CN115496425B - 一种基于生产计划的厂区物流车辆调度方法及系统 - Google Patents
一种基于生产计划的厂区物流车辆调度方法及系统 Download PDFInfo
- Publication number
- CN115496425B CN115496425B CN202211421100.2A CN202211421100A CN115496425B CN 115496425 B CN115496425 B CN 115496425B CN 202211421100 A CN202211421100 A CN 202211421100A CN 115496425 B CN115496425 B CN 115496425B
- Authority
- CN
- China
- Prior art keywords
- logistics
- standard
- vehicle
- road
- traffic
- 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.)
- Active
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于厂区物流车辆调度的技术领域,涉及一种基于生产计划的厂区物流车辆调度方法及系统,具体为:获取数据计算各物流生产节拍中产生的标准物流车辆OD交通量,对其在厂区路网上进行交通流分配,得到各进口道的初步到达率;根据物流车辆历史行驶数据构建并训练神经网络,利用服务水平评判标准中可接受的延误数据,输出各进口道的标准到达率;比较两者确定需要优化的物流生产节拍以及该物流生产节拍需要优化的具体进口道;调整优化,得到最终物流生产计划,对物流车辆进行调度。采用本发明的技术方案避免了厂区交叉口的拥堵,无需改变厂区内部几何线型优化成本小,在改善交通状况的同时保证了厂区生产的正常运行,符合现代精益物流的要求。
Description
技术领域
本发明涉及厂区物流车辆调度的技术领域,具体涉及一种基于生产计划的厂区物流车辆调度方法及系统。
背景技术
随着我国经济的高速发展,各厂区的产能不断增大,使得厂内交通物流状况日益紧张,厂区内部交通拥堵的状况经常发生,降低了精益物流中物料配送的准时性。参考处理城市的交通拥堵问题常考虑的解决思路是工程性改造、城市道路交通组织优化、城市道路的交通需求管理。
工程性改造是指增加道路的车道数,或者对交叉口进行拓宽,对于厂区的道路通行状况可能有着较显著的改善,但这需要增加运行成本,并且还影响到厂区生产的正常运行,并不是最优的选择。
城市道路交通组织优化的主要手段是指交叉口信号控制优化、单行线管理、限速管理等,很明显,交叉口信号控制优化不适用于厂区交通,因为厂区交叉口多半没有达到设置信号灯的条件;单行线管理也不适合厂区,厂区内的出入口是固定的,单行线管理极大可能会增加物流车辆运送距离,延长物料的配送时间;另外,限速管理主要用于提高交通安全,并不是降低交通拥堵的有效手段。
城市交通需求管理的主要方法是单双号出行、限时出行、停车收费等策略。单双号和限时出行会影响物料的送达,无法满足正常的生产要求;停车收费是通过收费限制车辆的出行,对于厂区而言,很明显上述手段无法用于厂区交通需求管理。
综上所述,现有的处理城市的交通拥堵问题的一些技术手段并不适用于厂区,要想从根本上避免厂区内部的交通拥堵,需要剖析促使车辆到达的根源,很显然物流生产计划是决定厂区车辆到达的根本,因此亟需开发一套考虑物流生产计划而优化车辆到达进而避免交通拥堵的方法及系统。
发明内容
为解决背景技术中存在的问题,本发明的第一个目的是提供一种基于生产计划的厂区物流车辆调度方法,技术方案如下:
一种基于生产计划的厂区物流车辆调度方法,包括以下步骤:
步骤S1:获取厂区物流生产计划、厂区路网数据以及物流车辆历史行驶数据,并计算各物流生产节拍中产生的标准物流车辆OD交通量;
步骤S2:根据厂区物流生产计划,对各物流生产节拍中所产生的标准物流车辆OD交通量,在厂区路网上进行交通流分配,得到各物流生产节拍下路网交叉口各进口道的初步到达率;
步骤S3:根据物流车辆历史行驶数据构建并训练GA-BP神经网络,利用服务水平评判标准中可接受的延误数据,输出各物流生产节拍下路网交叉口各进口道的标准到达率;
步骤S4:比较初步到达率与标准到达率,确定需要优化的物流生产节拍以及该物流生产节拍需要优化的具体路网交叉口进口车道;
步骤S5:调整优化,得到最终物流生产计划;
步骤S6:将最终物流生产计划下的车辆到达安排作为最终结果,对物流车辆进行调度。
作为本发明的优选,步骤S1中,厂区物流生产计划包括:物流生产节拍、各物流生产节拍运输物的名称、各物流生产节拍运输物品包装的长宽高、标准物流车辆车厢的体积、标准物流车辆的平均积载率、车辆换算系数;
厂区路网数据包括:厂区路网的拓扑结构、路段最大通行能力、路段零流交通阻抗;
物流车辆历史行驶数据包括:一个月内各物流生产节拍下不同路网交叉口各进口道车辆的到达率与相应的延误数据,以及不同路网交叉口各进口道内不同OD间标准物流车辆交通量的历史比例数据。
作为本发明的优选,获取物流车辆历史行驶数据方法包括以下步骤:
步骤A1:通过厂区路侧的实体监控装置,获取一个月内各物流生产节拍中各路网交叉口的车流视频;
步骤A2:基于计算机视觉,对车流视频中的车辆进行识别,并通过识别的结果计算各路网交叉口各进口道车辆的车均延误数据及标准物流车辆到达率,统计各进口道内不同OD间标准物流车辆交通量的历史比例数据;
其中,标准物流车辆到达率的计算公式为:
式中,λ为标准物流车辆的到达率,μ为根据识别的结果得到实际车辆的到达率,ρ为车辆换算系数。
作为本发明的优选,步骤S1中标准物流车辆OD交通量的计算方法包括以下步骤:
步骤B1:计算各物流生产节拍在厂区路网上产生的各OD交通量所对应需要运送的N种运送货物的总体积Q:
步骤B2:计算该OD间出行的标准物流车辆交通量T:
作为本发明的优选,步骤S2中的交通流分配方法包括以下步骤:
步骤C1:确定路阻函数为美国道路局的BPR函数:
步骤C2:根据增量加载分配的方法进行交通流分配,具体为:将要分配的OD交通量分成K组;按照0-1分配,每分配1组OD交通量后,都根据路阻函数修正路权,直至所有的OD交通量都被分配完毕。
作为本发明的优选,步骤S3中,需为每一个路网交叉口构建一个GA-BP神经网络,GA-BP神经网络的构建方法包括以下步骤:
步骤D1:确定输入层、输出层节点个数:
式中,m为输入层节点个数;z为该路网交叉口拥有的进口道数量;输出层节点数量数值与z相同;
步骤D2:确定激活函数为Leaky ReLU函数:
步骤D3:依据输入层节点个数确定隐藏层节点个数:
将该路网交叉口各进口道历史节拍下的车均延误数据以及所在节拍的编号作为输入,历史节拍下各进口道标准物流车辆到达率作为输出,训练GA-BP神经网络;确定可接受服务水平评判标准中对应的最大延误数据,将其作为训练完毕的GA-BP神经网络输入数据,由GA-BP神经网络输出该路网交叉口各进口道对应的标准到达率。
作为本发明的优选,步骤S5中,调整优化的方法包括以下步骤:
步骤E1:将初步到达率与标准到达率做差,乘以该物流生产节拍时间,得到该物流生产节拍路网交叉口进口道超出标准到达率的车辆总数,参照该物流生产节拍下对应进口道内不同OD间标准物流车辆交通量的历史比例数据,计算超出标准到达率的车辆中不同OD间交通量;
步骤E2:将超出标准到达率,不同OD间的标准物流车辆,按其原路径转移到其他较为合适的物流生产节拍中;对于首物流生产节拍或将车流量转移后导致接受的物流生产节拍的交叉口进口道车辆到达率超出其标准到达率的情况,考虑在一天的生产计划后添加一个终物流生产节拍,将第二天中此类物流生产节拍运送的物品提前运送,或通过增大车辆的积载率减少物流车辆的方式解决;
步骤E3:将转移的不同OD间的标准物流车辆运送各物品的数量,从被优化的物流生产节拍中除去,得到优化后的最终物流生产计划。
作为本发明的优选,转移的不同OD间的标准物流车辆运送各物品数量的获得方法包括以下步骤:
步骤F1:计算转移的不同OD间的标准物流车辆运送物品的总体积:
步骤F2:计算转移的不同OD间的标准物流车辆运送各物品的体积:
步骤F3:计算转移的不同OD间的标准物流车辆运送各物品的数量:
本发明的另一个目的是提供一种基于生产计划的厂区物流车辆调度系统,包括:输入端口,预处理模块,视频处理模块,数据存储模块,交通流分配模块,神经网络标准到达率预测模块,分析优化模块,输出端口;
所述输入端口用于将获得的厂区物流生产计划、厂区路网数据、厂区路侧提供的监控视频输入到数据存储模块中;
所述预处理模块基于输入端口输入的厂区物流生产计划及厂区路网数据,计算各物流生产节拍中产生的标准物流车辆OD交通量,并将上述所有得到的结果输出到数据存储模块中;
所述视频处理模块基于计算机视觉,对输入端口输入的监控视频进行识别,并通过识别的结果计算交叉口各进口道车辆的车均延误数据及标准物流车辆到达率,统计各进口道内前往不同OD间标准物流车辆交通量的历史比例数据,并将上述所有得到的结果输出到数据存储模块中;
所述数据存储模块用于存储所有从各模块输入的数据,以及存储服务水平评价标准基础数据,供其他模块调取;
所述交通流分配模块用于取用数据存储模块中存储的标准物流车辆OD交通量对并进行交通流分配,将得到的各交叉口进口道初步到达率输出到数据存储模块进行存储;
所述神经网络标准到达率预测模块用于构建GA-BP神经网络,并从数据存储模块中调取物流车辆历史行驶数据,依据这些历史数据对神经网络进行训练,训练完毕后,可从数据存储模块中调取服务水平评价标准,使用该GA-BP神经网络将各物流生产节拍下不同交叉口各进口道标准到达率输出给数据存储模块进行存储;
所述分析优化模块用于调取数据存储模块中的各交叉口进口道的初步到达率和标准到达率,分析确定需要优化的物流生产节拍,对该物流生产节拍下需要优化的交叉口进行优化,并根据优化结果调整物流生产计划,将最终生产计划下车辆到达安排输出到输出端口;
所述输出端口用于将优化后的最终物流生产计划下的车辆到达安排以可视化的形式输出。
本发明的有益效果如下:
本发明提供的基于生产计划的厂区物流车辆调度方法及系统,利用厂区路网基本数据和物流车辆历史行驶数据对GA-BP神经网络进行训练,得到各物流生产节拍下不同交叉口进口道的标准到达率,精确地对需要调整的物流生产节拍进行车辆的到达优化,最终为厂区提供一套符合现代精益物流标准的车辆调度方法及系统,不需要改变厂区内部几何线型,减小优化成本、改善交通状况避免了厂区交叉口的拥堵的同时可以保证厂区产能的稳定,提高物料配送的准时性。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为本发明的方法流程框图。
图2为本发明的系统结构框图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点,下面结合附图对本申请进行详细描述,但并不用于限定本发明的保护范围。
实施例1
参阅图1所示:
一种基于生产计划的厂区物流车辆调度方法,包括以下步骤:
步骤S1:获取厂区物流生产计划、厂区路网数据以及物流车辆历史行驶数据,并计算各物流生产节拍中产生的标准物流车辆OD交通量;
步骤S2:根据厂区物流生产计划,对各物流生产节拍中所产生的标准物流车辆OD交通量,在厂区路网上进行交通流分配,得到各物流生产节拍下路网交叉口各进口道的初步到达率;
步骤S3:根据物流车辆历史行驶数据构建并训练GA-BP神经网络,利用服务水平评判标准中可接受的延误数据,输出各物流生产节拍下路网交叉口各进口道的标准到达率;
步骤S4:比较初步到达率与标准到达率,确定需要优化的物流生产节拍以及该物流生产节拍需要优化的具体路网交叉口进口车道;
步骤S5:调整优化,得到最终物流生产计划;
步骤S6:将最终物流生产计划下的车辆到达安排作为最终结果,对物流车辆进行调度。
进一步地,步骤S1中,厂区物流生产计划至少包括:物流生产节拍、各物流生产节拍运输物的名称、各物流生产节拍运输物品包装的长宽高、标准物流车辆车厢的体积、标准物流车辆的平均积载率、车辆换算系数;
厂区路网数据至少包括:厂区路网的拓扑结构、路段最大通行能力、路段零流交通阻抗;
物流车辆历史行驶数据至少包括:一个月内各物流生产节拍下不同路网交叉口各进口道车辆的到达率与相应的延误数据,以及不同路网交叉口各进口道内不同OD间标准物流车辆交通量的历史比例数据。
进一步地,获取物流车辆历史行驶数据方法包括以下步骤:
步骤A1:通过厂区路侧的实体监控装置,获取一个月内各物流生产节拍中各路网交叉口的车流视频;
步骤A2:基于计算机视觉,对车流视频中的车辆进行识别,并通过识别的结果计算各路网交叉口各进口道车辆的车均延误数据及标准物流车辆到达率,统计各进口道内不同OD间标准物流车辆交通量的历史比例数据;
其中,标准物流车辆到达率的计算公式为:
式中,λ为标准物流车辆的到达率,μ为根据识别的结果得到实际车辆的到达率,ρ为车辆换算系数。
进一步地,步骤S1中标准物流车辆OD交通量的计算方法包括以下步骤:
步骤B1:计算各物流生产节拍在厂区路网上产生的各OD交通量所对应需要运送的N种运送货物的总体积Q:
步骤B2:计算该OD间出行的标准物流车辆交通量T:
进一步地,步骤S2中的交通流分配方法包括以下步骤:
步骤C1:确定路阻函数为美国道路局的BPR函数:
步骤C2:根据增量加载分配的方法进行交通流分配,具体为:将要分配的OD交通量分成K组;按照0-1分配(全有全无分配),每分配1组OD交通量后,都根据路阻函数修正路权,直至所有的OD交通量都被分配完毕。
进一步地,步骤S3中,需为每一个路网交叉口构建一个GA-BP神经网络,GA-BP神经网络的构建方法包括以下步骤:
步骤D1:确定输入层、输出层节点个数:
式中,m为输入层节点个数;z为该路网交叉口拥有的进口道数量;输出层节点数量数值与z相同;
步骤D2:确定激活函数为Leaky ReLU函数:
步骤D3:依据输入层节点个数确定隐藏层节点个数:
将该路网交叉口各进口道历史节拍下的车均延误数据以及所在节拍的编号作为输入,历史节拍下各进口道标准物流车辆到达率作为输出,训练GA-BP神经网络;确定可接受服务水平评判标准中对应的最大延误数据,将其作为训练完毕的GA-BP神经网络输入数据,由GA-BP神经网络输出该路网交叉口各进口道对应的标准到达率,其中服务水平评判标准为:公安部技术监督委员会批准的推荐性行标《道路交通拥堵度评价方法》,可接受的最大延误数据,依照《道路交通拥堵度评价方法》中提供的无信号控制交叉口最大车均延误与交通拥堵程度的对应关系,可接受的交通拥堵程度为畅通时,对应的最大车均延误为:35s;可接受的交通拥堵程度为轻度拥堵时,对应的最大车均延误为:50s。
进一步地,步骤S5中,调整优化的方法包括以下步骤:
步骤E1:将初步到达率与标准到达率做差,乘以该物流生产节拍时间,得到该物流生产节拍路网交叉口进口道超出标准到达率的车辆总数,参照该物流生产节拍下对应进口道内不同OD间标准物流车辆交通量的历史比例数据,计算超出标准到达率的车辆中不同OD间交通量;
步骤E2:将超出标准到达率,不同OD间的标准物流车辆,按其原路径转移到其他较为合适的物流生产节拍中;对于首物流生产节拍或将车流量转移后导致接受的物流生产节拍的交叉口进口道车辆到达率超出其标准到达率的情况,考虑在一天的生产计划后添加一个终物流生产节拍,将第二天中此类物流生产节拍运送的物品提前运送,或通过增大车辆的积载率减少物流车辆的方式解决;
步骤E3:将转移的不同OD间的标准物流车辆运送各物品的数量,从被优化的物流生产节拍中除去,得到优化后的最终物流生产计划。
进一步地,转移的不同OD间的标准物流车辆运送各物品数量的获得方法包括以下步骤:
步骤F1:计算转移的不同OD间的标准物流车辆运送物品的总体积:
步骤F2:计算转移的不同OD间的标准物流车辆运送各物品的体积:
步骤F3:计算转移的不同OD间的标准物流车辆运送各物品的数量:
实施例2
参阅图2所示:
一种基于生产计划的厂区物流车辆调度系统,包括:输入端口,预处理模块,视频处理模块,数据存储模块,交通流分配模块,神经网络标准到达率预测模块,分析优化模块,输出端口;
所述输入端口用于将获得的厂区物流生产计划、厂区路网数据、物流车辆历史行驶数据、厂区路侧提供的监控视频输入到数据存储模块中;
所述预处理模块基于输入端口输入的厂区物流生产计划及厂区路网数据,计算各物流生产节拍中产生的标准物流车辆OD交通量,并将上述所有得到的结果输出到数据存储模块中;
所述视频处理模块基于计算机视觉,对输入端口输入的监控视频进行识别,并通过识别的结果计算交叉口各进口道车辆的车均延误数据及标准物流车辆到达率,统计各进口道内前往不同OD间标准物流车辆交通量的历史比例数据,并将上述所有得到的结果输出到数据存储模块中;
所述数据存储模块用于存储所有从各模块输入的数据,以及存储《道路交通拥堵度评价方法》中的服务水平评价标准等基础数据,供其他模块调取;
所述交通流分配模块用于取用数据存储模块中存储的标准物流车辆OD交通量并进行交通流分配,将得到的各交叉口进口道初步到达率输出到数据存储模块进行存储;
所述神经网络标准到达率预测模块用于构建GA-BP神经网络,并从数据存储模块中调取物流车辆历史行驶数据,依据这些历史数据对神经网络进行训练,训练完毕后,可从数据存储模块中调取服务水平评价标准,使用该GA-BP神经网络将各物流生产节拍下不同交叉口各进口道标准到达率输出给数据存储模块进行存储;
所述分析优化模块用于调取数据存储模块中的各交叉口进口道的初步到达率和标准到达率,分析确定需要优化的物流生产节拍,对该物流生产节拍下需要优化的交叉口进行优化,并根据优化结果调整物流生产计划,将最终生产计划下车辆到达安排输出到输出端口;
所述输出端口用于将优化后的最终物流生产计划下的车辆到达安排以可视化的形式输出。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于生产计划的厂区物流车辆调度方法,其特征在于,包括以下步骤:
步骤S1:获取厂区物流生产计划、厂区路网数据以及物流车辆历史行驶数据,并计算各物流生产节拍中产生的标准物流车辆OD交通量;
步骤S2:根据厂区物流生产计划,对各物流生产节拍中所产生的标准物流车辆OD交通量,在厂区路网上进行交通流分配,得到各物流生产节拍下路网交叉口各进口道的初步到达率;
步骤S3:根据物流车辆历史行驶数据构建并训练GA-BP神经网络,利用服务水平评判标准中可接受的延误数据,输出各物流生产节拍下路网交叉口各进口道的标准到达率;
步骤S4:比较初步到达率与标准到达率,确定需要优化的物流生产节拍以及该物流生产节拍需要优化的具体路网交叉口进口车道;
步骤S5:调整优化,得到最终物流生产计划;
步骤S6:将最终物流生产计划下的车辆到达安排作为最终结果,对物流车辆进行调度;
步骤S5中,调整优化的方法包括以下步骤:
步骤E1:将初步到达率与标准到达率做差,乘以该物流生产节拍时间,得到该物流生产节拍路网交叉口进口道超出标准到达率的车辆总数,参照该物流生产节拍下对应进口道内不同OD间标准物流车辆交通量的历史比例数据,计算超出标准到达率的车辆中不同OD间交通量;
步骤E2:将超出标准到达率,不同OD间的标准物流车辆,按其原路径转移到其他较为合适的物流生产节拍中;对于首物流生产节拍或将车流量转移后导致接受的物流生产节拍的交叉口进口道车辆到达率超出其标准到达率的情况,考虑在一天的生产计划后添加一个终物流生产节拍,将第二天中此类物流生产节拍运送的物品提前运送,或通过增大车辆的积载率减少物流车辆的方式解决;
步骤E3:将转移的不同OD间的标准物流车辆运送各物品的数量,从被优化的物流生产节拍中除去,得到优化后的最终物流生产计划;
转移的不同OD间的标准物流车辆运送各物品数量的获得方法包括以下步骤:
步骤F1:计算转移的不同OD间的标准物流车辆运送物品的总体积:
Vj=cj×V×δ
式中,Vj为第j个OD间的标准物流车辆运送物品的体积;cj为第j个OD间的转移车辆数;V为标准物流车辆体积;δ为标准物流车辆积载率;
步骤F2:计算转移的不同OD间的标准物流车辆运送各物品的体积:
式中,vij为转移的第j个OD间的标准物流车辆运送第i种运输物品的体积,kj为转移的第j个OD间的标准物流车辆中运输物品种类数目;
步骤F3:计算转移的不同OD间的标准物流车辆运送各物品的数量:
2.根据权利要求1所述的一种基于生产计划的厂区物流车辆调度方法,其特征在于:步骤S1中,厂区物流生产计划包括:物流生产节拍、各物流生产节拍运输物的名称、各物流生产节拍运输物品包装的长宽高、标准物流车辆车厢的体积、标准物流车辆的平均积载率、车辆换算系数;
厂区路网数据包括:厂区路网的拓扑结构、路段最大通行能力、路段零流交通阻抗;
物流车辆历史行驶数据包括:一个月内各物流生产节拍下不同路网交叉口各进口道车辆的到达率与相应的延误数据,以及不同路网交叉口各进口道内不同OD间标准物流车辆交通量的历史比例数据。
6.根据权利要求5所述的一种基于生产计划的厂区物流车辆调度方法,其特征在于:步骤S3中,需为每一个路网交叉口构建一个GA-BP神经网络,GA-BP神经网络的构建方法包括以下步骤:
步骤D1:确定输入层、输出层节点个数:
m=z+1
式中,m为输入层节点个数;z为该路网交叉口拥有的进口道数量;输出层节点数量数值与z相同;
步骤D2:确定激活函数为Leaky ReLU函数:
L-ReLU(x)=max(αx,x),α>0
步骤D3:依据输入层节点个数确定隐藏层节点个数:
n=2m+1
式中,α为常数;n为隐藏层节点个数;m为输入层节点个数;
将该路网交叉口各进口道历史节拍下的车均延误数据以及所在节拍的编号作为输入,历史节拍下各进口道标准物流车辆到达率作为输出,训练GA-BP神经网络;确定可接受服务水平评判标准中对应的最大延误数据,将其作为训练完毕的GA-BP神经网络输入数据,由GA-BP神经网络输出该路网交叉口各进口道对应的标准到达率。
7.根据权利要求6所述的一种基于生产计划的厂区物流车辆调度方法的系统,其特征在于,包括:输入端口,预处理模块,视频处理模块,数据存储模块,交通流分配模块,神经网络标准到达率预测模块,分析优化模块,输出端口;
所述输入端口用于将获得的厂区物流生产计划、厂区路网数据、厂区路侧提供的监控视频输入到数据存储模块中;
所述预处理模块基于输入端口输入的厂区物流生产计划及厂区路网数据,计算各物流生产节拍中产生的标准物流车辆OD交通量,并将标准物流车辆OD交通量输出到数据存储模块中;
所述视频处理模块基于计算机视觉,对输入端口输入的监控视频进行识别,并通过识别的结果计算交叉口各进口道车辆的车均延误数据及标准物流车辆到达率,统计各进口道内前往不同OD间标准物流车辆交通量的历史比例数据,并将上述所有得到的结果输出到数据存储模块中;
所述数据存储模块用于存储所有从各模块输入的数据,以及存储服务水平评价标准基础数据,供其他模块调取;
所述交通流分配模块用于取用数据存储模块中存储的标准物流车辆OD交通量对并进行交通流分配,将得到的各交叉口进口道初步到达率输出到数据存储模块进行存储;
所述神经网络标准到达率预测模块用于构建GA-BP神经网络,并从数据存储模块中调取物流车辆历史行驶数据,依据这些历史数据对神经网络进行训练,训练完毕后,可从数据存储模块中调取服务水平评价标准,使用该GA-BP神经网络将各物流生产节拍下不同交叉口各进口道标准到达率输出给数据存储模块进行存储;
所述分析优化模块用于调取数据存储模块中的各交叉口进口道的初步到达率和标准到达率,分析确定需要优化的物流生产节拍,对该物流生产节拍下需要优化的交叉口进行优化,并根据优化结果调整物流生产计划,将最终生产计划下车辆到达安排输出到输出端口;
所述输出端口用于将优化后的最终物流生产计划下的车辆到达安排以可视化的形式输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211421100.2A CN115496425B (zh) | 2022-11-15 | 2022-11-15 | 一种基于生产计划的厂区物流车辆调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211421100.2A CN115496425B (zh) | 2022-11-15 | 2022-11-15 | 一种基于生产计划的厂区物流车辆调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496425A CN115496425A (zh) | 2022-12-20 |
CN115496425B true CN115496425B (zh) | 2023-03-03 |
Family
ID=85115727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211421100.2A Active CN115496425B (zh) | 2022-11-15 | 2022-11-15 | 一种基于生产计划的厂区物流车辆调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496425B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0425404A2 (en) * | 1989-10-23 | 1991-05-02 | International Business Machines Corporation | Automated re-work shop order scheduling system |
CN115035724A (zh) * | 2022-07-13 | 2022-09-09 | 吉林大学 | 一种基于生态编队的物流车准时化运输车路协同管控方法 |
CN115293390A (zh) * | 2021-04-15 | 2022-11-04 | 山东金钟科技集团股份有限公司 | 一种厂外物流规划系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120100601A (ko) * | 2011-03-04 | 2012-09-12 | 주식회사 한국무역정보통신 | 스마트 물류네트워크의 최적화시스템 |
CN113327416B (zh) * | 2021-04-14 | 2022-09-16 | 北京交通大学 | 基于短时交通流预测的城市区域交通信号控制方法 |
-
2022
- 2022-11-15 CN CN202211421100.2A patent/CN115496425B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0425404A2 (en) * | 1989-10-23 | 1991-05-02 | International Business Machines Corporation | Automated re-work shop order scheduling system |
CN115293390A (zh) * | 2021-04-15 | 2022-11-04 | 山东金钟科技集团股份有限公司 | 一种厂外物流规划系统及方法 |
CN115035724A (zh) * | 2022-07-13 | 2022-09-09 | 吉林大学 | 一种基于生态编队的物流车准时化运输车路协同管控方法 |
Non-Patent Citations (2)
Title |
---|
实时环境下的物流配送车辆调度优化及网格计算研究;周贵仔等;《机械制造》;20081120(第12期);全文 * |
汽车制造企业智慧物流路径规划与调度及其应用研究;张倩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115496425A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830531B (zh) | 一种智能分类物流仓储系统 | |
CN113361804B (zh) | 缓冲堆场作业与码头间集卡运输协同调度系统及其方法 | |
CN108364127B (zh) | 一种路网客流协同控制优化系统 | |
Daganzo | An approximate analytic model of many-to-many demand responsive transportation systems | |
CN102110368B (zh) | 高速公路换牌逃费车辆的自动稽查方法 | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN103606267B (zh) | 基于产生点-吸引点的港口道路网络交通量智能预判方法 | |
CN112434849A (zh) | 基于改进多目标算法的危险品运输路径动态规划方法 | |
KR101385057B1 (ko) | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 | |
CN107016857A (zh) | 一种信控交叉口左转交通组合设计优化方法 | |
CN108038651A (zh) | 一种物流运输监控追溯管理系统 | |
WO2023279409A1 (zh) | 一种基于物流追踪的路径优化方法 | |
CN113313453B (zh) | 一种基于互联网的防水涂料货运管理系统 | |
CN108364093B (zh) | 基于能力瓶颈疏解策略的路网客流协同控制优化方法 | |
CN111047858A (zh) | 一种融合算法的公交客流出行od确定方法及装置 | |
CN110223014A (zh) | 一种基于地下轨道货运的多式联运物流系统 | |
CN115496425B (zh) | 一种基于生产计划的厂区物流车辆调度方法及系统 | |
CN114742502B (zh) | 一种成品油管道输送协调优化系统 | |
CN115187169A (zh) | 基于协同路径规划的物流配送系统及方法 | |
Moutaoukil et al. | Modeling a logistics pooling strategy for Agri-Food SMEs | |
CN108921326B (zh) | 一种基于相似度学习的智能文化基因物流配送方法 | |
CN112926915B (zh) | 一种物流大数据统计管理系统 | |
CN109886502A (zh) | 一种减少夜间配送噪音影响的路线选择方法 | |
Zheng | Solving vehicle routing problem: A big data analytic approach | |
CN117022398A (zh) | 考虑客流分配的城市轨道交通列车时刻表优化方法及系统 |
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 |