CN115130968A - 一种考虑个性化配送能力的物流配送调度方法及系统 - Google Patents

一种考虑个性化配送能力的物流配送调度方法及系统 Download PDF

Info

Publication number
CN115130968A
CN115130968A CN202210840136.8A CN202210840136A CN115130968A CN 115130968 A CN115130968 A CN 115130968A CN 202210840136 A CN202210840136 A CN 202210840136A CN 115130968 A CN115130968 A CN 115130968A
Authority
CN
China
Prior art keywords
distribution
personalized
delivery
distributors
scheduling
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
Application number
CN202210840136.8A
Other languages
English (en)
Inventor
代宏砚
陶家威
姜海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central university of finance and economics
Tsinghua University
Original Assignee
Central university of finance and economics
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central university of finance and economics, Tsinghua University filed Critical Central university of finance and economics
Priority to CN202210840136.8A priority Critical patent/CN115130968A/zh
Publication of CN115130968A publication Critical patent/CN115130968A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (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

本发明公开了一种考虑个性化配送能力的物流配送调度方法及系统，应用于物流配送技术领域，确定调度决策周期时长，当前决策时刻，配送员集合；提取特征集，根据特征集设计聚类算法，对配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；提取历史配送记录的配送速度‑特征矩阵，训练得到个性化配送速度预测模型；基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；利用启发式算法求解物流配送调度方案。本发明通过计算个性化最大接单数和个性化配送速度预测模型，对配送员的每趟最大接单数和配送速度进行高频实时预测，并将此整合到物流配送决策过程中，实现高频调度，进行全局优化。

Description

一种考虑个性化配送能力的物流配送调度方法及系统
技术领域
本发明涉及物流配送技术领域，更具体的说是涉及一种考虑个性化配送能力的物流配送调度方法及系统。
背景技术
互联网、移动营销、新零售的发展，使得O2O即时物流成为一种重要的运营方式。即时物流调度与传统物流的不同在于高波动性、即时性两大特征，因此平台通常会采用众包配送员作为运力的补充。不同的众包配送员由于工作经验的差异，导致其服务能力——每趟最大接单数和配送速度存在异质性。针对配送员建立个性化的预测方法来估计其服务能力，并结合到物流调度算法中，可以实现更精准的供需匹配，有效降低配送成本和配送时间。
现有的O2O领域的个性化决策研究，主要分为三类：第一类研究分析个性化的促销策略，包括个性化的产品设计、广告投放和折扣方案，以此来吸引更多的潜在顾客，提升自身的销量、第二类研究分析物流调度算法中的个性化定价策略，通过给配送员和乘客制定个性化的联合定价策略，可以提高配送员和乘客的匹配概率，提升系统的整体绩效、第三类研究分析个性化的路线规划，通过挖掘配送员在选择配送路径时的偏好，给配送员推荐适合他们的配送路径。
上述研究主要通过对顾客和服务提供商的行为进行分析，制定个性化的营销或定价策略上，未考虑配送员个性化因素对配送速度的影响，也没有考虑不同配送员差异化的最大接单数。
因此如何提供一种考虑个性化配送能力的物流配送调度方法及系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种考虑个性化配送能力的物流配送调度方法及系统，计算个性化最大接单数和个性化配送速度预测模型，对配送员的每趟最大接单数和配送速度进行高频实时预测，并将此整合到物流配送决策过程中，实现高频调度，进行全局优化。
为了实现上述目的，本发明提供如下技术方案：
一种考虑个性化配送能力的物流配送调度方法，具体步骤如下：
确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
提取特征集
Figure BDA0003750616160000021
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000022
训练得到个性化配送速度预测模型；
基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
利用启发式算法求解配送调度模型，给出调度方案。
可选的，在上述的一种考虑个性化配送能力的物流配送调度方法中，所述特征集
Figure BDA0003750616160000023
包括订单、工作时间、绩效、历史配送能力多维度特征。
可选的，在上述的一种考虑个性化配送能力的物流配送调度方法中，针对每类配送员计算个性化的每趟最大接单数具体步骤如下：
确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；
对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure BDA0003750616160000024
采用K-means聚类算法更新所有配送员的类别Cw；
计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
可选的，在上述的一种考虑个性化配送能力的物流配送调度方法中，得到个性化配送速度预测模型具体步骤如下：
提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000031
针对特征矩阵
Figure BDA0003750616160000032
选择特征筛选算法删去与配送速度无显著关系的特征；
基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。
可选的，在上述的一种考虑个性化配送能力的物流配送调度方法中，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000033
配送速度为配送员完成一整趟配送轨迹的平均配送速度，特征矩阵包括轨迹、配送员、外部环境多维度特征。
一种考虑个性化配送能力的物流配送调度系统，包括：
定义模块，确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
最大单数确定模块，用于提取特征集
Figure BDA0003750616160000034
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
配送速度预测模块，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000035
训练得到个性化配送速度预测模型；
配送调度模块，基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
求解模块，利用启发式算法求解物流配送调度方案。
可选的，在上述的一种考虑个性化配送能力的物流配送调度系统中，最大单数确定模块包括提取单元，用于提取特征集
Figure BDA0003750616160000041
所述特征集
Figure BDA0003750616160000042
包括订单、工作时间、绩效、历史配送能力多维度特征。
可选的，在上述的一种考虑个性化配送能力的物流配送调度系统中，还包括计算单元：确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure BDA0003750616160000043
采用K-means聚类算法更新所有配送员的类别Cw；计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，根据每个类别的配送员的路径中的每趟订单数来计算个性化的每趟最大接单数。
可选的，在上述的一种考虑个性化配送能力的物流配送调度系统中，配送速度预测模块包括：
特征矩阵提取单元，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000044
剔除单元，针对特征矩阵
Figure BDA0003750616160000045
选择特征筛选算法删去与配送速度无显著关系的特征；
选取单元，基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。
可选的，在上述的一种考虑个性化配送能力的物流配送调度系统中，特征矩阵提取单元提取特征包括轨迹、配送员、外部环境多维度特征。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种考虑个性化配送能力的物流配送调度方法及系统，针对配送员在每趟最大接单数和配送速度上的异质性，计算个性化最大接单数和个性化配送速度预测模型；将个性化最大接单数和个性化配送速度预测模型融合到配送决策过程中，构建个性化物流配送调度模型，利用启发式算法给出物流配送调度方案。该方法通过分析每趟最大接单数、预测配送速度，将配送员配送能力的异质性整合到物流调度决策过程中，可以实现更精准的供需匹配，有效降低配送成本和配送时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种考虑个性化配送能力的物流配送调度方法及系统，该方法通过每趟最大接单数、预测配送速度，将配送员配送能力的异质性整合到物流调度决策过程中，可以实现更精准的供需匹配，有效降低配送成本和配送时间。
实施例1：
在本发明的实施例中公开了一种考虑个性化配送能力的物流配送调度方法，具体步骤如下：
确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
提取特征集
Figure BDA0003750616160000061
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000062
训练得到个性化配送速度预测模型；
基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
利用启发式算法求解配送调度模型，给出调度方案。
具体地，某大型外卖配送门店，数据库内拥有2017年5月1日-2017年6月14日的运营记录。现计划对该门店提供物流配送调度方案。每个调度决策周期长度τa为5分钟。
从记录订单信息、配送信息的数据库中，提取配送员工作经验、行为偏好等相关的特征集
Figure BDA0003750616160000063
特征包括历史服务订单数、历史工作时间、历史工作绩效、历史配送能力四个维度的特征。
基于K-means聚类算法将所有配送员分为两类。
针对每一类配送员，选取出所有配送员没有造成延误订单的旅程，然后统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。从记录订单信息、配送信息的数据库中，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000064
配送速度为配送员完成一整趟配送轨迹的平均配送速度，特征矩阵包括轨迹、配送员、外部环境三个维度的特征。
选择Boruta算法筛选与配送速度具有显著关系的特征。
选择套索算法，训练得到个性化的配送员配送速度预测模型。
基于个性化最大接单数和个性化配送速度预测模型，构建配送调度模型，优化目标为最小化延误成本。
采用模拟退火算法的方法，对配送调度模型进行求解，将模型的最优解作为最终的调度决策方案。
在本实施例中，具体地，某大型O2O即时平台共有超过10万个门店，数据库内拥有2016年1月1日-2019年2月31日所有门店的运营记录。现计划对包含22个门店的一个区域提供物流配送调度方案。每个调度决策周期长度τa为5分钟。
从记录订单信息、配送信息的数据库中，提取配送员工作经验、行为偏好等相关的特征集
Figure BDA0003750616160000071
特征包括历史服务订单数、历史工作时间、历史工作绩效、历史配送能力、近30天工作绩效五个维度的特征。
基于K-means聚类算法将所有配送员分为三类。
针对每一类配送员，选取出所有配送员没有造成延误订单的旅程，然后统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
从记录订单信息、配送信息的数据库中，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000072
配送速度为配送员从一个节点到另一个节点的平均配送速度，特征矩阵包括轨迹、配送员、外部环境、区域熟悉程度四个维度的特征。
选择过滤法筛选与配送速度具有显著关系的特征。
选择随机森林算法，训练得到个性化的配送员配送速度预测模型。
基于个性化最大接单数模型和个性化配送速度预测模型，构建配送调度模型，优化目标为最小化配送成本和延误成本之和。
采用禁忌搜索算法的方法，对配送调度模型进行求解，将模型的最优解作为最终的调度决策方案。
为了进一步优化上述技术方案，针对每趟最大接单数的聚类算法为K-means算法，特征集之间的距离采用任意计算向量距离的方法，包括但不限于余弦距离、欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离。
为了进一步优化上述技术方案，针对每一个类别的配送员，选取出所有配送员没有造成延误订单的旅程，然后根据旅程中的每趟订单数来计算个性化的配送能力。
为了进一步优化上述技术方案，提取的历史配送记录的配送速度根据轨迹距离和配送时间得到，可以为完成一个订单的平均配送速度或完成一整趟轨迹多个订单的平均配送速度。
为了进一步优化上述技术方案，提取的预测配送速度的特征矩阵包括轨迹、配送员、区域、外部环境等多个维度的特征。
为了进一步优化上述技术方案，个性化配送速度预测模型可采用任意预测函数，包括但不限于线性回归、弹性网络、随机森林、支持向量回归。
为了进一步优化上述技术方案，构建调度模型时，分派给每个配送员订单数目不能超过每趟最大订单数。
为了进一步优化上述技术方案，配送员完成每个订单需要的时间由轨迹距离和个性化配送速度预测模型得到的配送速度确定。
为了进一步优化上述技术方案，采用的调度目标信息包括但不限于最小化配送成本，最大化配送利润，最大化订单准时率。
为了进一步优化上述技术方案，采用的启发式算法还包括遗传算法、蚁群算法等。
为了进一步优化上述技术方案，针对每类配送员计算个性化的每趟最大接单数具体步骤如下：
确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；
对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure BDA0003750616160000091
采用K-means聚类算法更新所有配送员的类别Cw；
计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
为了进一步优化上述技术方案，得到个性化配送速度预测模型具体步骤如下：
提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000092
针对特征矩阵
Figure BDA0003750616160000093
选择特征筛选算法删去与配送速度无显著关系的特征；
基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。为了进一步优化上述技术方案，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000094
配送速度为配送员完成一整趟配送轨迹的平均配送速度，特征矩阵包括轨迹、配送员、外部环境多维度特征。
实施例2：
本发明的实施例公开了一种考虑个性化配送能力的物流配送调度系统，包括：
定义模块，确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
最大单数确定模块，用于提取特征集
Figure BDA0003750616160000095
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
配送速度预测模块，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000096
训练得到个性化配送速度预测模型；
配送调度模块，基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
求解模块，利用启发式算法求解物流配送调度方案。
为了进一步优化上述技术方案，最大单数确定模块包括提取单元，用于提取特征集
Figure BDA0003750616160000101
所述特征集
Figure BDA0003750616160000102
包括订单、工作时间、绩效、历史配送能力多维度特征。
为了进一步优化上述技术方案，还包括计算单元：确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure BDA0003750616160000103
采用K-means聚类算法更新所有配送员的类别Cw；计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
为了进一步优化上述技术方案，配送速度预测模块包括：
特征矩阵提取单元，提取历史配送记录的配送速度-特征矩阵
Figure BDA0003750616160000104
剔除单元，针对特征矩阵
Figure BDA0003750616160000105
选择特征筛选算法删去与配送速度无显著关系的特征；
选取单元，基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。
为了进一步优化上述技术方案，特征矩阵提取单元提取特征包括轨迹、配送员、外部环境多维度特征。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种考虑个性化配送能力的物流配送调度方法，其特征在于，具体步骤如下：
确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
提取特征集
Figure FDA0003750616150000011
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
提取历史配送记录的配送速度-特征矩阵
Figure FDA0003750616150000012
训练得到个性化配送速度预测模型；
基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
利用启发式算法求解物流配送调度方案。
2.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度方法，其特征在于，所述特征集
Figure FDA0003750616150000013
包括订单、工作时间、绩效、历史配送能力多维度特征。
3.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度方法，其特征在于，针对每类配送员计算个性化的每趟最大接单数具体步骤如下：
确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；
对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure FDA0003750616150000014
采用K-means聚类算法更新所有配送员的类别Cw；
计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
4.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度方法，其特征在于，得到个性化配送速度预测模型具体步骤如下：
提取历史配送记录的配送速度-特征矩阵
Figure FDA0003750616150000021
针对特征矩阵
Figure FDA0003750616150000022
选择特征筛选算法删去与配送速度无显著关系的特征；
基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。
5.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度方法，其特征在于，提取历史配送记录的配送速度-特征矩阵
Figure FDA0003750616150000023
配送速度为配送员完成一整趟配送轨迹的平均配送速度，特征矩阵包括轨迹、配送员、外部环境多维度特征。
6.一种考虑个性化配送能力的物流配送调度系统，其特征在于，包括：
定义模块，确定调度决策周期时长τa，当前决策时刻t，配送员集合K；
最大单数确定模块，用于提取特征集
Figure FDA0003750616150000024
根据特征集设计聚类算法，对所述配送员进行分类，并针对每类配送员计算个性化的每趟最大接单数；
配送速度预测模块，提取历史配送记录的配送速度-特征矩阵
Figure FDA0003750616150000025
训练得到个性化配送速度预测模型；
配送调度模块，基于个性化的最大接单数和个性化配送速度预测模型，构建配送调度模型；
求解模块，利用启发式算法求解物流配送调度方案。
7.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度系统，其特征在于，最大单数确定模块包括提取单元，用于提取特征集
Figure FDA0003750616150000026
所述特征集
Figure FDA0003750616150000027
包括订单、工作时间、绩效、历史配送能力多维度特征。
8.根据权利要求7所述的一种考虑个性化配送能力的物流配送调度系统，其特征在于，还包括计算单元：确定配送员和订单的历史信息R，同时确定数据集的时间长度W，单位为周；确定迭代步数L以及配送员的类别数目m；对于每一周的开始，记录配送员在上一周所属的类别Cw-1，将新出现的配送员类别初始化为无经验的配送员，并提取所有配送员的特征集
Figure FDA0003750616150000031
采用K-means聚类算法更新所有配送员的类别Cw；计算每个类别配送员的每趟最大接单数，针对每个类别，选取出所有配送员没有造成延误订单的路径，统计每个类别的配送员的每趟路径包含的订单数目，根据路径包含的订单数目的均值作为该类别的配送员的个性化每趟最大接单数。
9.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度系统，其特征在于，配送速度预测模块包括：
特征矩阵提取单元，提取历史配送记录的配送速度-特征矩阵
Figure FDA0003750616150000032
剔除单元，针对特征矩阵
Figure FDA0003750616150000033
选择特征筛选算法删去与配送速度无显著关系的特征；
选取单元，基于筛选后的特征集，选取基础预测算法建立个性化配送速度预测模型。
10.根据权利要求1所述的一种考虑个性化配送能力的物流配送调度系统，其特征在于，特征矩阵提取单元提取特征包括轨迹、配送员、外部环境多维度特征。
CN202210840136.8A 2022-07-18 2022-07-18 一种考虑个性化配送能力的物流配送调度方法及系统 Pending CN115130968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210840136.8A CN115130968A (zh) 2022-07-18 2022-07-18 一种考虑个性化配送能力的物流配送调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210840136.8A CN115130968A (zh) 2022-07-18 2022-07-18 一种考虑个性化配送能力的物流配送调度方法及系统

Publications (1)

Publication Number Publication Date
CN115130968A true CN115130968A (zh) 2022-09-30

Family

ID=83384827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210840136.8A Pending CN115130968A (zh) 2022-07-18 2022-07-18 一种考虑个性化配送能力的物流配送调度方法及系统

Country Status (1)

Country Link
CN (1) CN115130968A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314091A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的作业任务单分配方法
CN117649166A (zh) * 2024-01-30 2024-03-05 安徽燧人物联网科技有限公司 一种基于大数据的物流信息管理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314091A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的作业任务单分配方法
CN117649166A (zh) * 2024-01-30 2024-03-05 安徽燧人物联网科技有限公司 一种基于大数据的物流信息管理方法及系统
CN117649166B (zh) * 2024-01-30 2024-04-16 安徽燧人物联网科技有限公司 一种基于大数据的物流信息管理方法及系统

Similar Documents

Publication Publication Date Title
Caggiani et al. A modeling framework for the dynamic management of free-floating bike-sharing systems
Yu et al. A Markov decision process approach to vacant taxi routing with e-hailing
Klein et al. Differentiated time slot pricing under routing considerations in attended home delivery
CN115130968A (zh) 一种考虑个性化配送能力的物流配送调度方法及系统
CN108205766A (zh) 信息推送方法、装置及系统
CN109784970B (zh) 一种基于afc乘客乘车数据的服务推荐方法及装置
CN110675189B (zh) 一种基于Wide＆Deep模型和遗传算法的无人货架选址方法
US10346862B2 (en) Migration system to migrate users to target services
Li et al. Optimizing flexible one-to-two matching in ride-hailing systems with boundedly rational users
Boldrini et al. Weak signals in the mobility landscape: car sharing in ten European cities
CN107274066B (zh) 一种基于lrfmd模型的共享交通客户价值分析方法
WO2021072128A1 (en) Systems and methods for big data analytics
CN104679810A (zh) 用于基于移动装置数据产生简档的方法和系统
Deng et al. Multi-objective vehicle rebalancing for ridehailing system using a reinforcement learning approach
CN111242368A (zh) 一种基于场景推演的物流配送调度算法
CN115689431A (zh) 一种新客户两阶段入线的末端配送路径规划方法
US20200226506A1 (en) Methods and systems for automated salesbeat optimization
CN106295868A (zh) 交通出行数据处理方法及装置
La Rocca et al. Heuristics for electric taxi fleet management at Teo Taxi
Gattermann-Itschert et al. Using Machine Learning to Include Planners’ Preferences in Railway Crew Scheduling Optimization
CN112990518B (zh) 一种地铁个体乘客目的站点实时预测方法及装置
CN110020666B (zh) 一种基于乘客行为模式的公共交通广告投放方法及系统
JP5823332B2 (ja) 個人行動嗜好分析システムおよび個人行動嗜好分析方法
Ruch et al. The impact of fleet coordination on taxi operations
CN111753386A (zh) 一种数据处理方法及装置

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