CN113610453A - 一种多运输方式联合的集装箱运输路径选择方法 - Google Patents
一种多运输方式联合的集装箱运输路径选择方法 Download PDFInfo
- Publication number
- CN113610453A CN113610453A CN202110734962.XA CN202110734962A CN113610453A CN 113610453 A CN113610453 A CN 113610453A CN 202110734962 A CN202110734962 A CN 202110734962A CN 113610453 A CN113610453 A CN 113610453A
- Authority
- CN
- China
- Prior art keywords
- node
- line
- time
- transportation
- cost
- 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.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000001932 seasonal effect Effects 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本发明涉及一种多方式联合运输路径选择优化方法,该方法包括:准备结点数据;预测未来节点可用性;准备节点之间的线路数据;预测未来线路可用性;获取需要运输的货物的订单数据;根据不同优化目标计算最佳运输方式。通过整合公路运输、铁路运输、航空运输和航海运输的相关信息,构建了多方式联合运输网络,通过引入了运输节点和线路的预测概念,改善了已往路径选择优化方法基于固定历史信息的局限性问题。
Description
技术领域
本发明涉及集装箱运输技术领域,尤其是涉及一种多运输方式联合的集装箱运输路径选 择方法。
背景技术
商业货物可以被放置在装运集装箱内以便经由卡车、火车、飞机或者装运船舶来传输到 目的地。经由装运集装箱来传输货物可以允许装运集装箱的更快的装载和卸载,以及出货量 和处理装备的标准化。货物可以通过火车或者装运船舶经由装运集装箱从源集装箱仓库被发 送到目的地集装箱仓库,或者通过卡车从顾客位置被发送到集装箱仓库或者从集装箱仓库被 发送到其它顾客位置。传输网络较复杂,要求考虑到进度、容量、速度、和成本的预先规划。
集装箱多方式联运已经逐渐成为一种重要的运输方式。在多方式联运过程中,对运输路 径的选择和优化是发挥集装箱多方式联运的优势、节能降耗、提高我国集装箱物流服务水平 的重要举措。合理的多式联运运输路径,能够缩短运输时间、降低运输费用和提高客户满意 度。
现有技术中的集装箱运输路径选择方式,均是基于固定历史信息来对运输路径进行选择, 该种方式较呆板,存在一定的局限性,且适应性差,无法为用户提供最优化的运输路径。
发明内容
本发明所要解决的技术问题是提供一种选择性灵活、能够避免选择局限性,且适应性良 好的多运输方式联合的集装箱运输路径选择方法。
本发明所采用的技术方案是,一种多运输方式联合的集装箱运输路径选择方法,该方法 包括下列步骤:
(1)、准备节点数据:通过获取节点的历史信息来得到节点数据,所述节点为机场货运 场站、铁路货运场站、公路货运场站以及港口码头货运场站的集合,所述节点数据包括节点 所在货运场站的货物仓储成本以及处理时间;
(2)、预测节点未来的可用性:基于步骤(1)中的节点数据对未来一段时间内的节点 可用性进行预测,其方法为:首先,采用自举汇聚随机采样法对节点数据进行有放回的随机 采样,即每采集到一个样本后,都将样本放回,再次随机采集下一个样本,将每次采集到的 样本组成样本集;然后,对样本集进行预测来得到节点未来的可用性,所述节点未来的可用 性标示为可用节点或不可用节点;
(3)、准备线路数据:通过获取线路的历史信息来得到线路数据,所述线路数据包括运 输每个集装箱的装卸成本、燃料成本、文件成本、设备成本以及额外成本,还包括线路固定 成本;
(4)、预测线路未来的可用性:基于步骤(3)中的线路数据对未来一段时间内的线路 可用性进行预测,所述线路未来的可用性标示为可用线路或不可用线路;
(5)、获取需要运输的货物的订单数据:所述货物的订单数据包括货物的发货地、收货 地、发货时间、收货时间、货物体积、重量和种类以及优化目标;
(6)、计算得到最优运输方式和路径:将步骤(2)中预测得到的可用节点以及步骤(4) 中预测得到的可用线路输入到CVXPY优化计算框架中,并使用CBC求解器对最优线路进行求 解,最终得出费用优先、时间优先和综合最优的运输方式和路径。
本发明的有益效果是:采用上述多运输方式联合的集装箱运输路径选择方法,本方法中 考虑了多种集装箱运输方式的结合方案,为用户提供了最优化的运输路径;通过引入运输节 点和运输线路的预测步骤,改善了已往路径选择方法中基于固定历史信息的局限性问题,引 入节点和线路信息预测框架,提高了路径选择系统对未来运力变化的适应能力,且选择性灵 活;并且该方法为用户提供选择成本和时间权重的功能,可以根据权重计算综合指标,从而 寻找最优方案。
作为优选,在步骤(2)中,对采集到的样本进行预测来得到节点未来的可用性的具体方 法为:使用指数平滑、季节性差分自回归滑动平均模型、随机森林、专家系统、支持向量机、 人工神经网络分别对采样集进行预测,然后将不同模型得出的输出结果进行算术平均,得到 最终的预测结果。
作为优选,步骤(4)中,基于步骤(3)中的线路数据对未来一段时间内的线路可用性 进行预测的具体方法包括下列步骤:
(4-1)、使用季节性差分自回归滑动平均模型对步骤(3)中的线路数据进行拟合,获得 季节性差分自回归滑动平均模型的相关参数;
(4-2)、对拟合后的模型进行反向推导,得出与线路相关的高斯白噪声数据;
(4-3)、使用支持向量机对步骤(4-2)中的高斯白噪声数据和步骤(3)中的线路数据 进行规律挖掘,并使用参数寻优算法寻找支持向量机的最优参数组合,得到一个训练好的季 节性差分自回归滑动平均模型;之后,使用训练好的季节性差分自回归滑动平均模型来对未 来的线路数据进行预测。
作为优选,步骤(6)中,使用CBC求解器对最优线路进行求解,最终得出费用优先、时 间优先和综合最优的运输方式和路径的具体方法包括下列步骤:
(6-1)、确定优化目标,所述优化目标包括:成本最优、时间最短以及同时考虑成本和 时间的综合最优;根据优化目标来对最优线路进行求解;所述成本最优的目标函数为:其中,x为决策变量矩阵xi,j,t,k,xi,j,t,k表示 货物k是否在时刻t从节点i运送到节点j;y为集装箱数量矩阵yi,j,t,yi,j,t表示在时刻t从节点 i运送货物到节点j所需的集装箱数;z为线路占用矩阵zi,j,t,zi,j,t表示在时刻t从节点i到节 点j的路线是否被使用;Transportation Cost表示运输总成本,其表达式为:Ci,j,t为单个集装箱运价,表示 单个集装箱在时刻t从节点i运输到节点j的价格;FCi,j,t为线路固定成本,表示在时刻t从节 点i运输到节点j的固定价格,与集装箱的数量和体积无关;warehouse Cost表示仓储总成 本,其表达式为:STi,j,t为仓储时间,表示 时刻t在节点i停留的时间;Vk为货物体积,表示货物k的体积;whi为仓储成本,表示节点i每 立方米每天的仓库成本;
(6-2)、设定8个约束条件,在对最优线路的求解过程中,通过在这8个约束条件的约 定下来寻找最优线路;所述8个约束条件包括:①、对于每一个货物k,它必须从发货地OPk运送到其他中间节点,并运送到它的收货地DPk,约束条件表达式为: 其中表示货物k在时间t时从发货地OPk到后续节点的j的状 态,0表示该线路未被使用,1表示该线路被使用;表示货物k在时间t时从节点i到收 货地DPk的状态。0表示该线路未被使用,1表示该线路被使用;②、对于每一件货物k,它 不能从收货地DPk运出或运输到它的发货地OPk,约束条件表达式为: ③、对于中间节点j(既不是发货地OPk也不是收货地DPk)处的货 物k,运入时间必须等于运出时间,约束 条件表达式为:④、每件货物k最多 只能进出一个节点一次,约束条件表达式为:⑤、对于中间节点j的货物k,离开时间应在到达时间之后,货物k在发货地的发货时间应在 订单日期之后,约束条件表达式为:
⑥、在时间t的 每条线路上,集装箱的总可用容量应大于等于货物的总容积,约束条件表达式为: ⑦、检查一条线路在t时刻是否被使用,由于zi,j,t是二元变量, 如果一条路线被使用,那么所有在i,j,t的货物k的xi,j,t,k之和必须大于0,通过乘一个小数字 将它缩小到[0,1],约束条件表达式为:⑧、对于每一件货物 k,应在最后交货日期前运到收货地,约束条件表达式为:
附图说明
图1为本发明一种多运输方式联合的集装箱运输路径选择方法的流程图;
图2为本发明一种多运输方式联合的集装箱运输路径选择方法的场景示意图;
图3为本发明中基于节点数据对未来一段时间内的节点可用性进行预测的流程图;
图4为本发明中基于线路数据对未来一段时间内的线路可用性进行预测的流程图;
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明,以令本领域技术人员参照说明书 文字能够据以实施,本发明保护范围并不受限于该具体实施方式。
本发明所采用的技术方案是,一种多运输方式联合的集装箱运输路径选择方法,如图1 所示,该方法包括下列步骤:
(1)、准备节点数据:通过获取节点的历史信息来得到节点数据,所述节点为机场货运 场站、铁路货运场站、公路货运场站以及港口码头货运场站的集合,所述节点数据包括节点 所在货运场站的货物仓储成本以及处理时间;节点作为货运起始地和目的地,承运人在一次 运力运输中的起始地和目的地是确定的,则设所述节点之间的货运起始地为i,货运目的地为 j,节点数据如表1所示:
表1
(2)、预测节点未来的可用性:基于步骤(1)中的节点数据对未来一段时间内的节点可 用性进行预测,如图2所示,其方法为:首先,采用自举汇聚随机采样法对节点数据进行有 放回的随机采样,即每采集到一个样本后,都将样本放回,再次随机采集下一个样本,将采 集到的样本组成样本集;然后,对样本集进行预测来得到节点未来的可用性,所述节点未来 的可用性标示为可用节点或不可用节点;对采集到的样本进行预测来得到节点未来的可用性 的具体方法为:使用指数平滑(Exponential Smoothing)、季节性差分自回归滑动平均模型 (Seasonal Autoregressive Integrated Moving Average)、随机森林(Random Forest)、 专家系统(Expert System)、支持向量机(Support Vector Machine)、人工神经网络 (Artificial Neural Network)分别对采样集进行预测,然后将不同模型得出的输出结果进行 算术平均,得到最终的预测结果;
(3)、准备线路数据:通过获取线路的历史信息来得到线路数据,所述线路数据包括运 输每个集装箱的装卸成本、燃料成本、文件成本、设备成本以及额外成本,还包括线路固定 成本;线路数据是指:在时刻t,一个集装箱使用某一运输方式从节点i到节点j的数据,线路 数据如表2所示:
表2
(4)、预测线路未来的可用性:基于步骤(3)中的线路数据对未来一段时间内的线路可 用性进行预测,所述线路未来的可用性标示为可用线路或不可用线路;
(5)、获取需要运输的货物的订单数据:所述货物的订单数据包括货物的发货地、收货 地、发货时间、收货时间、货物体积、重量和种类以及优化目标;订单数据如表3所示:
表3
(6)、计算得到最优运输方式和路径:将步骤(2)中预测得到的可用节点以及步骤(4) 中预测得到的可用线路输入到CVXPY优化计算框架中,并使用CBC求解器对最优线路进行求 解,最终得出费用优先、时间优先和综合最优的运输方式和路径,其中涉及到的参数如下表 所示:
表4
采用上述多运输方式联合的集装箱运输路径选择方法,本方法中考虑了多种集装箱运输 方式的结合方案,为用户提供了最优化的运输路径;通过引入运输节点和运输线路的预测步 骤,改善了已往路径选择方法中基于固定历史信息的局限性问题,引入节点和线路信息预测 框架,提高了路径选择系统对未来运力变化的适应能力,且选择性灵活;并且该方法为用户 提供选择成本和时间权重的功能,可以根据权重计算综合指标,从而寻找最优方案。
在步骤(2)中,对采集到的样本进行预测来得到节点未来的可用性的具体方法为:使用 指数平滑、季节性差分自回归滑动平均模型、随机森林、专家系统、支持向量机、人工神经 网络分别对采样集进行预测,然后将不同模型得出的输出结果进行算术平均,得到最终的预 测结果。
步骤(4)中,基于步骤(3)中的线路数据对未来一段时间内的线路可用性进行预测的 具体方法包括下列步骤:
(4-1)、使用季节性差分自回归滑动平均模型对步骤(3)中的线路数据进行拟合,获得 季节性差分自回归滑动平均模型的相关参数;
(4-2)、对拟合后的模型进行反向推导,得出与线路相关的高斯白噪声数据;
(4-3)、使用支持向量机对步骤(4-2)中的高斯白噪声数据和步骤(3)中的线路数据 进行规律挖掘,并使用参数寻优算法寻找支持向量机的最优参数组合,得到一个训练好的季 节性差分自回归滑动平均模型;之后,使用训练好的季节性差分自回归滑动平均模型来对未 来的线路数据进行预测。
步骤(6)中,使用CBC求解器对最优线路进行求解,最终得出费用优先、时间优先和综 合最优的运输方式和路径的具体方法包括下列步骤:
(6-1)、确定优化目标,所述优化目标包括:成本最优、时间最短以及同时考虑成本和 时间的综合最优;根据优化目标来对最优线路进行求解;所述成本最优的目标函数为:其中,x为决策变量矩阵xi,j,t,k,xi,j,t,k表示 货物k是否在时刻t从节点i运送到节点j;y为集装箱数量矩阵yi,j,t,yi,j,t表示在时刻t从节点 i运送货物到节点j所需的集装箱数;z为线路占用矩阵zi,j,t,zi,j,t表示在时刻t从节点i到节 点j的路线是否被使用;Transportation Cost表示运输总成本,其表达式为:Ci,j,t为单个集装箱运价,表示 单个集装箱在时刻t从节点i运输到节点j的价格;FCi,j,t为线路固定成本,表示在时刻t从节 点i运输到节点j的固定价格,与集装箱的数量和体积无关;Warehouse Cost表示仓储总成 本,其表达式为:STi,j,t表示:为仓储时间, 表示时刻t在节点i停留的时间;Vk为货物体积,表示货物k的体积;whi为仓储成本,表示节 点i每立方米每天的仓库成本;
(6-2)、设定8个约束条件,在对最优线路的求解过程中,通过在这8个约束条件的约 定下来寻找最优线路;所述8个约束条件包括:①、对于每一个货物k,它必须从发货地OPk运送到其他中间节点,并运送到它的收货地DPk,约束条件表达式为: 其中表示货物k在时间t时从发货地OPk到后续节点的j的状 态,0表示该线路未被使用,1表示该线路被使用;表示货物k在时间t时从节点i到收 货地DPk的状态。0表示该线路未被使用,1表示该线路被使用;②、对于每一件货物k,它 不能从收货地DPk运出或运输到它的发货地OPk,约束条件表达式为: 表示货物k时刻t从节点i到发货地OPk线路的运输状态(1表 示该线路被使用,0表示该线路未被使用),表示货物k时刻t从收货地DPk到节点j的 运输状态(1表示该线路被使用,0表示该线路未被使用);③、对于中间节点j(既不是发 货地OPk也不是收货地DPk)处的货物k,运入时间必须等于运出时间,约束 条件表达式为:④、每件货物k最多 只能进出一个节点一次,约束条件表达式为:⑤、对于中间节点j的货物k,离开时间应在到达时间之后,货物k在发货地的发货时间应在 订单日期之后,约束条件表达式为:
⑥、在时间t的 每条线路上,集装箱的总可用容量应大于等于货物的总容积,约束条件表达式为: ⑦、检查一条线路在t时刻是否被使用,由于zi,j,t是二元变量, 如果一条路线被使用,那么所有在i,j,t的货物k的xi,j,t,k之和必须大于0,通过乘一个小数字 将它缩小到[0,1],约束条件表达式为:⑧、对于每一件货物 k,应在最后交货日期前运到收货地,约束条件表达式为:
Claims (4)
1.一种多运输方式联合的集装箱运输路径选择方法,其特征在于:该方法包括下列步骤:
(1)、准备节点数据:通过获取节点的历史信息来得到节点数据,所述节点为机场货运场站、铁路货运场站、公路货运场站以及港口码头货运场站的集合,所述节点数据包括节点所在货运场站的货物仓储成本以及处理时间;
(2)、预测节点未来的可用性:基于步骤(1)中的节点数据对未来一段时间内的节点可用性进行预测,其方法为:首先,采用自举汇聚随机采样法对节点数据进行有放回的随机采样,即每采集到一个样本后,都将样本放回,再次随机采集下一个样本,将每次采集到的样本组成样本集;然后,对样本集进行预测来得到节点未来的可用性,所述节点未来的可用性标示为可用节点或不可用节点;
(3)、准备线路数据:通过获取线路的历史信息来得到线路数据,所述线路数据包括运输每个集装箱的装卸成本、燃料成本、文件成本、设备成本以及额外成本,还包括线路固定成本;
(4)、预测线路未来的可用性:基于步骤(3)中的线路数据对未来一段时间内的线路可用性进行预测,所述线路未来的可用性标示为可用线路或不可用线路;
(5)、获取需要运输的货物的订单数据:所述货物的订单数据包括货物的发货地、收货地、发货时间、收货时间、货物体积、重量和种类以及优化目标;
(6)、计算得到最优运输方式和路径:将步骤(2)中预测得到的可用节点以及步骤(4)中预测得到的可用线路输入到CVXPY优化计算框架中,并使用CBC求解器对最优线路进行求解,最终得出费用优先、时间优先和综合最优的运输方式和路径。
2.根据权利要求1所述的一种多运输方式联合的集装箱运输路径选择方法,其特征在于:在步骤(2)中,对采集到的样本进行预测来得到节点未来的可用性的具体方法为:使用指数平滑、季节性差分自回归滑动平均模型、随机森林、专家系统、支持向量机、人工神经网络分别对采样集进行预测,然后将不同模型得出的输出结果进行算术平均,得到最终的预测结果。
3.根据权利要求2所述的一种多运输方式联合的集装箱运输路径选择方法,其特征在于:步骤(4)中,基于步骤(3)中的线路数据对未来一段时间内的线路可用性进行预测的具体方法包括下列步骤:
(4-1)、使用季节性差分自回归滑动平均模型对步骤(3)中的线路数据进行拟合,获得季节性差分自回归滑动平均模型的相关参数;
(4-2)、对拟合后的模型进行反向推导,得出与线路相关的高斯白噪声数据;
(4-3)、使用支持向量机对步骤(4-2)中的高斯白噪声数据和步骤(3)中的线路数据进行规律挖掘,并使用参数寻优算法寻找支持向量机的最优参数组合,得到一个训练好的季节性差分自回归滑动平均模型;之后,使用训练好的季节性差分自回归滑动平均模型来对未来的线路数据进行预测。
4.根据权利要求3所述的一种多运输方式联合的集装箱运输路径选择方法,其特征在于:步骤(6)中,使用CBC求解器对最优线路进行求解,最终得出费用优先、时间优先和综合最优的运输方式和路径的具体方法包括下列步骤:
(6-1)、确定优化目标,所述优化目标包括:成本最优、时间最短以及同时考虑成本和时间的综合最优;根据优化目标来对最优线路进行求解;所述成本最优的目标函数为:其中,x为决策变量矩阵xi,j,t,k,xi,j,t,k表示货物k是否在时刻t从节点i运送到节点j;y为集装箱数量矩阵yi,j,t,yi,j,t表示在时刻t从节点i运送货物到节点j所需的集装箱数;z为线路占用矩阵zi,j,t,zi,j,t表示在时刻t从节点i到节点j的路线是否被使用;Transportation Cost表示运输总成本,其表达式为:
Ci,j,t为单个集装箱运价,表示单个集装箱在时刻t从节点i运输到节点j的价格;FCi,j,t为线路固定成本,表示在时刻t从节点i运输到节点j的固定价格,与集装箱的数量和体积无关;WarehouseCost表示仓储总成本,其表达式为:STi,j,t为仓储时间,表示时刻t在节点i停留的时间;Vk为货物体积,表示货物k的体积;whi为仓储成本,表示节点i每立方米每天的仓库成本;
(6-2)、设定8个约束条件,在对最优线路的求解过程中,通过在这8个约束条件的约定下来寻找最优线路;所述8个约束条件包括:①、对于每一个货物k,它必须从发货地OPk运送到其他中间节点,并运送到它的收货地DPk,约束条件表达式为: 其中表示货物k在时间t时从发货地OPk到后续节点的j的状态,0表示该线路未被使用,1表示该线路被使用;表示货物k在时间t时从节点i到收货地DPk的状态。0表示该线路未被使用,1表示该线路被使用;②、对于每一件货物k,它不能从收货地DPk运出或运输到它的发货地OPk,约束条件表达式为:
表示货物k时刻t从节点i到发货地OPk线路的运输状态,表示货物k时刻t从收货地DPk到节点j的运输状态;③、对于中间节点j(既不是发货地OPk也不是收货地DPk)处的货物k,运入时间必须等于运出时间,约束
⑤、对于中间节点j的货物k,离开时间应在到达时间之后,货物k在发货地的发货时间应在订单日期之后,约束条件表达式为:
⑦、检查一条线路在t时刻是否被使用,由于zi,j,t是二元变量,如果一条路线被使用,那么所有在i,j,t的货物k的xi,j,t,k之和必须大于0,通过乘一个小数字将它缩小到[0,1],约束条件表达式为:⑧、对于每一件货物k,应在最后交货日期前运到收货地,约束条件表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734962.XA CN113610453A (zh) | 2021-06-30 | 2021-06-30 | 一种多运输方式联合的集装箱运输路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734962.XA CN113610453A (zh) | 2021-06-30 | 2021-06-30 | 一种多运输方式联合的集装箱运输路径选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610453A true CN113610453A (zh) | 2021-11-05 |
Family
ID=78336995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110734962.XA Pending CN113610453A (zh) | 2021-06-30 | 2021-06-30 | 一种多运输方式联合的集装箱运输路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610453A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023130415A1 (zh) * | 2022-01-10 | 2023-07-13 | 广州工商学院 | 一种基于海上运输的物流中转管理平台系统 |
CN116681197A (zh) * | 2023-08-03 | 2023-09-01 | 万联易达物流科技有限公司 | 一种基于大数据的物流线路搜索方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404941A (zh) * | 2015-12-07 | 2016-03-16 | 惠龙易通国际物流股份有限公司 | 一种物流运输方式和路径智能优化的方法及系统 |
CN105825296A (zh) * | 2016-03-11 | 2016-08-03 | 惠龙易通国际物流股份有限公司 | 一种基于Dijkstra算法的货运信息处理方法及系统 |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
US20190130476A1 (en) * | 2017-04-25 | 2019-05-02 | Yada Zhu | Management System and Predictive Modeling Method for Optimal Decision of Cargo Bidding Price |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN111639790A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 保证货运可靠性和安全性的多式联运调度方法和系统 |
US20200364630A1 (en) * | 2019-05-15 | 2020-11-19 | Target Brands, Inc. | System and method for managing transportation vessels |
CN113032638A (zh) * | 2021-03-23 | 2021-06-25 | 深圳大学 | 一种网络链路预测方法及装置 |
-
2021
- 2021-06-30 CN CN202110734962.XA patent/CN113610453A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404941A (zh) * | 2015-12-07 | 2016-03-16 | 惠龙易通国际物流股份有限公司 | 一种物流运输方式和路径智能优化的方法及系统 |
CN105825296A (zh) * | 2016-03-11 | 2016-08-03 | 惠龙易通国际物流股份有限公司 | 一种基于Dijkstra算法的货运信息处理方法及系统 |
US20190130476A1 (en) * | 2017-04-25 | 2019-05-02 | Yada Zhu | Management System and Predictive Modeling Method for Optimal Decision of Cargo Bidding Price |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
US20200364630A1 (en) * | 2019-05-15 | 2020-11-19 | Target Brands, Inc. | System and method for managing transportation vessels |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN111639790A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 保证货运可靠性和安全性的多式联运调度方法和系统 |
CN113032638A (zh) * | 2021-03-23 | 2021-06-25 | 深圳大学 | 一种网络链路预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
关伟等: "交通运输网络系统工程", 交通运输系统工程与信息, vol. 20, no. 6, pages 9 - 21 * |
曹小华等: "Prophet框架下生产物流运输节点的阻塞预警方法", 武汉理工大学学报(交通科学与工程版), vol. 44, no. 2, pages 255 - 259 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023130415A1 (zh) * | 2022-01-10 | 2023-07-13 | 广州工商学院 | 一种基于海上运输的物流中转管理平台系统 |
CN116681197A (zh) * | 2023-08-03 | 2023-09-01 | 万联易达物流科技有限公司 | 一种基于大数据的物流线路搜索方法及系统 |
CN116681197B (zh) * | 2023-08-03 | 2023-10-24 | 万联易达物流科技有限公司 | 一种基于大数据的物流线路搜索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | The hierarchical network design problem for time-definite express common carriers | |
CN110097234B (zh) | 工业卷烟运输智能调度方法及系统 | |
CN112001064B (zh) | 一种集装箱码头间全自主水上运输调度方法及系统 | |
US20130159208A1 (en) | Shipper-oriented logistics base optimization system | |
CN109726863A (zh) | 一种多目标优化的物流方法和系统 | |
Wu et al. | An integrated programming model for storage management and vehicle scheduling at container terminals | |
CN109816147A (zh) | 一种航空货运路由规划方法、装置、设备和存储介质 | |
Pang et al. | Ship routing problem with berthing time clash avoidance constraints | |
Ostrouh et al. | Automation of planning and management of the transportation of production for food-processing industry enterprises | |
CN113610453A (zh) | 一种多运输方式联合的集装箱运输路径选择方法 | |
CN101789093A (zh) | 一种集装箱码头泊位与岸桥分配方法 | |
CN108428084A (zh) | 一种基于服务链的多式联运系统及方法 | |
KR102503198B1 (ko) | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 | |
Guo et al. | Global synchromodal transport with dynamic and stochastic shipment matching | |
CN114580750A (zh) | 一种改进的区域车辆路径规划动态分析模型的分析方法 | |
Bayliss et al. | Dynamic pricing for vehicle ferries: using packing and simulation to optimize revenues | |
CN110942193A (zh) | 车辆调度方法及存储介质 | |
Moutaoukil et al. | Modeling a logistics pooling strategy for Agri-Food SMEs | |
Cheng et al. | Integrated people-and-goods transportation systems: from a literature review to a general framework for future research | |
Van Heeswijk et al. | Transportation management | |
Wang et al. | Research of oil product secondary distribution optimization based on collaborative distribution | |
Zhu et al. | Optimisation of containerised air cargo forwarding plans considering a hub consolidation process with cargo loading | |
Hsu et al. | Direct versus terminal routing on a maritime hub-and-spoke container network | |
KR20220006726A (ko) | 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법 | |
Zhou et al. | Study on the optimization of collection and distribution system of freight hub ports: Illustrated by the case of Shanghai international shipping center, China |
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 |