CN113222487B - 调度路径生成方法,装置,存储介质及电子设备 - Google Patents
调度路径生成方法,装置,存储介质及电子设备 Download PDFInfo
- Publication number
- CN113222487B CN113222487B CN202010072383.9A CN202010072383A CN113222487B CN 113222487 B CN113222487 B CN 113222487B CN 202010072383 A CN202010072383 A CN 202010072383A CN 113222487 B CN113222487 B CN 113222487B
- Authority
- CN
- China
- Prior art keywords
- point
- node
- information
- delivery
- vector
- 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
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
- G06Q10/08—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种调度路径生成方法,装置,存储介质及电子设备,以解决相关技术中的问题。该方法包括:获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息;将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种调度路径生成方法,装置,存储介质及电子设备。
背景技术
在外卖配送场景下,当派单系统进行派单时,需先考虑每一骑手配送每个待派发运单的合理性,然后再将待派发运单派给最适合的骑手进行配送。
相关技术中,在考虑每一骑手配送每个待派发运单的合理性时,是根据每一骑手的所有运单及运单的取送状态信息,通过运筹学的方法生成多条候选调度路径;然后基于每一候选调度路径上取送点的时刻信息,路程以及待配送运单交付时刻等信息计算出每一候选调度路径的分数,根据每一候选调度路径的分数从所有候选路径中选出最优路径。这种针对每一骑手都生成多条候选调度路径,然后从该骑手的所有候选路径中选择一条最优调度路径的方法,计算量较大。
发明内容
本公开的目的是提供一种调度路径生成方法,装置,存储介质及电子设备,以解决相关技术中存在的问题。
为了实现上述目的,根据本公开实施例的第一方面,提供一种调度路径生成方法,所述方法包括:
获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息;
将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息。
可选地,所述端到端路径生成模型用于对输入的信息进行如下处理:
对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量;
根据所述配送员的所述全特征编码向量,生成所述调度路径信息。
可选地,对所述待配送运单特征信息进行编码得到待配送运单特征向量,包括:
针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量;
对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,得到所述待配送运单特征向量,其中各所述取点特征向量的编码权重相同,各所述配送点特征向量的编码权重相同。
可选地,所述根据所述配送员的所述全特征编码向量,生成所述调度路径信息,包括:
针对所述全特征编码向量中的每一所述取点特征向量,将该取点特征向量复制得到两个所述取点特征向量,向其中一个所述取点特征向量嵌入第一辅助向量得到到店节点特征向量,向另一个所述取点特征向量嵌入第二辅助向量得到取货节点特征向量;
针对所述全特征编码向量中的每一配送点特征向量,向该配送点特征向量嵌入第三辅助向量得到交付节点特征向量;
根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息。
可选地,根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息,包括:
将第N全特征编码向量与每一所述到店节点特征向量、每一所述取货节点特征向量以及每一所述交付节点特征向量分别进行内积,根据所述内积结果进行Softmax多分类,并将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点;
其中,N为大于或等于1的正整数,并且N为1时,所述第N全特征编码向量是所述配送员的所述全特征编码向量,N不为1时,所述第N全特征编码向量是将第N-1全特征编码向量以及隐变量输入GRU(Gated Recurrent Unit,门控循环单元)网络中得到的,所述隐变量为第N-1个取送节点的特征向量。
可选地,在所述将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点之后,所述方法还包括:
根据所述第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到所述第N个取送节点的时间信息,所述辅助向量为所述第一辅助向量、所述第二辅助向量、所述第三辅助向量中的一者。
可选地,所述端到端路径生成模型是通过如下训练方式训练得到的:
根据配送员特征信息、环境特征信息、该配送员已完成的历史待配送运单特征信息、所述历史待配送运单的真实调度路径信息构建模型训练数据;
根据所述模型训练数据训练得到所述端到端路径生成模型。
可选地,训练所述端到端路径生成模型的损失函数包括:
到店节点损失函数、取货节点损失函数、交付节点损失函数以及配送顺序损失函数;
其中,所述到店节点损失函数用于描述所述端到端路径生成模型输出的所述配送员到达对应待配送运单的取点的时间信息与所述配送员到达该取点的真实时间信息之间的差异;
所述取货节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的取点完成取货的时间信息与所述配送员在该取点完成取货的真实时间信息之间的差异;
所述交付节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的配送点完成交付的时间信息与所述配送员在该配送点完成交付的真实时间信息之间的差异;
所述配送顺序损失函数用于描述所述端到端路径生成模型输出的所述配送员依次到达各待配送运单取送点的顺序与所述配送员的真实到达各待配送运单取送点的顺序之间的差异。
可选地,所述到店节点损失函数:
所述取货节点损失函数:
所述交付节点损失函数:
所述配送顺序损失函数:
其中,Lpoint为配送顺序损失函数,pi表征所述端到端路径生成模型输出的调度路径上的第i个取送节点的概率值,N表征调度路径上取送节点的数量;
所述端到端路径生成模型的损失函数为:
L=Lpoint+α·Larrive+β·Lfetch+γ·Ldeliver;
其中,α,β,γ为各个损失函数的权重。
根据本公开实施例的第二方面,提供一种调度路径生成装置,所述装置包括:
获取模块,被配置为用于获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息;
输入模块,被配置为用于将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息。
可选地,所述端到端路径生成模型包括:
编码模块,被配置为用于对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量;
生成模块,被配置为用于根据所述配送员的所述全特征编码向量,生成所述调度路径信息。
可选地,在对所述待配送运单特征信息进行编码得到待配送运单特征向量时,所述编码模块还被配置为用于:
针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量;
对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,得到所述待配送运单特征向量,其中各所述取点特征向量的编码权重相同,各所述配送点特征向量的编码权重相同。
所述生成模块包括:
第一嵌入子模块,被配置为用于针对所述全特征编码向量中的每一所述取点特征向量,将该取点特征向量复制得到两个所述取点特征向量,向其中一个所述取点特征向量嵌入第一辅助向量得到到店节点特征向量,向另一个所述取点特征向量嵌入第二辅助向量得到取货节点特征向量;
第二嵌入子模块,被配置为用于针对所述全特征编码向量中的每一配送点特征向量,向该配送点特征向量嵌入第三辅助向量得到交付节点特征向量;
生成子模块,被配置为用于根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息。
所述生成子模块还被配置为用于:
将第N全特征编码向量与每一所述到店节点特征向量、每一所述取货节点特征向量以及每一所述交付节点特征向量分别进行内积,根据所述内积结果进行Softmax多分类,并将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点;
其中,N为大于或等于1的正整数,并且N为1时,所述第N全特征编码向量是所述配送员的所述全特征编码向量,N不为1时,所述第N全特征编码向量是将第N-1全特征编码向量以及隐变量输入GRU网络中得到的,所述隐变量为第N-1个取送节点的特征向量。
可选地,在所述将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点之后,所述生成子模块还被配置为用于:
根据所述第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到所述第N个取送节点的时间信息,所述辅助向量为所述第一辅助向量、所述第二辅助向量、所述第三辅助向量中的一者。
可选地,所述端到端路径生成模型是通过如下训练方式训练得到的:
根据配送员特征信息、环境特征信息、该配送员已完成的历史待配送运单特征信息、所述历史待配送运单的真实调度路径信息构建模型训练数据;
根据所述模型训练数据训练得到所述端到端路径生成模型。
可选地,训练所述端到端路径生成模型的损失函数包括:
到店节点损失函数、取货节点损失函数、交付节点损失函数以及配送顺序损失函数;
其中,所述到店节点损失函数用于描述所述端到端路径生成模型输出的所述配送员到达对应待配送运单的取点的时间信息与所述配送员到达该取点的真实时间信息之间的差异;
所述取货节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的取点完成取货的时间信息与所述配送员在该取点完成取货的真实时间信息之间的差异;
所述交付节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的配送点完成交付的时间信息与所述配送员在该配送点完成交付的真实时间信息之间的差异;
所述配送顺序损失函数用于描述所述端到端路径生成模型输出的所述配送员依次到达各待配送运单取送点的顺序与所述配送员的真实到达各待配送运单取送点的顺序之间的差异。
可选地,所述到店节点损失函数:
所述取货节点损失函数:
所述交付节点损失函数:
所述配送顺序损失函数:
其中,Lpoint为配送顺序损失函数,pi表征所述端到端路径生成模型输出的调度路径上的第i个取送节点的概率值,N表征调度路径上取送节点的数量;
所述端到端路径生成模型的损失函数为:
L=Lpoint+α·Larrive+β·Lfetch+γ·Ldeliver;
其中,α,β,γ为各个损失函数的权重。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中的任一所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中的任一所述方法的步骤。
采用上述技术方案,至少能够达到如下技术效果:
通过获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,并将获取到的信息输入端到端路径生成模型中,得到该端到端路径生成模型输出的调度路径信息。这种方式与相关技术相比,相关技术中根据运筹学的方法生成多条候选调度路径;示例地,假设配送员有3个待配送运单,根据运筹学的方法,会将3个待配送运单的取送点进行排列组合,生成90条调度路径,可见这种生成多条调度路径的方式的计算量较大。而采用本公开的上述方法,端到端路径生成模型根据输入的信息,生成对应该配送员的一条优选调度路径;可见,与相关技术相比,本公开的上述技术方案的计算量较低。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种调度路径生成方法的流程图。
图2A是根据本公开一示例性实施例示出的一种调度路径信息的示意图。
图2B是根据本公开一示例性实施例示出的另一种调度路径信息的示意图。
图3是根据本公开一示例性实施例示出的一种编码过程示意图。
图4是根据本公开一示例性实施例示出的一种生成调度路径信息的示意图。
图5是根据本公开一示例性实施例示出的一种调度路径生成装置的框图。
图6是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开的技术方案主要应用于配送业务场景中,例如,外卖配送、快递配送、跑腿业务等等;又例如,派单系统向骑手进行派单的业务中。
相关技术中,在配送业务场景下,当派单系统进行派单时,需先考虑每一骑手配送每个待派发运单的合理性,其中合理性主要考虑配送时间、行驶路程等因素,基于综合考量,最终将待派发运单派给最适合的骑手进行配送。
具体地,假设现有待派发运单集合W,和候选骑手集合R;针对每一待派发运单w,需要考虑将该运单w派发给每一位骑手r的合理性。在这个过程中,会预估每一骑手r配送每一待派发运单w以及该骑手已有的其他待配送运单的整体调度路径,并预估调度路径中每一个运单的取货和交付的时间信息。最后通过评估每一骑手r针对其所有待配送运单的准时率和总配送路程等指标,决定骑手r是否配送待派发运单w,从而可以选出每一待派发运单的最优配送骑手。
在这个过程中,将运单w派发给每一骑手r时,针对每一骑手r,根据该骑手r的包括该运单w的所有待派送运单的数量n,生成(2n)!/2n条候选调度路径,然后从该骑手的所有候选调度路径中选择一条最优调度路径。之后根据每一骑手的最优调度路径信息,从多个骑手中选择出最优的配送骑手,如此,计算量巨大。
有鉴于此,本公开实施例提供一种调度路径生成方法,装置,存储介质及电子设备,以降低相关技术中的计算量。
图1是根据本公开一示例性实施例示出的一种调度路径生成方法的流程图,如图1所示,所述方法包括:
S101、获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息。
配送员特征信息包括该配送员的历史信息,例如,该配送员的已完成运单的准时率信息、超时运单的超时时长信息、超时运单所在的区域信息、该配送员配送各已完成运单的真实调度路径信息以及配送过程中的实时位置信息等等。环境特征信息指配送员配送运单的城市信息,以及配送员接到派单系统派发的运单的时间信息等。
其中,每一运单对应有该运单的取货地点以及送货地点信息,因此,每一配送员的待配送运单特征信息包括每一待配送运单的取点信息和配送点信息。待配送运单特征信息还包括每一待配送运单对应的商家特征信息,例如商家的地址、商家备货时间等特征信息等。
需说明的是,在派单系统计算每一配送员配送每个待派发运单的合理性时,上述配送员的待配送运单特征信息包括当前待派发运单的特征信息。
S102、将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息。
由于端到端路径生成模型是一种一个输入对应一个输出的神经网络模型。因此将配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息输入端到端路径生成模型中,可以得到端到端路径生成模型输出的针对该配送员当前具有的待配送运单的一条调度路径信息。若在派单系统计算每一配送员配送每个待派发运单的合理性时,采用这种方式,会针对每一配送员计算得到一条候选调度路径。
调度路径信息中包括指示配送员依次到达各待配送运单取送点的顺序,以及配送员在各待配送运单的取送节点的预估时间信息。其中,取送点包括每一待配送运单的起始取点即取货地点,以及配送点即送货地点。取送节点包括到店节点、取货节点以及交付节点。需说明的是,每一待配送运单的取点对应到店节点、取货节点;配送点对应交付节点。到店节点在调度路径信息中表征配送员到达商家所在地点的时间节点,取货节点在调度路径信息中表征配送员在商家所在地点取得货物的时间节点,交付节点在调度路径信息中表征配送员在配送点完成货物交付的时间节点。即是说,调度路径信息包括了配送员到达各待配送运单取送点的空间路径信息,还包括了配送员在该路径上的时间节点信息。
示例地,假设配送员的待配送运单有运单A和运单B,生成的调度路径信息可以如图2A所示,调度路径信息中的指示配送员依次到达各待配送运单取送点的顺序为A取点,B取点,A配送点,B配送点;调度路径信息中的A到店节点的预估时间为8:30,A取货节点的预估时间为8:35,B到店节点的预估时间为8:40,A取货节点的预估时间为8:45,A交付节点的预估时间为9:00,B交付节点的预估时间为9:35。
在一种可实现的实施方式中,本公开的端到端路径生成模型可以采用Encoder-Decoder模型架构。
可选地,所述端到端路径生成模型用于对输入的信息进行如下处理:
对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量;根据所述配送员的所述全特征编码向量,生成所述调度路径信息。
在一种可能的实施方式中,可以在Encoder模块中对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量;在Decoder模块中,根据所述配送员的所述全特征编码向量,生成所述调度路径信息。
其中,在Encoder模块中对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,包括:对所述离散特征数据进行one-hot编码,对所述数值特征数据进行标准化处理,从而得到配送员特征向量、环境特征向量以及待配送运单特征向量。
在一种可实现的实施方式中,将编码后的各向量拼接得到对应所述配送员的全特征编码向量,可以采用DeepFM算法的编码方式来实现。
采用这种方法,通过获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,并将获取到的信息输入端到端路径生成模型中,得到该端到端路径生成模型输出的一条调度路径信息。这种方式与相关技术相比,生成每一配送员的最优调度路径的计算量更小,进一步地,若派单系统进行派单时采用这种方式,那么派单效率更高。
可选地,对所述待配送运单特征信息进行编码得到待配送运单特征向量,可以包括以下步骤:
针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量;对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,得到所述待配送运单特征向量,其中各所述取点特征向量的编码权重相同,各所述配送点特征向量的编码权重相同。
因为每一运单都对应有取货点和配送点,因此可以针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量。然后对该配送员的所有待配送运单的取点特征向量和配送点特征向量进行交叉融合处理。其中,取点特征向量包括了对应的商家特征信息;配送点特征向量包括了对应的用户特征信息。
一种可实现的实施方式,交叉融合处理可以采用Bi-Interaction pooling二阶交互池化层算法来实现,这种方式,对所有待配送运单的取点特征向量和配送点特征向量进行特征交叉,可以使得到的待配送运单特征向量的长度为定值。并且这种方式可以使各取点特征向量和配送点特征向量在生成的待配送运单特征向量中的相对顺序与各待配送运单信息的输入顺序无关。其中需说明的是,在待配送运单的数量不同的情况下,若生成的待配送运单特征向量的长度为定值,那么有利于端到端路径生成模型针对运单特征向量变长的问题进行处理。
此外还需说明的是,对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,可以获得各个取送点在时间和空间上的相关性,如空间距离远近和行驶时间长短的相关性,这种方式有利于生成时空较优的调度路径。
值得说明的是,所有待配送运单的各取点特征向量之间的编码权重相同,各配送点特征向量之间的编码权重相同。如此,可以使得对相同运单进行编码后得到的特征向量也相同。
示例地,如图3所示,图3是根据本公开一示例性实施例示出的一种编码过程示意图,示出了将环境特征信息、配送员特征信息以及该配送员的待配送运单特征信息编码为全特征编码向量的过程。
可选地,所述根据所述配送员的所述全特征编码向量,生成所述调度路径信息,包括:
针对所述全特征编码向量中的每一所述取点特征向量,将该取点特征向量复制得到两个所述取点特征向量,向其中一个所述取点特征向量嵌入第一辅助向量得到到店节点特征向量,向另一个所述取点特征向量嵌入第二辅助向量得到取货节点特征向量;针对所述全特征编码向量中的每一配送点特征向量,向该配送点特征向量嵌入第三辅助向量得到交付节点特征向量;根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息。
示例地,若待配送运单B对应有取点特征向量Bfm,配送点特征向量Bdm;假设第一辅助向量为Pa,第二辅助向量为Pf,第三辅助向量为Pd。此时,将取点特征向量Bfm复制得到两个取点特征向量Bfm,对其中一个取点特征向量Bfm嵌入向量Pa得到到店节点特征向量a;另一个取点特征向量Bfm嵌入向量Pf得到取货节点特征向量f,对配送点特征向量Bdm嵌入向量Pd得到交付节点特征向量d。
采用这种方式,利用第一辅助向量、第二辅助向量、第三辅助向量将取点和配送点严格区分为到店节点、取货节点和交付节点。具体地,三个辅助向量的作用与相关技术中的Transformer中的Position Embedding的作用相同,可以增加端到端路径生成模型的表达能力,进而可以更加准确的预估配送员到达各待配送运单取送节点的时间信息。
可选地,所述根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息包括:
将第N全特征编码向量与每一所述到店节点特征向量、每一所述取货节点特征向量以及每一所述交付节点特征向量分别进行内积,根据所述内积结果进行Softmax多分类,并将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点;其中,N为大于或等于1的正整数,并且N为1时,所述第N全特征编码向量是所述配送员的所述全特征编码向量,N不为1时,所述第N全特征编码向量是将第N-1全特征编码向量以及隐变量输入GRU网络中得到的,所述隐变量为第N-1个取送节点的特征向量。
其中,Softmax多分类是一种分类算法,用于将多个神经元的输出,映射到区间(0,1)内,即每一个输入数据对应一个0至1的概率值。内积是指将向量的对应项相乘再求和。
可选地,在所述将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点之后,所述方法还包括:
根据所述第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到所述第N个取送节点的时间信息,所述辅助向量为所述第一辅助向量、所述第二辅助向量、所述第三辅助向量中的一者。
示例地,参见图2A,若计算B到店节点的时间信息,则根据B到店节点的辅助向量Pa选择对应的回归算法,计算B到店节点与A取货节点之间的时间差值,根据该时间差值以及A取货节点的时间信息得到B到店节点的时间信息。
图4是根据本公开一示例性实施例示出的一种生成调度路径信息的示意图,示出了根据全特征编码向量依次生成每一取送节点以及对应的时间信息的过程。
一种可能的情况,当配送员到达A取点之后,A商家可能还未完成备货,此种情况下,配送员可能会去B取点取待配送运单B的待配送物品,然后再返回到A取点去取待配送运单A的待配送物品,因此,针对这种情况,若采用上述方法,在生成A到店节点之后,接着下一次的Softmax多分类结果中的概率最大的特征向量可以为B到店节点的特征向量,即端到端路径生成模型可以输出如图2B所示的调度路径信息图。
采用上述方式,与相关技术相比,相关技术中,根据骑手距离取送点的距离、骑手的骑行速度预估骑手在骑行过程中的时间,根据取餐时间或交付时间来预估取点或配送点的时间信息,然后根据逐段累加的方式得到每一取送点的时间信息,这种依赖于上游交付模型和出餐模型的预估结果的方式,加之路径中当前取送点之前的各取送点的时间误差,累计得到的当前取送点的时间误差较大,进而导致配送员配送运单的超时率较高。而上述方法,通过第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到该取送节点与N-1取送节点的时间差,进而得到N取送节点的时间信息,这种方式与相关技术中的方式相比,得到的每一取送节点的时间信息更加准确。
此外还需说明的是,将N-1取送节点的特征向量与第N-1全特征编码向量输入GRU网络中,得到第N全特征编码向量,此时得到的第N全特征编码向量包含了已生成的前N-1个取送节点的信息;通过第N全特征编码向量与每一店节点特征向量、每一取货节点特征向量以及每一交付节点特征向量分别进行内积,然后再进行Softmax多分类,得到概率最大的特征向量对应的取送节点N。这种方式,可以在模型层面保证路径中的机理约束的同时,还可以通过修改对应的Mask来更新约束条件,以灵活生成其他机理约束下的调度路径。这种方式,使得端到端路径生成模型的扩展性更强。
值得说明的是,在模型层面保障路径中的机理约束的具体实施方式,可以是,在Softmax多分类中通过动态的mask方式将分类结果中不可能出现的取送节点特征向量的概率值设置为0。示例地,若待配送运单A还未取货,那么此种情况下,在Softmax多分类中,会将待配送运单A的交付节点特征向量的概率mask为0。这种方式,可以更好的保障路径机理约束。
可选地,所述端到端路径生成模型是通过如下训练方式训练得到的:
根据配送员特征信息、环境特征信息、该配送员已完成的历史待配送运单特征信息、所述历史待配送运单的真实调度路径信息构建模型训练数据;根据所述模型训练数据训练得到所述端到端路径生成模型。
采用这种方式,在训练端到端路径生成模型时加入配送员特征信息、环境特征信息,可以使训练得到的端到端路径生成模型学习外界环境信息以及配送员的信息,从而使得端到端路径生成模型输出的调度路径是该配送员最可能执行的路径,即该端到端路径生成模型生成的调度路径更加准确,如此,在派单系统进行派单时,该端到端路径生成模型输出的调度路径具有较高的参考性,有利于派单系统进行实时派单,增强派单效率。
并且,在训练端到端路径生成模型时,根据配送运单特征信息中的商家特征信息,端到端路径生成模型可以学习到针对每一商家的特征信息,包括备货时间信息。进一步地可以生成如图2B所示的调度路径信息图。
可选地,训练所述端到端路径生成模型的损失函数包括:
到店节点损失函数、取货节点损失函数、交付节点损失函数以及配送顺序损失函数;
其中,所述到店节点损失函数用于描述所述端到端路径生成模型输出的所述配送员到达对应待配送运单的取点的时间信息与所述配送员到达该取点的真实时间信息之间的差异;
所述取货节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的取点完成取货的时间信息与所述配送员在该取点完成取货的真实时间信息之间的差异;
所述交付节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的配送点完成交付的时间信息与所述配送员在该配送点完成交付的真实时间信息之间的差异;
所述配送顺序损失函数用于描述所述端到端路径生成模型输出的所述配送员依次到达各待配送运单取送点的顺序与所述配送员的真实到达各待配送运单取送点的顺序之间的差异。
可选地,所述到店节点损失函数:
所述取货节点损失函数:
所述交付节点损失函数:
所述配送顺序损失函数:
其中,Lpoint为配送顺序损失函数,pi表征所述端到端路径生成模型输出的调度路径上的第i个取送节点的概率值,N表征调度路径上取送节点的数量;
所述端到端路径生成模型的损失函数为:
L=Lpoint+α·Larrive+β·Lfetch+γ·Ldeliver;
其中,α,β,γ为各个损失函数的权重。
基于同一发明构思,本公开实施例还提供一种调度路径生成装置,如图5所示,所述装置500包括:
510获取模块,被配置为用于获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息;
520输入模块,被配置为用于将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息。
采用这种装置,通过获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,并将获取到的信息输入端到端路径生成模型中,得到该端到端路径生成模型输出的调度路径信息。这种方式与相关技术相比,在生成调度路径时计算量更小。
可选地,所述端到端路径生成模型包括:
编码模块,被配置为用于对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量;
生成模块,被配置为用于根据所述配送员的所述全特征编码向量,生成所述调度路径信息。
可选地,在对所述待配送运单特征信息进行编码得到待配送运单特征向量时,所述编码模块还被配置为用于:
针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量;
对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,得到所述待配送运单特征向量,其中各所述取点特征向量的编码权重相同,各所述配送点特征向量的编码权重相同。
所述生成模块包括:
第一嵌入子模块,被配置为用于针对所述全特征编码向量中的每一所述取点特征向量,将该取点特征向量复制得到两个所述取点特征向量,向其中一个所述取点特征向量嵌入第一辅助向量得到到店节点特征向量,向另一个所述取点特征向量嵌入第二辅助向量得到取货节点特征向量;
第二嵌入子模块,被配置为用于针对所述全特征编码向量中的每一配送点特征向量,向该配送点特征向量嵌入第三辅助向量得到交付节点特征向量;
生成子模块,被配置为用于根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息。
所述生成子模块还被配置为用于:
将第N全特征编码向量与每一所述到店节点特征向量、每一所述取货节点特征向量以及每一所述交付节点特征向量分别进行内积,根据所述内积结果进行Softmax多分类,并将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点;
其中,N为大于或等于1的正整数,并且N为1时,所述第N全特征编码向量是所述配送员的所述全特征编码向量,N不为1时,所述第N全特征编码向量是将第N-1全特征编码向量以及隐变量输入GRU网络中得到的,所述隐变量为第N-1个取送节点的特征向量。
可选地,在所述将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点之后,所述生成子模块还被配置为用于:
根据所述第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到所述第N个取送节点的时间信息,所述辅助向量为所述第一辅助向量、所述第二辅助向量、所述第三辅助向量中的一者。
可选地,所述端到端路径生成模型是通过如下训练方式训练得到的:
根据配送员特征信息、环境特征信息、该配送员已完成的历史待配送运单特征信息、所述历史待配送运单的真实调度路径信息构建模型训练数据;
根据所述模型训练数据训练得到所述端到端路径生成模型。
可选地,训练所述端到端路径生成模型的损失函数包括:
到店节点损失函数、取货节点损失函数、交付节点损失函数以及配送顺序损失函数;
其中,所述到店节点损失函数用于描述所述端到端路径生成模型输出的所述配送员到达对应待配送运单的取点的时间信息与所述配送员到达该取点的真实时间信息之间的差异;
所述取货节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的取点完成取货的时间信息与所述配送员在该取点完成取货的真实时间信息之间的差异;
所述交付节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的配送点完成交付的时间信息与所述配送员在该配送点完成交付的真实时间信息之间的差异;
所述配送顺序损失函数用于描述所述端到端路径生成模型输出的所述配送员依次到达各待配送运单取送点的顺序与所述配送员的真实到达各待配送运单取送点的顺序之间的差异。
可选地,所述到店节点损失函数:
所述取货节点损失函数:
所述交付节点损失函数:
所述配送顺序损失函数:
其中,Lpoint为配送顺序损失函数,pi表征所述端到端路径生成模型输出的调度路径上的第i个取送节点的概率值,N表征调度路径上取送节点的数量;
所述端到端路径生成模型的损失函数为:
L=Lpoint+α·Larrive+β·Lfetch+γ·Ldeliver;
其中,α,β,γ为各个损失函数的权重。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的调度路径生成方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的调度路径生成方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的调度路径生成方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的调度路径生成方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种调度路径生成方法,其特征在于,所述方法包括:
获取配送员特征信息、环境特征信息以及该配送员的待配送运单特征信息,所述待配送运单特征信息包括每一所述待配送运单的取点信息和配送点信息;
将所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息输入端到端路径生成模型中,得到所述端到端路径生成模型输出的调度路径信息,所述调度路径信息包括指示所述配送员依次到达各待配送运单取送点的顺序,以及各待配送运单的取送节点的预估时间信息;
其中,所述端到端路径生成模型用于对输入的信息进行如下处理:
对所述配送员特征信息、所述环境特征信息以及所述待配送运单特征信息进行编码,并将编码后的各向量拼接得到对应所述配送员的全特征编码向量:针对每一待配送运单,将该待配送运单的特征信息编码为取点特征向量和配送点特征向量,对所述配送员的所有待配送运单的所述取点特征向量和所述配送点特征向量进行交叉融合处理,得到所述待配送运单特征向量,其中各所述取点特征向量的编码权重相同,各所述配送点特征向量的编码权重相同;
针对所述全特征编码向量中的每一所述取点特征向量,将该取点特征向量复制得到两个所述取点特征向量,向其中一个所述取点特征向量嵌入第一辅助向量得到到店节点特征向量,向另一个所述取点特征向量嵌入第二辅助向量得到取货节点特征向量;
针对所述全特征编码向量中的每一配送点特征向量,向该配送点特征向量嵌入第三辅助向量得到交付节点特征向量;
根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述到店节点特征向量、所述取货节点特征向量和所述交付节点特征向量,生成所述调度路径信息,包括:
将第N全特征编码向量与每一所述到店节点特征向量、每一所述取货节点特征向量以及每一所述交付节点特征向量分别进行内积,根据内积结果进行Softmax多分类,并将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点;
其中,N为大于或等于1的正整数,并且N为1时,所述第N全特征编码向量是所述配送员的所述全特征编码向量,N不为1时,所述第N全特征编码向量是将第N-1全特征编码向量以及隐变量输入GRU网络中得到的,所述隐变量为第N-1个取送节点的特征向量。
3.根据权利要求2所述的方法,其特征在于,在所述将分类结果中的概率最大的特征向量对应的节点作为所述调度路径信息中的第N取送节点之后,所述方法还包括:
根据第N个取送节点的特征向量中的辅助向量,选择对应的回归算法,计算得到所述第N个取送节点的时间信息,所述辅助向量为所述第一辅助向量、所述第二辅助向量、所述第三辅助向量中的一者。
4.根据权利要求1所述的方法,其特征在于,所述端到端路径生成模型是通过如下训练方式训练得到的:
根据配送员特征信息、环境特征信息、该配送员已完成的历史待配送运单特征信息、所述历史待配送运单的真实调度路径信息构建模型训练数据;
根据所述模型训练数据训练得到所述端到端路径生成模型。
5.根据权利要求4所述的方法,其特征在于,训练所述端到端路径生成模型的损失函数包括:
到店节点损失函数、取货节点损失函数、交付节点损失函数以及配送顺序损失函数;
其中,所述到店节点损失函数用于描述所述端到端路径生成模型输出的所述配送员到达对应待配送运单的取点的时间信息与所述配送员到达该取点的真实时间信息之间的差异;
所述取货节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的取点完成取货的时间信息与所述配送员在该取点完成取货的真实时间信息之间的差异;
所述交付节点损失函数用于描述所述端到端路径生成模型输出的所述配送员在对应待配送运单的配送点完成交付的时间信息与所述配送员在该配送点完成交付的真实时间信息之间的差异;
所述配送顺序损失函数用于描述所述端到端路径生成模型输出的所述配送员依次到达各待配送运单取送点的顺序与所述配送员的真实到达各待配送运单取送点的顺序之间的差异。
6.根据权利要求5所述的方法,其特征在于,
所述到店节点损失函数:
所述取货节点损失函数:
所述交付节点损失函数:
所述配送顺序损失函数:
其中,Lpoint为配送顺序损失函数,pi表征所述端到端路径生成模型输出的调度路径上的第i个取送节点的概率值,N表征调度路径上取送节点的数量;
所述端到端路径生成模型的损失函数为:
L=Lpoint+α·Larrive+β·Lfetch+γ·Ldeliver;
其中,α,β,γ为各个损失函数的权重。
7.一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,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072383.9A CN113222487B (zh) | 2020-01-21 | 2020-01-21 | 调度路径生成方法,装置,存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072383.9A CN113222487B (zh) | 2020-01-21 | 2020-01-21 | 调度路径生成方法,装置,存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222487A CN113222487A (zh) | 2021-08-06 |
CN113222487B true CN113222487B (zh) | 2023-04-18 |
Family
ID=77085273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072383.9A Active CN113222487B (zh) | 2020-01-21 | 2020-01-21 | 调度路径生成方法,装置,存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222487B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723376B (zh) * | 2022-06-08 | 2022-09-13 | 浙江口碑网络技术有限公司 | 引导配送客户端处理运单的方法及装置、运单处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL235477B (en) * | 2014-11-03 | 2019-06-30 | Israel Aerospace Ind Ltd | A computerized system and method for providing delivery services of objects |
US20170178070A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis for dispatch scheduling optimization in the presence of time constraints |
CN106651242A (zh) * | 2016-10-18 | 2017-05-10 | 无锡知谷网络科技有限公司 | 物品的物流控制方法和系统 |
CN108681857B (zh) * | 2018-05-18 | 2020-03-10 | 北京顺丰同城科技有限公司 | 一种配送订单分配方法及装置、计算机可读存储介质 |
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 |
CN109685276B (zh) * | 2018-12-27 | 2021-01-01 | 拉扎斯网络科技(上海)有限公司 | 订单处理方法、装置、电子设备及计算机可读存储介质 |
CN110543968B (zh) * | 2019-07-30 | 2022-04-12 | 北京三快在线科技有限公司 | 预计送达时间确定方法、装置、电子设备及存储介质 |
-
2020
- 2020-01-21 CN CN202010072383.9A patent/CN113222487B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472910A (zh) * | 2019-07-22 | 2019-11-19 | 北京三快在线科技有限公司 | 确定目标配送任务节点的方法、装置及存储介质、电子设备 |
CN110414731A (zh) * | 2019-07-23 | 2019-11-05 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
石建力.行驶时间随机的分批配送车辆路径问题模型与算法.《计算机应用》.2018,第38卷(第2期),第573-601页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113222487A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461624B (zh) | 物流线路规划方法、装置、设备及存储介质 | |
Oda et al. | MOVI: A model-free approach to dynamic fleet management | |
US20200074354A1 (en) | System and method for ride order dispatching and vehicle repositioning | |
US11085781B2 (en) | System and method for scheduling multiple modes of transport with incomplete information | |
CN110570656B (zh) | 定制公共交通线路方法及装置 | |
CN109816315A (zh) | 路径规划方法、装置、电子设备及可读存储介质 | |
Billhardt et al. | Taxi dispatching strategies with compensations | |
US20200057967A1 (en) | System for real-time optimal matching of ride sharing requests | |
CN109615201A (zh) | 订单分配方法、装置、电子设备和存储介质 | |
CN107886196B (zh) | 一种用于货物取送的单车调度方法 | |
CN112183938A (zh) | 一种物流调度方法及装置 | |
CN115280103A (zh) | 通过学习选择性优化确定路径的系统和方法 | |
CN111738409B (zh) | 一种资源调度的方法及其相关设备 | |
CN113222487B (zh) | 调度路径生成方法,装置,存储介质及电子设备 | |
Sherali et al. | Two-stage fleet assignment model considering stochastic passenger demands | |
CN113554387A (zh) | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 | |
Chen et al. | Deep Q-learning for same-day delivery with a heterogeneous fleet of vehicles and drones | |
CN111695842A (zh) | 配送方案确定方法、装置、电子设备及计算机存储介质 | |
US20120075067A1 (en) | Sensor based truth maintenance method and system | |
Correia et al. | Smart supply chain management: The 5W1H open and collaborative framework | |
Tang et al. | Dynamic operations of an integrated mobility service system of fixed-route transits and flexible electric buses | |
CN113033971B (zh) | 一种服务器及递送机器人的运单调度方法、介质和装置 | |
CN112819394B (zh) | 运单处理方法、装置、计算机可读存储介质及电子设备 | |
CN116777180A (zh) | 一种基于物联网的可视化物流调度方法及系统 | |
CN115510664A (zh) | 基于分层强化学习的即时配送实时合作调度系统 |
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 |