CN112288347A - 冷链配送的路线确定方法、装置、服务器及存储介质 - Google Patents

冷链配送的路线确定方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN112288347A
CN112288347A CN202010108742.1A CN202010108742A CN112288347A CN 112288347 A CN112288347 A CN 112288347A CN 202010108742 A CN202010108742 A CN 202010108742A CN 112288347 A CN112288347 A CN 112288347A
Authority
CN
China
Prior art keywords
route
customer
points
distribution
point
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.)
Granted
Application number
CN202010108742.1A
Other languages
English (en)
Other versions
CN112288347B (zh
Inventor
崔晓智
董红宇
郭震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority to CN202010108742.1A priority Critical patent/CN112288347B/zh
Priority to US17/801,081 priority patent/US20230084312A1/en
Priority to EP20920599.6A priority patent/EP4030368A4/en
Priority to KR1020227011707A priority patent/KR102655411B1/ko
Priority to PCT/CN2020/135880 priority patent/WO2021164390A1/zh
Priority to JP2022525754A priority patent/JP7417724B2/ja
Publication of CN112288347A publication Critical patent/CN112288347A/zh
Application granted granted Critical
Publication of CN112288347B publication Critical patent/CN112288347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本申请提供一种冷链配送的路线确定方法、装置、服务器及存储介质，其中，该方法包括：接收终端设备发出的路线确定请求，该路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，并推送给终端设备。该技术方案，在场景约束条件和运输成本约束条件下确定的目标配送路线能够同时满足配送时效和运输成本约束，在提高用户满意度的基础上，降低了运输成本。

Description

冷链配送的路线确定方法、装置、服务器及存储介质
技术领域
本申请涉及物流技术领域，尤其涉及一种冷链配送的路线确定方法、装置、服务器及存储介质。
背景技术
冷链物流泛指冷藏冷冻类物品在生产、贮藏运输、销售，到消费前的各个环节中始终处于规定的低温环境下，以保证物品质量和性能的一项系统工程，它的运输时效性比普通物流要求高。因而，如何规划出既经济又满足商家或客户时间窗要求的配送线路非常关键。
现有技术中，冷链配送场景主要适用于配送场景超过时间窗加惩罚约束和模糊行驶时间并返回配送中心的场景，没有考虑在途时长约束，其无法适用于完全适用于某些实际的配送场景，例如，带时间窗约束的冷链城配场景，涉及到的客户点数较大(在500以上)、单车型配送、有严格时间窗约束、有车辆在途时长约束、配送完成后不回配送中心等，目标是最小化总运输距离。
综上所述，现有的冷链配送方案不能适用于某些有实际应用场景、带时间窗的冷链城配场景，亟需一种冷链配送的路线确定方法来提高配送时效和性能。
发明内容
本申请提供一种冷链配送的路线确定方法、装置、服务器及存储介质，用于在冷链配送的场景约束条件中确定出目标路线，进而提高配送时效和性能。
第一方面，本申请实施例提供一种冷链配送的路线确定方法，包括：
接收终端设备发出的路线确定请求，所述路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息；
根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线；
向所述终端设备推送所述至少一条目标配送路线。
在第一方面的一种可能设计中，所述根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，包括：
根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，所述场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心；
以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
可选的，所述根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，包括：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，所述第一初始规划路线的种子客户点为满足所述场景约束条件且距离配送中心最远的客户点；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，直到待插入的客户点不满足所述场景约束条件；
在待插入的客户点不满足所述场景约束条件时，则基于所述待配送客户点集合中的剩余客户点，建立第二初始规划路线。
可选的，在所述根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线之前，所述方法还包括：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离；
根据任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，构建距离矩阵；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，包括：
基于最邻近差值法、所述距离矩阵和节省算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点。
进一步的，所述以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线，包括：
计算每条初始规划路线的总运输成本；
针对每条初始规划路线，基于所述初始规划路线上的客户点的配送顺序，采用破坏-重建所述初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本；
根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，所述目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
在第一方面的另一种可能设计中，所述根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，包括：
将所述待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
可选的，所述方法还包括：
按照预设循环次数，分别运行参数取值不同的所述排线模型，得到所述排线模型的每次运行参数取值和每次运行结果；
根据所述排线模型的所有运行参数取值和所有运行结果，得到数据集合，所述数据集合包括训练数据和测试数据；
通过预设算法对所述训练数据进行处理，确定出所述排线模型的重要参数集合；
结合所述重要参数集合和所述测试数据，确定出所述重要参数集合中每个重要参数的取值范围。
可选的，所述方法还包括：
对于所述重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定所述重要参数集合对应的参数网格；
对所述参数网络和所述训练数据进行交叉验证，确定出最佳参数组合，所述最佳参数组合包括：多个重要参数和每个重要参数的取值；
利用所述最佳参数组合和所述训练数据，更新所述排线模型。
可选的，所述方法还包括：
利用所述测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
第二方面，本申请提供一种冷链配送的路线确定装置，包括：接收模块、处理模块和推送模块；
所述接收模块，用于接收终端设备发出的路线确定请求，所述路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息；
所述处理模块，用于根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线；
所述推送模块，用于向所述终端设备推送所述至少一条目标配送路线。
在第二方面的一种可能设计中，所述处理模块，包括：第一处理单元和第二处理单元；
所述第一处理单元，用于根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，所述场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心；
所述第二处理单元，用于以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
可选的，所述第一处理单元，具体用于执行：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，所述第一初始规划路线的种子客户点为满足所述场景约束条件且距离配送中心最远的客户点；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，直到待插入的客户点不满足所述场景约束条件；
在待插入的客户点不满足所述场景约束条件时，则基于所述待配送客户点集合中的剩余客户点，建立第二初始规划路线。
可选的，所述第一处理单元，还用于在根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线之前，根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，以及根据任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，构建距离矩阵；
则所述第一处理单元，用于基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，具体为：
所述第一处理单元，具体用于基于最邻近差值法、所述距离矩阵和节省算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点。
进一步的，所述第二处理单元，具体用于执行：
计算每条初始规划路线的总运输成本；
针对每条初始规划路线，基于所述初始规划路线上的客户点的配送顺序，采用破坏-重建所述初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本；
根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，所述目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
在第二方面的另一种可能设计中，所述处理模块，具体用于将所述待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
可选的，所述处理模块，还用于执行：
按照预设循环次数，分别运行参数取值不同的所述排线模型，得到所述排线模型的每次运行参数取值和每次运行结果；
根据所述排线模型的所有运行参数取值和所有运行结果，得到数据集合，所述数据集合包括训练数据和测试数据；
通过预设算法对所述训练数据进行处理，确定出所述排线模型的重要参数集合；
结合所述重要参数集合和所述测试数据，确定出所述重要参数集合中每个重要参数的取值范围。
可选的，所述处理模块，还用于执行：
对于所述重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定所述重要参数集合对应的参数网格；
对所述参数网络和所述训练数据进行交叉验证，确定出最佳参数组合，所述最佳参数组合包括：多个重要参数和每个重要参数的取值；
利用所述最佳参数组合和所述训练数据，更新所述排线模型。
可选的，所述处理模块，还用于利用所述测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
第三方面，本申请实施例提供一种服务器，包括：
处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现上述第一方面所述的方法。
可选地，上述处理器可以为芯片。
第四方面，本申请实施例可提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令被处理器执行时用于实现第一方面所述的方法。
第五方面，本申请实施例提供一种程序，当该程序被处理器执行时，用于执行如第一方面所述的方法。
第六方面，本申请实施例提供一种计算机程序产品，包括程序指令，程序指令用于实现如第一方面所述的方法。
第七方面，本申请实施例提供了一种芯片，包括：处理模块与通信接口，该处理模块能执行第一方面所述的方法。
进一步地，该芯片还包括存储模块(如，存储器)，存储模块用于存储指令，处理模块用于执行存储模块存储的指令，并且对存储模块中存储的指令的执行使得处理模块执行第一方面所述的方法。
本申请实施例提供的冷链配送的路线确定方法、装置、服务器及存储介质，通过接收终端设备发出的路线确定请求，该路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，最后向终端设备推送上述至少一条目标配送路线。该技术方案，在场景约束条件和运输成本约束条件下确定的目标配送路线能够同时满足配送时效和运输成本约束，在提高用户满意度的基础上，降低了运输成本。
附图说明
图1为本申请实施例提供的冷链配送的路线确定方法的应用场景示意图；
图2为本申请实施例提供的冷链配送的路线确定方法实施例一的流程示意图；
图3为本申请实施例提供的冷链配送的路线确定方法实施例二的流程示意图；
图4为本申请实施例提供的冷链配送的路线确定方法实施例三的流程示意图；
图5为本申请实施例提供的冷链配送的路线确定方法实施例四的流程示意图；
图6为本申请实施例提供的冷链配送的路线确定方法实施例五的流程示意图；
图7为图6所示实施例中确定数据集合的框图；
图8为图6所示实施例中确定重要参数集合的框图；
图9为模型参数中的某些参数的重要性表征图；
图10为本申请实施例提供的冷链配送的路线确定方法实施例六的流程示意图；
图11为排线模型参数更新的框架示意图；
图12为本申请实施例提供的冷链配送的路线确定装置的结构示意图；
图13为本申请实施例提供的服务器实施例的结构示意图。
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作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。
现阶段，冷链市场蓬勃发展，在整个物流市场中占有的比重越来越大，也越来越多地得到人们的关注。同时，人们一向对冷链配送保持高要求：全程冷链，快速流转，时效性要求高。对此，为了最大限度地保持运输物品的品质或效能，提高客户满意度，以及减少运输成本，为冷链配送规划出运输距离短又满足客户时间窗的排线结果显得尤为重要。
目前，对大规模的复杂约束的开放场景进行路径规划方案，主要考虑超过时间窗加惩罚和模糊行驶时间、回配送中心等约束条件，使用遗传算法进行求解等。在冷链物流配送路径优化研究中，对超出客户时间窗的加惩罚，但是也没有考虑在途时长约束，没有考虑配送完成后不回配送中心的情况，使用了节约算法、遗传算法和粒子群算法等。
示例性的，图1为本申请实施例提供的冷链配送的路线确定方法的应用场景示意图。参照图1所示，该应用场景可以包括：配送中心、多个客户点和服务器(未示出)，服务器接收到用户通过终端设备发送的包括所有待配送客户点的位置信息和配送中心的位置信息时，根据配送中心和多个客户点之间位置关系，确定出至少一条目标配送路线，并推送给终端设备，这样用户可以基于上述至少一条目标配送路线，借助至少一个车辆为上述多个客户点分别配送货物。可选的，当需要借助于两个或两个以上的车辆时，上述车辆可以为相同车型的车辆(单车型)。
具体的，对于图1所示的应用场景，本申请提出的冷链配送的路线确定方法，整体思路是为解决开放场景大规模冷链城配智能排线问题寻找最优解决方案，在满足预设的场景约束条件下，可以基于配送中心和待配送客户点集合中每个客户点的位置信息，以运输成本约束条件为目标，确定出至少一条目标配送路线。
示例性的，图1所示的应用场景中包括1个配送中心和8个客户点，其中，三角形状表示配送中心，圆实点表示客户点，横坐标为经度值，纵坐标为纬度值。服务器根据本申请的技术方案，从终端设备接收到上述1个配送中心和8个客户点的位置信息后，对8个客户点可以规划出两条目标配送路线(实线和虚线)，其中，一条目标配送路线(实线)一共经过6个客户点，另一条目标配送路线(虚线)经过2个客户点，并且经过验证，根据这两条目标配送路线从配送中心向客户点配送货物时，既能满足所有的场景约束条件，而且运输成本较低。
可以理解的是，上述图1所示应用场景中的服务器可以是后台的处理平台等。本实施例以冷链配送的路线确定方法的执行主体为服务器进行解释说明。
下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的冷链配送的路线确定方法实施例一的流程示意图。如图2所示，该方法可以包括如下步骤：
步骤21、接收终端设备发出的路线确定请求，该路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息。
在冷链配送的场景中，当需要从配送中心为待配送客户点集合中的每个客户点配送货物时，管理人员借助于服务器来确定目标配送路线。
可选的，管理人员可以通过终端设备将待配送客户点集合中每个客户点的位置信息和配送中心的位置信息输入到服务器中，以使得服务器获取到每个客户点的位置信息和配送中心的位置信息，并根据据此确定配送路线。
示例性的，假设待配送客户点集合共包括4个客户点，那么配送中心和客户点的信息如表1所示，表1为待配送客户点集合中各客户点的信息和配送中心的信息。
表1为待配送客户点集合中各客户点的信息和配送中心的信息
ID 类型 地址(位置信息) 最早到达时间 最迟到达时间
0 1 xx市xx区001号 08:00 00:00
01 2 xx市xx区158号 09:30 10:00
02 2 xx市xx区55号 08:00 10:00
03 2 xx市xx区50号 10:00 10:30
04 2 xx市xx区2517号 09:30 10:00
其中，ID代表编号；type代表类型，1代表配送中心，2代表客户点；地址，本申请实施例中的明文地址在计算过程中可以被转换为经纬度使用；最早到达时间和最晚到达时间组成的时间段为客户点的要求送到时段。
可以理解的是，表1中的位置信息、最早到达时间和最晚到达时间的具体取值可以根据实际情况确定，此处不再赘述。
步骤22、根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线。
在本实施例中，由于冷链配送具有全程冷链、快速流转、时效性要求高的特点，为了确定出最优的目标配送路线，服务器需要根据待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，在场景约束条件下，以运输成本约束条件为目标，确定配送路线，这样可以既可以减少运输成本，又能保证运送货物的品质和效能。
可以理解的是，当待配送客户点集合中的客户点较多时，为了满足场景约束条件和运输成本约束条件，确定的目标配送路线可能大于1条。关于确定的配送路线的条数可以根据实际情况确定，此处不再赘述。
步骤23、向终端设备推送上述至少一条目标配送路线。
在本实施例中，服务器在确定出针对上述路线确定请求对应的至少一条目标配送路线后，再通过终端设备推送给管理人员，这样管理人员则可以基于上述至少一条目标配送路线为待配送客户集合中的客户配送货物。
本申请实施例提供的冷链配送的路线确定方法，通过接收终端设备发出的包括待配送客户点集合中每个客户点的位置信息和配送中心的位置信息的路线确定请求，根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，并推送给终端设备。该技术方案，在场景约束条件和运输成本约束条件下确定的目标配送路线能够同时满足配送时效和运输成本约束，在提高用户满意度的基础上，降低了运输成本。
示例性的，在本申请的一种可能设计中，该冷链配送的路线确定方法的整体思路是为解决开放场景大规模冷链城配智能排线问题，而提出的寻找最优解决方案，要满足的场景约束条件包括：严格时间窗约束，在途时间约束，单车型(载容量和载重量约束)、不返回配送中心等，主要采用的技术路线是：首先，使用插入算法构建初始规划路线，该算法结合了最邻近法与节省法，并将客户点插入到初始规划路线中，在插入过程中，每一次插入必须满足以上所有约束条件，然后，通过自适应邻域搜索算法迭代寻找更优解，其中，迭代的终止条件主要包括迭代次数，算法的求解时间，连续未找到更好解终止的迭代间隔等，一旦满足以上任意一个算法终止，返回迭代搜索到的最优解。具体方案如下：
示例性的，图3为本申请实施例提供的冷链配送的路线确定方法实施例二的流程示意图。参照图3所示，在本实施例中，上述步骤22可以通过如下步骤实现：
步骤31、根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线。
其中，该场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心。
在本申请的实施例中，服务器根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件确定至少一条初始规划路线的过程，也就是构建初始解的过程，具体的是通过预设算法得到至少一个可行解的过程。
在本实施例中，服务器在确定初始规划路线的过程中，每次在初始规划路线中增加一个客户点均会判断是否满足场景约束条件，因而，确定的初始规划路线一定是可行的路线。
步骤32、以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
示例性的，本实施例以每条初始规划路线的总运输成本为求解目标，采用迭代搜索寻找满足最优化条件(即最小运输成本)的更好规划路线，该更好规划路线是相对于初始规划路线来说的。
作为一种示例，本申请求解的目标函数为极小化总运输距离Min，具体公式如下：
Figure BDA0002389229170000111
eatij∈tij,i＝1,2,…,n；j＝1,2,…,lr (2)
sti≤tr (3)
其中，公式(1)为目标函数：极小化总运输距离，公式(2)表示客户点的时间窗约束，公式(3)表示在途时长约束。
具体的，n为智能排线的总个数；lr为第i个路线中的客户点总个数；dijk为第i个路线上第j个客户点和第k个客户点的距离，j为0时代表配送中心；tij＝[tij0,tij1]表示第i个路线上的第j个客户点的时间窗，tij0为tij的起始时间，tij1为tij的结束时间；eatij表示第i个路线上的第j个客户点的预估到达时间；sti为第i个路线的在途时长，
Figure BDA0002389229170000121
tjk为从第j个客户点到第k个客户点所需要的时长；tr为预设在途时长，为给定常数值。
可选的，本申请可以基于自适应邻域搜索算法框架迭代找到更优解。具体实现原理可以参见下述图4实施例中的记载，此处不再赘述。
示例性的，在上述实施例的基础上，图4为本申请实施例提供的冷链配送的路线确定方法实施例三的流程示意图。参照图4所示，在本实施例中，上述步骤31可以通过如下步骤实现：
步骤41、根据待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线。
其中，第一初始规划路线的种子客户点为满足场景约束条件且距离配送中心最远的客户点。
在本实施例中，服务器获取到待配送客户点集合中每个客户点的位置信息和配送中心的位置信息后，可以首先建立一条初始规划路线，并且以离配送中心最远的顶点作为初始规划路线的种子客户点。
可以理解的是，在本申请实施例中，确定初始规划路线中的每个客户点的位置和顺序时，均需要判断是否满足场景约束条件中的所有约束。
步骤42、基于预设算法，依次在第一初始规划路线中插入待配送客户点集合中的客户点，直到待插入的客户点不满足上述场景约束条件。
在本实施例中，在确定出第一初始规划路线后，则需要在客户点满足场景约束条件中的所有约束时，逐个将客户点插入到第一初始规划路线中，以使得一个运输车辆在一条规划路线中能够同时为多个客户点配送货物。
示例性的，本实施例中的预设算法可以是插入法，即利用插入法得到一个可行解的过程。插入法又称最远插入法，首先，选取离配送中心最远的客户点作为种子客户点(起点)，并判断是否满足场景约束条件中的所有约束，在满足时，然后根据最邻近法依次从待配送客户点集合中选择待插入的客户点，且保证插入的所有客户点均满足场景约束条件中的所有约束，一旦构建好初始解后，就保证了初始解一定是可行解。
进一步的，在本申请的实施例中，在该步骤41之前，该方法还可以包括如下步骤：
A1、根据待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离。
A2、根据任意两个客户点之间的导航距离和每个客户点与配送中心的导航距离，构建距离矩阵。
在本实施例中，服务器可以根据待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与配送中心的导航距离，进而根据任意两个客户点之间的导航距离和每个客户点与配送中心的导航距离，构建距离矩阵，为后续确定出更加符合实际需求的配送路线奠定了条件。
示例性的，对于一个配送中心和3个客户点的应用场景，则该4个点可以形成4*4的距离矩阵。
相应的，该步骤42可以通过如下方式实现：
基于最邻近差值法、上述距离矩阵和节省算法，依次在第一初始规划路线中插入所述待配送客户点集合中的客户点。
示例性的，本实施例可以基于最邻近差值法、上述距离矩阵和节省算法得到一个可行解。根据最邻近差值法选择与当前客户点导航距离最近的客户点作为下一插入点，再利用节省算法，以节省值最大的客户点来决定客户点在初始规划路线中的位置，即确定插入的客户点在初始规划路线上的先后顺序，按照上述方法重复执行选取与插入的步骤，且每次插入的过程均满足场景约束条件。
步骤43、在待插入的客户点不满足上述场景约束条件时，则基于待配送客户点集合中的剩余客户点，建立第二初始规划路线。
在本实施例中，当在第一初始规划路线上插入的客户点不满足场景约束条件，例如，超出客户的时间窗或超出在途时长要求，表明待插入的客户点和剩下的客户点均不能规划到第一初始规划路线上，这时可以基于待配送客户点集合中的剩余客户点，按照步骤41和步骤42的路线规划方法建立第二初始规划路线，并依次在第二初始规划路线中插入待配送的客户点，直到待插入的客户点不满足上述场景约束条件或插入完成。
可以理解的是，若第二初始规划路线上也无法规划完剩下的客户点，则再建立其他新的初始规划路线，直到所有的客户点在满足场景约束条件的前提下均列入规划。
本申请实施例提供的冷链配送的路线确定方法，根据待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，基于预设算法，依次在第一初始规划路线中插入待配送客户点集合中的客户点，直到待插入的客户点不满足场景约束条件，在待插入的客户点不满足场景约束条件时，则基于待配送客户点集合中的剩余客户点，建立第二初始规划路线。该技术方案，能够首先确定出满足场景约束条件的至少一条初始规划路线，为后续得到至少一条目标配送路线提供了可能。
进一步的，在上述实施例的基础上，图5为本申请实施例提供的冷链配送的路线确定方法实施例四的流程示意图。参照图5所示，在本实施例中，上述步骤32可以通过如下步骤实现：
步骤51、计算每条初始规划路线的总运输成本。
在本申请的实施例中，可以根据每条初始规划路线客户点的点位、每个客户点的点位成本，计算每条初始规划路线的总运输成本，为后续初始规划路线的更新提供条件。
示例性的，该总运输成本可以指总运输距离，因而，可以采用图3所示实施例中的公式(1)进行求解。
步骤52、针对每条初始规划路线，基于初始规划路线上的客户点的配送顺序，采用破坏-重建初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本。
可选的，针对每条初始规划路线，每条初始规划路线上的客户点的配送顺序可以通过破坏-重建(即destroy和repair方法)初始规划路线的方式组成新的初始规划路线，破坏-重建初始规划路线的方式也即通过多种截断、重新连接的方式组成新的初始规划路线。
在本实施例中，在得到更新后的初始规划路线后，可以根据每条更新后的初始规划路线客户点的点位、每个客户点的点位成本，计算每条更新后初始规划路线的总运输成本。重复该步骤，直到该方法满足终止条件，例如，终止条件主要包括迭代次数，算法的求解时间，连续未找到更好解终止的迭代间隔等。
步骤53、根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，该目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
在本实施例中，在每次更新初始规划路线时，均可以分别计算出更新后的初始规划路线中总运输成本，并根据为每条更新后的初始规划路线分配一个系数，该系数用于表示每条更新后的初始规划路线的优劣。最后，根据所有更新后的初始规划路线中总运输成本，确定总运输成本最低的路线为目标配送路线。
本申请实施例提供的方法，通过迭代搜索的方式确定出目标配送路线，不仅可以满足所有的约束条件，而且具有较低的运输成本，具有很高的实用性。
综上所述，图3至图5实施例提出的冷链配送的路线确定方法适用的冷链配送场景较为新颖，是一个有实际应用场景的带时间窗的冷链城配场景，场景涉及到的客户点数在较大(例如，500以上)，单车型配送、车辆资源充足，所有车辆从同一配送中心出发、但配送完成后不回配送中心等，考虑的约束包括严格满足客户的时间窗约束(配送时效要求)，有车辆在途时长约束(每辆车的在途时长不大于给定值)，目标是最小化总运输成本或总运输距离，本方案使用插入算法构造初始解，基于自适应邻域搜索算法框架迭代找到更优解，确定目标配送路线，实用性高。
示例性的，在本申请的另一种可能设计中，在本实施例中，上述步骤22可以通过如下方式实现：
将待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
可选的，在本实施例中，服务器中可以运行有排线模型，该排线模型可以是基于历史配线方案确定的，可以基于待配送客户点集合中所有客户点的位置信息和配送中心的位置信息自动输出至少一条目标配送路线。
值得说明的是，在本实施例中，该排线模型是基于历史客户点的位置信息和配送中心的位置信息，在场景约束条件和运输成本约束条件的前提下训练得到的，因而，该排线模型输出的每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
在本申请的实施例中，排线模型是用于求解目标配送路线的方案，在设计的过程中，往往会涉及到很多算法参数，多则上百个，少则十几个。如何对排线模型的参数进行更新以提高排线模型的性能是在冷链配送的智能排线中非常重要。
目前，用于排线模型的调参的方案较少，通常是人为修改调优参数，即测试人员根据经验和个人偏好，选择其中几个待更新的参数，枚举各种可能的取值，一次又一次地运行算法，观察这些参数组合的算法得分。这种方法不仅耗时，并且调优效果差，针对此问题，本申请实施例提供的冷链配送的路线确定方法，在确定目标配送路线的前提下，还可以使用运筹学和机器学习算法相结合的方法，实现对排线模型参数的调优和更新，使得排线模型的应用范围增大。
可以理解的是，在排线模型的参数调优中，需要解决如下问题；面对海量的模型参数，在无法做到迭代更新所有参数时，选择其中哪些参数更新，并且确定更新的参数列表后，如何搜索改变这些参数的取值等。本申请实施例提供的技术方案通过制定运筹学算法+机器学习算法的模型，科学、准确地评估每个模型参数的重要程度，并依据模型参数的重要程度，选择预设数量的参数，例如，存储到参数计算表中，并且可以逐步增加进入参数计算表中的元素个数；在选择出要更新的参数后，主要使用栅格搜索和较差验证的方式对排线模型进行更新。下面通过具体示例进行解释说明：
示例性的，图6为本申请实施例提供的冷链配送的路线确定方法实施例五的流程示意图。参照图6所示，该方法还包括：
步骤61、按照预设循环次数，分别运行参数取值不同的排线模型，得到该排线模型的每次运行参数取值和每次运行结果。
步骤62、根据排线模型的所有运行参数取值和所有运行结果，得到数据集合。
其中，该数据集合包括训练数据和测试数据。
在本实施例中，排线模型的性能可以利用每条路线的总运输成本衡量，并以路线的总运输成本为目标函数进行表征。可以理解的是，总运输成本与形成的路线个数以及每个客户点数的成本有关，具体公式如下：
Figure BDA0002389229170000171
Figure BDA0002389229170000172
Figure BDA0002389229170000173
其中，n为排线模型输出的目标配送路线总个数；m为待配送客户点集合中的客户总个数；lr为路线中客户点总个数；indij为第i个路线上是否出现第j个客户点，若第i个路线上出现第j个客户点，则indij＝1，若第i个路线上未出现第j个客户点，则indij＝0；c为客户点的点位成本，为常数；l为未规划客户点的个数；p为对未规划点的惩罚系数；g(d,c,n,m)为未规划客户点的惩罚函数；d为所有路线中的最长路径的长度，dijk为第i条路线上第j个客户点和第k个客户点的距离；fc为第i条路线上规划的最多的客户点数。
在本实施例中，为了在排线模型的所有模型参数中确定重要参数，首先需要获取待分析的数据集合。图7为图6所示实施例中确定数据集合的框图。参照图7所示，首先随机选择模型参数且模型参数取不同的值，其次运行参数取值不同的排线模型，得到该排线模型的每次运行参数取值和每次运行结果，示例性的，可以将每次运行参数取值和每次运行结果保存到数据文件中，按照预设循环次数(例如，1000次或其他次数，本实施例不对其进行限定)，循环执行上述流程，采集所有的数据文件，得到数据集合。
示例性的，在本实施例中，图8为图6所示实施例中确定重要参数集合的框图。参照图8所示，为了后续能够对确定重要参数进行验证，可以将得到的数据集合划分为训练数据和测试数据，以利用训练数据确定重要参数集合，并利用测试数据对得到的重要参数集合进行验证。
步骤63、通过预设算法对训练数据进行处理，确定出排线模型的重要参数集合。
在本实施例中，参照图8所示，本实施例利用训练数据确定排线模型的重要参数集合。具体的，为了提高处理效率，首先对数据集合中的训练数据进行预处理，例如，数据清洗等，然后再利用预设算法对经过数据清洗的训练数据进行处理，筛选出重要参数集合。可选的，该预设算法可以为随机回归模型，其可以从较多的训练数据中筛选出重要参数集合。
步骤64、结合该重要参数集合和测试数据，确定出该重要参数集合中每个重要参数的取值范围。
示例性的，服务器得到重要参数集合，可以将其写入到预先配置的重要程度表中。参照图8所示，为了确定重要参数集合中每个重要参数的取值，还可以对数据集合中划分出的测试数据进行数据清洗等处理，然后利用清洗后的测试数据，确定出该重要参数集合中每个重要参数的取值范围。
示例性的，图9为模型参数中的某些参数的重要性表征图。参照图9所示，使用实际的业务数据，得到的重要参数集合中各重要参数的取值。在本实施例中，线段越长表示参数越重要。服务器中可以预先配置一个阈值，将参数值大于阈值的参数确定为重要参数。
本申请实施例提供的冷链配送的路线确定方法，按照预设循环次数，分别运行参数取值不同的所述排线模型，得到排线模型的每次运行参数取值和每次运行结果，进而得到数据集合，通过预设算法对数据集合中的训练数据进行处理，确定出排线模型的重要参数集合，最后结合重要参数集合和测试数据，确定出重要参数集合中每个重要参数的取值范围。该技术方案能够在海量的模型参数中确定出重要参数集合，为排线模型的参数调优提供了实现可能。
示例性的，在上述实施例的基础上，图10为本申请实施例提供的冷链配送的路线确定方法实施例六的流程示意图。参照图10所示，该方法还包括：
步骤101、对于该重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定该重要参数集合对应的参数网格。
在本实施例中，当确定出重要参数集合后，利用该重要参数集合中每个重要参数的取值范围，基于网格搜索算法(grid-search)的处理，得到参数网格。网格搜索算法是指定参数值的一种穷举搜索方法，将各个重要参数可能的取值进行排列组合，列出所有可能的组合结果，从而生成参数网格。
步骤102、对该参数网络和训练数据进行交叉验证，确定最佳参数组合，该最佳参数组合包括：多个重要参数和每个重要参数的取值。
示例性的，图11为排线模型参数更新的框架示意图。参照图11所示，在基于重要参数集合得到参数网格后，再将上述得到的数据集合中的训练数据输入到交叉验证模块，以确定出最佳参数组合，最佳参数组合包括：多个重要参数和每个重要参数的取值，即尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。
步骤103、利用最佳参数组合和训练数据，更新上述排线模型。
在本实施例中，参照图11所示，通过执行上述步骤得到的重要参数个数逐步增加，最后可以利用最佳参数组合和训练数据替换排线模型的参数，进而实现排线模型的更新。
进一步的，在本申请的实施例中，参照图10所示，该方法还可以包括如下步骤：
步骤104、利用该测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
在本实施例中，参照图11所示，更新后的排线模型还可以利用上述得到的数据集合中的测试数据进行性能评估，以验证上述重要参数确定方法和重要参数调优方案的正确性。
本申请实施例提供的冷链配送的路线确定方法，对于重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定该重要参数集合对应的参数网格，对参数网络和训练数据进行交叉验证，确定出最佳参数组合，最后利用最佳参数组合和训练数据，更新该排线模型，实现了模型参数的更新，进一步的，再利用该测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能，实现了对模型参数调优，为后续确定出最佳的配送路线奠定了基础。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图12为本申请实施例提供的冷链配送的路线确定装置的结构示意图。该装置可以集成在服务器中，也可以通过服务器实现。参照图12所示，该装置可以包括：接收模块121、处理模块122和推送模块123。
其中，该接收模块121，用于接收终端设备发出的路线确定请求，所述路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息；
该处理模块122，用于根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线；
该推送模块123，用于向所述终端设备推送所述至少一条目标配送路线。
在本申请实施例的一种可能设计中，处理模块122可以包括：第一处理单元和第二处理单元；
该第一处理单元，用于根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，所述场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心；
该第二处理单元，用于以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
可选的，该第一处理单元，具体用于执行：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，所述第一初始规划路线的种子客户点为满足所述场景约束条件且距离配送中心最远的客户点；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，直到待插入的客户点不满足所述场景约束条件；
在待插入的客户点不满足所述场景约束条件时，则基于所述待配送客户点集合中的剩余客户点，建立第二初始规划路线。
示例性的，第一处理单元，还用于在根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线之前，根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，以及根据任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，构建距离矩阵；
则第一处理单元，用于基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，具体为：
第一处理单元，具体用于基于最邻近差值法、所述距离矩阵和节省算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点。
作为一种示例，所述第二处理单元，具体用于执行：
计算每条初始规划路线的总运输成本；
针对每条初始规划路线，基于所述初始规划路线上的客户点的配送顺序，采用破坏-重建所述初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本；
根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，所述目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
在本申请实施例的另一种可能设计中，处理模块122，具体用于将所述待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
可选的，处理模块122，还用于执行：
按照预设循环次数，分别运行参数取值不同的所述排线模型，得到所述排线模型的每次运行参数取值和每次运行结果；
根据所述排线模型的所有运行参数取值和所有运行结果，得到数据集合，所述数据集合包括训练数据和测试数据；
通过预设算法对所述训练数据进行处理，确定出所述排线模型的重要参数集合；
结合所述重要参数集合和所述测试数据，确定出所述重要参数集合中每个重要参数的取值范围。
示例性的，处理模块122，还用于执行：
对于所述重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定所述重要参数集合对应的参数网格；
对所述参数网络和所述训练数据进行交叉验证，确定出最佳参数组合，所述最佳参数组合包括：多个重要参数和每个重要参数的取值；
利用所述最佳参数组合和所述训练数据，更新所述排线模型。
进一步的，处理模块122，还用于利用所述测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
本申请实施例提供的装置，可用于执行图2至图11所示实施例中的方法，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。
图13为本申请实施例提供的服务器实施例的结构示意图。如图13所示，该装置可以包括：处理器131、存储器132、通信接口133、系统总线134和显示器135，所述存储器132、所述通信接口133和显示器135通过所述系统总线134与所述处理器131连接并完成相互间的通信，所述存储器132用于存储计算机程序指令，显示器135用于显示处理器131的处理结果，所述通信接口133用于和其他设备进行通信，所述处理器131执行所述计算机程序指令时实现如上述图2至图11所示实施例的方案。
该图13中提到的系统总线可以是外设部件互连标准(peripheral componentinterconnect，PCI)总线或扩展工业标准结构(extended industry standardarchitecture，EISA)总线等。所述系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(networkprocessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选的，本申请实施例还提供一种计算机可读存储介质，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，使得计算机执行如上述图2至图11所示实施例的方法。
可选的，本申请实施例还提供一种运行指令的芯片，所述芯片用于执行上述图2至图11所示实施例的方法。
本申请实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述图2至图11所示实施例的方法。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系；在公式中，字符“/”，表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中，a，b，c可以是单个，也可以是多个。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。

Claims (20)

1.一种冷链配送的路线确定方法，其特征在于，包括：
接收终端设备发出的路线确定请求，所述路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息；
根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线；
向所述终端设备推送所述至少一条目标配送路线。
2.根据权利要求1所述的方法，其特征在于，所述根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，包括：
根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，所述场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心；
以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
3.根据权利要求2所述的方法，其特征在于，所述根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，包括：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，所述第一初始规划路线的种子客户点为满足所述场景约束条件且距离配送中心最远的客户点；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，直到待插入的客户点不满足所述场景约束条件；
在待插入的客户点不满足所述场景约束条件时，则基于所述待配送客户点集合中的剩余客户点，建立第二初始规划路线。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线之前，所述方法还包括：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离；
根据任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，构建距离矩阵；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，包括：
基于最邻近差值法、所述距离矩阵和节省算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点。
5.根据权利要求2-4任一项所述的方法，其特征在于，所述以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线，包括：
计算每条初始规划路线的总运输成本；
针对每条初始规划路线，基于所述初始规划路线上的客户点的配送顺序，采用破坏-重建所述初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本；
根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，所述目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
6.根据权利要求1所述的方法，其特征在于，所述根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线，包括：
将所述待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
按照预设循环次数，分别运行参数取值不同的所述排线模型，得到所述排线模型的每次运行参数取值和每次运行结果；
根据所述排线模型的所有运行参数取值和所有运行结果，得到数据集合，所述数据集合包括训练数据和测试数据；
通过预设算法对所述训练数据进行处理，确定出所述排线模型的重要参数集合；
结合所述重要参数集合和所述测试数据，确定出所述重要参数集合中每个重要参数的取值范围。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
对于所述重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定所述重要参数集合对应的参数网格；
对所述参数网络和所述训练数据进行交叉验证，确定出最佳参数组合，所述最佳参数组合包括：多个重要参数和每个重要参数的取值；
利用所述最佳参数组合和所述训练数据，更新所述排线模型。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
利用所述测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
10.一种冷链配送的路线确定装置，其特征在于，包括：接收模块、处理模块和推送模块；
所述接收模块，用于接收终端设备发出的路线确定请求，所述路线确定请求包括：待配送客户点集合中每个客户点的位置信息和配送中心的位置信息；
所述处理模块，用于根据待配送客户点集合中每个客户点的位置信息、配送中心的位置信息、场景约束条件和运输成本约束条件，确定出至少一条目标配送路线；
所述推送模块，用于向所述终端设备推送所述至少一条目标配送路线。
11.根据权利要求10所述的装置，其特征在于，所述处理模块，包括：第一处理单元和第二处理单元；
所述第一处理单元，用于根据所述待配送客户点集合中每个客户点的位置信息、配送中心的位置信息和场景约束条件，确定出至少一条初始规划路线，所述场景约束条件包括：客户点的时间窗约束、在途时长约束、单车型配送、不返回配送中心；
所述第二处理单元，用于以总运输成本最低为求解目标，对每条初始规划路线进行迭代更新，确定出至少一条目标配送路线。
12.根据权利要求11所述的装置，其特征在于，所述第一处理单元，具体用于执行：
根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线，所述第一初始规划路线的种子客户点为满足所述场景约束条件且距离配送中心最远的客户点；
基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，直到待插入的客户点不满足所述场景约束条件；
在待插入的客户点不满足所述场景约束条件时，则基于所述待配送客户点集合中的剩余客户点，建立第二初始规划路线。
13.根据权利要求12所述的装置，其特征在于，所述第一处理单元，还用于在根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，建立第一初始规划路线之前，根据所述待配送客户点集合中每个客户点的位置信息和配送中心的位置信息，确定任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，以及根据任意两个客户点之间的导航距离和每个客户点与所述配送中心的导航距离，构建距离矩阵；
则所述第一处理单元，用于基于预设算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点，具体为：
所述第一处理单元，具体用于基于最邻近差值法、所述距离矩阵和节省算法，依次在所述第一初始规划路线中插入所述待配送客户点集合中的客户点。
14.根据权利要求11-13任一项所述的装置，其特征在于，所述第二处理单元，具体用于执行：
计算每条初始规划路线的总运输成本；
针对每条初始规划路线，基于所述初始规划路线上的客户点的配送顺序，采用破坏-重建所述初始规划路线的方式，确定多条更新后的初始规划路线并分别计算每条更新后的初始规划路线的总运输成本；
根据所有更新后的初始规划路线的总运输成本，确定目标配送路线，所述目标配送路线为所有更新后的初始规划路线中总运输成本最低的路线。
15.根据权利要求10所述的装置，其特征在于，所述处理模块，具体用于将所述待配送客户点集合中所有客户点的位置信息和配送中心的位置信息输入到排线模型中，输出至少一条目标配送路线，每条目标配送路线中的客户点满足场景约束条件且每条目标配送路线的运输成本符合运输成本约束条件。
16.根据权利要求15所述的装置，其特征在于，所述处理模块，还用于执行：
按照预设循环次数，分别运行参数取值不同的所述排线模型，得到所述排线模型的每次运行参数取值和每次运行结果；
根据所述排线模型的所有运行参数取值和所有运行结果，得到数据集合，所述数据集合包括训练数据和测试数据；
通过预设算法对所述训练数据进行处理，确定出所述排线模型的重要参数集合；
结合所述重要参数集合和所述测试数据，确定出所述重要参数集合中每个重要参数的取值范围。
17.根据权利要求16所述的装置，其特征在于，所述处理模块，还用于执行：
对于所述重要参数集合中每个重要参数的取值范围，基于网格搜索算法，确定所述重要参数集合对应的参数网格；
对所述参数网络和所述训练数据进行交叉验证，确定出最佳参数组合，所述最佳参数组合包括：多个重要参数和每个重要参数的取值；
利用所述最佳参数组合和所述训练数据，更新所述排线模型。
18.根据权利要求17所述的装置，其特征在于，所述处理模块，还用于利用所述测试数据对更新后的排线模型进行性能评估，确定更新后的排线模型的排线性能。
19.一种服务器，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，其特征在于，所述处理器执行所述计算机程序指令时实现如上述权利要求1-9任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被处理器执行时用于实现如权利要求1-9任一项所述的方法。
CN202010108742.1A 2020-02-21 2020-02-21 冷链配送的路线确定方法、装置、服务器及存储介质 Active CN112288347B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010108742.1A CN112288347B (zh) 2020-02-21 2020-02-21 冷链配送的路线确定方法、装置、服务器及存储介质
US17/801,081 US20230084312A1 (en) 2020-02-21 2020-12-11 Route determination method, apparatus, server and storage medium for cold chain distribution
EP20920599.6A EP4030368A4 (en) 2020-02-21 2020-12-11 ROUTE DETERMINATION METHOD AND DEVICE FOR COLD CHAIN DISTRIBUTION, SERVER AND STORAGE MEDIUM
KR1020227011707A KR102655411B1 (ko) 2020-02-21 2020-12-11 콜드 체인 배송 노선 확정 방법, 장치, 서버 및 저장매체
PCT/CN2020/135880 WO2021164390A1 (zh) 2020-02-21 2020-12-11 冷链配送的路线确定方法、装置、服务器及存储介质
JP2022525754A JP7417724B2 (ja) 2020-02-21 2020-12-11 コールドチェーン配送経路の決定方法、装置、サーバおよび記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010108742.1A CN112288347B (zh) 2020-02-21 2020-02-21 冷链配送的路线确定方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN112288347A true CN112288347A (zh) 2021-01-29
CN112288347B CN112288347B (zh) 2024-06-21

Family

ID=74420187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010108742.1A Active CN112288347B (zh) 2020-02-21 2020-02-21 冷链配送的路线确定方法、装置、服务器及存储介质

Country Status (6)

Country Link
US (1) US20230084312A1 (zh)
EP (1) EP4030368A4 (zh)
JP (1) JP7417724B2 (zh)
KR (1) KR102655411B1 (zh)
CN (1) CN112288347B (zh)
WO (1) WO2021164390A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801593A (zh) * 2021-02-09 2021-05-14 北京橙心无限科技发展有限公司 生成配送方案的方法和装置
CN113029144A (zh) * 2021-03-01 2021-06-25 汇链通供应链科技(上海)有限公司 一种协同运输的亚启发算法路径规划方法
CN113780951A (zh) * 2021-09-15 2021-12-10 北京京东振世信息技术有限公司 物品运输的方法、装置、电子设备和存储介质
CN115032997A (zh) * 2022-06-22 2022-09-09 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法
CN115081995A (zh) * 2022-07-27 2022-09-20 成都运荔枝科技有限公司 用于冷链物流的车辆调度方法、装置及电子设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307959A (zh) * 2021-12-03 2023-06-23 株洲瑞德尔智能装备有限公司 一种用于物料配送的数据处理方法及装置
CN114523476B (zh) * 2022-03-02 2024-02-20 北京云迹科技股份有限公司 服务机器人的控制方法及装置
CN115311005B (zh) * 2022-07-25 2023-04-07 深圳市昂捷信息技术股份有限公司 一种生鲜的供需管理方法、装置、电子设备及存储介质
CN115841287B (zh) * 2023-02-21 2023-05-09 山东科技大学 一种混合车队动态路径规划方法及设备
CN115829183B (zh) * 2023-02-22 2023-05-02 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002302257A (ja) * 2001-04-05 2002-10-18 Mitsubishi Electric Corp 配送計画方法およびその方法をコンピュータに実行させるプログラム
JP2003109170A (ja) * 2001-09-27 2003-04-11 Hitachi Software Eng Co Ltd 輸送計画作成方法およびシステム
US20030084011A1 (en) * 2001-04-26 2003-05-01 Honeywell International Inc. Methods for solving the traveling salesman problem
CN101739812A (zh) * 2009-12-10 2010-06-16 浙江师范大学 物流配送车辆路径优化方法
CN107464018A (zh) * 2017-08-01 2017-12-12 北京同城必应科技有限公司 一种配送路径优化方法和装置、计算机设备、存储介质
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
CN109389239A (zh) * 2017-08-14 2019-02-26 顺丰科技有限公司 一种随机路径摧毁重建方法、系统、设备
US20190114564A1 (en) * 2017-10-18 2019-04-18 United Parcel Service Of America, Inc. Enriched Logistics System for Unmanned Vehicle Delivery of Parcels
CN109726863A (zh) * 2018-12-26 2019-05-07 深圳市北斗智能科技有限公司 一种多目标优化的物流方法和系统
CN110189073A (zh) * 2019-04-17 2019-08-30 北京百度网讯科技有限公司 路线规划方法、装置、设备及计算机可读存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100913837B1 (ko) * 2006-01-10 2009-08-26 주식회사 엘지화학 다수의 차량에 대한 최적 배차 방법 및 이를 위한 시스템
JP2008114960A (ja) 2006-11-02 2008-05-22 Hitachi Ltd 輸送計画システム
JP5612817B2 (ja) 2008-11-04 2014-10-22 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 複数車両の配送経路を求めるための方法、コンピュータ・システム及びコンピュータ・プログラム
KR101461063B1 (ko) * 2012-09-05 2014-11-13 김동석 택배화물 배송시스템
JP2014153264A (ja) 2013-02-12 2014-08-25 Denso Corp 冷凍車の配送ルート算出装置
KR20180086084A (ko) * 2017-01-20 2018-07-30 (주)광개토연구소 인공 지능 기술을 적용한 기계 학습 기반의 입력 특허 집합과 관계성 높은 특허 집합을 생성하는 방법 및 장치
CN106779570A (zh) * 2017-03-10 2017-05-31 镇江康飞汽车制造股份有限公司 一种智能冷链物流路径多目标优化算法
CN108510227A (zh) 2018-03-23 2018-09-07 东华大学 一种基于机器学习的车载物流配送实时规划系统
US20210356279A1 (en) * 2018-07-08 2021-11-18 Nng Software Developing And Commercial Llc. A Method and Apparatus for Optimal Navigation to Multiple Locations
US10817809B2 (en) * 2018-07-27 2020-10-27 Servicenow, Inc. Systems and methods for customizable route optimization
CN109214551B (zh) * 2018-08-08 2022-08-26 北京三快在线科技有限公司 一种配送调度方法及装置
US10565543B1 (en) * 2019-03-01 2020-02-18 Coupang, Corp. Systems, apparatuses, and methods of efficient route planning for e-commerce fulfillment
CN110059934A (zh) * 2019-03-27 2019-07-26 浙江工商大学 燃油车和新能源车协同配送调度的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002302257A (ja) * 2001-04-05 2002-10-18 Mitsubishi Electric Corp 配送計画方法およびその方法をコンピュータに実行させるプログラム
US20030084011A1 (en) * 2001-04-26 2003-05-01 Honeywell International Inc. Methods for solving the traveling salesman problem
JP2003109170A (ja) * 2001-09-27 2003-04-11 Hitachi Software Eng Co Ltd 輸送計画作成方法およびシステム
CN101739812A (zh) * 2009-12-10 2010-06-16 浙江师范大学 物流配送车辆路径优化方法
CN107464018A (zh) * 2017-08-01 2017-12-12 北京同城必应科技有限公司 一种配送路径优化方法和装置、计算机设备、存储介质
CN109389239A (zh) * 2017-08-14 2019-02-26 顺丰科技有限公司 一种随机路径摧毁重建方法、系统、设备
US20190114564A1 (en) * 2017-10-18 2019-04-18 United Parcel Service Of America, Inc. Enriched Logistics System for Unmanned Vehicle Delivery of Parcels
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
CN109726863A (zh) * 2018-12-26 2019-05-07 深圳市北斗智能科技有限公司 一种多目标优化的物流方法和系统
CN110189073A (zh) * 2019-04-17 2019-08-30 北京百度网讯科技有限公司 路线规划方法、装置、设备及计算机可读存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801593A (zh) * 2021-02-09 2021-05-14 北京橙心无限科技发展有限公司 生成配送方案的方法和装置
CN113029144A (zh) * 2021-03-01 2021-06-25 汇链通供应链科技(上海)有限公司 一种协同运输的亚启发算法路径规划方法
CN113029144B (zh) * 2021-03-01 2023-03-17 汇链通产业供应链数字科技(厦门)有限公司 一种协同运输的亚启发算法路径规划方法
CN113780951A (zh) * 2021-09-15 2021-12-10 北京京东振世信息技术有限公司 物品运输的方法、装置、电子设备和存储介质
CN113780951B (zh) * 2021-09-15 2023-11-07 北京京东振世信息技术有限公司 物品运输的方法、装置、电子设备和存储介质
CN115032997A (zh) * 2022-06-22 2022-09-09 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法
CN115081995A (zh) * 2022-07-27 2022-09-20 成都运荔枝科技有限公司 用于冷链物流的车辆调度方法、装置及电子设备
CN115081995B (zh) * 2022-07-27 2023-04-07 成都运荔枝科技有限公司 用于冷链物流的车辆调度方法、装置及电子设备

Also Published As

Publication number Publication date
JP2023500883A (ja) 2023-01-11
EP4030368A4 (en) 2023-08-30
KR102655411B1 (ko) 2024-04-04
JP7417724B2 (ja) 2024-01-18
WO2021164390A1 (zh) 2021-08-26
CN112288347B (zh) 2024-06-21
KR20220059531A (ko) 2022-05-10
EP4030368A1 (en) 2022-07-20
US20230084312A1 (en) 2023-03-16

Similar Documents

Publication Publication Date Title
CN112288347B (zh) 冷链配送的路线确定方法、装置、服务器及存储介质
Shahvari et al. Hybrid flow shop batching and scheduling with a bi-criteria objective
CN110555640B (zh) 路由规划的方法和装置
CN108492068B (zh) 用于路径规划的方法和装置
CN106250381B (zh) 用于确定表格式存储的列布局的系统和方法
CN111428991B (zh) 用于确定配送车辆的方法和装置
US20200311581A1 (en) High quality pattern mining model and method based on improved multi-objective evolutionary algorithm
CN112669084B (zh) 策略确定方法、设备及计算机可读存储介质
CN113283671B (zh) 一种预测补货量的方法、装置、计算机设备及存储介质
CN116501711A (zh) 一种基于“存算分离”架构的算力网络任务调度方法
Wu et al. An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup–delivery and time window
CN110659760A (zh) 用于仓库储位的配置方法和系统
US9324026B2 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
CN111044062B (zh) 路径规划、推荐方法和装置
US8688420B2 (en) Efficient evaluation of network robustness with a graph
CN113255950B (zh) 一种优化物流网络的方法和装置
US11361329B2 (en) Systems and methods for generating optimized market plans
Keshavarz et al. Multi-objective optimisation of continuous review inventory system under mixture of lost sales and backorders within different constraints
CN117113613A (zh) 一种数据处理方法及装置
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
CN113837677A (zh) 物流线路生成策略的确定方法、装置以及设备
Qu et al. Job insertion for the pickup and delivery problem with time windows
CN113837782A (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
CN113361739A (zh) 一种生成拣货路径的方法和装置
Ouyang et al. Dynamic community partitioning for e-commerce last mile delivery with time window constraints

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