CN111768030B - 银行运输配送线路规划方法和装置、设备以及介质 - Google Patents
银行运输配送线路规划方法和装置、设备以及介质 Download PDFInfo
- Publication number
- CN111768030B CN111768030B CN202010584525.XA CN202010584525A CN111768030B CN 111768030 B CN111768030 B CN 111768030B CN 202010584525 A CN202010584525 A CN 202010584525A CN 111768030 B CN111768030 B CN 111768030B
- Authority
- CN
- China
- Prior art keywords
- service
- service network
- data
- planning
- distributed
- 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.)
- Active
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种银行运输配送线路规划方法和装置、设备以及介质,该方法包括:获取待配送服务网点的基础数据;根据该基础数据对待配送服务网点进行分类;利用启发式搜索算法对各类待配送服务网点进行配送线路规划。其中,通过对待配送的服务网点进行分类,再利用启发式搜索算法对各类待配送服务网点进行配送线路规划,能够依据服务网点的分类,综合考虑营业时间要求、押运路线拥堵情况、服务网点地理位置分布等因素,合理规划出成本最优化且满足业务管理要求的线路。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种银行运输配送线路规划方法和装置、设备以及介质。
背景技术
银行日常业务中有很多实物物流配送业务,包括营业网点开门款箱配送及尾箱回收、客户上门收款押运、同业调拨配送、ATM装卸钞款箱押运等,涉及对运输配送车辆的路线优化调度工作,目前,运输配送的车辆线路规划是基于人工经验进行的,由于需要运输配送服务的网点、ATM端机、客户上门点数量大,同时要考虑营业时间要求、押运路线拥堵情况、服务网点地理位置分布等因素,依靠人工往往难以合理规划出成本最优化且满足业务管理要求的线路规划。
发明内容
针对现有技术中的问题,本发明提供一种银行运输配送线路规划方法和装置、设备以及介质,能够至少部分地解决现有技术中存在的问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,提供一种银行运输配送线路规划方法,包括:
获取待配送服务网点的基础数据;
根据该基础数据对待配送服务网点进行分类;
对各类待配送服务网点进行配送线路规划。
进一步地,该基础数据包括:地理位置、服务时间窗口、业务类型、所属业务区域、与其他服务网点之间的平均行驶时间长度、与其他服务网点之间的关联度。
进一步地,该获取待配送服务网点的基础数据,包括:
获取待配送服务网点信息;
根据待配送服务网点信息从数据库中获取对应网点的基础数据。
进一步地,银行运输配送线路规划方法还包括:
获取所有服务网点的数据;
对服务网点的数据进行处理后存入数据库。
进一步地,服务网点的数据包括:地理位置、历史周边交通管制信息、历史行车线路、历史地图服务信息;
该对服务网点的数据进行处理,包括:
根据历史地图服务信息以及地理位置计算两两服务网点之间的平均行驶时间长度;
根据历史周边交通管制信息优化该平均行驶时间长度;
根据历史行车线路计算两两服务网点之间的关联度。
进一步地,该根据该基础数据对待配送服务网点进行分类,包括:
采用主成分分析方法对该基础数据进行特征提取;
利用K-means算法处理提取的特征实现待配送服务网点分类。
进一步地,该对各类待配送服务网点进行配送线路规划,包括:
分别利用遗传算法、蚁群算法、模拟退火算法对各类待配送服务网点进行配送线路规划得到对应的线路规划结果;
基于规划线路、行驶耗时以及综合成本作为约束从各算法得出的线路规划结果中选择一个作为最终的配送线路。
第二方面,提供一种银行运输配送线路规划装置,包括:
基础数据获取模块,获取待配送服务网点的基础数据;
分类模块,根据该基础数据对待配送服务网点进行分类;
线路规划模块,对各类待配送服务网点进行配送线路规划。
第三方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现上述的银行运输配送线路规划方法的步骤。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的银行运输配送线路规划方法的步骤。
本发明提供一种银行运输配送线路规划方法和装置、设备以及介质,该方法包括:获取待配送服务网点的基础数据;根据该基础数据对待配送服务网点进行分类;对各类待配送服务网点进行配送线路规划。其中,通过对待配送的服务网点进行分类,再利用启发式搜索算法对各类待配送服务网点进行配送线路规划,能够依据服务网点的分类,综合考虑营业时间要求、押运路线拥堵情况、服务网点地理位置分布等因素,合理规划出成本最优化且满足业务管理要求的线路。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
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,下面描述中的附图是本申请的一些实施例,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。在附图中:
图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图;
图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图;
图3是本发明实施例中的银行运输配送线路规划方法的流程示意图一;
图4示出了图3中步骤S100的具体步骤;
图5是本发明实施例中的银行运输配送线路规划方法的流程示意图二;
图6示出了图5中步骤S500的具体步骤;
图7示出了图3或图5中步骤S200的具体步骤;
图8示出了图3或图5中步骤S300的具体步骤;
图9是本发明实施例中一种银行运输配送线路优化的系统结构图;
图10是本发明实施例中一种银行运输配送线路优化的系统中的数据处理装置结构图;
图11是本发明实施例中一种银行运输配送线路优化的系统中无监督学习装置结构图;
图12是本发明实施例中一种银行运输配送线路优化的系统中的线路规划装置结构图;
图13是本发明实施例中一种银行运输配送线路优化的系统中的线路纠正装置结构图;
图14是本发明实施例中一种银行运输配送线路优化的系统的数据处理装置流程图;
图15是本发明实施例中一种银行运输配送线路优化的系统中无监督学习装置流程图;
图16是本发明实施例中一种银行运输配送线路优化的系统中的线路规划装置流程图;
图17是本发明实施例中一种银行运输配送线路优化的系统中的线路纠正装置流程图;
图18是本发明实施例中的银行运输配送线路规划装置的结构框图;
图19为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明克服了银行业中业务人员制定实物物流运输配送路线规划时对业务经验要求较高、人工规划工作量大、计算复杂、无法考虑全局成本最优等不足,提供了一种银行运输配送线路规划方法,引入智能规划的技术手段,可以快速提供考虑全局成本的运输配送车辆调度规划结果并进行实时监控优化,降低了银行的运营支出,为银行实物物流运输配送调度管理提供更智能、更精准、更高效的技术手段,实现运输配送调度服务的自动化、智能化,提升业务规划效率,降低运输配送成本。
有鉴于此,本申请提供了一种银行运输配送线路规划装置,该装置可以为一种服务器S1,参见图1,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以将待配送服务网点信息发送至所述服务器S1,所述服务器S1可以在线接收所述待配送服务网点信息。所述服务器S1可以在线或者离线对获取的待配送服务网点信息进行预处理,获取待配送服务网点的基础数据;根据所述基础数据对待配送服务网点进行分类;利用启发式搜索算法对各类待配送服务网点进行配送线路规划。而后,所述服务器S1可以将线路规划结果在线发送至所述客户端设备B1。所述客户端设备B1可以在线接收所述线路规划结果。
另外,参见图2,所述服务器S1还可以与至少一个数据库服务器S2通信连接,所述数据库服务器S2用于存储所有服务网点的基础数据。所述服务器S1可以在线访问该数据库服务器S2,以根据待配送服务网点信息从数据库中获取对应网点的基础数据。
基于上述内容,所述客户端设备B1可以具有显示界面,使得用户能够根据界面查看所述服务器S1发送的所述线路规划结果。
可以理解的是,所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行银行运输配送线路规划的部分可以在如上述内容所述的服务器S1侧执行,即,如图1所示的架构,也可以所有的操作都在所述客户端设备B1中完成,且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行银行运输配送线路规划的具体处理。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
图3是本发明实施例中的银行运输配送线路规划方法的流程示意图一;如图3所示,该银行运输配送线路规划方法可以包括以下内容:
步骤S100:获取待配送服务网点的基础数据;
具体地,在实际应用中,待配送服务网点的数量一般较多,待规划的线路也较多。
基础数据包括:地理位置、服务时间窗口、业务类型、所属业务区域、与其他服务网点之间的平均行驶时间长度、与其他服务网点之间的关联度等。
步骤S200:根据所述基础数据对待配送服务网点进行分类;
其中,根据待配送服务网点的地理位置、服务时间窗口、业务类型、所属业务区域、与其他服务网点之间的平均行驶时间长度、与其他服务网点之间的关联度等对待配送服务网点进行分类。
具体地,对待配送服务网点进行聚类操作,为服务网点打上类别标签,主要包括:预分类、特征工程、建模分析、分类调整等步骤,得到数量适中的配送服务网点聚集。
举例来说,同一类服务网点对应的业务类型一般为相同或者执行业务在时间上可以重叠,比如:客户上门收款押运一般是在日终时进行,而营业网点开门款项配送一般是在日初时进行,这两种不同的业务类型一般不分为一类,再如:客户上门收款押运以及ATM装卸钞款箱押运(日终时收款)都是在日终时进行,可以分为一类。
另外,根据服务时间窗口,将服务时间窗口相近、地理位置相近、属于相同业务区域(指银行网点行政上责任区域划分)的网点划分成一类。
另外,还需要根据与其他服务网点之间的平均行驶时间长度、与其他服务网点之间的关联度等对待配送服务网点进行分类,以便将行驶上邻近的网点、关联度高的网点划分为一类。
步骤S300:对各类待配送服务网点进行配送线路规划。
其中,利用启发式搜索算法,针对每个服务网点类,规划多条配送路线,实现类内的线路规划。
具体地,根据待配送服务网点分类获取每个分类所有配送服务网点的基础数据,包括预计出发时间、所有服务网点的编号、预计到达时间窗口、预计停留耗时、所有服务网点之间预计行驶时间长度等,对所有已形成聚类的待配送服务网点进行分类线路规划求解,为每个类别的待配送服务网点单独进行建模规划求最优解,主要包括:基础数据获取、线路数逼近、线路规划求解等步骤。经过线路规划后可以获得所有待配送服务网点聚集的线路规划最优解。
通过采用上述技术方案,对待配送服务网点进行科学分类,在各类待配送服务网点内进行配送线路规划,能够实现运输配送调度服务的自动化、智能化,提升业务规划效率,降低运输配送成本。
在一个可选的实施例中,参见图4,该步骤S100可以包括以下内容:
步骤S110:获取待配送服务网点信息;
具体地,在当前配送周期开始前,获取需要配送的服务网点的信息,该服务网点信息可以包括网点标识以及实时地图服务信息、周边交通管制信息等;
网点标识可为网点编号、网点名称等。
步骤S120:根据待配送服务网点信息从数据库中获取对应网点的基础数据。
具体地,预先将所有网点的基础数据存入数据库中,在当前配送周期规划线路前,直接去数据库中调用基础数据,能够节省数据获取的时间,提高执行效率。
本领域技术人员可以理解的是,对于银行等企业来说,可以根据实际应用需求,每天更新线路规划,或者根据当前待处理的业务实时进行线路规划,只要在进行线路规划前的配送需求均可以考虑入当前周期的线路规划中。
在一个可选的实施例中,参见图5,该银行运输配送线路规划方法还可以包括:
步骤S400:获取所有服务网点的数据;
具体地,服务网点的数据可以包括:网点标识、地理位置、服务时间窗口、业务类型、所属业务区域、历史周边交通管制信息、历史行车线路、历史地图服务信息、运输配送车辆历史GPS数据、历史交通拥堵信息、预计出发时间、预计到达时间窗口、预计停留耗时等。
值得说明的是,对于预计出发时间、预计到达时间窗口、预计停留耗时可以根据不同的业务类型,选择实现方式,比如,对于常规业务,预计出发时间、预计到达时间窗口、预计停留耗时可以存储在数据库中,对于一些临时的业务,预计出发时间、预计到达时间窗口、预计停留耗时可以随着待配送网点信息发送到线路规划服务器。
其中,可通过行内系统、网络爬虫、网上地图服务接口获取服务网点的地理位置、服务时间窗口、业务类型、所属业务区域等数据。可通过行内系统获取一年内所有历史行车线路信息、三个月内所有实际配送车辆行驶GPS数据。通过行内系统、网上地图服务接口获取所有配送服务网点之间的行驶时间预估和拥堵情况,每天在高峰时间段通过接口获取各路段行驶时间预估数据,所得数据入库保留到行内系统数据库,通过行内系统进行人工经验修改优化。
步骤S500:对服务网点的数据进行处理后存入数据库。
其中,数据在数据库中可以key-value的格式存储。
具体地,参见图6,该步骤S500可以包括以下内容:
步骤S510:根据历史地图服务信息以及地理位置计算两两服务网点之间的平均行驶时间长度;
具体地,历史地图信息可以是百度地图、高德地图等地图工具中的数据,基于两个服务网点之间的平均行驶时间长度,可以计算出历史配送时两个服务网点之间的行驶时间长度,用每次配送时两个服务网点之间的行驶时间长度的综合除以历史配送次数,能够得到两两服务网点之间的平均行驶时间长度。
步骤S520:根据历史周边交通管制信息优化所述平均行驶时间长度;
具体地,在求出两两服务网点之间的平均行驶时间长度后,可以根据历史周边交通管制信息适当调整两两服务网点之间的平均行驶时间长度,以便得到更精确的两两服务网点之间的平均行驶时间长度;
举例来说:首先,提取三个月之内相同周几、每天高峰时间段相同路段的行驶时间预估数据进行平均,得到后续规划路线时可用的行驶时间基础预估时间T(分钟),然后,根据实时拥堵信息对各路段行驶时间进行加权运算处理,根据拥堵长度M(公里)、加权参数N(人为给定参数)进行计算,具体为预估时间=T×M×N。
步骤S530:根据历史行车线路计算两两服务网点之间的关联度。
具体地,根据历史行车线路中两个服务网点出现在同一条线路中的次数衡量两个服务网点之间的关联度,出现次数越高,说明关联度越高。
本领域技术人员可以的理解的是,两个网点之间的位置关系、所属业务区域等也可以作为衡量网点之间关联度的指标。
在一个可选的实施例中,该步骤S500还可以包括以下内容:对数据进行预处理的步骤。
具体地,该预处理步骤可以包括数据清洗、数据过滤筛选等,经过处理后可以获得以服务网点为中心且关联信息完备、多维度的基础数据。
举例来说,可以根据历史交通管制信息剔除历史交通拥堵信息、剔除重复数据、剔除异常数据等。
例如:根据历史交通管制信息筛选周边配送服务网点,对涉及服务网点在相关时间段期间的拥堵路段数据删除处理。
对相同路段的行驶时间序列,采用正态分布3σ原则处理异常拥堵数据,将三倍于数据集的标准差的点设为噪声数据,采用smoothdata方法对噪声数据进行平滑处理。
采用离群数据修复方法来处理异常拥堵数据,通过箱线图的上下边缘来确定离群数据,然后根据离群点前后一周数据变化幅度大小,选择采取前后四周均值、前后四周中位数或者前后四周同周几的平均值这三种方式中的一种来进行修复。
在一个可选的实施例中,参见图7,该步骤S200可以包括以下内容:
步骤S210:采用主成分分析方法对所述基础数据进行特征提取;
首先,计算所有待分类配送服务网点的分类数量,具体基于分类阀值N和配送服务网点数量M计算预分类数量K。然后,将数据转换成对配送服务网点分类有影响的特征数据,对数据进行特征构建、特征选择、特征提取处理。
步骤S220:利用K-means算法处理提取的特征实现待配送服务网点分类。
具体地,对特征数据进行建模分析,对配送服务网点聚类得到配送服务网点分组,同一个组的配送服务网点算作同一类。
在一个可选的实施例中,该步骤S200还可以包括:
对已生成的配送服务网点分类进行业务规则判断和分类微调,得到最终的配送服务网点分类。
在一个可选的实施例中,启发式搜索算法包括:遗传算法、蚁群算法或模拟退火算法;参见图8,该步骤S300可以包括以下内容:
步骤S310:分别利用遗传算法、蚁群算法、模拟退火算法对各类待配送服务网点进行配送线路规划得到对应的线路规划结果;
步骤S320:基于规划线路、行驶耗时以及综合成本作为约束从各算法得出的线路规划结果中选择一个作为最终的配送线路。
在一个可选的实施例中,该银行运输配送线路规划方法还可以包括:线路纠正步骤;
具体地,获取配送线路车辆行驶的实时位置数据,计算车辆行驶中缝与已有规划线路是否一致,主要操作包括:GPS数据获取、实时路线生成、行驶路线偏离预警、线路纠正提醒等步骤。
具体地,包括以下步骤:
步骤I:按每条规划线路定时获取运输车辆的GPS定位数据,并进行数据清洗过滤,得到准确、有效的车辆定位数据上送实时路线生成服务。
步骤II:对所有获取的车辆定位数据进行聚合和展示,绘制出车辆实际行驶路线。
步骤III:对所有规划线路的运输车辆的实际行驶线路和规划行驶线路进行对比分析,对于实际行驶路线偏离规划行驶路线的车辆生成提示告警信息。
步骤IV:对告警的车辆线路进行实际规划,重新生成优化行驶路线推送到行驶车辆,纠正路线偏离。
综上所述,本发明实施例中提供的银行运输配送线路规划方法,按照分行现金中心为单位采集所有运输配送服务网点的地理位置、服务时间窗口、服务网点业务类型、服务网点所属业务区域、历史交通拥堵信息、历史行车线路、地图服务数据等数据以及运输配送车辆准实时GPS数据,对采集到的数据进行预处理后利用聚类分析、启发式搜索技术、物联网监控等技术动态规划和实时监控行车路线,实现了智能运输配送路线规划和行车监控,提供给业务人员进行运输配送调度指挥、业务准备、行车轨迹监控等,帮助银行降低实物物流运输配送成本的同时,大幅减少业务人员工作负担和降低业务风险。其中,综合运用了网络爬虫、地图服务、数据清洗、特征工程、机器学习等手段,兼顾考虑全局成本的运输配送车辆调度规划结果并进行实时监控优化,克服银行运输配送服务线路规划工作效率低、规划难、成本高等难点,为银行实物物流运输配送调度管理提供更智能、更精准、更高效的技术手段,降低了银行的运营支出。
为了使本领域技术人员更好地理解本申请,下面举例对本申请的具体实现方式进行说明:
图9是本发明实施例中一种银行运输配送线路优化的系统结构图;如图9所示,该银行运输配送线路优化的系统包括:数据处理装置1、无监督学习装置2、线路规划装置3、线路纠正装置4,其中,数据处理装置1与无监督学习装置2建立连接,无监督学习装置2与线路规划装置3相连接,线路规划装置3与线路纠正装置4。具体的:
数据处理装置1,用于获取所有配送服务网点的地理位置、服务时间窗口、服务网点业务类型等基础数据,并对获取的数据进行预处理,主要包括:获取基础业务信息、获取历史线路信息、获取地图服务信息、数据清洗、数据关联聚合。经过数据处理装置1后,可以获得以配送服务网点为中心且关联信息完备、多维度的基础数据。
无监督分类装置2,用于对待配送服务网点进行聚类操作,为待配送服务网点打上类别标签,主要包括:预分类、特征工程、建模分析、分类调整4个步骤。经过无监督分类装置2后,可以初步获得所有配送服务网点的类别标签,得到数量适中的配送服务网点聚集。
线路规划装置3,用于对所有已形成聚类的配送服务网点进行分类线路规划求解,为每个类别的配送服务网点单独进行建模规划求最优解,主要包括:基础数据获取、线路数逼近、线路规划求解3个步骤。经过线路规划装置3后,可以获得所有配送服务网点聚集的线路规划最优解。
线路纠正装置4,用于获取配送线路车辆行驶的实时位置数据,计算车辆行驶中缝与已有规划线路是否一致,主要操作包括:GPS数据获取、实时路线生成、行驶路线偏离预警、线路纠正提醒4个步骤。
图10是本发明实施例中一种银行运输配送线路优化的系统中的数据处理装置结构图;如图10所示,数据处理装置包括:基础业务信息获取单元11、历史线路信息获取单元12、地图服务信息获取单元13、数据清洗单元14、数据关联聚合单元15,其中:
基础业务信息获取单元11,用于获取所有配送服务网点的业务信息,包括:所有配送服务网点的地理位置坐标、服务时间窗口、业务类型(分行、ATM、上门收款等)、所属业务区域(行政划分)、周边交通管制信息等。
历史线路信息获取单元12,用于获取历史交通拥堵信息、历史周边交通管制信息、历史行驶线路信息等。
地图服务信息获取单元13,用于获取历史地图服务信息、实时地图服务信息等。
数据清洗单元14,用于根据历史交通管制信息剔除历史交通拥堵信息、剔除重复数据、剔除异常的交通拥堵信息等。
数据关联聚合单元15,根据历史地图服务信息和实时地图服务信息计算配送服务网点之间的平均行驶时间长度、根据历史行驶线路信息和服务网点位置信息计算服务网点关联度、根据周边交通管制信息和平均行驶时间长度加权计算行车时间长度。
图11是本发明实施例中一种银行运输配送线路优化的系统中无监督学习装置结构图;如图11所示,无监督分类装置包含:数据提取单元21、预分类单元22、特征工程单元23、建模分析单元24、分类调整单元25,其中:
数据提取单元21用于提取所有配送服务网点的关联数据,包括地理位置坐标、服务时间窗口、业务类型、所属业务区域以及服务网点所属的历史线路信息数据等。
预分类单元22用于对所有待分类配送服务网点进行预测分类数量计算,获取分类阀值N和配送服务网点数量M计算预分类数量K。
特征工程单元23用于将数据提取单元21得到的数据转换成对配送服务网点分类有影响的特征数据,需要对数据进行特征构建、特征选择、特征提取处理。
建模分析单元24用于对特征工程单元23生成的特征数据进行建模分析,对配送服务网点聚类得到配送服务网点分组,同一个组的配送服务网点算作同一类。
分类调整单元25用于对已生成的配送服务网点分类进行业务规则判断和分类微调,得到最终的配送服务网点分类。
图12是本发明实施例中一种银行运输配送线路优化的系统中的线路规划装置结构图;如图12所示,线路规划装置包括:基础数据提取单元31、线路数预算单元32、线路规划求解单元33、线路数优化单元34,其中:
基础数据提取单元31用于按配送服务网点分类获取每个分类所有配送服务网点的基础数据,包括预计出发时间、所有服务网点的编号、预计到达时间窗口、预计停留耗时、所有服务网点之间预计行驶时间长度等。
线路规划求解单元32:负责使用启发式搜索算法对所有配送服务网点线路规划进行计算,求解符合配送服务网点时间窗口要求的线路规划结果。
其中,启发式搜索算法可采python中调用,另外,启发式搜索算法会考虑营业时间窗口,营业时间窗口作为惩罚条件,如果规划的线路不能满足营业时间窗口,则不能反馈规划结果。
图13是本发明实施例中一种银行运输配送线路优化的系统中的线路纠正装置结构图;如图13所示,线路纠正装置包括:GPS数据获取单元41、实时路线生成单元42、行驶路线偏离预警单元43、线路纠正单元44,其中:
GPS数据获取单元41,用于按每条规划线路获取运输车辆的GPS定位数据,并进行数据清洗过滤,得到准确、有效的车辆定位数据上送实时路线生成服务。
实时路线生成单元42,用于对所有获取的车辆定位数据进行聚合和展示,绘制出车辆实际行驶路线。
行驶路线偏离预警单元43,用于对所有规划线路的运输车辆的实际行驶线路和规划行驶线路进行对比分析,对于实际行驶路线偏离规划行驶路线的车辆生成提示告警信息。
线路纠正单元44,用于对行驶路线偏离预警单元43分析告警的车辆线路进行实际规划,重新生成优化行驶路线推送到行驶车辆,纠正路线偏离。
图14是本发明实施例中一种银行运输配送线路优化的系统的数据处理装置流程图,具体步骤包括:
步骤S101:获取基础业务信息;
具体地,获取所有配送服务网点的基础业务数据。通过行内系统、网络爬虫、网上地图服务接口获取所有配送服务网点的地理位置坐标、服务网点配送时间窗口、服务网点业务类型、服务网点所属业务区域、服务网点周边交通管制信息数据。
步骤S102:获取历史线路信息;
具体地,获取所有配送服务网点的历史线路数据。通过行内系统获取一年内所有历史行车线路信息、三个月内所有实际配送车辆行驶GPS数据。
步骤S103:获取地图服务信息。
通过行内系统、网上地图服务接口获取所有配送服务网点之间的行驶时间预估和拥堵情况,每天在高峰时间段通过接口获取各路段行驶时间预估数据,所得数据入库保留到行内系统数据库,通过行内系统进行人工经验修改优化。
步骤S104:数据去重;
具体地,删除所有配送服务网点业务数据及历史线路数据中的重复数据。
步骤S105:剔除异常数据;
具体地,删除所有配送服务网点业务数据及历史线路数据中的异常数据,主要是:(1)根据历史交通管制信息筛选周边配送服务网点,对涉及服务网点在相关时间段期间的拥堵路段数据删除处理。(2)对相同路段的行驶时间序列,采用正态分布3σ原则处理异常拥堵数据,将三倍于数据集的标准差的点设为噪声数据,采用smoothdata方法对噪声数据进行平滑处理。(3)采用离群数据修复方法来处理异常拥堵数据,通过箱线图的上下边缘来确定离群数据,然后根据离群点前后一周数据变化幅度大小,选择采取前后四周均值、前后四周中位数或者前后四周同周几的平均值这三种方式中的一种来进行修复。
步骤S106:数据聚合运算。
(1)计算各路段(两个服务网点之间)行车时间。提取三个月之内相同周几、每天高峰时间段相同路段的行驶时间预估数据进行平均,得到后续规划路线时可用的行驶时间基础预估时间T(分钟)。(2)根据实时拥堵信息对各路段行驶时间进行加权运算处理,根据拥堵长度M(公里)、加权参数N进行计算,具体为预估时间=T×M×N。(3)历史地图服务信息和实时地图服务信息计算配送服务网点之间的平均行驶时间长度、根据历史行驶线路信息和服务网点位置信息计算服务网点关联度、根据周边交通管制信息和平均行驶时间长度加权计算行车时间长度。
图15是本发明实施例中一种银行运输配送线路优化的系统中无监督学习装置流程图,具体步骤包括:
步骤S201:预分类;
具体地,获取所有待分类配送服务网点数量M,从业务系统获取分类阀值N,进行预测分类数量计算,具体计算方法为:如果N<=M,则预分类结果为1。如果N>M,则先计算N/M的值,然后向上取整获取预分类数量K。
步骤S202:特征构建;
具体地,对待分类配送服务网点的业务数据进行如下操作来构建出新的特征:(1)距离属性,对M个待分类服务网点,计算与其余M-1个服务网点之间的距离,总共有M维特征。(2)业务属性,包括服务网点业务类型、服务网点所属于区域、服务网点时间窗口时间。(3)历史线路关联属性,获取过去一年所有规划历史线路信息共L1条线路,计算每个服务网点是否属于某条线路并进行标记,共生成L1维特征。(4)历史GPS路线关联属性,获取过去三个月所有实际运输车辆行驶GPS数据共L2条线路,提取线路经过的服务网点并进行标记,共计L2维特征。
步骤S203:特征选择;
具体地,对步骤S202构建出的特征数据进行特征选择,使用方法包括:通过过滤法去掉取值变化最小的离散特征,即95%以上的特征值都一样的特征,通过heatmap对特征进行热力分析,得到特征的关联性打分,去掉得分小于0.1的特征。
步骤S204:特征提取;
具体地,对步骤S203中的特征采用主成分分析法(PCA)进行特征提取,映射得到一个新的特征空间,降低特征维度,提高计算效率。
步骤S205:无监督聚类;
具体地,在步骤S204得到的特征数据上,采用K-means算法对所有配送服务网点进行无监督聚类分析,将配送服务网点数据集分成步骤201计算出的K设定分类值,迭代终止条件为:聚类中心不再变化,每个数据分配到的聚类不变。聚类完成之后可以得到K个配送服务网点分组。
步骤S206:分类调整;
具体地,根据分类结果进行分类调整:(1)计算聚类分类结果每个服务网点分类群的中心位置,对每个分类群外部服务网点与中心位置距离进小于分类群半径的,将该外部服务网点调整为该分类。(2)计算每个分类内部的配送服务网点数量,对于分类群内部服务网点数量过少的情况进行调整,过少的判断标准为,分类内部服务网点数量为n,分类阀值为N,如果n/N<0.5则进行调整,调整方式是从相邻分类集临边上轮流选择服务网点归入,直至满足条件。
图16是本发明实施例中一种银行运输配送线路优化的系统中的线路规划装置流程图;具体步骤包括:
步骤S301:提取基础数据;
具体地,从数据处理装置提取所有配送服务网点的基础数据,包括预计出发时间、服务网点编号、服务时间窗口、服务网点停留耗时以及所有配送服务网点之间行驶预计时间计算结果。
步骤S302:预算线路数;
具体地,从监督学习装置提取所有配送服务分类和每个分类内部所有的配送服务信息,从数据处理装置提取近三个月历史线路规划数据,计算平均数作为初始线路数量,或者从行内系统提取线路数阀值参数做为初始数据数量,初始线路数量做为后续算法规划求解首次输入的配送目标线路数目。
步骤303:线路规划求解;
具体地,配送服务网点调运问题可以抽象视为带时间窗车辆路径问题(VRPTW问题),精确求解算法的复杂度较高,因此采用启发式搜索算法对线路规划问题进近似求解,可算算法包括但不限于遗传算法(GA,Genetic Algorithm)、蚁群算法(ACA,Ant ColonyAlgorithm)、模拟退火算法(SA,Simulated Annealing)。对本系统提供的人工智能算法进行一定改造,包装成标准化接口,统一输入和输出,主要包括:一是定义银行配送服务线路规划的输入数据格式,将配送线路起点编号、配送服务网点数目、配送目标线路数目、各配送服务网点的时间窗口限制作为标准参数输入算法。二是动态调用和选择算法,调用上述所有支持的开源算法包对实际场景进行规划求解,最后综合选择模型计算速度更快、规划线路更少、行驶线路耗时更少的方案。三是按照线路优先、行驶耗时优先、综合成本优先三种方式输出模型规划结果文件格式和内容。
步骤304:线路数优化;
具体地,在步骤303求解结果基础上采用二分法对线路数进一步快速优化求解,假设首次可求解规划线路数为T1,则二次求解输入配送目标线路数目T2为T1/2向上取整,将T2输入步骤303标准参数后重新进行步骤303规划求解。经过N轮迭代求解后,若当轮可求得解T(N),则下一轮迭代求解线路数为T(N)/2向上取整,若当轮无法求解,则下一轮迭代求解线路数为(T(N)+T(N-1))/2向上取整,直至求得规划线路数最优解,系统退出线路数优化模块,输出最优解。
图17是本发明实施例中一种银行运输配送线路优化的系统中的线路纠正装置流程图;具体步骤包括:
步骤401:获取GPS数据;
具体地,定时获取具体行驶线路配送运输车辆的GPS定位数据。
步骤402:生成实时路线;
具体地,对运输车辆GPS数据进行清洗、聚合,形成运输车辆实时轨迹路线图。
步骤403:行驶路线偏离预警;
具体地,对运输车辆实时轨迹路线图进行分析,判断是否符合线路规划结果并对不符合路线规划的情况生成预警,具体为:一是获取途经配送服务网点坐标判断配送顺序,如与已规划线路的顺序不一致,则生成预警信息。二是获取途经线路上停留时间过长的位置坐标,如与已规划线路途经配送服务网点不一致,且判断非拥堵路段,则生成预警信息。三是获取途经配送服务网点的到达时间和停留时时间,如与已规划线路时间窗口不一致,则生成预警信息。
步骤404:线路下发纠正;
具体地,根据步骤403预警信息进行处置,具体为:获取该线路剩余未到达配送服务网点,调用线路规划求解模块重新实时生成规划线路,并调用地图服务实时规划行车路径,下发至行驶车辆纠正行驶路线。
基于同一发明构思,本申请实施例还提供了一种银行运输配送线路规划装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于银行运输配送线路规划装置解决问题的原理与上述方法相似,因此银行运输配送线路规划装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图18是本发明实施例中的银行运输配送线路规划装置的结构框图;如图18所示,该银行运输配送线路规划装置具体包括:基础数据获取模块10、分类模块20以及线路规划模块30。
基础数据获取模块10获取待配送服务点的基础数据;
分类模块20根据所述基础数据对待配送服务点进行分类;
线路规划模块30对各类待配送服务网点进行配送线路规划。
通过采用上述技术方案,对待配送服务网点进行科学分类,在各类待配送服务网点内进行配送线路规划,能够实现运输配送调度服务的自动化、智能化,提升业务规划效率,降低运输配送成本。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述银行运输配送线路规划方法的步骤。
下面参考图19,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图19所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述银行运输配送线路规划方法的步骤。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种银行运输配送线路规划方法,其特征在于,包括:
获取待配送服务网点的基础数据;
根据所述基础数据对待配送服务网点进行分类;
对各类待配送服务网点进行配送线路规划;
获取所有服务网点的数据;
对服务网点的数据进行处理后存入数据库;
服务网点的数据包括:地理位置、历史周边交通管制信息、历史行车线路、历史地图服务信息;
所述对服务网点的数据进行处理,包括:
根据历史地图服务信息以及地理位置计算两两服务网点之间的平均行驶时间长度;
根据历史周边交通管制信息优化所述平均行驶时间长度;
根据历史行车线路计算两两服务网点之间的关联度。
2.根据权利要求1所述的银行运输配送线路规划方法,其特征在于,所述基础数据包括:地理位置、服务时间窗口、业务类型、所属业务区域、与其他服务网点之间的平均行驶时间长度、与其他服务网点之间的关联度。
3.根据权利要求1所述的银行运输配送线路规划方法,其特征在于,所述获取待配送服务网点的基础数据,包括:
获取待配送服务网点信息;
根据待配送服务网点信息从数据库中获取对应网点的基础数据。
4.根据权利要求1所述的银行运输配送线路规划方法,其特征在于,所述根据所述基础数据对待配送服务网点进行分类,包括:
采用主成分分析方法对所述基础数据进行特征提取;
利用K-means算法处理提取的特征实现待配送服务网点分类。
5.根据权利要求1所述的银行运输配送线路规划方法,其特征在于,所述对各类待配送服务网点进行配送线路规划,包括:
分别利用遗传算法、蚁群算法、模拟退火算法对各类待配送服务网点进行配送线路规划得到对应的线路规划结果;
基于规划线路、行驶耗时以及综合成本作为约束从各算法得出的线路规划结果中选择一个作为最终的配送线路。
6.一种银行运输配送线路规划装置,其特征在于,包括:
基础数据获取模块,获取待配送服务网点的基础数据;
分类模块,根据所述基础数据对待配送服务网点进行分类;
线路规划模块,对各类待配送服务网点进行配送线路规划;
服务网点的数据获取模块,用于获取所有服务网点的数据;
处理模块,用于对服务网点的数据进行处理后存入数据库;
服务网点的数据包括:地理位置、历史周边交通管制信息、历史行车线路、历史地图服务信息;
所述处理模块具体用于:根据历史地图服务信息以及地理位置计算两两服务网点之间的平均行驶时间长度;根据历史周边交通管制信息优化所述平均行驶时间长度;根据历史行车线路计算两两服务网点之间的关联度。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述的银行运输配送线路规划方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的银行运输配送线路规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584525.XA CN111768030B (zh) | 2020-06-24 | 2020-06-24 | 银行运输配送线路规划方法和装置、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584525.XA CN111768030B (zh) | 2020-06-24 | 2020-06-24 | 银行运输配送线路规划方法和装置、设备以及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768030A CN111768030A (zh) | 2020-10-13 |
CN111768030B true CN111768030B (zh) | 2023-08-18 |
Family
ID=72722017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584525.XA Active CN111768030B (zh) | 2020-06-24 | 2020-06-24 | 银行运输配送线路规划方法和装置、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768030B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749842B (zh) * | 2021-01-11 | 2024-05-03 | 中国工商银行股份有限公司 | 一种押运路径的规划方法及装置 |
CN112990564B (zh) * | 2021-03-08 | 2023-04-21 | 山东恒安安防技术有限公司 | 金库尾箱任务网点混编路线规划方法 |
CN113256123A (zh) * | 2021-05-27 | 2021-08-13 | 中国农业银行股份有限公司 | 基于网点分组的自助设备的补给方法和电子设备 |
CN113205227B (zh) * | 2021-05-28 | 2024-07-05 | 中国工商银行股份有限公司 | 一种车辆线路优化方法及装置 |
CN113418533A (zh) * | 2021-06-22 | 2021-09-21 | 中国银行股份有限公司 | 一种运钞车的路径规划方法及装置 |
CN113822631A (zh) * | 2021-09-16 | 2021-12-21 | 江苏方天电力技术有限公司 | 一种营销资产配送方法及系统 |
CN115150315B (zh) * | 2022-07-01 | 2024-04-16 | 中国银行股份有限公司 | 基于蚁群算法的atm机选址方法和装置 |
CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
CN116976540B (zh) * | 2023-09-21 | 2023-12-22 | 上海银行股份有限公司 | 复合场景下的银行现金配送线路规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016095752A (ja) * | 2014-11-17 | 2016-05-26 | 富士通株式会社 | 配送計画プログラム、配送計画方法、および配送計画装置 |
CN106651231A (zh) * | 2015-10-29 | 2017-05-10 | 株式会社日立制作所 | 路径规划方法和路径规划装置 |
CN111260128A (zh) * | 2020-01-16 | 2020-06-09 | 北京理工大学 | 车辆路径规划方法以及系统 |
-
2020
- 2020-06-24 CN CN202010584525.XA patent/CN111768030B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016095752A (ja) * | 2014-11-17 | 2016-05-26 | 富士通株式会社 | 配送計画プログラム、配送計画方法、および配送計画装置 |
CN106651231A (zh) * | 2015-10-29 | 2017-05-10 | 株式会社日立制作所 | 路径规划方法和路径规划装置 |
CN111260128A (zh) * | 2020-01-16 | 2020-06-09 | 北京理工大学 | 车辆路径规划方法以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111768030A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
Zhang et al. | Network‐wide traffic speed forecasting: 3D convolutional neural network with ensemble empirical mode decomposition | |
de Araujo et al. | End-to-end prediction of parcel delivery time with deep learning for smart-city applications | |
US20180233035A1 (en) | Method and filter for floating car data sources | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
Ghasri et al. | Hazard-based model for concrete pouring duration using construction site and supply chain parameters | |
Ruffieux et al. | Bike usage forecasting for optimal rebalancing operations in bike-sharing systems | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
Ma et al. | Public transportation big data mining and analysis | |
KR20220006353A (ko) | 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템 | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Seo et al. | Predicting demand for a bike-sharing system with station activity based on random forest | |
Chuwang et al. | Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series | |
Nagpal et al. | Use of data analytics to increase the efficiency of last mile logistics for ecommerce deliveries | |
Gracious et al. | Performance Evaluation of Passenger Information Systems | |
CN113205227B (zh) | 一种车辆线路优化方法及装置 | |
Hassannayebi et al. | A data analytics framework for reliable bus arrival time prediction using artificial neural networks | |
Buroni et al. | On-board unit big data: Short-term traffic forecasting in urban transportation networks | |
Ruch et al. | The impact of fleet coordination on taxi operations | |
WO2022091103A1 (en) | Systems and methods for providing a real-time smart transportation platform | |
Jiaqi et al. | Dynamic rebalancing for bike-sharing systems under inventory interval and target predictions | |
Rashvand et al. | Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced Urban Mobility | |
Roosmalen | Forecasting bus ridership with trip planner usage data: A machine learning application | |
CN112116253A (zh) | 一种中心网点选择的方法、装置和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |