CN112949887A - 派件路径的规划方法、装置、设备及计算机可读存储介质 - Google Patents
派件路径的规划方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112949887A CN112949887A CN201911267924.7A CN201911267924A CN112949887A CN 112949887 A CN112949887 A CN 112949887A CN 201911267924 A CN201911267924 A CN 201911267924A CN 112949887 A CN112949887 A CN 112949887A
- Authority
- CN
- China
- Prior art keywords
- logistics
- clustering
- route prediction
- path planning
- results
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了派件路径的规划方法、装置、设备及计算机可读存储介质,用于一定程度上减少进行物流件的派件路径规划所需的工作压力。本申请实施例提供的派件路径的规划方法,包括:获取多个物流件的收件信息;根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果;对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果;从初始聚类结果中选取属于目标聚类特征的目标聚类结果;将目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到目标聚类结果对应的物流件的派件路径规划结果。
Description
技术领域
本申请涉及物流领域,具体涉及派件路径的规划方法、装置、设备及计算机可读存储介质。
背景技术
在传统的物流运输作业中,当物流件通过物流运输网络到达网点后,该网点的负责人可根据网点内各工作人员的派件能力,为各工作人员分配对应的物流件派件任务,工作人员再采用物流车辆、快递柜或者步行等执行方式完成分配到的派件任务。
与其他行业中的人工作业相似的,由于人工分配派件任务往往存在着效率低、分配不合理以及易出错等缺陷,在如今人工智能(Artificial Intelligence,AI)迅速发展的背景下,可通过AI技术实现的路径规划模型,为物流件规划派件路径,网点即可根据该物流件派件路径,相较于传统的派件方式,具有高效率、分配合理、出错率较低的优点。
然而,在实际应用中发现,在进行了派件路径规划时,服务器工作压力较大。
发明内容
本申请实施例提供了派件路径的规划方法、装置、设备及计算机可读存储介质,用于一定程度上减少进行物流件的派件路径规划所需的工作压力。
第一方面,本申请实施例提供了一种派件路径的规划方法,方法包括:
获取多个物流件的收件信息;
根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果;
对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果;
从初始聚类结果中选取属于目标聚类特征的目标聚类结果;
将目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到目标聚类结果对应的物流件的派件路径规划结果。
在示例性的实施例中,获取多个物流件的收件信息包括:
从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息;
从物流订单信息中读取多个物流件的收件信息。
在示例性的实施例中,从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息包括:
接收物流信息平台发送的派件地址属于目标区域的多个物流件的物流订单信息;或者,
定时从物流信息平台调取派件地址属于目标区域的多个物流件的物流订单信息。
在示例性的实施例中,根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果包括:
根据收件信息,获取多个物流件在不同物流节点的物流状态信息,其中,不同物流节点为物流运输网络中的节点;
根据收件信息以及物流状态信息,对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果。
在示例性的实施例中,对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果之前,方法还包括:
当存在属于同一物流件的多个路由预测结果时,剔除属于同一物流件的多个路由预测结果中除最新路由预测结果以外的路由预测结果。
在示例性的实施例中,对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果包括:
当存在属于同一物流件的多个聚类结果时,剔除属于同一物流件的多个聚类结果中除最新聚类结果以外的聚类结果。
在示例性的实施例中,将目标聚类结果对应的路由预测结果输入派件路径规划模型包括:
当将目标聚类结果对应的物流件到达派件节点进行派件任务时,将目标聚类结果对应的路由预测结果输入派件路径规划模型。
第二方面,本申请实施例提供了一种派件路径的规划装置,方法包括:
获取单元,用于获取多个物流件的收件信息;
预测单元,用于根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果;
聚类单元,用于对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果;
选取单元,用于从初始聚类结果中选取属于目标聚类特征的目标聚类结果;
输入单元,用于将目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到目标聚类结果对应的物流件的派件路径规划结果。
在示例性的实施例中,获取单元,具体用于:
从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息;
从物流订单信息中读取多个物流件的收件信息。
在示例性的实施例中,获取单元,具体用于:
接收物流信息平台发送的派件地址属于目标区域的多个物流件的物流订单信息;或者,
定时从物流信息平台调取派件地址属于目标区域的多个物流件的物流订单信息。
在示例性的实施例中,预测单元,具体用于:
根据收件信息,获取多个物流件在不同物流节点的物流状态信息,其中,不同物流节点为物流运输网络中的节点;
根据收件信息以及物流状态信息,对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果。
在示例性的实施例中,预测单元,还用于:
当存在属于同一物流件的多个路由预测结果时,剔除属于同一物流件的多个路由预测结果中除最新路由预测结果以外的路由预测结果。
在示例性的实施例中,预测单元,还用于:
当存在属于同一物流件的多个聚类结果时,剔除属于同一物流件的多个聚类结果中除最新聚类结果以外的聚类结果。
在示例性的实施例中,输入单元,具体用于:
当将目标聚类结果对应的物流件到达派件节点进行派件任务时,将目标聚类结果对应的路由预测结果输入派件路径规划模型。
第三方面,本申请实施例还提供了一种派件路径的规划设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请实施例提供的任一种派件路径的规划方法中的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行本申请实施例提供的任一种派件路径的规划方法中的步骤。
从以上内容可得出,本申请实施例具有以下的有益效果:
本申请实施例在物流件收件时,即可开始进行派件路径规划的工作,即,包括通过收件信息获取推演的路由信息,再将这些路由信息进行分类,由此针对不同类别的路由信息,可分别进行对应的派件路径规划,通过分散不同快递件其路由信息的两两间距以及派件路径规划的处理,由此分散了路径规划工作任务,从而可避免集中占用计算资源,进而可显著减少工作压力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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一些实施例,对于本领域技术人员来讲,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示出了本申请实施例派件路径的规划方法的一种场景示意图;
图2示出了本申请实施例派件路径的规划方法的又一种流程示意图;
图3示出了本申请实施例派件路径的规划方法的又一种流程示意图;
图4示出了本申请实施例派件路径的规划方法的又一种流程示意图;
图5示出了本申请实施例派件路径的规划方法的又一种场景示意图;
图6示出了本申请实施例派件路径的规划方法的又一种流程示意图;
图7示出了本申请实施例派件路径的规划方法的又一种流程示意图;
图8示出了本申请实施例派件路径的规划装置的一种流程示意图;
图9示出了本申请实施例派件路径的规划设备的一种结构示意图。
具体实施方式
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。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
首先,在介绍本申请实施例之前,先介绍下本申请实施例关于应用背景的相关内容。
在现有的相关技术中,其由于路径规划模型在规划物流件的派件路径时,需要占用服务器不小的计算资源,而各网点的派件时间相对集中,这就导致容易在同一时间内多个网点都在抢占服务器的计算资源的情况,服务器面临着提高计算资源的情况,这意味着服务器的运营成本较高。
基于现有的相关技术存在的上述缺陷,本申请实施例提供了派件路径的规划方法,至少在一定程度上克服现有的相关技术所存在的缺陷。
在一定程度上降低了派件路径的规划所需的计算资源限制的情况下,本申请实施例提及的派件路径的规划法,其执行主体可以为派件路径的规划装置,或者集成了该派件路径的规划装置的服务器设备、物理主机或者用户设备(User Equipment,UE)等不同类型的派件路径的规划设备,其中,派件路径的规划装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。
其中,派件路径的规划设备还可分为多个设备并共同执行本申请实施例提供的派件路径的规划方法,如图1示出的本申请实施例派件路径的规划方法的一种场景示意图,派件路径的规划设备包括UE101以及服务器103,UE101可在现场收件人员的操作下,采集当前物流件的收件信息,并将该收件信息通过网络102上传至服务器103,由服务器103进行后续的处理工作。
UE101具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者PDA等终端设备;网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等;服务器103可以是多个服务器组成的服务器集群等,服务器105也可以为云服务器。随实际需要可部署具有任意数目的UE101、网络102以及服务器103。
图2示出了本申请实施例派件路径的规划方法的一种流程示意图,如图2示出的,本申请实施例提供的派件路径的规划方法,具体可包括如下步骤:
步骤S201,获取多个物流件的收件信息;
步骤S202,根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果;
步骤S203,对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果;
步骤S204,从初始聚类结果中选取属于目标聚类特征的目标聚类结果;
步骤S205,将目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到目标聚类结果对应的物流件的派件路径规划结果。
在图2所示实施例提出的技术方案中,相比于现有的相关技术在派件节点进行派件时进行物流件的派件路径规划,本申请实施例则在物流件收件时,即可开始进行派件路径规划的工作,即,包括通过收件信息获取推演的路由预测结果,再对这些路由预测结果进行聚类,从聚类结果中选取属于目标聚类特征的目标聚类结果输入派件路径规划模型,最终得到这些目标聚类结果对应的物流件的派件路径规划结果,由此分散了派件路径的规划工作,可避免集中占用服务器等派件路径的规划设备的计算资源,进而可显著减少工作压力,且还可大幅度缩短得到派件路径的规划结果的获得时间,从而有利于派件节点进行派件工作。
此外,由于在进行规划派件路径的过程中,采取了聚类的方式,对路由预测结果进行了聚类,由此将属于目标聚类特征的路由预测结果输入派件路径规划模型时,还可大大提高输入的路由预测结果之间的相关性,由此派件路径规划模型可根据这些路由预测结果,得到更为精简、节省物流成本的派件路径规划结果。
以下继续对图2所示实施例的各个步骤的具体实施方式进行详细阐述:
在示例性的实施例中,作为上述图2对应实施例步骤S201的具体实现方式,如图3示出的本申请实施例派件路径的规划方法的又一种流程示意图,可包括:
步骤S301,从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息;
典型的,当本申请实施例提供的派件路径的规划方法,由服务器执行时,服务器可直接对接自身物流公司的物流信息平台,并从中获取物流件的物流订单信息。
此外,在本申请实施例中,由于不再集中处理路径规划工作任务,因此,还可继续针对不同的区域继续分散路径规划任务,即分别进行不同区域相应的路径规划任务。例如,可为派件地址预先划分出多个的区域,例如可以结合行政区划,将派件地址属于深圳的区域划分出罗湖、福田、南山、盐田、龙岗、宝安、光明新区、坪山新区、大鹏新区、龙华新区共10个区域,或者还可以为深圳市福田区划分出园岭街道、南园街道、福田街道、沙头街道、梅林街道、华富街道、香蜜湖街道、莲花街道、华强北街道、福保街道共10个区域。或者,也可结合其他的方式划分区域,例如可结合收件量、交通道路路况等不同划分因素进行区域的划分。
在确定当前需要进行路径规划任务的目标区域后,即可从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息。
步骤S302,从物流订单信息中读取多个物流件的收件信息。
在得到目标区域的多个物流件的物流订单信息后,即可从这些信息中服务多个物流件的收件信息,并通过后续的步骤继续进行路径规划处理。
可以理解,不同的网点、营业站、服务点、快递柜或者合作点等物流节点,具有相对应的负责区域,也因此,在本申请实施例中,针对目标区域进行派件路径的规划,可适用于具体物流节点的派件任务的预测以及部署,为具体网点的物流件派送工作提供数据支持。
示例性的,在进一步的应用中,作为上述图3对应实施例步骤S301的具体实现方式,具体还可通过如下两种方式获取派件地址属于目标区域的多个物流件的物流订单信息。
方式一
接收物流信息平台发送的派件地址属于目标区域的多个物流件的物流订单信息。
可以理解,为便于在第一时间内获取到属于目标区域的多个物流件的物流订单信息,物流信息平台可以采用主动推送的方式,推送派件地址属于目标区域的多个物流件的物流订单信息。
其中,在推送派件地址属于目标区域的多个物流件的物流订单信息前,可向物流信息平台发送目标区域的区域信息,该区域信息可以为目标区域的区域标识(Identification,ID),该ID用于标识目标区域,物流信息平台可根据该ID从区域ID列表中查询该ID对应的区域范围,从而可判断派件地址是否属于该ID对应的目标区域;或者,该区域信息也可直接携带目标区域的区域范围,从而物流信息平台可直接根据该区域信息判断派件地址是否属于目标区域。如此,物流信息平台推送的物流订单信息,直接与目标区域对应,无需再进行区域的分类。
示例性的,物流信息平台可以实时监测或者定时检测更新的物流订单信息中是否存在派件地址属于目标区域的物流件的物流订单信息,若存在,可直接推送该派件地址属于目标区域的物流件的物流订单信息,或者,也可等待派件地址属于目标区域的物流件的物流订单信息的数量直至阈值时,再进行推送。
方式二
定时从物流信息平台调取派件地址属于目标区域的多个物流件的物流订单信息。
与主动推送不同的是,也可采用主动调取的方式,获取派件地址属于目标区域的多个物流件的物流订单信息。
具体的,可向物流信息平台发送调取请求,以从物流信息平台调取派件地址属于目标区域的物流件的物流订单信息。其中,与上述类似的,调取请求可携带目标区域的区域ID,该ID用于标识目标区域,物流信息平台可根据该ID从区域ID列表中查询该ID对应的区域范围,从而可判断派件地址是否属于该ID对应的目标区域;或者,也可直接携带目标区域的区域范围,从而物流信息平台可直接根据该区域信息判断派件地址是否属于目标区域。
在本申请实施例中,路由预测处理,可采用遍历的方式,匹配物流件当前路由信息可变化得到的路由信息,达到预测物流件在预测时间内的派件信息的目的,例如物流运输网络中的运输路径、派件节点或者派件时间等,其中,同一时间每个物流件的路由预测结果还可以为多个,由此可得到物流件最短运输路径、最少途径物流节点、最近派件时间等目标条件下的路由预测结果。
继续参阅图4,在示例性的实施例中,如图4示出的本申请实施例派件路径的规划方法的又一种流程示意图,图2对应实施例步骤S202,具体可包括如下的实现方式:
步骤S401,根据收件信息,获取多个物流件在不同物流节点的物流状态信息,其中,不同物流节点为物流运输网络中的节点;
示例性的,参阅图5示出的本申请实施例派件路径的规划方法的又一种场景示意图,如图5示出的,众多的物流节点组成了物流运输网络,这些节点,具体可以为网点、营业站、服务点、快递柜、合作点等类型的节点,某一物流件收件后,经节点1、节点2以及节点3,到达了当前的节点4,该物流件经过或者停留在这些节点的时候,可以生成该物流件的物流状态信息,例如“到达节点2,下一站发往节点3”。
步骤S402,根据收件信息以及物流状态信息,对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果。
在得到多个物流件在不同物流节点的物流状态信息后,可根据这些物流件的收件信息,即这些物流件的派件地址,结合这些物流件在不同物流节点的物流状态信息,进行路由预测处理,预测这些物流件在物流运输网络中接下来的运输路径。
继续以图5为例,该物流件在通过派件路径1,即经节点1、节点2以及节点3,到达了当前的节点4,预测出接下来的派件路径2、派件路径3以及派件路径4,根据这些派件路径,物流件可送达派件地址所属的物流节点,其中,派件路径2、派件路径3以及派件路径4的运输路径信息中,可分别包括途经的物流节点、派件时间、派件节点、派件方式、派件场地或者收件地址等具体信息。
示例性的,除了基础的途经的物流节点以外,运输路径信息中,可携带:20kg左右的物流件于9月14日派件至深圳市南山区南山街道的X网点,该X网点包括50m2的物流件放置面积(派件场地此时包括派件节点的放置空间信息),采用的人工派件方式派件至X地址;又或者,0.5kg的物流件于9月16日派件至深圳市福田区A预设区域的Y合作点,该合作店包括5m2的物流件放置面积(派件场地此时包括派件节点的放置空间信息),采用的自取派件方式;又或者,30cm*42cm*21cm规格的快递件于9月25日派件至深圳市龙岗区某某社区的Z快递柜,该快递柜包括8个37cm*45cm*29cm规格的快递柜格子(派件场地此时包括快递柜的规格信息),采用的自取派件方式。
进一步的,路由预测结果中,还可包括不同物流件的派件地址之间的间距,容易理解,若采用快递点、合作点等方式实现的自取方式,则实际上的派件地址则为快递点、合作点等派件节点,若是采用的人工派件方式,则实际上的派件地址一般为原收件信息中的收件地址,在路由预测处理的过程中,还可预测不同物流件的派件地址之间的间距,以此方便后面派件路径规划模型结合不同物流件的派件地址之间的间距,进行派件路径的规划。
在本申请实施例中,所称的聚类,可以理解为,以相似性为基础,进行数据的分类,其中这些聚类所划分的类可以是已知也可以是未知的,得到的聚类结果,为以多个不同的聚类特征为基础分类得到的路由预测结果,其中具体所采用的聚类方式,示例性的,可以采用K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类或者凝聚层次聚类等聚类方式进行聚类。
其中,K-Means聚类,1、在样本中随机选取K个点,作为每一类的中心点;2、计算剩下n-K个样本点到每个聚类中心的距离(距离有很多种,假设这里采用欧式距离)。对于每一个样本点,将它归到和他距离最近的聚类中心所属的类;3、重新计算每个聚类中心的位置:步骤2中得到的结果是n个点都有自己所属的类,将每一个类内的所有点取平均值,计算出新的聚类中心。4、重复步骤2和3的操作,直到所有的聚类中心不再改变。
均值漂移聚类,是基于滑动窗口的算法,来找到数据点的密集区域。这是一个基于质心的算法,通过将中心点的候选点更新为滑动窗口内点的均值来完成,来定位每个组/类的中心点。然后对这些候选窗口进行相似窗口进行去除,最终形成中心点集及相应的分组。
基于密度的聚类,与均值漂移聚类类似,也是基于密度。首先确定半径r和最小数据点数(minPoints),从一个没有被访问过的任意数据点开始,以这个点为中心,r为半径的圆内包含的点的数量是否大于或等于最小数据点数,如果大于或等于最小数据点数则改点被标记为中心点(central point),反之则会被标记为噪声点(noise point)。重复前面步骤,直至所有的点都被访问过,如果一个噪声点存在于某个中心点为半径的圆内,则这个点被标记为边缘点,反之仍为噪声点。
凝聚层级聚类,是自下而上的一种聚类算法,先将每个数据点视为一个单一的簇,然后计算所有簇之间的距离来合并簇,知道所有的簇聚合成为一个簇为止。
此外的,聚类算法也可采用图团体聚类或者用高斯混合模型的最大期望聚类等聚类方式,具体在此不做限定。
示例性的,聚类结果中的聚类特征,可以为途经的物流节点、派件时间、派件节点、派件方式、派件场地、收件地址或者派件地址之间的间距等特征。在实际应用中,可以通过随机选定方式、人工选定方式或者预设选定方式选择目标聚类特征。
示例性的,聚类结果可通过数据表进行存储,并可通过聚类特征进行索引,通过物流件ID,可查询并定位至相应的聚类结果中的路由预测结果。
进一步的,图6示出了本申请实施例派件路径的规划方法的又一种流程示意图,如图6示出的,在示例性的实施例中,图2对应实施例步骤S203之前,还可包括:
步骤S601,当存在属于同一物流件的多个路由预测结果时,剔除属于同一物流件的多个路由预测结果中除最新路由预测结果以外的路由预测结果。
容易理解,在物流件收件后,或者在派件的过程中,可能因为其对应的派件地址、途经物流节点、派件时间、派件方式或者派件场地等与派件相关的影响因素,而使得实际路由与原路由预测结果有可能不同,这些不同的情况包含例如寄件人申请修改了派件地址或者派件时间、原路由预测结果中的途径物流节点遇上突发事故没有工作人员可安排物流件的中转,导致只能更改中转的物流节点、快递柜爆仓,导致只能转为人工派件模式、合作点撤点等情况。
对应的,考虑到因实际情况与原路由预测结果有所不同或者冲突,因此,当存在属于同一物流件的多个物流预测结果时,可剔除原有的路由预测结果,即保留最新路由预测结果并剔除最新路由预测结果以外的路由预测结果,从而保证路由预测结果的有效性。
与上述类似的,在进行聚类的过程中,也可能因为存在实际路由与原路由预测结果的情况,致使存在同一物流件的多个聚类结果,因此,对于图2对应实施例步骤S203,还可包括:
当存在属于同一物流件的多个聚类结果时,剔除属于同一物流件的多个聚类结果中除最新聚类结果以外的聚类结果。
通过剔除原有的路由预测结果,即保留最新聚类结果并剔除最新聚类结果以外的聚类结果,从而保证聚类结果的有效性。
可以理解,物流件通过物流运输网络到达最后的派件节点后,派件节点即刻进行该物流件的派件,与此同时,该派件节点可收到众多的物流件,为便于进行物流件的派件工作,可通过路径规划模型,为节点内的多个物流件规划派件路径,以此可根据得到的派件路径快速地完成派件工作。
其中,该派件路径规划模型的训练,可包括:将不同物流件的收件信息以及路由结果输入初始模型,进行正向传播;根据初始模型输出的不同物流件的派件路径规划结果计算损失函数,并根据损失函数进行反向传播,优化模型的参数;将完成训练的模型作为派件路径规划模型。
派件路径规划模型,具体可以为车辆路径问题(Vehicle Routing Problem,VRP)模型或者其他类型的模型,通过输入不同的途径地点以及相关的约束条件,自动规划车辆或者派送员派发物流件所需的行动路径。
示例性的,可将上述得到的属于目标聚类结果的路由预测结果输入至派件路径规划模型,模型根据这些路由预测结果中不同物流件在预测时间内的派件信息,例如物流运输网络中的运输路径、派件节点或者派件时间等信息,甚至不同物流件的派件地址之间的间距、物流件最短运输路径、最少途径物流节点或者最近派件时间等信息,以此可规划得到车辆或者派送员的派件路径。
其中,派件路径规划模型,可以采用现有的派件路径规划模型,可以理解,现有的相关技术在应用派件路径规划模型时,其由于网点只在派件时才将所需派件的物流件的收货地址输入至派件路径规划模型,在各网点派件时间相对集中的情况下不仅需要抢占服务器的计算资源,同时抢占到计算资源后也需等待较长的处理时间才能得到当前的派件路径规划结果;而本申请实施例则通过分散派件路径的规划工作,不仅避免集中占用服务器等派件路径的规划设备的计算资源,大幅度缩短得到派件路径的规划结果的获得时间,且即使在派件时再将路由预测结果输入至派件路径规划模型,也可在短时间内快速得到当前的派件路径规划结果。
当然,在本申请实施例中,也可采用对现有的派件路径规划模型进行改进后得到的模型,具体在此不做限定。
在示例性的实施例中,作为图2对应实施例步骤S205的具体实现方式,如图7示出的本申请实施例派件路径的规划方法的又一种流程示意图,还可包括:
步骤S701,当将目标聚类结果对应的物流件到达派件节点进行派件任务时,将目标聚类结果对应的路由预测结果输入派件路径规划模型。
在上述中已提及,本申请实施例从收件起即可进行派件路径规划的工作,由此可分散派件路径的规划工作,其多项数据处理所涉及的时间线可以从收件的时间点起,至派件节点进行派件任务的时间点,而为便于进一步提高最终得到的派件路径规划结果的有效性,便于收件地址、路由预测结果或者聚类结果等信息的更新,使其可更加的精简,以最小路径距离或者最短派件时长完成多个物流件的派件工作,节省物流成本,还可在目标聚类结果对应的物流件到达派件节点进行派件任务时,再执行步骤S205,由此显著保证得到的派件路径规划结果的有效性,以及节省物流成本。
为便于更好的实施本申请实施例提供的派件路径的规划方法,本申请实施例还提供派件路径的规划装置。
参阅图8,图8为本申请实施例派件路径的规划装置的一种结构示意图,在本申请实施例中,派件路径的规划装置800具体可包括如下结构:
获取单元801,用于获取多个物流件的收件信息;
预测单元802,用于根据收件信息对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果;
聚类单元803,用于对不同路由预测结果进行聚类,得到不同路由预测结果的初始聚类结果;
选取单元804,用于从初始聚类结果中选取属于目标聚类特征的目标聚类结果;
输入单元805,用于将目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到目标聚类结果对应的物流件的派件路径规划结果。
在示例性的实施例中,获取单元801,具体用于:
从物流信息平台获取派件地址属于目标区域的多个物流件的物流订单信息;
从物流订单信息中读取多个物流件的收件信息。
在示例性的实施例中,获取单元801,具体用于:
接收物流信息平台发送的派件地址属于目标区域的多个物流件的物流订单信息;或者,
定时从物流信息平台调取派件地址属于目标区域的多个物流件的物流订单信息。
在示例性的实施例中,预测单元802,具体用于:
根据收件信息,获取多个物流件在不同物流节点的物流状态信息,其中,不同物流节点为物流运输网络中的节点;
根据收件信息以及物流状态信息,对多个物流件进行路由预测处理,得到多个物流件的不同路由预测结果。
在示例性的实施例中,预测单元802,还用于:
当存在属于同一物流件的多个路由预测结果时,剔除属于同一物流件的多个路由预测结果中除最新路由预测结果以外的路由预测结果。
在示例性的实施例中,预测单元802,还用于:
当存在属于同一物流件的多个聚类结果时,剔除属于同一物流件的多个聚类结果中除最新聚类结果以外的聚类结果。
在示例性的实施例中,输入单元805,具体用于:
当将目标聚类结果对应的物流件到达派件节点进行派件任务时,将目标聚类结果对应的路由预测结果输入派件路径规划模型。
本申请实施例还提供了派件路径的规划设备,参阅图9,图9示出了本申请实施例派件路径的规划设备的一种结构示意图,具体的,本申请提供的商品识别设备包括处理器901,处理器901用于执行存储器902中存储的计算机程序时实现如图1至图7对应任意实施例中方法的各步骤;或者,处理器901用于执行存储器902中存储的计算机程序时实现如图8对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器902中,并由处理器901执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
派件路径的规划设备可包括,但不仅限于处理器901、存储器902。本领域技术人员可以理解,示意仅仅是设备的示例,并不构成对派件路径的规划设备的限定,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,例如派件路径的规划设备还可以包括输入输出设备、网络接入设备、总线等,处理器901、存储器902、输入输出设备以及网络接入设备等通过总线相连。
处理器901可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是派件路径的规划设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器902可用于存储计算机程序和/或模块,处理器901通过运行或执行存储在存储器902内的计算机程序和/或模块,以及调用存储在存储器902内的数据,实现计算机装置的各种功能。存储器902可主要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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据派件路径的规划设备的使用所创建的数据(比如音频数据、视频数据等)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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的商品识别装置、设备及其相应单元的具体工作过程,可以参考如图1至图7对应任意实施例中派件路径的规划方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图7对应任意实施例中派件路径的规划方法中的步骤,具体操作可参考如图1至图7对应任意实施例中派件路径的规划方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图7对应任意实施例中派件路径的规划方法中的步骤,因此,可以实现本申请如图1至图7对应任意实施例中派件路径的规划方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的派件路径的规划方法、装置、设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种派件路径的规划方法,其特征在于,所述方法包括:
获取多个物流件的收件信息;
根据所述收件信息对所述多个物流件进行路由预测处理,得到所述多个物流件的不同路由预测结果;
对所述不同路由预测结果进行聚类,得到所述不同路由预测结果的初始聚类结果;
从所述初始聚类结果中选取属于目标聚类特征的目标聚类结果;
将所述目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到所述目标聚类结果对应的物流件的派件路径规划结果。
2.根据权利要求1所述的方法,其特征在于,所述获取多个物流件的收件信息包括:
从物流信息平台获取派件地址属于目标区域的所述多个物流件的物流订单信息;
从所述物流订单信息中读取所述多个物流件的收件信息。
3.根据权利要求2所述的方法,其特征在于,所述从物流信息平台获取派件地址属于目标区域的所述多个物流件的物流订单信息包括:
接收所述物流信息平台发送的所述派件地址属于目标区域的所述多个物流件的物流订单信息;或者,
定时从所述物流信息平台调取所述派件地址属于目标区域的所述多个物流件的物流订单信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述收件信息对所述多个物流件进行路由预测处理,得到所述多个物流件的不同路由预测结果包括:
根据所述收件信息,获取所述多个物流件在不同物流节点的物流状态信息,其中,所述不同物流节点为物流运输网络中的节点;
根据所述收件信息以及所述物流状态信息,对所述多个物流件进行路由预测处理,得到所述多个物流件的不同路由预测结果。
5.根据权利要求1所述的方法,其特征在于,所述对所述不同路由预测结果进行聚类,得到所述不同路由预测结果的初始聚类结果之前,所述方法还包括:
当存在属于同一物流件的多个路由预测结果时,剔除所述属于同一物流件的多个路由预测结果中除最新路由预测结果以外的路由预测结果。
6.根据权利要求1所述的方法,其特征在于,所述对所述不同路由预测结果进行聚类,得到所述不同路由预测结果的初始聚类结果包括:
当存在属于同一物流件的多个聚类结果时,剔除所述属于同一物流件的多个聚类结果中除最新聚类结果以外的聚类结果。
7.根据权利要求1所述的方法,其特征在于,所述将所述目标聚类结果对应的路由预测结果输入派件路径规划模型包括:
当所述将所述目标聚类结果对应的物流件到达派件节点进行派件任务时,将所述目标聚类结果对应的路由预测结果输入派件路径规划模型。
8.一种派件路径的规划装置,其特征在于,所述方法包括:
获取单元,用于获取多个物流件的收件信息;
预测单元,用于根据所述收件信息对所述多个物流件进行路由预测处理,得到所述多个物流件的不同路由预测结果;
聚类单元,用于对所述不同路由预测结果进行聚类,得到所述不同路由预测结果的初始聚类结果;
选取单元,用于从所述初始聚类结果中选取属于目标聚类特征的目标聚类结果;
输入单元,用于将所述目标聚类结果对应的路由预测结果输入派件路径规划模型,进行路径规划处理,得到所述目标聚类结果对应的物流件的派件路径规划结果。
9.一种派件路径的规划设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的派件路径的规划方法。
10.一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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的派件路径的规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911267924.7A CN112949887B (zh) | 2019-12-11 | 2019-12-11 | 派件路径的规划方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911267924.7A CN112949887B (zh) | 2019-12-11 | 2019-12-11 | 派件路径的规划方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949887A true CN112949887A (zh) | 2021-06-11 |
CN112949887B CN112949887B (zh) | 2023-11-28 |
Family
ID=76234053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911267924.7A Active CN112949887B (zh) | 2019-12-11 | 2019-12-11 | 派件路径的规划方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949887B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130226446A1 (en) * | 2012-02-28 | 2013-08-29 | International Business Machines Corporation | Method for routing in a network, routing system, and transport system |
CN103927643A (zh) * | 2014-04-30 | 2014-07-16 | 洪剑 | 一种大规模订单处理与配送路径优化的方法 |
CN108830528A (zh) * | 2018-06-15 | 2018-11-16 | 重庆城市管理职业学院 | 基于时空属性的快件配送路径规划方法 |
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 |
CN110231044A (zh) * | 2019-06-10 | 2019-09-13 | 北京三快在线科技有限公司 | 一种路径规划方法及装置 |
-
2019
- 2019-12-11 CN CN201911267924.7A patent/CN112949887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130226446A1 (en) * | 2012-02-28 | 2013-08-29 | International Business Machines Corporation | Method for routing in a network, routing system, and transport system |
CN103927643A (zh) * | 2014-04-30 | 2014-07-16 | 洪剑 | 一种大规模订单处理与配送路径优化的方法 |
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 |
CN108830528A (zh) * | 2018-06-15 | 2018-11-16 | 重庆城市管理职业学院 | 基于时空属性的快件配送路径规划方法 |
CN110231044A (zh) * | 2019-06-10 | 2019-09-13 | 北京三快在线科技有限公司 | 一种路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112949887B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472523B (zh) | 用于分拣货物的方法和装置 | |
CN110569298B (zh) | 一种数据对接、可视化方法和系统 | |
CN110222893B (zh) | 共享交通资源的投放地点推荐方法、装置与电子设备 | |
CN109919437B (zh) | 一种基于大数据的智慧旅游目标匹配方法和系统 | |
US7814165B2 (en) | Message classification system and method | |
CN111861296A (zh) | 一种揽件任务分配方法、装置、揽件系统、设备及介质 | |
CN111158828A (zh) | 应用程序app的用户界面确定方法及装置、存储介质 | |
CN112801376A (zh) | 确定船只的预计到达时间的方法、装置和存储介质 | |
CN110990350B (zh) | 日志的解析方法及装置 | |
CN113128925A (zh) | 派件路径的生成方法、装置、设备及计算机可读存储介质 | |
CN113988485A (zh) | 站点到货量预测方法、装置、电子设备和计算机可读介质 | |
CN112308312B (zh) | 留仓包裹转送方法、模型训练方法及相关设备 | |
CN109657060B (zh) | 安全生产事故案例推送方法及系统 | |
CN112949887A (zh) | 派件路径的规划方法、装置、设备及计算机可读存储介质 | |
CN111833119A (zh) | 一种订单分配的方法、装置、电子设备及存储介质 | |
CN107391728B (zh) | 数据挖掘方法以及数据挖掘装置 | |
CN111461779B (zh) | 地图信息处理的方法、装置、可读存储介质和电子设备 | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
CN115186151A (zh) | 简历筛选方法、装置、设备及存储介质 | |
CN110782215B (zh) | 货源确定方法、装置、设备及存储介质 | |
CN114217875A (zh) | 处理订单的方法、装置、设备及存储介质 | |
CN113642861A (zh) | 订单分配方法、装置、设备及存储介质 | |
CN113762674A (zh) | 订单配送方法和装置 | |
CN113822609A (zh) | 物流线路的生成方法、装置以及服务器 | |
CN111091262A (zh) | 配送资源召回方法、装置、服务器及存储介质 |
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 |