CN113379356B - 一种基于ahp-dbn的车货匹配方法 - Google Patents
一种基于ahp-dbn的车货匹配方法 Download PDFInfo
- Publication number
- CN113379356B CN113379356B CN202110750562.8A CN202110750562A CN113379356B CN 113379356 B CN113379356 B CN 113379356B CN 202110750562 A CN202110750562 A CN 202110750562A CN 113379356 B CN113379356 B CN 113379356B
- Authority
- CN
- China
- Prior art keywords
- matching
- vehicle
- goods
- degree
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于动态贝叶斯网络的车货匹配方法。在动态贝叶斯网络的基础上,单时间片内的匹配结果和某时间片内某车辆的匹配结果都将被看作为一个状态,并持续对后续匹配过程产生影响,状态的引入提高了动态贝叶斯网络的灵活性。除此之外,为属性匹配添加动态权重,为每一对匹配组合考虑到环境影响的因素,都能够最大化合适程度,最小化物流成本。对于匹配失败的车辆,我们在提高其易于匹配成功的因素之后,继续放入到下一个时间段进行匹配,直至匹配成功,这都切实有效的提升了匹配效率。通过大量的实验证明,无论是在匹配成功率,还是在各种不同的场景下,本方法相对于先前研究都有一个较大的提升,能够应用于中小型物流企业中。
Description
技术领域
本发明专利涉及一种车货匹配方法,在物流运输领域具有极其重要的应用前景。
背景技术
在物流行业内,有着公路、铁路、水运、航空等运输体系,不同的运输体系构成了完整的物流运输线。在众多运输体系中,公路货运可以实现点到点的运输,具有极其方便、灵活、快捷等优势特点,故公路货运处于占有绝对优势的地位,除了为物流行业带来了大量的利润,但也存在着诸多问题,例如货运信息不对称、车货匹配效率低下、返程空载。这些问题在制约着公路货运的进一步发展的同时,也会造成车辆资源闲置浪费、货运资源囤积等现象。为了解决上述问题,对车货匹配相关问题的研究尤为重要。车货匹配以车辆信息、货物信息作为基本信息,从中挖掘出潜在的信息表示,通过特定的算法找到其潜在的匹配规律,从而提高车货匹配效率,降低物流成本。
车货匹配流程如下:(1)明确车辆和货物的基本信息,例如车辆(货物)的类型、质量、体积、起始地、目的地等其他信息;(2)针对车辆和货物相同属性表达,从中找取到合适的匹配子算法;(3)将各个属性的匹配子算法结合起来,同时为它们通过AHP方法分配各自权重,得到车货的具体属性匹配值。
目前在车货匹配方向上的研究大多集中在车货指标体系上,也就是(2)步骤,其固然是车货匹配研究重点,但也是最基础的部分,考虑因素单一化。也有学者使用动态贝叶斯网络模型进行车货匹配,预测车辆在不同时间段匹配成功的概率,但是缺乏确切的匹配结果和对结果不足进行优化的方法,不具备应用到实际的能力。本发明在车货属性匹配方面进行了改进,并对属性匹配加入了动态权重(权重由AHP得到),贴切实际,同时也考虑到外界环境因素对匹配组合产生的影响,引入了环境影响度概念。在动态贝叶斯网络基础上,引入了状态,精确的分析了单时间片、动态时间段车货匹配的详细进程,极大的提高了动态贝叶斯网络的灵活性。大量的实验证明,本发明无论是在车辆的匹配成功率,匹配失败车辆的优化方面、还是各种不同的场景下,本方法相对于先前研究都有一个较大的提升。
发明内容
本发明克服了现有车货匹配问题中的优化目的单一,静态时间段内车辆匹配成功率低,无法对匹配失败车辆的后续匹配过程优化,匹配成本过高等缺点,提出了一种基于AHP(层次分析法,Analytic Hierarchy Process)-DBN(动态贝叶斯网络,DynamicBayesian Network)车货匹配方法,为动态变化的车辆资源进行不同货物的个性化排序推荐,致力于提高用户满意度、降低物流成本。
本发明主要包括四个部分:(1)确定模型的输入输出。(2)针对车辆货物的具体属性确定各自相对应的子算法。(3)根据车辆(货物)资源池信息,确定每对匹配组合受到环境的影响程度。(4)构建动态贝叶斯网络模型。(5)方法有效性验证。
下面分别介绍以上五部分的内容:
1、确定模型的输入输出。车辆、货物数据集作为本方法的输入,其中两者均包括类型、质量、体积、起始地、目的地、等待开始时间、等待截止时间、匹配优先级等属性。除了已有的车辆、货物资源,在进行动态匹配的过程中,模型会接受外界持续不断加入的新资源,这样车辆可选择的范围会变大。在得到最佳的匹配结果值之后,会依次输出每个时间段内匹配成功的组合,每一对组合都包括车辆、货物、匹配度。
2、针对车辆货物的具体属性确定各自相对应的子算法。属性匹配作为车货匹配中最重要的一环,任何前沿性的工作均将属性匹配作为基础。车货的类型需要相符合,车辆的质量体积需要容纳下货物,两者的路线、时间需要相吻合等,如果任何一个属性两者是完全不符的,那么就完全可以否决掉这一对匹配组合。
3、根据车辆(货物)资源池信息,确定每对匹配组合受到环境的影响程度。在计算车辆和货物具体匹配度的时候,除了使用属性匹配度来衡量某车辆和某货物彼此的合适程度,还需要考虑外界其他因素对此组合匹配产生的相关影响。基于此,本发明提出了环境影响度这个概念,具体是指通过车辆或者货物的各项特征在各自资源池中的分布规律来统一得到每辆车或每个货物的重要性程度,要进行匹配的车辆和货物通过各自重要性程度的相互作用来求得此组合的环境影响度。
4、构建动态贝叶斯网络模型。本发明基于动态贝叶斯网络核心思想来构建网络模型。匹配发生在多个连续的时间段内,在单个时间段内,优先级靠前的车辆的匹配结果影响着优先级较低的车辆的匹配结果,同样,后一个时间段的匹配结果也受限于前一个时间段的匹配结果。本发明利用动态贝叶斯网络来求解车货匹配结果序列。
5、方法有效性验证。通过在真实的车货数据集上的实验证明,并对比其他前沿的研究,本发明在多个时间段内的车辆的匹配成功率显著高于其对比方法,并且在对于匹配失败车辆后续匹配优化中,再次匹配成功的概率也有了大幅的升高。
本发明为实现上述目的所采取的详细实施步骤如下:
步骤2:根据车辆和货物的属性确定子算法。通过属性匹配往往能够大致判定匹配目标对象或者否定某对象,具体匹配算法如下。
步骤2.1:类型匹配度计算。在物流运输中,不同的货物需要不同类型的车辆来运输,如果类型不匹配,那么就很有可能会对车辆或者货物造成不必要的损失,损害车货双方的利益。只有类型相匹配,才能进行下一步的匹配工作,才能够有机会达到令双方都满意的效果。根据车辆与货物的不同类型与车辆的承载能力,整合了详细数据见表1,车辆与货物的类型匹配度可由表1来得到:
表1车货类型匹配表
O1=x
步骤2.2:质量或体积匹配度计算。不同类型的车辆其载重量和容积是一定的,对于要匹配的货物来说,如果质量远远小于车辆的额定载重量,那么可以认为此次匹配不合适或者成本过高。如果质量超过车辆的载重量,那么同样会对货运车辆司机的安全性产生很大的危害,对此种情况,可以直接否定。体积也是同样的道理。如果货物的体积除以0.006得到的值大于其自身质量,那么认定此货物为泡货,也就是轻货,应当使用体积来计算。反之的话认定为重货,应当使用质量来进行计算。
步骤2.3:路径匹配度计算。车辆和货物的路径匹配决定着车辆能否顺利的把货物送达目的地。对于车辆和货物,他们的路径包含始发地和目的地,使用向量表示。车辆的路径向量表示为货物的路径表示为以车辆i和货物j为例,使表示货物i起始点到终点的距离,表示车辆i和货物j起始点的距离,表示车辆i和货物j终点的距离。在路径匹配过程中,路径匹配度使用路线重合度来表示,即可以表示为:
步骤2.4:时间匹配度计算。车辆和货物的等待匹配时间(即匹配开始到匹配截止这段时间内)必须有交集才能够证明两者有共同的匹配空间,如果没有交集就证明两者时间冲突,不可能匹配成功。详细来说,车辆和货物匹配开始时间中的最大值必须小于两者匹配截止时间中的最小值,用表示,则两者的差值就是可匹配的时间长度。反之可匹配的时间长度为0,匹配失败。时间匹配度可通过以下公式得到:
步骤2.5:属性匹配度计算。根据车辆和货物不同属性在此次运输中所占的重要性程度,本发明可以为这些属性匹配设置属于各自的权重。由此可以得到车辆i和货物j的属性匹配程度为:
Oij=W1O1+W2O2+W3O3+W4O4
步骤2.6:动态权重计算。在车货匹配过程中,如果在第一个时间段内某车辆没有匹配成功,那么它将被放入到下一个时间片内继续进行匹配。与此同时,随着时间的变化,此车辆匹配的迫切度增大,其时间属性匹配度所占的权重应该上升,每经历一个时间片,其对应的权重O4就上升0.05,同时其他属性匹配度所占权重按照相应的比例减小,O4最大不超过0.5。令初始时间为t=1,此时各属性初始权重分别为Q1,Q2,Q3,Q4。
步骤3:环境影响度。计算车辆和货物具体匹配概率的时候,除了使用匹配度来衡量某车辆和某货物彼此的合适程度,还需要考虑其他因素对此组合匹配产生的相关影响。基于此,本发明提出了环境影响度这个概念,具体是指通过车辆或者货物的各项特征在各自集合中的分布规律来统一得到每辆车或每个货物的重要性程度,要进行匹配的车辆和货物通过各自重要性程度的相互作用来求得此组合的环境影响度。车辆的重要性程度所代表的物理意义是,在平台不进行匹配时,此车辆在所有车辆中的重要性占比程度,代表着未来匹配成功的可能性,其包含了除己之外的车辆对自身产生的影响。同理,货物的重要性程度也代表着其在未来匹配成功的可能性大小,包含着其他货物对自身的影响。以车辆i为例,其重要性程度用概率值P(Vi)来表示,并且∑ip(Vi)=1,货物的重要性程度用P(Cj)来表示。由于本发明基于车找货,车辆的重要性程度越大,货物的重要性程度越大,那么环境影响度就应该越大,因此环境影响度EnvD定义为P(Vi)与1-P(Cj)的比值。具体公式定义如下:
步骤4:车货综合匹配度。由步骤2、步骤3分别对车货匹配的内在因素、外在因素进行了深入剖析,内在因素即车货双方属性匹配度,也就是其自身产生的影响。外在因素即车货双方彼此的重要性程度相互作用,代表着环境对匹配组合产生的影响。在实际的匹配中,内在因素和外在因素对综合匹配度所起到的作用也是不同的,本发明使用W1,W2分别作为属性匹配度、环境影响度的权重,使用AHP法得到。如图4所示。由此,可以得到车辆货物的综合匹配度计算公式:
D(Vi,Cj)=W1×Oij+W2×EnvD(Vi,Cj)
步骤5:构建动态贝叶斯网络。在得到车辆和货物的匹配度计算公式后,本发明需要构建动态贝叶斯网络来模拟真实的物流中的车货匹配过程。要构建动态网络,首先要明确单时间段内详细的匹配过程。
步骤5.1:构建基于单时间片的贝叶斯网络的车货匹配过程。如图1所示。在t时间段内,此时的车辆(货物)资源既包括t-1时间段匹配失败的,也包括外界新进入的。设此时有N辆车,车辆按照优先级顺序依次进行匹配,每辆车的匹配过程都作为一个状态来表示,那么此时间片内的匹配过程将被分为N个连续的状态。在某个确定的状态s(i)内设车辆Vi正在匹配,如果Vi与某货物匹配成功则作为状态s(i)的输出加入到匹配成功队列,则s(i+1)状态下车辆Vi+1只能从剩余的货物中进行选择匹配,选择的范围变小。Vi匹配失败则加入到t-1时间段继续进行匹配,同时优先级靠后的车辆Vi+1拥有了更广泛的选择机会。无论匹配成功与否,状态s(i)都将持续对s(i+1)状态下的结果产生影响。
t={s(0),s(1),…,s(N)}
R(s(i)|s(i-1))=C(Vi)
Rt={R(s(0)),R(s(1)),…,R(s(N))}
其中,s(i)表示第i个状态,R(s(i)|s(i-1))表示在状态s(i-1)制约下状态s(i)中车辆Vi得到的匹配结果,Rt表示t时间段内所有的车辆的匹配结果。
步骤5.2:构建基于多时间片的动态贝叶斯网络的车货匹配过程。如图二所示,动态匹配建立在单时间片的匹配基础之上,整个t时间段内所有连续状态下输出的匹配成功组合都将继续下一步的工作,匹配失败的车辆集合outt作为t+1时间段的部分输入继续进行匹配。可以看出,单时间段内的匹配进程总是持续影响着下一时间段的匹配进程。多个时间片的匹配进程构成了动态的匹配过程,既可以提高车辆的匹配成功,也可以提高匹配失败车辆的后续匹配成功率。
R={R0,R1,…,Rt}
R表示所有时间段内的车辆匹配结果。
本发明提出了一种基于AHP-DBN的车货匹配方法,该方法使用深度学习技术,在动态贝叶斯网络的基础上,单时间片内的匹配结果和某时间片内某车辆的匹配过程都将被看作为一个状态,并持续对后续匹配过程产生影响,状态的引入提高了动态贝叶斯网络的灵活性。除此之外,为属性匹配添加动态权重,为每一对匹配组合考虑到环境影响的因素,都能够最大化合适程度,最小化物流成本。对于匹配失败的车辆,我们在提高其易于匹配成功的因素之后,继续放入到下一个时间段进行匹配,直至匹配成功,这都切实有效的提升了匹配效率。通过大量的实验证明,无论是在匹配成功率,还是在各种不同的场景下,本发明相对于先前研究都有一个较大的提升,能够应用于中小型物流企业中。
附图说明
图1是本发明中单时间序列下贝叶斯网络的拓扑结构图
图2是本发明中动态车货匹配下的动态贝叶斯网络的拓扑结构图
图3是本发明中动态车货匹配的整体过程图
图4是本发明中某个车和某个货物的具体匹配过程
图5是本发明中车货匹配度热力图
图6是本发明中匹配车辆依次对应货物的匹配度折线图
图7是本发明中多时间序列下匹配成功组合的热力图
图8是本发明中多时间序列下车辆的匹配成功率柱状图
图9是本发明与其他方法在多时间序列下关于车辆的匹配成功率对比图
图10是本发明与其他方法关于匹配失败车辆在下一个时间段匹配成功率对比图
图11是本发明在不同场景下关于车辆匹配成功率示意图
图12是对比算法在不同场景下关于车辆匹配成功率示意图
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明从物流产业大数据平台中获取了车辆和货物的详细数据,并对其进行了数据清理,整理过后分别得到了类型、质量、体积、起始地、目的地、匹配开始时间、截止时间等具体属性。
步骤1:具体实施首先从单时间序列下的匹配过程展开,将车辆、货物数据集分别按照展示。我们需要计算车辆与货物两两之间的匹配度。以车辆V1,货物C1为例,首先要计算V1,C1之间的匹配度,匹配度D(V1,C1)由属性匹配度O11和环境影响度EnvD(V1,C1)得到。
(1)两者的类型匹配度O1由表1可以得到,
(2)质量或体积匹配度O2被计算得到:
(3)路径匹配度O3为:
(4)时间匹配度O4被计算得到:
(5)由此得到V1和C1的属性匹配度:
O11=W1O1+W2O2+W3O3+W4O4
权重W可由AHP法得到:
1、构建层次分析结构。
2、构造判断矩阵并确定比例标度表。
3、计算各层次权重。
1)求出判断矩阵每行元素的乘积mi
2)计算mi的n次方根
3)对向量W=[W1,W2,W3,W4]T归一化处理
4、一致性检验
比例标度表、各属性权重调查问卷表分别见表2、表3。
求每行元素的乘积mi并求得其n次方根:
进行归一化处理得:
表2比例标度表
表3各属性权重调查问卷
(6)除此之外,还应该计算V1和C1的的环境影响度:
(7)分别得到V1和C1的属性匹配度O11和环境影响度EnvD(V1,C1)之后,根据:
D(V1,C1)=W1×O11+W2×EnvD(V1,C1)
得到V1和C1的匹配度D(V1,C1)
步骤2:设车辆数据集有N条数据,货物数据集有M条数据,那么通过上述匹配度计算方法可以得到N×M个匹配组合数据。我们分别取20辆车,20个货物来观测匹配度数据,结果如图5所示。
本发明会将图中大于0的所有匹配值进行计算得到其均值作为匹配度阈值,只有大于此阈值的才能判定匹配成功,如果小于此阈值或者匹配度为0的话判定为匹配失败。对于优先级最高的车辆,它可以选择与自身匹配度最高的货物进行匹配,匹配成功之后跳出匹配队列,优先级靠后的车辆只能从余下的货物中继续进行选择匹配。
本发明将20辆车中每辆车的详细匹配过程使用折线图展现出来,如图6所示,横坐标为货物编号,纵坐标为综合匹配度。如第一张图展示的是V1与所有货物的综合匹配度,显而易见,V1与C9的匹配度最大,又因V1处在优先级队列最前面,因此(V1,C9)是一对匹配成功的组合。对于V3来说,其与C16的综合匹配度最大,但是依然在水平线X=0.41之下,此水平线代表的是所有不为0的匹配度的一个均值,因此判定匹配失败。对于V6来说,它与C4的综合匹配度最高,同时,V2与C4也是匹配度最高的一对组合,又因为V2优先级高于V6,所以V2在V6之前率先与C4匹配成功,因此V6只能继续向下寻找其它货物,从图中可以看到,C1和C5是匹配度排名第二和第三的货物,但是也已经被优先级高于V6的车辆抢先匹配成功,最终V6和C10匹配成功。图中需要说明的是,圆点是最终匹配成功的坐标,星点是匹配度高于圆点但因为优先级原因而匹配失败的坐标。也存在这样一种情况,如V20代表的折线图所示,与之可匹配的货物均被优先级高的车辆抢先匹配成功,剩下的又因为综合匹配度全部低于均值水平线造成匹配失败,这样的情况通常在下一个时间段内会得到一个好的匹配结果。
步骤3:单时间段的车货匹配是动态匹配的基础。在动态实验基础上,本发明设置算法每次容纳十条车辆数据、十条货物数据。在第一个时间段匹配完成之后,匹配成功的组合跳出平台,加入到匹配成功队列之中。匹配失败的车辆和货物继续留在算法中,同时从数据集中读取相应短缺的车辆和货物数据。本发明设置了四个时间片来观察实验结果。
图7所示的是多时间序列下各时间段匹配成功组合的热力图。每个标注的方格都可以看到车辆编号、货物编号、综合匹配度等具体信息,连续的子图代表连续的时间序列下各自匹配成功的组合集。可以看到,车货匹配过程中的成功集合、失败集合和不同时间段同一车辆的匹配成功与否都可以清晰的展示出来。
图8展示了不同时间序列下各自的匹配成功率。本实验在4组不同车货数据集下进行了计算并取平均值。IDBN算法是本发明的简写。IDBN P(SVt)为某个时间片内队列中的车辆的匹配成功率,即匹配成功的个数占总数的比例。IDBN P(FVt)为上一个时间片匹配失败的车辆在本时间片内的匹配成功率,即上个时间片匹配失败的车辆在本时间片内匹配成功的个数占之前失败总数的比例。可以看到,在t=0时,队列中的车辆匹配成功率为0.83,由于是第一个时间片,所以此时间片的IDBN P(FVt)为0。t=1时,队列中车辆的匹配成功率达到了0.8,前一个时间片匹配失败的车辆在本时间片成功的比例也达到了0.88。从四个时间片来看,其IDBN P(SVt)和IDBN P(FVt)都达到了一个较高的水平。
步骤4:本发明在同一个时间片内队列中车辆的匹配成功率、匹配失败车辆在下一个时间片的成功率这两方面与其他模型的算法作对比。实验数据结果为四组车货数据集实验下的结果平均值。
图9所示,t=0时间片内,基于IDBN算法的队列中车辆匹配成功率为0.833,高于对比算法下0.625的成功率。从多个时间片来看,IDBN算法在对于队列中车辆的匹配成功率方面具有显著的优势。
图10所示的是基于匹配失败车辆的再匹配的结果示意图。t=0作为第一个时间片,两个算法在此时间片没有要匹配的之前失败的车辆,故都为0。t=1,t=2时间片内,IDBN算法对之前匹配失败的车辆全都匹配成功,展现出了很好的效果,对比算法在此方面分别为0.76,0.67。从多个实验数据,多个时间片来看,IDBN算法对于先前匹配失败车辆再匹配成功的效果显著大于对比算法,具有良好的现实意义。
步骤5:为了探究在本发明中车辆和货物的数量对匹配结果的影响。在打乱了数据集的顺序之后,分别在场景一车多货少,场景二车少货多、场景三车货数量相同三种不同的场景下做了对比试验。其对应的车货数量分别为(20,10),(10,20),(10,10)。如图11所示,横坐标为连续的时间序列,纵坐标为队列中车辆的匹配成功率,即匹配成功的车辆占队列车辆总数的比例,场景二条件下车辆匹配的成功率最高,这主要是由于本发明是以车找货为基础所开展的实验,所以在有足够货物的条件下,车辆有足够的选择空间,可以得到更优的匹配结果,场景三条件下的效果次之。但是在车多货少的情况下,可供车辆选择的货物变少,所以会产生与前两者不同的结果,可预料到的是,其匹配效果明显不如前两者。结果表明,在以车找货为基础的实验中,货物数量大于车辆的数量匹配效果最优。
图12是对比算法在三种不同的场景下的实验结果图。从图中可以看到,无论是在场景一,还是场景二,或者是场景三情况下,IDBN算法下的车辆匹配成功率均高于对比算法下的车辆匹配成功率。对于IDBN算法来说,无论输入车货数量的多少,或者是对于匹配失败车辆的再匹配成功率方面,本发明的效率对于其他算法都有显著的优势。
Claims (1)
1.一种基于AHP-DBN的车货匹配方法,其特征在于包括下述步骤:
定义:AHP全称为Analytic Hierarchy Process,即层次分析法,是一种多目标决策分析方法,它使用决策者的经验判断并衡量多目标之间的相对重要程度,合理给出每个目标的权数,AHP常被应用于多目标、多准则、多要素、多层次的复杂决策问题;DBN全称为Dynamic Bayesian Network,即动态贝叶斯网络,它随着相邻时间步把不同变量联系起来,能够学习变量间的概率依存关系及其随时间变化的规律;
步骤2:根据车辆和货物的属性确定子算法;通过属性匹配往往能够大致判定匹配目标对象或者否定某对象,具体匹配算法如下:
步骤2.1:类型匹配度计算;在物流运输中,不同的货物需要不同类型的车辆来运输,如果类型不匹配,那么就很有可能会对车辆或者货物造成不必要的损失,损害车货双方的利益,只有类型相匹配,才能进行下一步的匹配工作,才能够有机会达到令双方都满意的效果,根据车辆与货物的不同类型与车辆的承载能力,整合了详细数据见表1,车辆与货物的类型匹配度可由表1来得到:
表1车货类型匹配表
O1=x;
在已知了车辆类型、货物类型之后,x由表1中“匹配程度”列得到;
步骤2.2:质量或体积匹配度计算;不同类型的车辆其载重量和容积是一定的,对于要匹配的货物来说,如果质量远远小于车辆的额定载重量,那么可以认为此次匹配不合适或者成本过高;如果质量超过车辆的载重量,那么同样会对货运车辆司机的安全性产生很大的危害,对此种情况,可以直接否定;体积也是同样的道理,如果货物的体积除以0.006得到的值大于其自身质量,那么认定此货物为泡货,也就是轻货,应当使用体积来计算,反之的话认定为重货,应当使用质量来进行计算;
步骤2.3:路径匹配度计算;车辆和货物的路径匹配决定着车辆能否顺利的把货物送达目的地,对于车辆和货物,他们的路径包含始发地和目的地,使用向量表示,车辆的路径向量表示为货物的路径表示为以车辆i和货物j为例,使表示货物i起始点到终点的距离,表示车辆i和货物j起始点的距离,表示车辆i和货物j终点的距离,在路径匹配过程中,路径匹配度使用路线重合度来表示,即可以表示为:
步骤2.4:时间匹配度计算;车辆和货物的等待匹配时间必须有交集才能够证明两者有共同的匹配空间,如果没有交集就证明两者时间冲突,不可能匹配成功,详细来说,车辆和货物匹配开始时间中的最大值必须小于两者匹配截止时间中的最小值,用表示,则两者的差值就是可匹配的时间长度,反之可匹配的时间长度为0,匹配失败,时间匹配度可通过以下公式得到:
步骤2.5:属性匹配度计算;根据车辆和货物不同属性在此次运输中所占的重要性程度,本发明可以为这些属性匹配设置属于各自的权重,W1、W2、W3、W4分别是类型匹配度、质量或体积匹配度、路径匹配度、时间匹配度对应的权重,由此可以得到车辆i和货物j的属性匹配程度为:
Oij=W1O1+W2O2+W3O3+W4O4;
步骤2.6:动态权重计算;在车货匹配过程中,如果在第一个时间段内某车辆没有匹配成功,那么它将被放入到下一个时间片内继续进行匹配,与此同时,随着时间的变化,此车辆匹配的迫切度增大,其时间属性匹配度所占的权重应该上升,每经历一个时间片,其对应的权重O4就上升0.05,同时其他属性匹配度所占权重按照相应的比例减小,O4最大不超过0.5,令初始时间为t=1,此时各属性初始权重分别为Q1,Q2,Q3,Q4,
其中,Q1,Q2,Q3,Q4由AHP得到,具体步骤如下:
1、构建层次分析结构;
2、构造判断矩阵并确定比例标度表;
3、计算各层次权重;
1)求出判断矩阵每行元素的乘积mi
2)计算mi的n次方根
3)对向量Q=[Q1,Q2,Q3,Q4]T归一化处理
4、一致性检验
比例标度表、各属性权重调查问卷表分别见表2、表3
求每行元素的乘积mi并求得其n次方根:
进行归一化处理得:
表2比例标度表
表3各属性权重调查问卷
步骤3:环境影响度;计算车辆和货物具体匹配概率的时候,除了使用匹配度来衡量某车辆和某货物彼此的合适程度,还需要考虑其他因素对此组合匹配产生的相关影响,基于此,本发明提出了环境影响度这个概念,具体是指通过车辆或者货物的各项特征在各自集合中的分布规律来统一得到每辆车或每个货物的重要性程度,要进行匹配的车辆和货物通过各自重要性程度的相互作用来求得此组合的环境影响度,车辆的重要性程度所代表的物理意义是,在平台不进行匹配时,此车辆在所有车辆中的重要性占比程度,代表着未来匹配成功的可能性,其包含了除己之外的车辆对自身产生的影响,同理,货物的重要性程度也代表着其在未来匹配成功的可能性大小,包含着其他货物对自身的影响,以车辆i为例,其重要性程度用概率值P(Vi)来表示,并且∑ip(Vi)=1,货物的重要性程度用P(Cj)来表示,由于本发明基于车找货,车辆的重要性程度越大,货物的重要性程度越大,那么环境影响度就应该越大,因此环境影响度EnvD定义为P(Vi)与1-P(Cj)的比值,具体公式定义如下:
步骤4:车货综合匹配度;由步骤2、步骤3分别对车货匹配的内在因素、外在因素进行了深入剖析,内在因素即车货双方属性匹配度,也就是其自身产生的影响,外在因素即车货双方彼此的重要性程度相互作用,代表着环境对匹配组合产生的影响;在实际的匹配中,内在因素和外在因素对综合匹配度所起到的作用也是不同的,本发明使用Wo,We分别作为属性匹配度、环境影响度的权重,使用AHP法得到,由此,可以得到车辆货物的综合匹配度计算公式:
D(Vi,Cj)=Wo×Oij+We×EnvD(Vi,Cj);
步骤5:构建动态贝叶斯网络;在得到车辆和货物的匹配度计算公式后,本发明需要构建动态贝叶斯网络来模拟真实的物流中的车货匹配过程,要构建动态网络,首先要明确单时间段内详细的匹配过程:
步骤5.1:构建基于单时间片的贝叶斯网络的车货匹配过程;在t时间段内,此时的车辆/货物资源既包括t-1时间段匹配失败的,也包括外界新进入的,设此时有N辆车,车辆按照优先级顺序依次进行匹配,每辆车的匹配过程都作为一个状态来表示,那么此时间片内的匹配过程将被分为N个连续的状态,在某个确定的状态s(i)内设车辆Vi正在匹配,如果Vi与某货物匹配成功则作为状态s(i)的输出加入到匹配成功队列,则s(i+1)状态下车辆Vi+1只能从剩余的货物中进行选择匹配,选择的范围变小,Vi匹配失败则加入到t+1时间段继续进行匹配,同时优先级靠后的车辆Vi+1拥有了更广泛的选择机会,无论匹配成功与否,状态s(i)都将持续对s(i+1)状态下的结果产生影响:
t={s(0),s(1),…,s(N)};
R(s(i)|s(i-1))=C(Vi);
Rt={R(s(0)),R(s(1)),…,R(s(N))};
其中,s(i)表示第i个状态,R(s(i)|s(i-1))表示在状态s(i-1)制约下状态s(i)中车辆Vi得到的匹配结果,Rt表示t时间段内所有的车辆的匹配结果;
步骤5.2:构建基于多时间片的动态贝叶斯网络的车货匹配过程;动态匹配建立在单时间片的匹配基础之上,整个t时间段内所有连续状态下输出的匹配成功组合都将继续下一步的工作,匹配失败的车辆集合outt作为t+1时间段的部分输入继续进行匹配,可以看出,单时间段内的匹配进程总是持续影响着下一时间段的匹配进程,多个时间片的匹配进程构成了动态的匹配过程,既可以提高车辆的匹配成功,也可以提高匹配失败车辆的后续匹配成功率;
R={R0,R1,…,Rt};
R表示所有时间段内的车辆匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750562.8A CN113379356B (zh) | 2021-07-02 | 2021-07-02 | 一种基于ahp-dbn的车货匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750562.8A CN113379356B (zh) | 2021-07-02 | 2021-07-02 | 一种基于ahp-dbn的车货匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379356A CN113379356A (zh) | 2021-09-10 |
CN113379356B true CN113379356B (zh) | 2022-05-17 |
Family
ID=77580661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110750562.8A Active CN113379356B (zh) | 2021-07-02 | 2021-07-02 | 一种基于ahp-dbn的车货匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379356B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620693A (zh) * | 2008-07-01 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 运输适时调度方法 |
CN108921472A (zh) * | 2018-06-30 | 2018-11-30 | 华南理工大学 | 一种多车型的两阶段车货匹配方法 |
CN109117989A (zh) * | 2018-07-26 | 2019-01-01 | 北京云鸟科技有限公司 | 一种任务匹配时的预测方法及装置 |
CN110210666A (zh) * | 2019-05-31 | 2019-09-06 | 合肥工业大学 | 基于车货匹配的智能推荐方法、系统和存储介质 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112650894A (zh) * | 2020-12-30 | 2021-04-13 | 国网甘肃省电力公司营销服务中心 | 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008145798A2 (en) * | 2007-05-31 | 2008-12-04 | Grey-Hen Oy | A system and a method for assessing objects |
WO2015171825A1 (en) * | 2014-05-06 | 2015-11-12 | Carvajal Hernan Ramiro | Switch network of containers and trailers for transportation, storage, and distribution of physical items |
US20160171440A1 (en) * | 2014-12-12 | 2016-06-16 | Infosys Limited | Method and system for freight management |
US20210142248A1 (en) * | 2018-04-18 | 2021-05-13 | Ford Global Technologies, Llc | Mixed vehicle selection and route optimization |
-
2021
- 2021-07-02 CN CN202110750562.8A patent/CN113379356B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620693A (zh) * | 2008-07-01 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 运输适时调度方法 |
CN108921472A (zh) * | 2018-06-30 | 2018-11-30 | 华南理工大学 | 一种多车型的两阶段车货匹配方法 |
CN109117989A (zh) * | 2018-07-26 | 2019-01-01 | 北京云鸟科技有限公司 | 一种任务匹配时的预测方法及装置 |
CN110210666A (zh) * | 2019-05-31 | 2019-09-06 | 合肥工业大学 | 基于车货匹配的智能推荐方法、系统和存储介质 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112650894A (zh) * | 2020-12-30 | 2021-04-13 | 国网甘肃省电力公司营销服务中心 | 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法 |
Non-Patent Citations (4)
Title |
---|
Chuang Yin ; Liping He ; Xing Wang ; Hong-Zhong Huang.Fault diagnosis and risk control of aircraft electric system based on IAHP and Bayesian network.《2013 International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering (QR2MSE)》.2013, * |
Ran Tian ; Jiaming Bi ; Qiang Zhang ; Yanxing Liu.Research on Lane Occupancy Rate Forecasting Based on the Capsule Network.《IEEE Access 》.2020,第8卷第38776-38785页. * |
基于层次分析法和深度学习的用户心理体验评价研究;梁芹生;《山东农业大学学报(自然科学版)》;20170715;第48卷(第4期);第611-615页 * |
基于层次分析-贝叶斯网络的社区配电网风险动态综合评估方法;史运涛;朱翔;丁辉;胡长斌;王力;孙德辉;《安全与环境工程》;20200303;第27卷(第1期);第111-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379356A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Foroutan et al. | Green vehicle routing and scheduling problem with heterogeneous fleet including reverse logistics in the form of collecting returned goods | |
Surekha et al. | Solution to multi-depot vehicle routing problem using genetic algorithms | |
Choe et al. | Online preference learning for adaptive dispatching of AGVs in an automated container terminal | |
Cheikh-Graiet et al. | A Tabu Search based metaheuristic for dynamic carpooling optimization | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
CN106156961A (zh) | 一种车辆调度方法和装置 | |
Beheshtinia et al. | A multi-objective and integrated model for supply chain scheduling optimization in a multi-site manufacturing system | |
Yu et al. | Simulated annealing heuristic for the general share-a-ride problem | |
CN110619441A (zh) | 基于领导者的ga-pso的软时间窗车辆路径优化方法 | |
CN115345549B (zh) | 结合装载方案的车辆路径调整方法及系统 | |
CN114111830A (zh) | 一种基于ai模型的路径规划方法及装置 | |
Mahmud et al. | Solving multiple depot vehicle routing problem (MDVRP) using genetic algorithm | |
Mara et al. | Solving electric vehicle–drone routing problem using memetic algorithm | |
Bentley et al. | Using a variational autoencoder to learn valid search spaces of safely monitored autonomous robots for last-mile delivery | |
van der Hagen et al. | Machine learning–based feasibility checks for dynamic time slot management | |
CN113379356B (zh) | 一种基于ahp-dbn的车货匹配方法 | |
US20050210085A1 (en) | Method for determining a value given to different parameters of a system | |
Shakeri et al. | An efficient incremental evaluation function for optimizing truck scheduling in a resource-constrained crossdock using metaheuristics | |
CN113673937B (zh) | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 | |
Veeke et al. | Conceptual design of industrial systems: an approach to support collaboration | |
Rose et al. | Inductive research in last‐mile delivery routing: Introducing the Re‐Gifting heuristic | |
Andersson | A Comparative Study on a Dynamic Pickup and Delivery Problem: Improving routing and order assignment in same-day courier operations | |
CN112862212A (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
Dziubany et al. | Optimization of a cpss-based flexible transportation system | |
Gonzalez-R et al. | A bi-criteria approach to the truck-multidrone routing problem |
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 |