CN114493402A - 物流机器人配送时间预测方法和系统 - Google Patents
物流机器人配送时间预测方法和系统 Download PDFInfo
- Publication number
- CN114493402A CN114493402A CN202111556508.6A CN202111556508A CN114493402A CN 114493402 A CN114493402 A CN 114493402A CN 202111556508 A CN202111556508 A CN 202111556508A CN 114493402 A CN114493402 A CN 114493402A
- Authority
- CN
- China
- Prior art keywords
- time
- delivery
- logistics robot
- distribution
- package
- 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
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 206010012186 Delayed delivery Diseases 0.000 claims description 3
- 208000034423 Delivery Diseases 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000000151 deposition Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009340 pathogen transmission Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种物流机器人配送时间预测方法和系统，可包括：采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。根据包裹在包裹队列的位置，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口。到达时间窗口时，采集反映配送区域路况的参数，确定通行时间最短的路径作为物流机器人的配送路径。以及在配送过程中，实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻。保证了用户可以实时的获取货物状态；保证了具有特殊属性的货物的配送时效。
Description
技术领域
本申请涉及机器人配送技术领域，尤其涉及一种物流机器人配送时间预测方法和系统。
背景技术
快递与外卖已经成为人们日常工作与生活不可分割的一部分，并且越来越广泛的渗透进生活场景中。与此同时，全国快递服务企业业务迅速增长，也就意味着一栋封闭的大型写字楼里每天进出的快递员与外卖员人数众多，且具有较大的流动性。该类人员的频繁进出必然会对写字楼的内部人员和财产的安全造成隐患，特别是疫情期间也会增大病菌传播几率。同时，也增加了物业对该类人员的管理负担。另外，该类人员对电梯的占用也必然增加内部人员使用电梯时的等待时间，同时增加电能损耗以及物业承担的电费成本。因此，目前众多的园区、写字楼已经实现的封闭式管理。为了弥补封闭式管理给园区、写字楼内的用户收取外卖、快递等所带来的不便，保障快递服务的正常有序运转，现有技术针对封闭的工业园区、写字楼等场景引入了智能派件机器人，可通过智能派件机器人对封闭的场景进行包裹的派发，以解决上述问题。
但是，由于封闭的工业园区或者写字楼的快递以及外卖等包裹的数量较大，包裹到达封闭场景的寄存区后，智能派件机器人又无法保证包裹的实时送达，以致用户在包裹处于寄存区以及实际收货地点的区间时无法准确获取包裹的预期配送时间，在用户的时间安排方面具有较大不便；另外，针对一些特殊属性的货物存在需要加急配送的情况，例如生鲜食品，而现有的智能派件机器人并不具备根据用户的实际需求或者包裹的特殊属性调整配送顺序的功能。
发明内容
本申请提供了一种物流机器人配送时间预测方法和系统，以期解决或部分解决背景技术中涉及的上述问题或现有技术中的其它至少一个不足。
本申请提供了这样一种物流机器人配送时间预测方法，可包括：采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。根据包裹在包裹队列的位置，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口。到达时间窗口时，采集反映配送区域路况的参数，确定通行时间最短的路径作为物流机器人的配送路径。以及在配送过程中，实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻。
在一些实施方式中，采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列，可包括：扫描全部待配送包裹的标签，获取各个包裹的属性，其中标签包括快递标签、外卖标签和特殊物品标签，包裹属性包括生鲜类、冷藏类和避光类。与各个包裹的收货人的客户端进行信息交互，分别获取各个包裹对应的收货人的需求，需求包括指定配送时间和按序配送。结合各个包裹的属性和/或各个包裹对应的收货人的需求，确定配送各个包裹的优先级，其中优先级分为高等级、中等级和低等级，分别依次对应加急配送状态、按序正常配送状态以及延迟配送状态。根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。
在一些实施方式中，到达时间窗口时，采集反映配送区域的路况的参数，确定通行时间最短的路径作为物流机器人的配送路径，可包括：到达时间窗口时，获取监控设备采集的配送区域的人员信息和车辆信息。依据人员信息，统计人员数量并计算人员的行进速度，依据车辆信息，统计车辆数量并计算车辆的行进速度，获得包括人员数量、人员行进速度、车辆数量以及车辆行进速度的路况的参数。依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级。在预先存储的映射表中为各个备选路径的拥堵等级匹配对应的物流机器人的行进速度，其中映射表反映路径的拥堵等级与物流机器人的行进速度之间的对应关系。根据各个备选路径对应的物流机器人的行进速度，以及物流机器人的当前位置与包裹的收获位置的距离，为物流机器人规划通行时间最短的路径，将其作为物流机器人的配送路径。
在一些实施方式中，依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级，可包括：将包括人员数量、人员行进速度、车辆数量以及车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′1,…}，其中，l′＝{…,l′2,l′1}，m＝{m′1,m′2,…}和h′＝{h′1,h′2,…}分别表示路况参数时序集当中按照时序先后排列的路况参数。将路况参数时序集输入至BiLSTM网络，通过BiLSTM网络对路况参数时序集进行特征提取，获得路况参数时序集的特征向量Xm＝fBiLSTM(…,l′2,l′1,m′1,m′2,h′1,h′2,…)；其中fBiLSTM(*)表示将路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}输入BiLSTM进行特征提取的运算。采用支撑集训练原型网络，将路况参数时序集的特征向量输入至原型网络中，以获得路况拥堵等级，其中支撑级表示为S＝{(x1,y1),(x2,y2),…(xN,yN)}，其中x1,x2…xN表示支撑集样本，y1,y2…yN表示支撑集样本各自对应的路况拥堵等级。
在一些实施方式中，在根据包裹的优先级，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口之后，还包括：对不符合预期的时间窗口进行更改。
在一些实施方式中，物流机器人的配送能力由配送区域中的物流机器人总数量、不同时间窗口对应的物流机器人的配送效率决定。
本申请还提出了这样一种物流机器人配送时间预测系统，可包括：包裹队列生成模块、配送时间窗口分配模块、配送路径选择模块以及配送时刻确定模块。包裹队列生成模块用于采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。配送时间窗口分配模块用于根据包裹在包裹队列的位置，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口。配送路径选择模块用于到达时间窗口时，采集反映配送区域的路况的参数，确定通行时间最短的路径作为物流机器人的配送路径。配送时刻确定模块用于在配送过程中，实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻。
在一些实施方式中，包裹队列生成模块的执行步骤可包括：扫描全部待配送包裹的标签，获取各个包裹的属性，其中标签包括快递标签、外卖标签和特殊物品标签，包裹属性包括生鲜类、冷藏类和避光类。与各个包裹的收货人的客户端进行信息交互，分别获取各个包裹对应的收货人的需求，需求包括指定配送时间和按序配送。结合各个包裹的属性和/或各个包裹对应的收货人的需求，确定配送各个包裹的优先级，其中优先级分为高等级、中等级和低等级，分别依次对应加急配送状态、按序正常配送状态以及延迟配送状态。根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。
在一些实施方式中，配送路径选择模块的执行步骤可包括：到达时间窗口时，获取监控设备采集的配送区域的人员信息和车辆信息。依据人员信息，统计人员数量并计算人员的行进速度，依据车辆信息，统计车辆数量并计算车辆的行进速度，获得包括人员数量、人员行进速度、车辆数量以及车辆行进速度的路况的参数。依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级。在预先存储的映射表中为各个备选路径的拥堵等级匹配对应的物流机器人的行进速度，其中映射表反映路径的拥堵等级与物流机器人的行进速度之间的对应关系。根据各个备选路径对应的物流机器人的行进速度，以及物流机器人的当前位置与包裹的收获位置的距离，为物流机器人规划通行时间最短的路径，将其作为物流机器人的配送路径。
在一些实施方式中，依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级，可包括：将包括人员数量、人员行进速度、车辆数量以及车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}，其中，l′＝{…,l′2,l′1}，m＝{m′1,m′2,…}和h′＝{h′1,h′2,…}分别表示路况参数时序集当中按照时序先后排列的路况参数。将路况参数时序集输入至BiLSTM网络，通过BiLSTM网络对路况参数时序集进行特征提取，获得路况参数时序集的特征向量Xm＝fBiLsTM(…,l′2,l′1,m′1,m′2,h′1,h′2,…)；其中fBiLSTM(*)表示将路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}输入BiLSTM进行特征提取的运算。以及采用支撑集训练原型网络，将路况参数时序集的特征向量输入至原型网络中，以获得路况拥堵等级，其中支撑级表示为S＝{(x1,y1),(x2,y2),…(xN,yN)}，其中x1,x2…xN表示支撑集样本，y1,y2…yN表示支撑集样本各自对应的路况拥堵等级。
在一些实施方式中还可包括：改派模块，用于对不符合预期的时间窗口进行更改。
在一些实施方式中，物流机器人的配送能力由配送区域中的物流机器人总数量、不同时间窗口对应的物流机器人的配送效率决定。
根据上述的实施方式的技术方案可至少获得以下至少一个有益效果。
根据本申请一实施方式的一种物流机器人配送时间预测方法和系统，保证了在货物到达派送站点后，用户可以实时的获取货物状态；保证了具有特殊属性的货物的配送时效，同时极大的满足了用户对配送时间的需求，提升了用户体验。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请的示例性实施方式的物流机器人配送时间预测方法的流程图；以及
图2是根据本申请的示例性实施方式的物流机器人配送时间预测系统框图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
图1是根据本申请的示例性实施方式的物流机器人配送时间预测方法的流程图。
如图1所示，本申请提供了这样一种物流机器人配送时间预测方法，可包括：步骤S1，采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。步骤S2，根据包裹在包裹队列的位置，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口。步骤S3，到达时间窗口时，采集反映配送区域路况的参数，确定通行时间最短的路径作为物流机器人的配送路径。步骤S4，以及在配送过程中，实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻.
在一些实施方式中，首先在封闭的工业园区、写字楼等场景的大门位置或者其他便于寄存的区域设置包裹寄存区，寄存区可包括寄存柜、寄存驿站以及寄存桌等形式，可根据实际条件选择。当然，也可根据包裹的性质，在寄存区设置适配的寄存设备。例如，可针对外卖设置保温柜，针对生鲜食材设置冰箱，针对特殊医学试剂设置具有匹配温湿度等条件的储存箱，在此不做限制。
在一些实施方式中，各个包裹均配置有对应的标签，例如外卖标签、快递标签和特殊物品标签等，该标签可为外卖或者快递的物流标签。另外，上述标签至少包含有包裹的属性或种类，以及包裹的收货人联系方式和收货位置。其中包裹的属性可为生鲜类、冷藏类和避光类等。在本申请中，可根据包裹的种类对其进行属性分类，以便将各个包裹匹配至对应的寄存设备中，同时也便于根据其属性确定配送优先级，以保证特殊物品在寄存和配送过程中的安全性。
在一些实施方式中，根据配送区域的实际情况，例如配送区域的面积、包裹数量、以及配置的物流机器人数量等，预先设置若干时间窗口。每个时间窗口可为半小时、一小时或者其他时间单位，在此不做限制。
在一些实施方式中，采集待配送包裹的属性以及包裹对应收货人的需求，确定包裹的优先级，将全部的待配送包裹排列为包裹队列，并且根据所述优先级，确定待配送包裹在所述包裹队列的排序位置。具体地，当快递配送人员、外卖配送人员或者其他工作人员将其包裹放置在寄存区时，由寄存区的扫描设备扫描各个包裹的快递标签、外卖标签或者特殊物品标签，实现包裹的入库。与此同时，可采集到该标签内包含的包裹信息，包括包裹属性、收货人联系方式和收货位置等，并将上述信息发送至后台服务器。当然，后台服务器还可接收到由收货人的客户端上传的需求信息，该需求信息包括指定的配送时间。后台服务器根据包裹的属性和/或收货人的需求，确定各个包裹的配送优先级。进而，将全部的待配送包裹排列为包裹队列，其中根据每个包裹的所述配送优先级，确定其在所述包裹队列的排序位置，进而实现对各个包裹的加急配送、按序正常配送或者延迟配送。其中，优先级可分为高等级、中等级和低等级，当然也可根据需求更细致的划分等级，在此不做限制。例如，对于低等级的包裹，可以按照各个低等级包裹的收货人的需求，以该包裹在包裹队列的位置所对应时间的基础上，延迟配送一定的时间(例如根据收货人的需求，延迟配送一小时)；对于中等级的包裹，可以按照各个中等级包裹的实际收货时间作为排序依据时间，按照“先到先出”的规则排序形成包裹队列；对于高等级包裹，可以将其直接排至包裹队列中最先配送的排序位置。
进一步地，由后台服务器根据历史配送大数据，确定物流机器人在不同时间窗口的送货效率，即物流机器人的送货能力，从而确定每个时间窗口预期的包裹配送数量。其中，历史配送大数据可包括根据过去的历史数据统计，物流机器人在各个时间窗口中的送货数量、平均配送时长、送货起止时间以及物流机器人的数量等。例如以半个小时为时间窗口单位，若物流机器人从早晨八点开始配送包裹，且八点到八点半的时间窗口为配送区域的人员上班时间，则在该时间窗口内配送区域的道路或电梯较为拥挤，物流机器人的配送时长会延长、送货数量等均会降低，此时的送货效率较低；相反地，物流机器人在八点半到九点这个时间窗口送货时，由于人员流动较少，配送区域的道路或电梯不拥堵，物流机器人的配送时长会缩短、送货数量会提高，此时的送货效率会相对较高。基于上述，后台服务器可根据物流机器人在不同时间窗口的送货效率，确定每个时间窗口预期的包裹配送数量，进而根据所述包裹队列为各个包裹匹配对应的配送时间窗口，并发送至收货人的客户端，以便其查看。例如，上述早晨八点到八点半的时间窗口预期的包裹配送数量为50个包裹，八点半到九点的时间窗口预期的包裹配送数量为80个包裹，收货人张三的包裹在所述包裹队列中的排序为第100个包裹，则该包裹匹配的配送时间窗口为八点半到九点，故而可以向张三发送消息，通知其包裹预期在八点半到九点的时间窗口安排机器人配送。
进一步地，当收货人认为后台服务器匹配的配送时间窗口与其实际期望不符，可通过客户端向后台服务器发送改派申请，后台服务器可根据改派申请重新匹配配送的时间窗口，以提升用户满意度。
在一些实施方式中，到达某一时间窗口后，物流机器人将抵达寄存区取走需要在该时间窗口配送的包裹，并向收货人的客户端发送取货信息。此时，由后台服务器实时获取监控设备采集的配送区域的人员信息和车辆信息。依据人员信息，统计人员数量并计算人员的行进速度，依据车辆信息，统计车辆数量并计算车辆的行进速度，获得包括人员数量、人员行进速度、车辆数量以及车辆行进速度等参数中的一项或者多项的路况。进而依据以上反映路况的参数，可以确定路况拥堵等级。预先存储表示路况拥堵等级与机器人行进速度之间对应关系的映射表，从而，可以根据所确定的路况拥堵等级，查询该映射表获得预期的机器人行进速度。以包裹的收货位置为终点，为物流机器人规划从当前位置到终点的备选路径，进而结合每条备选路径的路径长度以及该路径上的预期的机器人行进速度，确定通行时间最短的备选路径，将其作为物流机器人的配送路径。进一步地，物流机器人根据后台服务器设定的配送路径进行配送。当然，在配送过程中，物流机器人可通过自身的激光雷达规避障碍，并通过通信模组与后台服务器进行信息交互。具体地，当物流机器人需要通过闸机、电梯等外围设备时，通过通信模组将其通行请求发送至后台服务器，并由后台服务器将该通行请求发送至对应的外围设备，以实现在配送区域的无障碍通行。
更具体来说，依据反映路况的参数，确定路况拥堵等级的步骤包括：
将表示人员数量、人员行进速度、车辆数量以及车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}。其中，l′＝{…,l′2,l′1}，m＝{m′1,m′2,…}和h′＝{h′1,h′2,…}分别表示该路况参数时序集当中按照时序先后排列的路况参数。
进而，利用BiLSTM网络(双向长短记忆网络)对路况参数时序集进行特征提取，获得路况参数时序集的特征向量。将路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}作为输入量输入BiLSTM网络，所获得的特征向量表示为Xm，即
Xm＝fBiLSTM(…,l′2,l′1,m′1,m′2,h′1,h′2,…)
其中fBiLSTM(*)表示将路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}输入BiLSTM进行特征提取的运算。
进而，采用支撑集训练的原型网络，实现根据路况参数时序集的特征向量，获得路况拥堵等级。原型网络在利用表示不同路况拥堵等级的支撑集样本训练后，可以对输入的特征向量实现其归属的路况拥堵等级的判定。所述支撑集表示为S＝{(x1,y1),(x2,y2),…(xN,yN)}，其中x1,x2…xN表示支撑集样本，y1,y2…yN表示支撑集样本各自对应的路况拥堵等级。假设共有K个路况拥堵等级，每个路况拥堵等级表示为k,则k∈{1,2…,K}，则对于每个路况拥堵等级k可以设置支撑集Sk，支撑集Sk中样本的路况拥堵等级均为k，则通过支撑集计算每个路况拥堵等级k的类别原型
其中fθ(*)表示针对支撑集中的样本进行特征提取所获得的特征向量，本发明中即为BiLSTM网络提取的特征向量，ck作为类别原型表示第k个路况拥堵等级中特征向量的平均表示。
进而，原型网络可以计算输入的特征向量Xm相对于K个路况拥堵等级中的每个路况拥堵等级k的分布：
其中k′表示K个等级中不属于等级k的其它等级。从而，原型网络可以确定路况参数时序集对应的特征向量Xm相对于K个等级中的每个等级k的分布，进而将分布最大的等级确定为有效的路况拥堵等级。
在一些实施方式中，在物流机器人的配送过程中，后台服务器可实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻。具体地，后台服务器实时采集配送路径的路况的方式为：由后台服务器实时获取监控设备采集的配送区域的人员信息和车辆信息。依据人员信息，统计人员数量并计算人员的行进速度，依据车辆信息，统计车辆数量并计算车辆的行进速度，获得包括人员数量、人员行进速度、车辆数量以及车辆行进速度的路况。同样，根据以上反映路况的参数，确定路况拥堵等级；再根据路况拥堵等级查询所述映射表，获得预期的机器人行进速度。与此同时，物流机器人实时上传自身定位，以便后台服务器获取其当前位置，当然，后台服务器也可将物流机器人的实时定位发送至收货人的客户端，以便其获取物流机器人的当前位置。进而，后台服务器可根据剩余的配送路径长度和物流机器人的预期的机器人行进速度，计算出物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人的客户端实时更新包裹的配送时刻。其中，物流机器人的配送时速上限可高达30公里每小时，能够应用于面积较大的配送区域场景。
在一些实施方式中，收货人的客户端、后台服务器以及物流机器人之间可通过网络进行信息交互。
根据本申请一实施方式的一种物流机器人配送时间预测方法，保证了在货物到达派送站点后，用户可以实时的获取货物状态；保证了具有特殊属性的货物的配送时效，同时极大的满足了用户对配送时间的需求，提升了用户体验。
本申请还提出了这样一种物流机器人配送时间预测系统，可包括：包裹队列生成模块1、配送时间窗口分配模块2、配送路径选择模块3以及配送时刻确定模块4。包裹队列生成模块1用于采集全部待配送包裹的属性以及各个包裹对应收货人的需求，确定各个包裹的优先级，并根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。配送时间窗口分配模块2用于根据包裹在包裹队列的位置，结合物流机器人的配送能力，确定物流机器人配送包裹的时间窗口。配送路径选择模块3用于到达时间窗口时，采集反映配送区域的路况的参数，确定通行时间最短的路径作为物流机器人的配送路径。配送时刻确定模块4用于在配送过程中，实时采集配送路径的路况和物流机器人的当前位置，计算物流机器人由当前位置到达包裹的收货位置所需的时间，并向收货人实时更新包裹的配送时刻。
在一些实施方式中，包裹队列生成模块1的执行步骤可包括：扫描全部待配送包裹的标签，获取各个包裹的属性，其中标签包括快递标签、外卖标签和特殊物品标签，包裹属性包括生鲜类、冷藏类和避光类。与各个包裹的收货人的客户端进行信息交互，分别获取各个包裹对应的收货人的需求，需求包括指定配送时间和按序配送。结合各个包裹的属性和/或各个包裹对应的收货人的需求，确定配送各个包裹的优先级，其中优先级分为高等级、中等级和低等级，分别依次对应加急配送状态、按序正常配送状态以及延迟配送状态。根据各个包裹的优先级对各个包裹的配送顺序进行排列，获得包裹队列。
在一些实施方式中，配送路径选择模块3的执行步骤可包括：到达时间窗口时，获取监控设备采集的配送区域的人员信息和车辆信息。依据人员信息，统计人员数量并计算人员的行进速度，依据车辆信息，统计车辆数量并计算车辆的行进速度，获得包括人员数量、人员行进速度、车辆数量以及车辆行进速度的路况的参数。依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级。在预先存储的映射表中为各个备选路径的拥堵等级匹配对应的物流机器人的行进速度，其中映射表反映路径的拥堵等级与物流机器人的行进速度之间的对应关系。根据各个备选路径对应的物流机器人的行进速度，以及物流机器人的当前位置与包裹的收获位置的距离，为物流机器人规划通行时间最短的路径，将其作为物流机器人的配送路径。
在一些实施方式中，依据反映路况的参数，确定配送区域的各个备选路径的拥堵等级，可包括：将包括人员数量、人员行进速度、车辆数量以及车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′1,…}，其中，l′＝{…,l′2,l′1}，m＝{m′1,m′2,…}和h′＝{h′1,h′2,…}分别表示路况参数时序集当中按照时序先后排列的路况参数。将路况参数时序集输入至BiLSTM网络，通过BiLSTM网络对路况参数时序集进行特征提取，获得路况参数时序集的特征向量Xm＝fBiLSTM(…,l′2,l′1,m′1,m′2,h′1,h′2,…)；其中fBiLSTM(*)表示将路况参数时序集x＝{…,l′2,l′1,m′1,m′2,h′1,h′2,…}输入BiLSTM进行特征提取的运算。以及采用支撑集训练原型网络，将路况参数时序集的特征向量输入至原型网络中，以获得路况拥堵等级，其中支撑级表示为S＝{(x1,y1),(x2,y2),…(xN,yN)}，其中x1,x2…xN表示支撑集样本，y1,y2…yN表示支撑集样本各自对应的路况拥堵等级。假设共有K个路况拥堵等级，每个路况拥堵等级表示为k,则k∈{1,2…,K}，则对于每个路况拥堵等级k可以设置支撑集Sk，支撑集Sk中样本的路况拥堵等级均为k，则通过支撑集计算每个路况拥堵等级k的类别原型
其中fθ(*)表示针对支撑集中的样本进行特征提取所获得的特征向量，本发明中即为BiLSTM网络提取的特征向量，ck作为类别原型表示第k个路况拥堵等级中特征向量的平均表示。
进而，原型网络可以计算输入的特征向量Xm相对于K个路况拥堵等级中的每个路况拥堵等级k的分布：
其中k′表示K个等级中不属于等级k的其它等级。从而，原型网络可以确定路况参数时序集对应的特征向量Xm相对于K个等级中的每个等级k的分布，进而将分布最大的等级确定为有效的路况拥堵等级。
在一些实施方式中还可包括：改派模块，用于对不符合预期的时间窗口进行更改。
在一些实施方式中，物流机器人的配送能力由配送区域中的物流机器人总数量、不同时间窗口对应的物流机器人的配送效率决定。
根据本申请一实施方式的一种物流机器人配送时间预测系统，保证了在货物到达派送站点后，用户可以实时的获取货物状态；保证了具有特殊属性的货物的配送时效，同时极大的满足了用户对配送时间的需求，提升了用户体验。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (10)
1.一种物流机器人配送时间预测方法，其特征在于，包括：
采集全部待配送包裹的属性以及各个所述包裹对应收货人的需求，确定各个所述包裹的优先级，并根据各个所述包裹的优先级对各个所述包裹的配送顺序进行排列，获得包裹队列；
根据所述包裹在所述包裹队列的位置，结合物流机器人的配送能力，确定所述物流机器人配送所述包裹的时间窗口；
到达所述时间窗口时，采集反映配送区域路况的参数，确定通行时间最短的路径作为所述物流机器人的配送路径；以及
在配送过程中，实时采集所述配送路径的路况和所述物流机器人的当前位置，计算所述物流机器人由当前位置到达所述包裹的收货位置所需的时间，并向所述收货人实时更新所述包裹的配送时刻。
2.根据权利要求1所述的物流机器人配送时间预测方法，其特征在于，所述采集全部待配送包裹的属性以及各个所述包裹对应收货人的需求，确定各个所述包裹的优先级，并根据各个所述包裹的优先级对各个所述包裹的配送顺序进行排列，获得包裹队列，包括：
扫描全部待配送包裹的标签，获取各个所述包裹的属性，其中所述标签包括快递标签、外卖标签和特殊物品标签，所述包裹属性包括生鲜类、冷藏类和避光类；
与各个所述包裹的收货人的客户端进行信息交互，分别获取各个所述包裹对应的所述收货人的需求，所述需求包括指定配送时间和按序配送；
结合各个所述包裹的属性和/或各个所述包裹对应的收货人的需求，确定配送各个所述包裹的优先级，其中所述优先级分为高等级、中等级和低等级，分别依次对应加急配送状态、按序正常配送状态以及延迟配送状态；以及
根据各个所述包裹的优先级对各个所述包裹的配送顺序进行排列，获得包裹队列。
3.根据权利要求1所述的物流机器人配送时间预测方法，其特征在于，所述到达所述时间窗口时，采集反映配送区域的路况的参数，确定通行时间最短的路径作为所述物流机器人的配送路径，包括：
到达所述时间窗口时，获取监控设备采集的配送区域的人员信息和车辆信息；
依据所述人员信息，统计人员数量并计算所述人员的行进速度，依据所述车辆信息，统计车辆数量并计算所述车辆的行进速度，获得包括所述人员数量、所述人员行进速度、所述车辆数量以及所述车辆行进速度的路况的参数；
依据反映所述路况的参数，确定所述配送区域的各个备选路径的拥堵等级；
在预先存储的映射表中为各个所述备选路径的拥堵等级匹配对应的物流机器人的行进速度，其中所述映射表反映路径的拥堵等级与物流机器人的行进速度之间的对应关系；以及
根据各个所述备选路径对应的所述物流机器人的行进速度，以及所述物流机器人的当前位置与所述包裹的收获位置的距离，为所述物流机器人规划通行时间最短的路径，将其作为所述物流机器人的配送路径。
4.根据权利要求3所述的物流机器人配送时间预测方法，其特征在于，所述依据反映所述路况的参数，确定所述配送区域的各个备选路径的拥堵等级，包括：
将包括所述人员数量、所述人员行进速度、所述车辆数量以及所述车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{...，l′2，l′1，m′1，m′2，h′1，h′2，...}，其中，l′＝{...，l′2，l′1}，m＝{m′1，m′2，...}和h′＝{h′1，h′2，...}分别表示所述路况参数时序集当中按照时序先后排列的路况参数；
将所述路况参数时序集输入至BiLSTM网络，通过所述BiLSTM网络对所述路况参数时序集进行特征提取，获得路况参数时序集的特征向量Xm＝fBiLSTM(...，l′2，l′1，m′1，m′2，h′1，h′2，...)；其中fBiLSTM(*)表示将路况参数时序集x＝{...，l′2，l′1，m′1，m′2，h′1，h′2，...}输入BiLSTM进行特征提取的运算；以及
采用支撑集训练原型网络，将所述路况参数时序集的特征向量输入至所述原型网络中，以获得路况拥堵等级，其中所述支撑级表示为S＝{(x1，y1)，(x2，y2)，...(xN，yN)}，其中x1，x2...xN表示支撑集样本，y1，y2...yN表示支撑集样本各自对应的路况拥堵等级。
5.根据权利要求1至4中任意一项所述的物流机器人配送时间预测方法，其特征在于，在所述根据所述包裹的优先级，结合物流机器人的配送能力，确定所述物流机器人配送所述包裹的时间窗口之后，还包括：对不符合预期的所述时间窗口进行更改。
6.一种物流机器人配送时间预测系统，其特征在于，包括：
包裹队列生成模块，用于采集全部待配送包裹的属性以及各个所述包裹对应收货人的需求，确定各个所述包裹的优先级，并根据各个所述包裹的优先级对各个所述包裹的配送顺序进行排列，获得包裹队列；
配送时间窗口分配模块，用于根据所述包裹在所述包裹队列的位置，结合物流机器人的配送能力，确定所述物流机器人配送所述包裹的时间窗口；
配送路径选择模块，用于到达所述时间窗口时，采集反映配送区域的路况的参数，确定通行时间最短的路径作为所述物流机器人的配送路径；以及
配送时刻确定模块，用于在配送过程中，实时采集所述配送路径的路况和所述物流机器人的当前位置，计算所述物流机器人由当前位置到达所述包裹的收货位置所需的时间，并向所述收货人实时更新所述包裹的配送时刻。
7.根据权利要求6所述的物流机器人配送时间预测系统，其特征在于，所述包裹队列生成模块的执行步骤包括：
扫描全部待配送包裹的标签，获取各个所述包裹的属性，其中所述标签包括快递标签、外卖标签和特殊物品标签，所述包裹属性包括生鲜类、冷藏类和避光类；
与各个所述包裹的收货人的客户端进行信息交互，分别获取各个所述包裹对应的所述收货人的需求，所述需求包括指定配送时间和按序配送；
结合各个所述包裹的属性和/或各个所述包裹对应的收货人的需求，确定配送各个所述包裹的优先级，其中所述优先级分为高等级、中等级和低等级，分别依次对应加急配送状态、按序正常配送状态以及延迟配送状态；以及
根据各个所述包裹的优先级对各个所述包裹的配送顺序进行排列，获得包裹队列。
8.根据权利要求6所述的物流机器人配送时间预测系统，其特征在于，所述配送路径选择模块的执行步骤包括：
到达所述时间窗口时，获取监控设备采集的配送区域的人员信息和车辆信息；
依据所述人员信息，统计人员数量并计算所述人员的行进速度，依据所述车辆信息，统计车辆数量并计算所述车辆的行进速度，获得包括所述人员数量、所述人员行进速度、所述车辆数量以及所述车辆行进速度的路况的参数；
依据反映所述路况的参数，确定所述配送区域的各个备选路径的拥堵等级；
在预先存储的映射表中为各个所述备选路径的拥堵等级匹配对应的物流机器人的行进速度，其中所述映射表反映路径的拥堵等级与物流机器人的行进速度之间的对应关系；以及
根据各个所述备选路径对应的所述物流机器人的行进速度，以及所述物流机器人的当前位置与所述包裹的收获位置的距离，为所述物流机器人规划通行时间最短的路径，将其作为所述物流机器人的配送路径。
9.根据权利要求8所述的物流机器人配送时间预测系统，其特征在于，所述依据反映所述路况的参数，确定所述配送区域的各个备选路径的拥堵等级，包括：
将包括所述人员数量、所述人员行进速度、所述车辆数量以及所述车辆行进速度中的一项或者多项的路况参数，按照时序表示为路况参数时序集x＝{...，l′2，l′1，m′1，m′2，h′1，h′2，...}，其中，l′＝{...，l′2，l′1}，m＝{m′1，m′2，...}和h′＝{h′1，h′2，...}分别表示所述路况参数时序集当中按照时序先后排列的路况参数；
将所述路况参数时序集输入至BiLSTM网络，通过所述BiLSTM网络对所述路况参数时序集进行特征提取，获得路况参数时序集的特征向量Xm＝fBiLSTM(...，l′2，l′1，m′1，m′2，h′1，h′2，...)；其中fBiLSTM(*)表示将路况参数时序集x＝{...，l′2，l′1，m′1，m′2，h′1，h′2，...}输入BiLSTM进行特征提取的运算；以及
采用支撑集训练原型网络，将所述路况参数时序集的特征向量输入至所述原型网络中，以获得路况拥堵等级，其中所述支撑级表示为S＝{(x1，y1)，(x2，y2)，...(xN，yN)}，其中x1，x2...xN表示支撑集样本，y1，y2...yN表示支撑集样本各自对应的路况拥堵等级。
10.根据权利要求6至9中任意一项所述的物流机器人配送时间预测系统，其特征在于，还包括：
改派模块，用于对不符合预期的所述时间窗口进行更改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556508.6A CN114493402B (zh) | 2021-12-17 | 2021-12-17 | 物流机器人配送时间预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556508.6A CN114493402B (zh) | 2021-12-17 | 2021-12-17 | 物流机器人配送时间预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114493402A true CN114493402A (zh) | 2022-05-13 |
| CN114493402B CN114493402B (zh) | 2024-04-09 |
Family
ID=81494389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556508.6A Active CN114493402B (zh) | 2021-12-17 | 2021-12-17 | 物流机器人配送时间预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114493402B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114919908A (zh) * | 2022-05-18 | 2022-08-19 | 北京航空航天大学 | 一种仓储机器人配置数量规划方法和装置、电子设备 |
| CN116859935A (zh) * | 2023-07-27 | 2023-10-10 | 广州广电运通金融电子股份有限公司 | 机器人调度方法、电子设备及存储介质 |
| CN117436776A (zh) * | 2023-12-19 | 2024-01-23 | 广东鑫港湾供应链管理有限公司 | 一种供应链智能物流配送管理系统 |
| CN117635001A (zh) * | 2023-11-30 | 2024-03-01 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| CN112465439A (zh) * | 2021-02-02 | 2021-03-09 | 红石阳光（北京）科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
| CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
| CN112966871A (zh) * | 2021-03-15 | 2021-06-15 | 上海交通大学 | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 |
| WO2021181357A1 (en) * | 2020-03-13 | 2021-09-16 | Ithink Logistic Quick Services Llp | System and method for post-dispatched return to origin prediction of a package in logistics |
-
2021
- 2021-12-17 CN CN202111556508.6A patent/CN114493402B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021181357A1 (en) * | 2020-03-13 | 2021-09-16 | Ithink Logistic Quick Services Llp | System and method for post-dispatched return to origin prediction of a package in logistics |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
| CN112465439A (zh) * | 2021-02-02 | 2021-03-09 | 红石阳光（北京）科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
| CN112966871A (zh) * | 2021-03-15 | 2021-06-15 | 上海交通大学 | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 线岩团 等: "用于文本分类的均值原型网络", 《中文信息学报》, vol. 34, no. 06, 15 June 2020 (2020-06-15), pages 73 - 80 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114919908A (zh) * | 2022-05-18 | 2022-08-19 | 北京航空航天大学 | 一种仓储机器人配置数量规划方法和装置、电子设备 |
| CN116859935A (zh) * | 2023-07-27 | 2023-10-10 | 广州广电运通金融电子股份有限公司 | 机器人调度方法、电子设备及存储介质 |
| CN117635001A (zh) * | 2023-11-30 | 2024-03-01 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
| CN117635001B (zh) * | 2023-11-30 | 2024-04-30 | 阿帕数字科技有限公司 | 基于供应链运输场景中时间窗约束的配送方法 |
| CN117436776A (zh) * | 2023-12-19 | 2024-01-23 | 广东鑫港湾供应链管理有限公司 | 一种供应链智能物流配送管理系统 |
| CN117436776B (zh) * | 2023-12-19 | 2024-03-29 | 广东鑫港湾供应链管理有限公司 | 一种供应链智能物流配送管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114493402B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114493402A (zh) | 物流机器人配送时间预测方法和系统 | |
| Boysen et al. | Last-mile delivery concepts: a survey from an operational research perspective | |
| Ulmer et al. | Same-day delivery with pickup stations and autonomous vehicles | |
| Hyland et al. | Taxonomy of shared autonomous vehicle fleet management problems to inform future transportation mobility | |
| CN104463520B (zh) | 物流系统 | |
| Gendreau et al. | Dynamic vehicle routing and dispatching | |
| CN108038651A (zh) | 一种物流运输监控追溯管理系统 | |
| CN110171660A (zh) | 货物分拣系统及货物分拣方法 | |
| Boldrini et al. | Characterising demand and usage patterns in a large station-based car sharing system | |
| US8131607B2 (en) | Device and method of planning and managing real-time postal delivery work | |
| Wu et al. | A label based ant colony algorithm for heterogeneous vehicle routing with mixed backhaul | |
| CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
| CN113344262A (zh) | 一种基于城市垃圾分类的智能清运系统及方法 | |
| CN108846617A (zh) | 全自动物流统筹派送服务方法 | |
| Ichoua1 et al. | Planned route optimization for real-time vehicle routing | |
| US20210182787A1 (en) | Systems and methods for route analysis | |
| CN108932598A (zh) | 一种基于云平台的大规模物流配送方法 | |
| CN110322188A (zh) | 利用未来交通信息的物流配送用路径提供方法及其服务器 | |
| Le-Anh | Intelligent control of vehicle-based internal transport systems | |
| JP2020085577A (ja) | 駐車位置案内システム、駐車位置出力端末および駐車位置案内プログラム | |
| JP2021107289A (ja) | 投影指示装置および投影指示システム | |
| CN111047102B (zh) | 基于精英驱动粒子群算法的快递配送路线优化方法 | |
| CN106295868A (zh) | 交通出行数据处理方法及装置 | |
| CN115471153A (zh) | 一种新农村智慧物流管理系统 | |
| CN117234214A (zh) | 一种用于工业货物码垛的自动化穿梭车 |
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 |