、创建时间为T1的所有订单均对应订单节点(A，B，T1)，源点中出发点为A、终点为C、创建时间为T2的所有订单均对应订单节点(A，C，T2)，源点中出发点为F、终点为B、创建时间为T1的所有订单均对应订单节点(F，B，T1)，源点中出发点为A、终点为G、创建时间为T3的所有订单均对应订单节点(A，G，T3)。在订单到达终点不超时的前提下，每一个订单节点对应一个或多个可乘班车，如图2中所示，订单节点(A，B，T1)中的订单对应班车1和班车2，订单节点(A，C，T2)中的订单对应班车1、班车2、班车3，订单节点(F，B，T1)中的订单对应班车3，订单节点(A，G，T3)中的订单对应班车3。每个订单节点对应班车的关系即为模型的边向量，每个边向量具有最大流的限制条件，最大流的限制条件与班车中可乘班车的空位数相关，最大流算法通过班车中可乘班车的空位数可以推算出订单节点到班车边向量的最大流的限制条件，即订单节点中可以让班车运送的最大订单数，其中可乘班车为订单到达终点不超时的班车。示例性的，如图2所示，班车1中可乘班车的空位数为8，班车1到汇点的边向量权值即为8，即班车1所能运送的最大订单数为8；班车2中可乘班车的空位数为6，班车2到汇点的边向量权值即为6，即班车2所能运送的最大订单数为6；班车3中可乘班车的空位数为7，班车3到汇点的边向量权值即为7，即班车3所能运送的最大订单数为7。源点与各订单节点之间也形成边向量，边向量的权值为相应订单节点中的订单数，示例性的，如图2所示，订单节点(A，B，T1)中的订单数为27，因此源点到订单节点(A，B，T1)的边向量权值为27；订单节点(A，C，T2)中的订单数为28，因此源点到订单节点(A，C，T2)的边向量权值为28；订单节点(F，B，T1)中的订单数为25，因此源点到订单节点(F，B，T1)的边向量权值为25；订单节点(A，G，T3)中的订单数为26，因此源点到订单节点(A，G，T3)的边向量权值为26。经过班车后的所有订单均指向汇点，汇点中的订单即为最终可以运送的订单总数。本发明实施例中，对订单节点到班车节点的边向量权值不做限制，其可以为无限大，或者与订单节点中的订单数据量一致，即只要订单搭乘指定班车能够到达目的地即可。由于班车节点与汇点之间根据空位数设置了权值，即使订单节点与班车节点的权值不做限制，最终的最大流计算结果也能够满足订单能够搭乘到车辆上。

步骤二:基于所述订单物流模型，采用最大流(即最大流问题，maximumflowproblem，一种组合最优化问题，通过计算如何充分利用装置的能力，使得运输的流量最大，以取得最好的效果)算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；

本实施中的最大流算法以Dinic算法(又称Dinitz算法，是计算从源点出发的若干“流”经过有条件限制的若干边后或通过“流”的上限约束后，最终汇聚到终点的最大值。其中，“流”可以是任意物质或数值，)为例进行计算，计算时需要控制模拟时间和模拟路线长度。其中模拟时间为执行模拟计算的周期，由于本实施例中的模拟计算方法是在模拟计算开始时获取一次订单全部信息，后续基于该模型的最大流计算过程中订单不再增加，然而实际运输中订单在不断增加，因此，当模拟计算的周期越短，实际运输中订单增加的数量越少，模拟计算结果越精确。示例性地，按照班车中转周期的公约数设置模拟时间，各个班车从车站出发时间为整点时刻，模拟时间设置为每半小时模拟一次，或者以任一班车到站未触发进行模拟和计算，进而能够及时更新班车空位数和中转订单、新增订单等信息，保障模型与实际运输订单的匹配度和运输灵活性。模拟路线长度为订单出发点-终点的路径，出发点-终点之间的运输方式包括很多种，根据需求规则，提前选取出部分可行的运输方式，包括：根据换乘次数和/或绕路比来确定可行的运输方式。示例性地，限定换不能超过3次，绕路比(实际路线距离/起止点的直线距离)<1.2，则在所有可到达路径中选取满足要求的路径作为可行的运输方式。

步骤三：根据最大流计算结果，为物流订单安排相应的物流交通路线。

使用Dinic算法对上述抽象业务模型进行计算，为了便于计算，本实施例中忽略了订单节点和班车的实际含义，将两者当做相同属性的节点对待，如图4所示，订单为基本元素，计算出订单从源点到达汇点的最大流结果，即运送总订单数最大时，订单从源点到达汇点的路径以及各路径上运送的订单数。将上述路径以及各路径上运送的订单数与图2进行对应，即可得知每个订单节点可运送的订单数以及每个订单节点中的订单该上的班车，从而得出最佳的物流交通路线。示例性的，从源点到订单节点(A，B，T1)的权值结果为5，订单节点(A，B，T1)指向班车1，则选取5个类型为(A，B，T1)的订单搭乘班车1进行运送。

本发明还提出了一种用于物流订单运输规划系统，如图5所示，所述系统包括建模单元、计算单元和输出单元，其中，建模单元根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；计算单元基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；输出单元根据最大流计算结果，为物流订单安排相应的物流交通路线。

建模单元根据多个物流订单和物流交通信息构建订单物流模型还包括：根据物流订单的出发点和终点，将多个物流订单进行分类聚合，形成物流订单聚合信息，物流订单聚合信息包括每类物流订单的数量；为每类物流订单分别选择可行的交通路线，形成物流交通信息，物流交通信息包括物流订单选择的班车；根据订单聚合信息和所述物流交通信息生成所述订单物流模型。

订单物流模型的节点和边向量具体通过以下方式模拟：将订单聚合信息模拟为订单节点；将班车模拟为班车节点；与将物流交通信息模拟为订单节点与班车节点的边向量；将班车的空位数模拟为班车节点到汇点的边向量的权值。

当班车中的一个或多个班车具有多个班次时，建模单元计算每类物流订单所有可到达的交通路线的耗时，生成物流订单耗时信息；并根据班车时刻信息和物流订单耗时信息，从可到达的交通路线中选择满足运输时限的班次来形成物流交通信息。建模单元还将班车按照其班次数量模拟为多个班车节点，将所述多个班车节点按照时间优先的次序分别依次与前置节点相连接。

本发明实施例中个，对于需要经过多个班车中转才能完成的订单物流订单，建模单元将所述物流订单按照中转班车信息拆分为多个中转物流订单，每个物流订单只包含一趟班车，然后对每个所述中转物流订单分别构建订单物流模型。

建模完成后，有计算单元采用Dinic算法对上述抽象业务模型进行计算，得到基于该模型的订单最大量的计算结果，该计算结果包括每个边向量的权值。

然后，输出单元根据上述计算结果运输订单。

本发明实施例中的物流订单运输规划系统的具体实施方式，可以参考上述方法实施例的过程具体实现，不再赘述。

本发明还提出了一种用于物流订单运输规划装置，如图6所示，所述装置包括：

至少一个处理器(processor)以及至少一个存储器(memory)，图6中以一个处理器和一个存储器为例；还可以包括通信接口(Communication Interface)和总线。其中，处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令，以执行上述实施例的方法。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述实施例中的用于物流订单运输规划的方法。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器。

本发明通过订单整合和交通路线选择，将来自于不同起始点的多样物流订单信息和物流交通信息抽象为一个源点、一个汇点的模型数据，从而能够利用Dinic算法进行最大流方案选择，实现交通资源最大化利用，提高整体运输效率。另外还对物流订单进行运输实效限制、班车排序，保障班车按时到达，进一步提高了运输的效力。

需要说明的是，本发明主要是基于订单和班车的匹配，对于相似的运输业务，只要基础数据完善，优化目标是班车空载率和运输时效的，都适用本发明。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于物流订单运输规划方法，其特征在于，所述方法包括：

根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；

基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；

根据最大流计算结果，为物流订单安排相应的物流交通路线。

2.根据权利要求1所述的用于物流订单运输规划方法，其特征在于，所述构建订单物流模型包括：

根据物流订单的出发点和终点，将多个物流订单进行分类聚合，形成物流订单聚合信息，所述物流订单聚合信息包括每类物流订单的数量；

为每类物流订单分别选择可行的交通路线，形成物流交通信息，所述物流交通信息包括物流订单选择的班车；

根据所述订单聚合信息和所述物流交通信息生成所述订单物流模型。

3.根据权利要求2所述的用于物流订单运输规划方法，其特征在于，所述将多个物流订单进行分类聚合包括根据物流订单的出发点、终点和创建时间对物流订单进行分类聚合，形成物流订单聚合信息，每类订单具有相同的出发点、终点和创建时间。

4.根据权利要求3所述的用于物流订单运输规划方法，其特征在于，所述为每类物流订单分别选择可行的交通路线还包括根据每类物流订单的创建时间和班车时刻信息，选择使得物流订单能够满足运输时限到达的班车。

5.根据权利要求2所述的用于物流订单运输规划方法，其特征在于，所述构建订单物流模型还包括：

将所述订单聚合信息模拟为订单节点；

将所述班车模拟为班车节点；

将所述物流交通信息模拟为订单节点与班车节点的边向量；

将班车的空位数模拟为班车节点到汇点的边向量的权值。

6.根据权利要求3所述的用于物流订单运输规划方法，其特征在于，所述班车中的一个或多个班车具有多个班次时，所述构建订单物流模型还包括：

计算每类物流订单所有可到达的交通路线的耗时，生成物流订单耗时信息；

根据班车时刻信息和物流订单耗时信息，从可到达的交通路线中选择满足运输时限的班次来形成物流交通信息。

7.根据权利要求2-6任一项所述的用于物流订单运输规划方法，其特征在于，所述班车中的一个或多个班车具有多个班次时，所述构建订单物流模型还包括：

将班车按照其班次数量模拟为多个班车节点；

将所述多个班车节点按照时间优先的次序分别依次与前置节点相连接。

8.根据权利要求2-6任一项所述的用于物流订单运输规划方法，其特征在于，对于需要中转班车的物流订单，将所述物流订单按照中转班车信息拆分为多个中转物流订单，对每个所述中转物流订单分别构建订单物流模型。

9.一种用于物流订单运输规划系统，其特征在于，所述系统包括：

建模单元，用于根据多个物流订单和物流交通信息构建订单物流模型，所述订单物流模型满足最大流计算的拓扑结构；

计算单元，用于基于所述订单物流模型，采用最大流算法，计算订单物流模型能够通过的最大订单量，得到最大流计算结果；

输出单元，用于根据最大流计算结果，为物流订单安排相应的物流交通路线。

10.一种用于物流订单运输规划装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述存储器存储执行权利要求1-8任一项所述方法的计算机程序，所述处理器调用存储器中的所述计算机程序以执行权利要求1-8任一项所述方法。

Images