CN114548723A - 基于云边协同的实时车货匹配与路径推荐方法及其系统 - Google Patents
基于云边协同的实时车货匹配与路径推荐方法及其系统 Download PDFInfo
- Publication number
- CN114548723A CN114548723A CN202210137308.5A CN202210137308A CN114548723A CN 114548723 A CN114548723 A CN 114548723A CN 202210137308 A CN202210137308 A CN 202210137308A CN 114548723 A CN114548723 A CN 114548723A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- matching
- path
- goods
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于云边协同的实时车货匹配与路径推荐方法及其系统,方法包括以下步骤:S1:云端数据中心根据车辆的等待时间对车辆进行优先级排序;S2:云端数据中心根据车辆与货物的匹配程度按照优先级以最高匹配率为目标进行车辆与货物的匹配,生成初始匹配方案;S3:云端数据中心根据初始匹配方案计算车辆的装载率并进行车辆路径优化,形成初始路径推荐方案;S4:边缘服务器接收实时货物信息和实时车辆信息,对可进行二次配货的用户进行实时的二次匹配与路径推荐。相较于现有技术,本发明不仅提高了车辆的装载率,还提高了车辆的行车速度与工作效率,从而降低了车辆的工作成本,提高了用户收益。
Description
技术领域
本发明涉及物流运输技术领域,尤其涉及一种基于云边协同的实时车货匹配与路径推荐方法及其系统。
背景技术
随着云计算、物联网、电子商务的快速发展,物流配送与云计算技术、物联网技术、智能交通等新技术结合,提高了现代物流的配送水平。然而随着各类终端设备数量和计算需求的快速增长,以云数据为核心的传统云计算集中式处理模式将面临着网络传输时延大,数据传输成本高,计算安全和隐私风险等问题。为了满足移动用户需求,特别是需要及时响应的用户需求,云边协同这一概念应运而生。
在传统的车货匹配与路径推荐中,只在配送中心时进行一次的货物匹配与路径推荐,并且不关心车辆的后续运输情况,造成车辆剩余资源的浪费,以及用户收益的下降,在进行路径推荐时没有考虑到实时的路况情况,无法降低路况对配送及时性的影响。
有鉴于此,确有必要提供一种基于云边协同的实时车货匹配与路径推荐方法及其系统,以解决上述问题。
发明内容
本发明的目的在于提供一种基于云边协同的实时车货匹配与路径推荐方法及其系统,提高了用户收益,降低了配送成本。
为实现上述目的,本发明提供了一种基于云边协同的实时车货匹配与路径推荐方法,包括以下步骤:
S1:云端数据中心根据车辆的等待时间对车辆进行优先级排序,
其中,VTime为车辆等待时间;Vact为车辆活跃值,根据车辆的活跃程度自行定义;∈1和∈2均为自主决策系数,根据用户的偏好自行设定,∈1和∈2满足∈1+∈2=1;为货物最晚到达时间;Mprice为货物收益;
S2:所述云端数据中心根据车辆与货物的匹配程度按照优先级以最高匹配率为目标进行车辆与货物的匹配,生成初始匹配方案;
定义M为车辆i的集合,表示为{1,2,3,……,m},N为待匹配的货物j的集合,表示为{1,2,3,……,n},m和n均为正整数,
则初始匹配方案的匹配率为:
如果车辆i和货物j之间存在匹配关系,则aij为1,
其中,约束条件为:
coaj≤loai
其中,coaj为货物的重量或体积,loai为车辆的载重量或体积,此外,货物的重量或体积应小于或等于车辆的载重量或体积,
其中,为货物最晚到达时间;Timecost为配货所需时间;车辆最晚到达时间不能晚于货物最晚到达时间;为路程与车辆速度的比值;θij为用户自主决策变量,根据车辆状态判断,θij∈{0,1};Tm为其它花销;
S3:所述云端数据中心根据初始匹配方案计算车辆的装载率并进行车辆路径优化,形成初始路径推荐方案;
S4:边缘服务器接收实时货物信息和实时车辆信息,对可进行二次配货的用户进行实时的二次匹配与路径推荐。
作为本发明的进一步改进,步骤S3具体包括以下步骤:
S31:所述云端数据中心解析订单的属性信息和车辆的装载率;
S32:所述云端数据中心根据车辆的装载率对订单的不同属性信息打分;
S33:所述云端数据中心根据历史信息以及订单的属性信息计算总体相似度,并选取总体相似度最高的路径进行推荐;
其中,总体相似度的计算方法如下:
Sim{U1,Ux}=W1*SimT1+W2*SimT2
其中,SimT1为订单属性信息的总体相似度,表示根据订单的属性信息的总体相似度进行排名;SimT2为最优目标属性打分,最优目标属性包括时间、成本和路径,表示根据车辆的装载率计算出的路径计算总体相似度;
其中,p为根据装载率对时间、路程和成本的不同程度地打分;Lm为出发地;Cm为目的地;Q为订单的属性信息向量;Ux为历史用户属性信息;Pg为货物属性;Pc为客户属性;
其中,W1和W2为权重因子,且W1和W2满足:当W1和W2的属性越相似时,W1和W2的数值越大;
进行路径推荐时,选取Sim{U1,Ux}值最高的路径进行推荐。
作为本发明的进一步改进,所述方法还包括以下步骤:
S0:配送中心上传车辆信息和货物信息至云端数据中心。
作为本发明的进一步改进,出发地的地址信息和目的地的地址信息使用经纬度的二元组{x,y}进行定位,则订单的属性信息的集合为{{x,y}c,{x,y}m,Pg,Pc}。
作为本发明的进一步改进,步骤S4具体包括以下步骤:
S41:所述边缘服务器接收来自所述云端数据中心的初始方案后,对未满载的用户进行优先级排序;
S42:所述边缘服务器接收实时货物信息,根据货物的紧急程度和收益率对货物进行排序;
S43:所述边缘服务器计算车辆与货物的二次匹配方案,并反馈给用户;
S44:所述边缘服务器结合实时的路径情况进行二次路径推荐。
作为本发明的进一步改进,步骤S41中,根据车辆的装载率以及用户实时分享路径信息的时间计算用户的优先级,车辆的装载率计算如下:
其中,EV为车辆的装载率,Aw为车辆实际装载的重量;Av为车辆实际装载的体积;Tw为车辆理论可装载的重量;Tv为车辆理论可装载的体积;
定义用户的活跃值为pU,pU计算如下:
根据FU*FS的乘积值确定用户的优先级;
用户的优先级计算如下:
根据用户的优先级对用户进行排序,等待获取二次匹配方案。
作为本发明的进一步改进,步骤S43中,定义当前有m辆车辆,根据优先级排序后的结果为{m1,m2,……,mm},每辆车辆剩余的装载量为loai∈m,所述边缘服务器接收实时货物信息;定义当前有n个需匹配的货物,根据货物的紧急程度maturg及收益率Mc进行优先级排序,排序后的结果为{mat1,mat2,mat3,……,matn},货物的需求为coaj∈n,货物最晚送达时间为Timeend,
定义车辆当前的位置信息集合为{lonc1,lonc1},货物的位置信息集合为{lonc2,lonc2},Pathc1-c2为货物与车辆的距离,
其中,Timecost为车辆从当前距离到货物距离的时间花费;Vi为在一段时间T中采集了N辆车辆的实时速度信息;
定义车辆m与货物n之间存在二次匹配关系Bmn,若货物n与车辆m之间形成匹配关系,则Bmn=1;反之,Bmn=0,那么,所有的匹配关系构成一个匹配方案,即为所述边缘服务器实时推送的二次匹配方案,
二次匹配方案的目标函数定义为:
在满足车辆与货物的二次匹配关系过程中,应实现车辆的最大收益率与最高装载率,则二次匹配方案的约束条件如下:
Pathcost=pathc1-c2*priceunit
货物在所述边缘服务器进行二次匹配时,由于车辆的实时位置与货物之间仍有一段距离,则记录车辆到达二次匹配地点的成本与时间花销,
coaj≤loai
车辆的载货能力应大于等于货物需求,
二次匹配后的收益应大于云端数据中心匹配后的收益,
作为本发明的进一步改进,步骤S44中,用户开启实时共享模块,通过所述边缘服务器获取路况信息的同时,将实时的路况信息同步给所述边缘服务器,
定义在当前道路上,在一段时间T中采集了N辆车辆的实时速度信息Vi,则当前道路的实时路况信息为:
根据Vi(T)的数值大小判断道路的实时拥堵情况,将拥堵情况分为四个等级,定义当前道路为城市道路中心机动车道,则Vi在50~70之间为畅通道路,拥堵系数设为一级;Vi在40~50之间拥堵系数设为二级;Vi在30~40之间拥堵系数设为三级;Vi在20~30之间拥堵系数设为四级;Vi在20以下拥堵系数设为五级。
作为本发明的进一步改进,步骤S44具体包括以下步骤:
S441:所述边缘服务器设置路径的影响因子π,拥堵系数越高则影响因子π的设置值越大;
S442:所述边缘服务器计算拥堵路段在各推荐的路径中所占的重要程度I;
S443:所述边缘服务器计算拥堵路段对整段路径的影响度;
S444:所述边缘服务器对各推荐的路径重新排名,挑选影响较小且相似度较高的最优二次推荐路径并反馈给用户,
最优二次推荐路径计算如下:
其中,sim为路径相似指数,alt为拥堵道路的可替代道路数,len为拥挤道路的长度,length为推荐道路的总长度。
为进一步实现上述目的,本发明还揭示了一种基于云边协同的实时车货匹配与路径推荐系统,所述系统应用前述基于云边协同的实时车货匹配与路径推荐方法,所述系统包括云端数据中心、边缘服务器以及终端设备,所述云端数据中心用于在车辆未出发前根据区域内的车辆信息以及货物信息进行车货匹配以及配送路径推荐,并将车辆信息以及路径信息发送至所述边缘服务器进行存储;所述边缘服务器用于接收来自所述云端数据中心的车辆信息和路径信息,并根据边缘节点的覆盖范围,将整个物流配送区域划分为多个区域;所述终端设备用于在每个所述边缘服务器的覆盖区域内,所述终端设备被配置为感知覆盖区域内车辆信息、货物信息以及路况变化信息,并将数据实时发送至所述边缘服务器进行处理。
本发明的有益效果是:本发明在路径推荐时,结合车辆的不同装载率进行不同偏好的路径推荐,而边缘服务器也根据车辆的装载率的不同进行实时的二次匹配方案的生成,同时在进行路径推荐时结合车辆的实时路径信息进行推荐。本发明不仅提高了车辆的装载率,还提高了车辆的行车速度与工作效率,从而降低了车辆的工作成本,提高了用户收益。
附图说明
图1是符合本发明优选实施例的基于云边协同的实时车货匹配与路径推荐方法的应用场景示意图。
图2是符合本发明优选实施例的基于云边协同的实时车货匹配与路径推荐方法的整体流程图。
图3是符合本发明优选实施例的基于云边协同的实时车货匹配与路径推荐方法的二次车货匹配与路径推荐过程的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,以下将对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1至图3所示,本发明揭示了一种基于云边协同的实时车货匹配与路径推荐方法,整个流程主要分为两个部分:第一部分为初始车货匹配与路径推荐过程,第二部分为二次车货匹配与路径推荐过程。
具体地,初始车货匹配与路径推荐过程主要包括以下步骤:
S0:配送中心上传车辆信息和货物信息至云端数据中心即云端。
S1:云端数据中心根据车辆的等待时间对车辆进行优先级排序,其中,货物优先级与车辆优先级的计算方式如下:
其中,VTime为车辆等待时间;Vact为车辆活跃值,根据车辆的活跃程度自行定义;∈1和∈2均为自主决策系数,根据用户的偏好自行设定,∈1和∈2满足∈1+∈2=1;为货物最晚到达时间;Mprice为货物收益。
本实施例中,在车辆配送中心进行车货匹配时,由云端数据中心根据车辆与货物的匹配度进行货物的推荐,主要根据货物的紧急程度以及货物的收益率进行排序,紧急程度较高同时收益率较高的货物可以优先获得被车辆选择的机会。车辆的排序主要依据车主的等待时长,车辆等待越久优先级越高。由于初始状态下,车辆与货物都较为充足,而车辆是出于等待货物状态,所以,云端数据中心的初始匹配方案以车辆的最高装载率为目标根据货物的紧急程度进行车货匹配。由于货物的紧急程度,并不会使得每一辆车都完全装载满,当货物较为紧急时,仍然将货物派送给用户,而用户由于没有更好的货物装载则会选择接受货物。
S2:云端数据中心根据车辆与货物的匹配程度按照优先级以最高匹配率为目标进行车辆与货物的匹配,生成初始匹配方案。
定义M为车辆i的集合,表示为{1,2,3,……,m},N为待匹配的货物j的集合,表示为{1,2,3,……,n},m和n均为正整数,
则初始匹配方案的匹配率为:
如果车辆i和货物j之间存在匹配关系,则aij为1,
其中,约束条件为:
coaj≤loai
其中,coaj为货物的重量或体积,loai为车辆的载重量或体积,此外,货物的重量或体积应小于或等于车辆的载重量或体积,
其中,为货物最晚到达时间;Timecost为配货所需时间;车辆最晚到达时间不能晚于货物最晚到达时间;为路程与车辆速度的比值;θij为用户自主决策变量,根据车辆状态判断,θij∈{0,1};Tm为其它花销。
S3:云端数据中心根据初始匹配方案计算车辆的装载率,根据车辆的装载率进行车辆路径优化,形成初始路径推荐方案。
若当前装载率为0.8~1,表示满载则路径最优路径目标应是时间最少。若当前装载率为0.5~0.8,则最优路径目标应是路径最短。若当前的装载率为0.3~0.5,则最优路径目标应是成本最低。根据装载率的不同,订单对于路程、成本和时间的考虑程度也不同。
云端数据中心根据初始匹配方案获得车辆的订单的属性信息,订单的属性信息包括出发地、目的地、货物属性和客户属性。根据订单的属性信息进行车辆路径推荐。
S4:边缘服务器即边缘端接收实时货物信息和实时车辆信息,对可进行二次配货的用户进行实时的二次匹配与路径推荐。
进一步地,步骤S3具体包括以下步骤:
S31:云端数据中心解析出订单的属性信息和车辆的装载率。
S32:云端数据中心根据车辆的装载率对订单的不同属性信息打分。
S33:云端数据中心根据历史信息以及订单的属性信息计算总体相似度,并选取总体相似度最高的路径进行推荐。
其中,总体相似度的计算方法如下:
Sim{U1,Ux}=W1*SimT1+W2*SimT2
其中,SimT1为订单属性信息的总体相似度,表示根据订单的属性信息的总体相似度进行排名;SimT2为最优目标属性打分,最优目标属性包括时间、成本和路径,表示根据车辆的装载率计算出的路径计算总体相似度。
其中,p为根据装载率对时间、路程和成本的不同程度地打分;Lm为出发地;Cm为目的地;Q为订单的属性信息向量;Ux为历史用户属性信息;Pg为货物属性,分别用不同的数字代表不同种类的货物;Pc为客户属性。
其中,W1和W2为权重因子,且W1和W2满足:当W1和W2的属性越相似时,W1和W2的数值越大;进行路径推荐时,选取Sim{U1,Ux}值最高的路径进行推荐。
本实施例中,出发地的地址信息和目的地的地址信息使用经纬度的二元组{x,y}进行定位,则订单的属性信息的集合为{{x,y}c,{x,y}m,Pg,gc}。
如图3所示,云端数据中心生成初始匹配方案并完成初始路径推荐后,根据车辆的装载率判断当前车辆是否满载,若车辆满载只需将配送信息反馈至边缘服务器。若车辆未满载则将配送信息与车货匹配信息反馈至边缘服务器。
进一步地,当车辆满载时,边缘服务器可以进行实时道路监测,判断各个道路是否出现异常,若异常,则查找出与出现异常的路径相关的所有用户信息,并将最新的路径信息反馈至边缘端,边缘端根据实时路径信息计算出最新的最优路径并推荐给用户。
当车辆未满载时,具体处理过程见步骤S4。具体地,步骤S4包括以下步骤:
S41:边缘服务器接收来自云端数据中心的初始方案后,根据车辆的装载率对未满载的用户进行优先级排序;
S42:边缘服务器接收实时货物信息与路径信息,根据货物的紧急程度和收益率对货物进行排序;
S43:边缘服务器计算车辆与货物的二次匹配方案,并反馈给用户;
S44:边缘服务器结合实时的路径情况进行二次路径推荐。
进一步地,在执行步骤S41之前,云端数据中心需要将未满载的车辆信息和路径信息反馈至边缘端。
进一步地,步骤S41中,根据车辆的装载率以及用户实时分享路径信息的时间计算用户的优先级,车辆的装载率计算如下:
其中,EV为车辆的装载率,Aw为车辆实际装载的重量;Av为车辆实际装载的体积;Tw为车辆理论可装载的重量;Tv为车辆理论可装载的体积;
定义用户的活跃值为pU,pU计算如下:
根据FU*FS的乘积值确定用户的优先级;
用户的优先级计算如下:
根据用户的优先级对用户进行排序,等待获取二次匹配方案。
进一步地,步骤S43中,定义当前有m辆车辆,根据优先级排序后的结果为{m1,m2,……,mm},每辆车辆剩余的装载量为loai∈m,所述边缘服务器接收实时货物信息;定义当前有n个需匹配的货物,根据货物的紧急程度maturg及收益率Mc进行优先级排序,排序后的结果为{mat1,mat2,mat3,……,matn},货物的需求为coaj∈n,货物最晚送达时间为Timeend。边缘服务器根据地点信息、收益率和货物大小判断当前是否符合二次匹配目标。
定义车辆当前的位置信息集合为{lonc1,lonc1},货物的位置信息集合为{lonc2,lonc2},Pathc1-c2为货物与车辆的距离,
其中,Timecost为车辆从当前距离到货物距离的时间花费;Vi为在一段时间T中采集了N辆车辆的实时速度信息;
当前道路的实时路况信息可以表示为:
根据Vi(T)的数值大小判断道路的实时拥堵情况,将拥堵情况分为四个等级,定义当前道路为城市道路中心机动车道,则Vi在50~70之间为畅通道路,拥堵系数设为一级;Vi在40~50之间拥堵系数设为二级;Vi在30~40之间拥堵系数设为三级;Vi在20~30之间拥堵系数设为四级;Vi在20以下拥堵系数设为五级。
定义车辆m与货物n之间存在二次匹配关系Bmn,若货物n与车辆m之间形成匹配关系,则Bmn=1;反之,Bmn=0,那么,所有的匹配关系构成一个匹配方案,即为边缘服务器实时推送的二次匹配方案,
二次匹配方案如下:
二次匹配方案的目标函数定义为:
实现最大的收益的同时,减少时间成本,提高车辆的装载率。
在满足车辆与货物的二次匹配关系过程中,应实现车辆的最大收益率与最高装载率,则二次匹配方案的约束条件如下:
Pathcost=pathc1-c2*priceunit
货物在边缘服务器进行二次匹配时,由于车辆的实时位置与货物之间仍有一段距离,所以应记录车辆到达二次匹配地点的成本与时间花销。
coaj≤loai
车辆的载货能力应大于等于货物需求。
二次匹配后的收益应大于云端数据中心匹配后的收益。
若满足上述条件,则车辆与货物可以进行二次匹配,同时车辆需进行路径的实时推荐,当前边缘服务器接收车主反馈的实时路径信息,并根据实时路径信息进行路径的实时推荐。
步骤S44中,用户开启实时共享模块,通过边缘服务器获取路况信息的同时,将实时的路况信息同步给边缘服务器。
进一步地,步骤S44具体包括以下步骤:
S441:边缘服务器设置路径的影响因子π,拥堵系数越高则影响因子π的设置值越大。
S442:边缘服务器计算拥堵路段在各推荐的路径中所占的重要程度I;其中,重要程度I根据是否可以被代替以及拥堵路段占总路段的长度确定。
S443:边缘服务器根据影响因子π和重要程度I计算拥堵路段对整段路径的影响度。
S444:边缘服务器根据影响度对各推荐的路径重新排名,挑选影响较小且相似度较高的最优二次推荐路径并反馈给用户,
最优二次推荐路径计算如下:
其中,sim为路径相似指数,alt为拥堵道路的可替代道路数,len为拥挤道路的长度,length为推荐道路的总长度。
本发明还揭示了一种基于云边协同的实时车货匹配与路径推荐系统,该系统应用前述方法。该系统包括云端数据中心、多个边缘服务器以及终端设备,通过在云端数据中心进行初始车货匹配与路径推荐,并将初始方案发送给边缘服务器。边缘服务器根据车辆的装载率以及用户的优先级根据实时接收到的货物信息对初始的配送方案进行二次规划,并根据实时的路径信息进行最优的二次路径推荐。其中,终端设备包括但不限于手机。
具体地,云端数据中心用于在车辆未出发前根据区域内的车辆信息以及货物信息进行车货匹配以及配送路径推荐,并将车辆信息以及路径信息发送至边缘服务器进行存储。边缘服务器用于接收来自云端数据中心的车辆信息和路径信息,并根据边缘节点的覆盖范围,将整个物流配送区域划分为多个区域。终端设备用于在每个边缘服务器的覆盖区域内,终端设备被配置为感知覆盖区域内车辆信息、货物信息以及路况变化信息,并将数据实时发送至边缘服务器进行处理。
综上所述,本发明在路径推荐时,结合车辆的不同装载率进行不同偏好的路径推荐,而边缘服务器也根据车辆的装载率的不同进行实时的二次匹配方案的生成,同时在进行路径推荐时结合车辆的实时路径信息进行推荐。本发明不仅提高了车辆的装载率,还提高了车辆的行车速度与工作效率,从而降低了车辆的工作成本,提高了用户收益。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于云边协同的实时车货匹配与路径推荐方法,其特征在于:所述方法包括以下步骤:
S1:云端数据中心根据车辆的等待时间对车辆进行优先级排序,
其中,VTime为车辆等待时间;Vact为车辆活跃值,根据车辆的活跃程度自行定义;∈1和∈2均为自主决策系数,根据用户的偏好自行设定,∈1和∈2满足∈1+∈2=1;为货物最晚到达时间;Mprice为货物收益;
S2:所述云端数据中心根据车辆与货物的匹配程度按照优先级以最高匹配率为目标进行车辆与货物的匹配,生成初始匹配方案;
定义M为车辆i的集合,表示为{1,2,3,……,m},N为待匹配的货物j的集合,表示为{1,2,3,……,n},m和n均为正整数,
则初始匹配方案的匹配率为:
如果车辆i和货物j之间存在匹配关系,则aij为1,
其中,约束条件为:
coaj≤loai
其中,coaj为货物的重量或体积,loai为车辆的载重量或体积,此外,货物的重量或体积应小于或等于车辆的载重量或体积,
其中,为货物最晚到达时间;Timecost为配货所需时间;车辆最晚到达时间不能晚于货物最晚到达时间;为路程与车辆速度的比值;θij为用户自主决策变量,根据车辆状态判断,θij∈{0,1};Tm为其它花销;
S3:所述云端数据中心根据初始匹配方案计算车辆的装载率并进行车辆路径优化,形成初始路径推荐方案;
S4:边缘服务器接收实时货物信息和实时车辆信息,对可进行二次配货的用户进行实时的二次匹配与路径推荐。
2.根据权利要求1所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:步骤S3具体包括以下步骤:
S31:所述云端数据中心解析订单的属性信息和车辆的装载率;
S32:所述云端数据中心根据车辆的装载率对订单的不同属性信息打分;
S33:所述云端数据中心根据历史信息以及订单的属性信息计算总体相似度,并选取总体相似度最高的路径进行推荐;
其中,总体相似度的计算方法如下:
Sim{U1,Ux}=W1*SimT1+W2*SimT2
其中,SimT1为订单属性信息的总体相似度,表示根据订单的属性信息的总体相似度进行排名;SimT2为最优目标属性打分,最优目标属性包括时间、成本和路径,表示根据车辆的装载率计算出的路径计算总体相似度;
其中,p为根据装载率对时间、路程和成本的不同程度地打分;Lm为出发地;Cm为目的地;Q为订单的属性信息向量;Ux为历史用户属性信息;Pg为货物属性;Pc为客户属性;
其中,W1和W2为权重因子,且W1和W2满足:当W1和W2的属性越相似时,W1和W2的数值越大;
进行路径推荐时,选取Sim{U1,Ux}值最高的路径进行推荐。
3.根据权利要求2所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:出发地的地址信息和目的地的地址信息使用经纬度的二元组{x,y}进行定位,则订单的属性信息的集合为{{x,y}c,{x,y}m,Pg,Pc}。
4.根据权利要求1所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:所述方法还包括以下步骤:
S0:配送中心上传车辆信息和货物信息至云端数据中心。
5.根据权利要求1所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:步骤S4具体包括以下步骤:
S41:所述边缘服务器接收来自所述云端数据中心的初始方案后,根据车辆的装载率对未满载的用户进行优先级排序;
S42:所述边缘服务器接收实时货物信息与路径信息,根据货物的紧急程度和收益率对货物进行排序;
S43:所述边缘服务器计算车辆与货物的二次匹配方案,并反馈给用户;
S44:所述边缘服务器结合实时的路径情况进行二次路径推荐。
6.根据权利要求5所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:步骤S41中,根据车辆的装载率以及用户实时分享路径信息的时间计算用户的优先级,车辆的装载率计算如下:
其中,EV为车辆的装载率,Aw为车辆实际装载的重量;Av为车辆实际装载的体积;Tw为车辆理论可装载的重量;Tv为车辆理论可装载的体积;
定义用户的活跃值为pU,pU计算如下:
根据FU*FS的乘积值确定用户的优先级;
用户的优先级计算如下:
根据用户的优先级对用户进行排序,等待获取二次匹配方案。
7.根据权利要求5所述的基于云边协同的实时车货匹配与路径推荐方法,其特征在于:步骤S43中,定义当前有m辆车辆,根据优先级排序后的结果为{m1,m2,……,mm},每辆车辆剩余的装载量为loai∈m,所述边缘服务器接收实时货物信息;定义当前有n个需匹配的货物,根据货物的紧急程度maturg及收益率Mc进行优先级排序,排序后的结果为{mat1,mat2,mat3,……,matn},货物的需求为coaj∈n,货物最晚送达时间为Timeend,
定义车辆当前的位置信息集合为{lonc1,lonc1},货物的位置信息集合为{lonc2,lonc2},Pathc1-c2为货物与车辆的距离,
其中,Timecost为车辆从当前距离到货物距离的时间花费;Vi为在一段时间T中采集了N辆车辆的实时速度信息;
定义车辆m与货物n之间存在二次匹配关系Bmn,若货物n与车辆m之间形成匹配关系,则Bmn=1;反之,Bmn=0,那么,所有的匹配关系构成一个匹配方案,即为所述边缘服务器实时推送的二次匹配方案,
二次匹配方案的目标函数定义为:
在满足车辆与货物的二次匹配关系过程中,应实现车辆的最大收益率与最高装载率,则二次匹配方案的约束条件如下:
Pathcost=pathc1-c2*priceunit
货物在所述边缘服务器进行二次匹配时,由于车辆的实时位置与货物之间仍有一段距离,则记录车辆到达二次匹配地点的成本与时间花销,
coaj≤loai
车辆的载货能力应大于等于货物需求,
二次匹配后的收益应大于云端数据中心匹配后的收益,
10.一种基于云边协同的实时车货匹配与路径推荐系统,其特征在于:所述系统应用如权利要求1~9中任意一项所述的基于云边协同的实时车货匹配与路径推荐方法,所述系统包括云端数据中心、边缘服务器以及终端设备,
所述云端数据中心用于在车辆未出发前根据区域内的车辆信息以及货物信息进行车货匹配以及配送路径推荐,并将车辆信息以及路径信息发送至所述边缘服务器进行存储;
所述边缘服务器用于接收来自所述云端数据中心的车辆信息和路径信息,并根据边缘节点的覆盖范围,将整个物流配送区域划分为多个区域;
所述终端设备用于在每个所述边缘服务器的覆盖区域内,所述终端设备被配置为感知覆盖区域内车辆信息、货物信息以及路况变化信息,并将数据实时发送至所述边缘服务器进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137308.5A CN114548723A (zh) | 2022-02-15 | 2022-02-15 | 基于云边协同的实时车货匹配与路径推荐方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137308.5A CN114548723A (zh) | 2022-02-15 | 2022-02-15 | 基于云边协同的实时车货匹配与路径推荐方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548723A true CN114548723A (zh) | 2022-05-27 |
Family
ID=81674755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137308.5A Pending CN114548723A (zh) | 2022-02-15 | 2022-02-15 | 基于云边协同的实时车货匹配与路径推荐方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548723A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271616A (zh) * | 2022-09-26 | 2022-11-01 | 济宁港航内河经济研究院有限公司 | 一种基于大数据的内河港航智慧物流派单系统及方法 |
CN116432880A (zh) * | 2023-03-29 | 2023-07-14 | 深圳市讯鸟流通科技有限公司 | 一种共享云仓物流城配路线智能选择及运费报价系统 |
CN116539057A (zh) * | 2023-04-28 | 2023-08-04 | 北京大数据先进技术研究院 | 一种最优路径确定方法、装置和电子设备 |
CN116610873A (zh) * | 2023-07-19 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
CN116739467A (zh) * | 2023-06-16 | 2023-09-12 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
CN117950393A (zh) * | 2024-03-27 | 2024-04-30 | 江苏瀚天智能科技股份有限公司 | 基于LoRa技术的叉车作业控制优化方法及装置 |
-
2022
- 2022-02-15 CN CN202210137308.5A patent/CN114548723A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271616A (zh) * | 2022-09-26 | 2022-11-01 | 济宁港航内河经济研究院有限公司 | 一种基于大数据的内河港航智慧物流派单系统及方法 |
CN116432880A (zh) * | 2023-03-29 | 2023-07-14 | 深圳市讯鸟流通科技有限公司 | 一种共享云仓物流城配路线智能选择及运费报价系统 |
CN116432880B (zh) * | 2023-03-29 | 2023-10-20 | 深圳市讯鸟流通科技有限公司 | 一种共享云仓物流城配路线智能选择及运费报价系统 |
CN116539057A (zh) * | 2023-04-28 | 2023-08-04 | 北京大数据先进技术研究院 | 一种最优路径确定方法、装置和电子设备 |
CN116539057B (zh) * | 2023-04-28 | 2024-01-16 | 北京大数据先进技术研究院 | 一种最优路径确定方法、装置和电子设备 |
CN116739467A (zh) * | 2023-06-16 | 2023-09-12 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
CN116739467B (zh) * | 2023-06-16 | 2024-02-02 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
CN116610873A (zh) * | 2023-07-19 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
CN116610873B (zh) * | 2023-07-19 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
CN117950393A (zh) * | 2024-03-27 | 2024-04-30 | 江苏瀚天智能科技股份有限公司 | 基于LoRa技术的叉车作业控制优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114548723A (zh) | 基于云边协同的实时车货匹配与路径推荐方法及其系统 | |
CN107330547A (zh) | 一种城市公交动态调度优化方法及系统 | |
US6453298B2 (en) | Method of operating a vehicle redistribution system based upon predicted ride demands | |
US20190370922A1 (en) | Price-aware real-time auction-based ride-sharing system | |
CN107101643B (zh) | 一种拼车匹配方法 | |
CN105761481B (zh) | 面向出租车动态合乘的智能调度方法和系统 | |
CN107145971A (zh) | 一种动态调整的快递配送优化方法 | |
CN108960976B (zh) | 一种处理预约单的方法、装置及存储介质 | |
CN110826968B (zh) | 一种基于路径规划的城市众包配送任务优化调度方法 | |
CN111428137A (zh) | 一种电动汽车充电设施的推荐方法及推荐装置 | |
CN113518326B (zh) | 车载边缘网络计算资源和通信资源的联合分配优化方法 | |
CN111950777A (zh) | 定制公交线路设计方法及装置 | |
CN115409295A (zh) | 一种基于瓶颈分析的公交调度方法、电子设备及存储介质 | |
Daoud et al. | ORNInA: A decentralized, auction-based multi-agent coordination in ODT systems | |
CN113379159A (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
CN113642761A (zh) | Robotaxi自动驾驶共享网约车资源分配方法 | |
CN116432880B (zh) | 一种共享云仓物流城配路线智能选择及运费报价系统 | |
Chow et al. | Real-time Bidding based Vehicle Sharing. | |
CN112270480A (zh) | 自动驾驶出租车调度方法及调度系统 | |
CN111612493B (zh) | 一种用户分群方法及装置 | |
CN112418550A (zh) | 一种物流行业中多种司机工作状态下的车货匹配方法 | |
CN110012507B (zh) | 一种用户体验优先的车联网资源分配方法及系统 | |
CN115081819A (zh) | 调度方法、装置、电子设备及存储介质 | |
CN112465178B (zh) | 一种车辆规划方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |