CN115423393B - 一种基于lstm的动态自适应调度周期的订单调度方法及装置 - Google Patents

Abstract

本发明提供一种基于LSTM的动态自适应调度周期的订单调度方法及装置，所述方法的步骤包括：将每个时间周期划分为多个时间片，收集每个时间片的订单数量，将每个时间片的订单数量作为向量的维度参数，构建参数向量；将所述参数向量输入到预设的长短时记忆网络模型中，输出预测的时间片的订单数量；将预测的时间片的订单数量与订单阈值比对；基于预测的时间片的订单数量采用固定时长周期调度方法进行订单调度或采用单事件驱动调度方法进行订单调度；基于贪心算法将调度的订单插入原配送计划的车辆路径中，基于聚类算法将多个车辆路径聚类为预设个数的簇，基于邻域搜索算法更新每个簇中的每个车辆路径，组合更新后的车辆路径得到更新配送计划。

Description

一种基于LSTM的动态自适应调度周期的订单调度方法及装置

技术领域

本发明涉及低轨卫星通信技术领域，尤其涉及一种基于LSTM的动态自适应调度周期的订单调度方法及装置。

背景技术

目前研究的周期调度方法主要包括：固定时长周期调度和基于事件驱动的周期调度；

固定时长周期调度是以固定的周期进行多次调度，如图15所示，其原理是统计整个问题发生时间，并将这段时间以相同间隔分成多段，在每个间隔的末尾时刻统一处理间隔内新增的动态信息。该周期调度具有简单易用的特点，适用于对动态信息无感知的场景。但缺点明显，动态信息在不同周期内的分布情况存在差异，存在可能前一个周期内新增大量的动态信息，但后一个周期内却没有新增动态信息的情况，因此，现有技术采用基于事件驱动的周期调度避免上述问题；

动态事件与动态信息含义接近，如图16所示如平台中产生新的运输订单、客户主动取消订单、新的运输车辆加入、车辆主动停止派单、车辆运力增加或减少等。该周期调度可根据触发调度的动态事件数量分为单事件驱动和批量事件驱动。

1、单事件驱动，单事件驱动即指出现一个动态事件，则触发调度，立即处理该动态事件。假设该动态事件为新增一个运输订单，物流平台接受新增订单后，首先需要根据当前所有车辆位置判断是否可以将其加入到车辆配送计划中，判断依据为模型约束。若满足模型约束，在所有可加入车辆中选择最佳车辆及最佳顺序插入该订单；若不满足，则拒绝该客户的请求。单事件驱动的优点在于响应及时，对动态事件的处理较快。但此种周期调度往往无法求出最优解，或许等待一段时间能获得更好的解决方案；单次调度仅处理一个动态事件，会极大地浪费算力资源和增加管理费用。

2、批量事件驱动，批量事件驱动是指新增动态事件的累计数目到达阈值后，再统一处理。批量事件驱动周期调度易受订单产生时间不确定性所制约，适应性较差，存在长时间内动态事件数目小于阈值而不进行调度的可能性。

发明内容

鉴于此，本发明的实施例提供了一种基于LSTM的动态自适应调度周期的订单调度方法，以消除或改善现有技术中存在的一个或更多个缺陷。

本发明的一个方面提供了一种基于LSTM的动态自适应调度周期的订单调度方法，所述方法的步骤包括：

将每个时间周期划分为多个时间片，收集历史数据中每个时间片的订单数量，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量；

将所述参数向量输入到预设的长短时记忆网络模型中，输出预测的未来时间中至少一个时间片的订单数量；

将未来时间中每个时间片的订单数量与预设的订单阈值比对；

若时间片的订单数量大于订单阈值，则基于时间片的时间长度计算调度周期，在该时间片内以调度周期为固定周期，采用固定时长周期调度方法进行订单调度；

若时间片的订单数量不大于订单阈值，则在该时间片内采用单事件驱动调度方法进行订单调度；

基于贪心算法将调度的订单插入原配送计划的车辆路径中，基于聚类算法将多个车辆路径聚类为预设个数的簇，基于邻域搜索算法更新每个簇中的每个车辆路径，组合更新后的车辆路径得到更新配送计划。

采用上述方案，本方案根据历史数据中每个时间片的订单数量，预测未来时间片的订单数量，并设置订单阈值，当时间片的订单数量大于订单阈值时，说明该时间片中订单较多，采用固定时长周期调度方法，每隔固定周期进行订单调度，提高处理资源利用率；当时间片的订单数量不大于订单阈值时，采用单事件驱动调度方法进行订单调度，提高处理效率防止订单长时间搁置；一方面能够避免单事件驱动方法对资源的浪费，另一方面也能避免批量事件驱动方法可能导致的订单长时间搁置。

在本发明的一些实施方式中，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量的步骤中，

计算历史数据中前一日时间片的订单数量平均值和历史数据中前一周时间片的订单数量平均值；

将前一日时间片的订单数量平均值、前一周时间片的订单数量平均值与时间周期中每个时间片的订单数量均作为参数向量的各个维度参数，构建参数向量。

在本发明的一些实施方式中，若该时间片内采用固定时长周期调度方法进行订单调度，则在该时间片内每隔固定周期将订单统一进行调度，更新配送计划；

若该时间片内采用单事件驱动调度方法进行订单调度，则在该时间片内每接收到一个订单即开始调度，更新配送计划。

在本发明的一些实施方式中，在基于时间片的时间长度计算调度周期的步骤中，

若存在连续的时间片，则将连续的时间片的时间长度之和作为调度周期。

在本发明的一些实施方式中，所述调度周期小于订单时间窗的平均值，所述订单时间窗为预计该订单所消耗的时间，订单时间窗的平均值可以为历史数据中多个订单的订单时间窗的平均值。

在本发明的一些实施方式中，所述原配送计划包括多个车辆路径，基于贪心算法将调度的订单插入原配送计划的车辆路径中的步骤包括：

分别计算将订单插入每个车辆路径的每个位置所需的变动时间成本；

基于变动时间成本得到订单的插入位置，完成订单对车辆路径的插入。

在本发明的一些实施方式中，根据如下公式，计算将订单插入每个车辆路径的每个位置所需的变动时间成本：

ΔC_bd＝c_i-1,b+c_b,i-c_i-1,i+c_j-1,d+c_d,j-c_j-1,j；

ΔC_bd表示起点为b，终点为d的订单的变动时间成本；c_i-1,b表示将起点b插入i-1点和i点之间，i-1点到b所需的时间；c_b,i表示将起点b插入i-1点和i点之间，b点到i所需的时间；c_i-1,i表示原车辆路径中i-1点到i点所需的时间；c_j-1,d表示将终点d插入j-1点和j点之间，j-1点到d所需的时间；c_d,j表示将终点d插入j-1点和j点之间，d点到j所需的时间；c_j-1,j表示原车辆路径中j-1点到j点所需的时间。

在本发明的一些实施方式中，基于聚类算法将多个车辆路径聚类为预设个数的簇的步骤包括：

将每个车辆路径作为路径簇，将多个路径簇按照排列组合的方式每两个路径簇作为一个组，计算组中两个路径簇中的车辆路径的相似度，基于相似度计算两个路径簇的簇间距，将所有组中簇间距最小的组中的车辆路径进行合并至同一个路径簇；

重复上述步骤，直到路径簇的个数到达预设个数。

在本发明的一些实施方式中，根据如下公式，计算组中两个路径簇中的车辆路径的相似度：

PS(i1,j1)表示车辆路径i1和j1的相似度，R_i1表示车辆路径i1中订单的集合，p表示R_i1中的任一个订单，R_j1表示车辆路径j1中订单的集合，q表示R_j1中的任一个订单，d(p,q)表示订单p和q之间的距离，l_i1、l_j1分别表示R_i1、R_j1中的订单数目。

在本发明的一些实施方式中，根据如下公式，计算订单之间的距离：

d(p,q)表示订单p和q之间的距离，abs表示绝对值，x_p、y_p分别表示订单p起点的横纵坐标，x_q、y_q分别表示订单q起点的横纵坐标，v表示行驶速度，Δt_pq为订单p，q的预计开始时间的差值。

在本发明的一些实施方式中，根据如下公式，基于相似度计算两个路径簇的簇间距：

d(C_i,C_j)表示路径簇C_i和C_j的簇间距，n_i和n_j分别表示C_i、C_j中车辆路径数，δ、β分别表示C_i、C_j中的车辆路径，PS(δ,β)表示车辆路径δ和β的相似度。

在本发明的一些实施方式中，所述方法在组合更新后的车辆路径得到更新配送计划的步骤之后，还包括步骤：

在更新配送计划中将新加入的订单剔除，将剔除新加入的订单后的更新配送计划作为原配送计划，再次将剔除的订单根据上述步骤计算再次得到更新配送计划，对比两个更新配送计划的结束时间，

若二者结束时间的时间差小于预设的阈值，则判定算法收敛，输出该更新配送计划为最终配送计划；

若二者结束时间的时间差不小于预设的阈值，则再次在更新配送计划中将新加入的订单剔除，重新输出更新配送计划，直到两个更新配送计划的结束时间小于预设的阈值。

本发明的另一方面还提供一种基于LSTM的动态自适应调度周期的订单调度装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。

图1为本发明基于LSTM的动态自适应调度周期的订单调度方法一种实施方式的示意图；

图2为本发明基于LSTM的动态自适应调度周期的订单调度方法另一种实施方式的示意图；

图3为关键点周期调度的流程示意图；

图4为动态自适应调度周期结构示意图；

图5为LSTM模型结构示意图；

图6为LSTM模型预测结果示意图；

图7为动态自适应调度周期模型处理流程示意图；

图8为分层可行解编码示意图；

图9为邻域算子线路内送货点重定位的示意图；

图10为邻域算子线路内订单重定位的示意图；

图11为邻域算子线路间订单重定位的示意图；

图12为邻域算子线路内订单交换的示意图；

图13为邻域算子线路间交换的示意图；

图14为邻域算子订单插入或删除的示意图；

图15为固定时长周期调度流程示意图；

图16为动态事件驱动周期调度流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

现有技术还包括关键点周期调度，如图3所示，关键点周期调度是指在运输网络中选择出部分关键点，每当有运输车辆到达关键点时，进行调度并统一处理产生的动态信息。其思想是系统接收到动态信息后，判断当前所有车辆的状态，将正在运输或者到达目标点的车辆区分出来，把正在前往的下一个目标点或者正在服务的目标点选为关键点，当车辆到达关键点时，则再进行调度。目前常见的关键点有：重要交通节点、堵塞点、客户点等，但关键点周期调度缺乏统一标准，容易导致调度混乱。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

为解决以上问题，如图1、4所示，本发明提出一种基于LSTM的动态自适应调度周期的订单调度方法，所述方法的步骤包括：

步骤S100，将每个时间周期划分为多个时间片，收集历史数据中每个时间片的订单数量，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量；

在本发明的一些实施方式中，所述时间周期可以为一天、一周或一月，若所述时间周期为一天，则每个时间片可以为10分钟、30分钟或者60分钟等，若每个时间片为30分钟，时间周期为一天，则根据时间顺序，将一天内每隔30分钟收集的订单数量向量的维度参数，构建48维的向量，时间周期的各个时间片可以表示为(t₀,t₀+τ],(t₀+τ,t₀+2τ],…,(t₀+(z-1)τ,t₀+zτ]，对应各个时间片的订单数量可以表示为{N₁,N₂,…,N_i,…,N_z}，τ为时间片大小，t₀为初始时间，并进一步将前一日时间片的订单数量平均值和历史数据中前一周时间片的订单数量平均值分别作为第49和50位的维度参数，构建50维的参数向量。

步骤S200，将所述参数向量输入到预设的长短时记忆网络模型中，输出预测的未来时间中至少一个时间片的订单数量；

在本发明的一些实施方式中，所述长短时记忆网络模型的模型结构如图5所示，所述长短时记忆网络模型包括多个隐藏层，每次经过隐藏层均完成图5中运算，图中C_t-1为上一隐藏层输出的细胞状态，h_t-1为上一隐藏层传递的状态，输出C_t和h_t分别作为下一隐藏层的输入，最终输出预测的未来时间中至少一个时间片的订单数量。

步骤S300，将未来时间中每个时间片的订单数量与预设的订单阈值比对；

步骤S410，若时间片的订单数量大于订单阈值，则基于时间片的时间长度计算调度周期，在该时间片内以调度周期为固定周期，采用固定时长周期调度方法进行订单调度；

步骤S420，若时间片的订单数量不大于订单阈值，则在该时间片内采用单事件驱动调度方法进行订单调度；

在本发明的一些实施方式中，在预测出的多个时间片的订单数量中，若第一个时间片内所预测的订单数目小于订单阈值ε，则在该时间片内采用单动态事件驱动调度周期模型确定调度时刻。

其中ε的计算方式可以为上一日时间片订单数目平均值。

判断条件：N₁≤ε，调度时刻为新增订单产生时刻。

若在预测出的多个时间片的订单数量中，从第一个时间片开始连续多个时间片内订单数目大于ε，则将调度周期设置为该连续时间片大小，但不超过最大调度周期

为订单时间窗的平均值，所述订单时间窗的平均值即为多个订单的开始时间到结束时间的平均值，上述多个订单可以为历史数中的订单。

判断条件：N_i>ε,i∈{1,…,c}，N_c+1≤ε,c+1≤z。若

调度周期为c×τ；则调度周期为

其中c的含义为前c个时间片内订单数目均大于ε，而第c+1个时间片内订单数目均小于等于ε。

采用上述方案，如图7所示，图7中规则1为当时间片的订单数量不大于订单阈值时，能够保证在较少订单数目场景下平台具有快速响应客户需求能力，同时不会频繁进行无效的调度。采用单事件驱动调度周期，避免了系统出现长时间等待，不进行调度的情况。图7中规则2为当当时间片的订单数量大于订单阈值时，针对订单数量较多的场景，在同一次调度内处理更多的订单，从全局调度的角度进行优化以增加获取更优解的概率，同时通过设置最大调度周期避免出现超出订单时间窗的问题。

如图6、7所示，在具体实施过程中，假设LSTM模型在t₀时刻，预测未来4个时间片内(t₀,t₀+τ],(t₀+τ,t₀+2τ],(t₀+2τ,t₀+3τ],(t₀+3τ,t₀+4τ]订单数目为[5,3,3,6]，上一日时间片订单数目平均值ε＝2，最大调度周期

可知，(t₀,t₀+4τ]中每个时间片内订单数目均大于2，由于4τ其超过最大周期

因此调度周期设置为3τ，下一次调度时刻为t₀+3τ；后续进入t₀+3τ时刻，系统进行调度优化，并系统重新预测订单数目，重复上述过程进行自适应调整，直至系统终止。

步骤S500，基于贪心算法将调度的订单插入原配送计划的车辆路径中，基于聚类算法将多个车辆路径聚类为预设个数的簇，基于邻域搜索算法更新每个簇中的每个车辆路径，组合更新后的车辆路径得到更新配送计划。

在具体实施过程中，禁忌搜索算法是常见的启发式求解算法，在求解车辆路径问题邻域被广泛使用。虽然禁忌搜索算法通过禁忌表避免了无效的搜索计算，在一定程度上加快了算法收敛速度，但在面对物流平台中订单实时响应的场景中，过慢的计算速度将影响客户体验和车辆配送路径的实时更新。为提高算法框架收敛速度，本发明针对物流平台的车货匹配特点，引入了聚类拆分算子，将原有解拆分为多个子解，并行优化子解，并发执行改进后的禁忌搜索算法。同时，针对取送货约束改进六种邻域算子。由单个运输车辆中货物订单由于容量限制，配送订单较少，采用改进的并行禁忌搜索算法，求解运算时间能极大降低，对于物流平台响应订单和同步车辆配送路径时间大大缩减，提高了客户的体验。

由于变邻域搜索算法在求解带时间窗取送货问题方面有优秀的性能，本发明改进了常见的邻域搜索算子，使其符合取送货约束以及本发明提出的编码方式，共计改进了6种邻域搜索算子。

6种邻域算子如图9至图14所示，其中圆形表示订单取货点，三角形表示订单送货点，方形表示运输车辆，图中黑色和灰色分别表示被选中并调整的两个订单，白色表示未被选中不会调整的订单。在动态取送货问题中需要注意，已取货的订单不可参与线路间的邻域变换，即订单只由一个车辆完成配送。在线路内的邻域变换中，车辆中已取货订单的取货点不参与邻域变换。

其中6种邻域算子中，线路内的变化适用于单独的车辆路径自身的调整，线路间的变化适用于车辆路径之间的调整。

车辆线路内送货点重定位：同一车辆线路内的某一订单已取货但还未送货，因此可重新调度送货点，移动到同一线路内的最佳插入位置，如图9；

线路内订单重定位：将某一订单从一条路径中删除，包括取货点和送货点，并将其重新插入到当前的路径的最佳插入位置，如图10；

线路间订单重定位：选定2辆运输车辆，选择某一个车辆中的某个订单，将其从原车辆路径中删除，并将该订单插入另一车辆的线路的最佳位置，如图11；

线路内订单交换：在同一车辆线路内，选择两个订单进行交换，分别包括取货点和送货点，如图12；

线路间订单交换：选定2辆运输车辆，在2条车辆线路中选择两个订单进行互相交换，如图13；

插入或删除可选订单：将某一订单从路径中插入或移除，并将其更改为已分配或未分配状态，如图14。

采用上述方案，本方案根据历史数据中每个时间片的订单数量，预测未来时间片的订单数量，并设置订单阈值，当时间片的订单数量大于订单阈值时，说明该时间片中订单较多，采用固定时长周期调度方法，每隔固定周期进行订单调度，提高处理资源利用率；当时间片的订单数量不大于订单阈值时，采用单事件驱动调度方法进行订单调度，提高处理效率防止订单长时间搁置；一方面能够避免单事件驱动方法对资源的浪费，另一方面也能避免批量事件驱动方法可能导致的订单长时间搁置。

在具体实施过程中，贪心插入算法初始解构造如下表算法4-2所示，首先从订单集合中选取参与调度的订单，订单包括动态新增和上一周期未参与调度的订单。对于未分配的订单按照利润增加最大的原则将每个订单插入到最佳的车辆和最佳的车辆路径插入位置，若所有车辆路径都不存在该订单的可行插入位置，则放回订单池中，等待下一次调度。直到所有订单都处理完，则生成一个初始的可行解编码。

在本发明的一些实施方式中，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量的步骤中，

计算历史数据中前一日时间片的订单数量平均值和历史数据中前一周时间片的订单数量平均值；

将前一日时间片的订单数量平均值、前一周时间片的订单数量平均值与时间周期中每个时间片的订单数量均作为参数向量的各个维度参数，构建参数向量。

在本发明的一些实施方式中，若该时间片内采用固定时长周期调度方法进行订单调度，则在该时间片内每隔固定周期将订单统一进行调度，更新配送计划；

若该时间片内采用单事件驱动调度方法进行订单调度，则在该时间片内每接收到一个订单即开始调度，更新配送计划。

在本发明的一些实施方式中，在基于时间片的时间长度计算调度周期的步骤中，

若存在连续的时间片，则将连续的时间片的时间长度之和作为调度周期。

在本发明的一些实施方式中，所述调度周期小于订单时间窗的平均值，所述订单时间窗为预计该订单所消耗的时间，订单时间窗的平均值可以为历史数据中多个订单的订单时间窗的平均值。

在本发明的一些实施方式中，所述原配送计划包括多个车辆路径，基于贪心算法将调度的订单插入原配送计划的车辆路径中的步骤包括：

分别计算将订单插入每个车辆路径的每个位置所需的变动时间成本；

基于变动时间成本得到订单的插入位置，完成订单对车辆路径的插入。

在本发明的一些实施方式中，根据如下公式，计算将订单插入每个车辆路径的每个位置所需的变动时间成本：

ΔC_bd＝c_i-1,b+c_b,i-c_i-1,i+c_j-1,d+c_d,j-c_j-1,j；

ΔC_bd表示起点为b，终点为d的订单的变动时间成本；c_i-1,b表示将起点b插入i-1点和i点之间，i-1点到b所需的时间；c_b,i表示将起点b插入i-1点和i点之间，b点到i所需的时间；c_i-1,i表示原车辆路径中i-1点到i点所需的时间；c_j-1,d表示将终点d插入j-1点和j点之间，j-1点到d所需的时间；c_d,j表示将终点d插入j-1点和j点之间，d点到j所需的时间；c_j-1,j表示原车辆路径中j-1点到j点所需的时间。

在所述聚类算法还包括如下表算法4-3所示的算法步骤步骤：

使用聚类算子将当前解拆分，构造出目标数量的子解；

第二步：引入并行计算框架，采用改进后禁忌搜索算法对每个子解改进。

第三步：合并优化后的子解，形成一个新解。

在本发明的一些实施方式中，基于聚类算法将多个车辆路径聚类为预设个数的簇的步骤包括：

将每个车辆路径作为路径簇，将多个路径簇按照排列组合的方式每两个路径簇作为一个组，计算组中两个路径簇中的车辆路径的相似度，基于相似度计算两个路径簇的簇间距，将所有组中簇间距最小的组中的车辆路径进行合并至同一个路径簇；

重复上述步骤，直到路径簇的个数到达预设个数。

在本发明的一些实施方式中，根据如下公式，计算组中两个路径簇中的车辆路径的相似度：

PS(i1,j1)表示车辆路径i1和j1的相似度，R_i1表示车辆路径i1中订单的集合，p表示R_i1中的任一个订单，R_j1表示车辆路径j1中订单的集合，q表示R_j1中的任一个订单，d(p,q)表示订单p和q之间的距离，l_i1、l_j1分别表示R_i1、R_j1中的订单数目。

在本发明的一些实施方式中，根据如下公式，计算订单之间的距离：

d(p,q)表示订单p和q之间的距离，abs表示绝对值，x_p、y_p分别表示订单p起点的横纵坐标，x_q、y_q分别表示订单q起点的横纵坐标，v表示行驶速度，Δt_pq为订单p，q的预计开始时间的差值。

在本发明的一些实施方式中，根据如下公式，基于相似度计算两个路径簇的簇间距：

d(C_i,C_j)表示路径簇C_i和C_j的簇间距，n_i和n_j分别表示C_i、C_j中车辆路径数，δ、β分别表示C_i、C_j中的车辆路径，PS(δ,β)表示车辆路径δ和β的相似度。

采用上述方案，车辆路径聚类的作用是将多个车辆路径划分不同簇，每个簇组装为一个子解。在优化搜索解空间时，具有高度相似子解，更容易获得高质量解。结合车辆路径位置点离散且数量少特性，本发明采用了基于平均距离簇间距的自底向上层次聚类算法。

车辆路径聚类拆分算法流程如下表算法4-4所示。首先，每一条车辆路径作为一个簇；下一步：两两车辆路径簇进行簇间距计算，合并簇间距最小的两个簇，构建出一个新簇；最后，重复执行上述流程，直至到达目标数量车辆路径簇。

在本发明的一些实施方式中，所述方法在组合更新后的车辆路径得到更新配送计划的步骤之后，还包括步骤：

步骤S600，在更新配送计划中将新加入的订单剔除，将剔除新加入的订单后的更新配送计划作为原配送计划，再次将剔除的订单根据上述步骤计算再次得到更新配送计划，对比两个更新配送计划的结束时间，

步骤S710，若二者结束时间的时间差小于预设的阈值，则判定算法收敛，输出该更新配送计划为最终配送计划；

步骤S720，若二者结束时间的时间差不小于预设的阈值，则再次在更新配送计划中将新加入的订单剔除，重新输出更新配送计划，直到两个更新配送计划的结束时间小于预设的阈值。

常见判定是否收敛的方式包括：

最大迭代次数：当前计算迭代次数到达最大迭代次数时，结束求解算法；

求解阈值：当目标函数值小于或大于阈值时，结束求解算法；

收敛精度：检测目标函数值的变化精度，若目标函数值变化满足收敛条件，结束求解算法。

本发明选取第三种作为优化算法的终止条件。设置最大迭代次数终止条件虽可保证在指定时间内结束算法，但存在算法在最大迭代次数仍未收敛和提前收敛仍在进行无效迭代的情况；设置求解阈值的终止条件无法设定合理的阈值保证算法收敛到指定阈值；设置收敛精度终止条件可避免以上两种终止条件的缺点，即能保证算法最终收敛同时减少了无效的迭代，可以准确统计计算时间。

如图8所示，本发明采用了分层的编码方式。其结构多棵“树”组成，其中“树根”是指代时车辆是否参与调度，其中1表示此车辆参与调度，0表示此车辆不参与调度。对于不参与调度的“树根”，其下一层将不会存在“叶子”。“叶子”是指一个自然数序列，表示车辆订单运输顺序以及车辆的行驶路线。“叶子”中的值就是订单编号，例如1，2，3等。由于本模型是取送货问题，一个订单会存在一个取货点和一个送货点，因此在序列中一个订单编号会出现两次。我们约定在前面出现的编号表示订单的取货点，之后出现的编号为送货点，符合先取后送的约束。图8为解的分层编码案例。其中第一层表示运输车辆自然数序列节点：其中1，2，4，9，10编号节点为0，表示车辆不参本次调度；3，5，6，7，8编号车辆参与运输，行驶路径为：3号车：取2号订单→送2号订单；5号车：取7号订单→送7号订单→取10号订单→取8号订单→送10号订单→送8号订单；6号车：取9号订单→送9号订单；7号车：取3号订单→送3号订单；8号车：取5号订单→送5号订单→取6号订单→取1号订单→送1号订单→取4号订单→送6号订单→送4号订单。

在具体实施过程中，步骤S500的步骤可以表示为如下表算法4-1所示，

首先，读取已知的订单和车辆的初始信息。在初始时刻订单还未开始产生，车辆在初始位置分布在各处还未开始运输活动。

第二步，构造初始解，由于未产生订单，所以无订单进行配送。因此初始解为空解，即所有车辆无配送路径。

第三步，进入车辆周期调度，同步车辆位置信息。经过一轮周期调度，车辆按照原规划路径行驶。按照车辆位置信息是否变化，可分为正在运输的车辆、停止运输的车辆、未参与运输调度的车辆。

第四步，根据调度周期，统计处周期内动态产生的订单并将其放入订单池中。

第五步，选择可参与调度的车辆以及从未配送的订单池中选择参与调度的订单，采用贪心算法按照利润最大将订单插入车辆中。

第六步，进行解改进。引入聚类拆分算子进行解拆分后，利用禁忌搜索算法优化子解，并将子解重新组装后产生新解。

第七步，进行解评估和记录新解。

第八步，根据调度周期模型，计算得出下一次调度时刻，并进行周期调度。

第九步，满足终止条件后，停止调度。

本发明的有益效果包括：

1、本申请由于采用了LSTM预测未来一段时间内产生的订单数目，取得了物流平台可以根据动态信息的变化灵活调整周期调度模型及其参数，避免了设置较小周期无法在连续长时间内求解全局最优解，设置较大周期导致订单响应速度过慢影响客户体验的问题。

2、本申请由于改进了插入算法、邻域搜索算子并设计了基于车辆路径相似度的聚类拆分算子，提高了并行求解算法框架的求解速度和求解质量，达到了与物流平台实时性相匹配的效果。

3、本申请提出了一种基于LSTM的动态自适应调度周期模型，该模型可预测未来一段时间内产生的订单数目并动态调整调度周期参数。

4、本申请设计了一种基于禁忌搜索和聚类拆分算子的并行求解算法框架求解上述问题。为快速构建初始可行解，框架中改进了插入算法；设计了基于车辆路径相似度聚类拆分算子，将初始解拆分为多个子解后采用禁忌搜索算法并行优化，提高求解速度和质量，匹配物流平台的实时性；最后改进了送货点重定位、订单重定位、订单交换等6种邻域搜索算子来满足动态取送货约束。

本发明实施例还提供一种基于LSTM的动态自适应调度周期的订单调度装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于LSTM的动态自适应调度周期的订单调度方法所实现的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，所述方法的步骤包括：

将每个时间周期划分为多个时间片，收集历史数据中每个时间片的订单数量，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量；

将所述参数向量输入到预设的长短时记忆网络模型中，输出预测的未来时间中至少一个时间片的订单数量；

将未来时间中每个时间片的订单数量与预设的订单阈值比对；

若时间片的订单数量大于订单阈值，则基于时间片的时间长度计算调度周期，在该时间片内以调度周期为固定周期，采用固定时长周期调度方法进行订单调度；

若时间片的订单数量不大于订单阈值，则在该时间片内采用单事件驱动调度方法进行订单调度；

基于贪心算法将调度的订单插入原配送计划的车辆路径中，基于贪心算法将调度的订单插入原配送计划的车辆路径中的步骤包括：

分别计算将订单插入每个车辆路径的每个位置所需的变动时间成本；

根据如下公式，计算将订单插入每个车辆路径的每个位置所需的变动时间成本：

ΔC_bd＝c_i-1，b+c_b，i-c_i-1，i+c_j-1，d+c_d，j-c_j-1，j；

ΔC_bd表示起点为b，终点为d的订单的变动时间成本；c_i-1，b表示将起点b插入i-1点和i点之间，i-1点到b所需的时间；c_b，i表示将起点b插入i-1点和i点之间，b点到i所需的时间；c_i-1，i表示原车辆路径中i-1点到i点所需的时间；c_j-1，d表示将终点d插入j-1点和j点之间，j-1点到d所需的时间；c_d，j表示将终点d插入j-1点和j点之间，d点到j所需的时间；c_j-1，j表示原车辆路径中j-1点到j点所需的时间；

基于变动时间成本得到订单的插入位置，完成订单对车辆路径的插入；

基于聚类算法将多个车辆路径聚类为预设个数的簇，基于邻域搜索算法更新每个簇中的每个车辆路径，组合更新后的车辆路径得到更新配送计划，基于聚类算法将多个车辆路径聚类为预设个数的簇的步骤包括：将每个车辆路径作为路径簇，将多个路径簇按照排列组合的方式每两个路径簇作为一个组，计算组中两个路径簇中的车辆路径的相似度，基于相似度计算两个路径簇的簇间距，将所有组中簇间距最小的组中的车辆路径进行合并至同一个路径簇；重复上述步骤，直到路径簇的个数到达预设个数。

2.根据权利要求1所述的基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，将每个时间片的订单数量作为向量的维度参数，构建历史时间周期的参数向量的步骤中，

计算历史数据中前一日时间片的订单数量平均值和历史数据中前一周时间片的订单数量平均值；

将前一日时间片的订单数量平均值、前一周时间片的订单数量平均值与时间周期中每个时间片的订单数量均作为参数向量的各个维度参数，构建参数向量。

3.根据权利要求1所述的基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，若该时间片内采用固定时长周期调度方法进行订单调度，则在该时间片内每隔固定周期将订单统一进行调度，更新配送计划；

若该时间片内采用单事件驱动调度方法进行订单调度，则在该时间片内每接收到一个订单即开始调度，更新配送计划。

4.根据权利要求1所述的基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，根据如下公式，计算组中两个路径簇中的车辆路径的相似度：

PS(i1，j1)表示车辆路径i1和j1的相似度，R_i1表示车辆路径i1中订单的集合，p表示R_i1中的任一个订单，R_j1表示车辆路径j1中订单的集合，q表示R_j1中的任一个订单，d(p，q)表示订单p和q之间的距离，l_i1、l_j1分别表示R_i1、R_j1中的订单数目。

5.根据权利要求4所述的基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，根据如下公式，基于相似度计算两个路径簇的簇间距：

d(C_i，C_j)表示路径簇C_i和C_j的簇间距，n_i和n_j分别表示C_i、C_j中车辆路径数，δ、β分别表示C_i、C_j中的车辆路径，PS(δ，β)表示车辆路径δ和β的相似度。

6.根据权利要求1或5所述的基于LSTM的动态自适应调度周期的订单调度方法，其特征在于，所述方法在组合更新后的车辆路径得到更新配送计划的步骤之后，还包括步骤：

在更新配送计划中将新加入的订单剔除，将剔除新加入的订单后的更新配送计划作为原配送计划，再次将剔除的订单根据上述步骤计算再次得到更新配送计划，对比两个更新配送计划的结束时间，

若二者结束时间的时间差小于预设的阈值，则判定算法收敛，输出该更新配送计划为最终配送计划；

若二者结束时间的时间差不小于预设的阈值，则再次在更新配送计划中将新加入的订单剔除，重新输出更新配送计划，直到两个更新配送计划的结束时间小于预设的阈值。

7.一种基于LSTM的动态自适应调度周期的订单调度装置，其特征在于，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1-6任一项所述方法所实现的步骤。

Images