CN116050978A - 配送路线规划方法、装置、服务端设备及存储介质 - Google Patents
配送路线规划方法、装置、服务端设备及存储介质 Download PDFInfo
- Publication number
- CN116050978A CN116050978A CN202211736622.1A CN202211736622A CN116050978A CN 116050978 A CN116050978 A CN 116050978A CN 202211736622 A CN202211736622 A CN 202211736622A CN 116050978 A CN116050978 A CN 116050978A
- Authority
- CN
- China
- Prior art keywords
- target
- order
- delivery
- vehicle
- delivered
- 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
- G06Q10/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种配送路线规划方法、装置、服务端设备及存储介质。在本申请实施例中,从已经注册的多种类型的车辆中选择与待配送订单的货物信息适配的目标配送车辆,在保证待配送车辆能够正常装载待配送订单的前提下,结合目标配送车辆承载待配送订单的最佳省油时速以及待配送订单的收货地址和货物信息等方面的因素,利用第一网络模型,规划目标车辆的最佳的省油路线,解决了仅依据车辆百里油耗来规划的配送路线,耗油量大的问题,大大节省了配送订单的耗油量,提高了物流行业的经济效益。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种配送路线规划方法、装置、服务端设备及存储介质。
背景技术
随着消费方式的转变,网络订单物流配送已经与人们的生活息息相关,在当下物流配送行业很发达的情况下,如何实现物流配送耗油量最小化,获得更大的经济效益,是当前物流配送的关键问题。
目前,配送车辆的车辆类型不同,通常是通过配送方手动输入车辆百里耗油量来推算最佳的省油配送路线。仅靠车辆靠百里耗油量来规划的省油配送路线,耗油量也比较大。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
为解决或改善现有技术中存在的问题,本申请各实施例提供了一种配送路线规划方法、装置、服务端设备及存储介质。
在本申请的一个实施例中,提供了一种配送路线规划方法,包括:
获取待配送订单的详情信息,详情信息包括待配送订单的收货地址和货物信息;从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆;获取目标配送车辆承载待配送订单的最佳省油时速;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,目标规划方案包括目标省油配送路线;将目标省油配送路线发送至与目标配送车辆关联的客户端设备。
在本申请的另一个实施例中,提供了一种配送路线规划装置,包括:
获取模块,用于获取待配送订单的详情信息,详情信息包括待配送订单的收货地址和货物信息;选择模块,用于从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆;获取模块,还用于获取目标配送车辆承载待配送订单的最佳省油时速;计算模块,用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,目标规划方案包括目标省油配送路线;发送模块,用于将目标省油配送路线发送至与目标配送车辆关联的客户端设备。
在本申请的再一个实施例中,提供了一种电子设备,包括:存储器和处理器;其中,存储器,用于存储计算机程序;处理器耦合至存储器,用于执行计算程序以用于执行上述配送路线规划方法中的步骤。
在本申请的又一个实施例中,提供了一种存储有计算机指令的计算机可读存储介质,当计算机指令被一个或多个处理器执行时,致使一个或多个处理器执行上述配送路线规划方法中的步骤。
本申请各实施例提供的技术方案,从已经注册的多种类型的车辆中选择与待配送订单的货物信息适配的目标配送车辆,在保证待配送车辆能够正常装载待配送订单的前提下,结合目标配送车辆承载待配送订单的最佳省油时速以及待配送订单的收货地址和货物信息等方面的因素,利用第一网络模型,规划目标车辆的最佳的省油配送路线,解决了仅依据车辆百里油耗来规划的配送路线,耗油量大的问题,节省了配送订单过程中的耗油量,提高了物流行业的经济效益。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请一示例性实施例提供的配送路线规划方法的流程示意图;
图2为本申请一示例性实施例提供的配送路线规划装置的结构示意图;
图3为本申请一示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和有点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
假设一用户需要搬家,从物流相关的应用程序中下单从A地将行李运输到B地。现有技术中,APP会让先用户选择自己需要的配送车辆的类型和需要运输行李的时间,司机师傅驾车在用户规定的时间到A地搬运行李,在出发前司机师傅会输入当前车辆的百里油耗,根据车辆的百里油耗和A、B两地之间的距离,为司机师傅推荐省油配送路线。但是上述规划路线的方式只考虑了百里油耗,并没有考虑车辆的行驶速度对耗油量的影响,也没有考虑到所推荐的配送路线的实时路况对行驶速度、行驶时间及耗油量的影响,例如,是否堵车、红路灯数量、路面情况等,且上述因素都是与运输过程中运输时间的长短、耗油量的多少等息息相关的。
针对现有基于车辆百里油耗推荐货物配送路线导致的耗油量还是比较大的技术问题,本申请一些实施例给出一种解决方案,在该方案中,从已经注册的多种类型的车辆中选择与待配送订单的货物信息适配的目标配送车辆,在保证待配送车辆能够正常装载待配送订单的前提下,结合目标配送车辆承载待配送订单的最佳省油时速以及待配送订单的收货地址和货物信息等方面的因素,利用第一网络模型,规划目标车辆的最佳的省油路线,解决了仅依据车辆百里油耗来规划的配送路线,耗油量大的问题,大大节省了配送订单的耗油量,提高了物流行业的经济效益。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。此外,下文描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
图1为本申请一示例性实施例提供的配送路线规划方法的流程示意图。
如图1,该方法包括:
101、获取待配送订单的详情信息,详情信息包括待配送订单的收货地址和货物信息;
102、从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆;
103、获取目标配送车辆承载待配送订单的最佳省油时速;
104、根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,目标规划方案包括目标省油配送路线;
105、并将目标省油配送路线发送至与目标配送车辆关联的客户端设备。
在本实施例中,在用户有货物运输需求时,可以通过终端设备安装的物流配送相关的应用程序进行下单。其中,终端设备可以是智能手持设备,例如智能手机、平板电脑,可以是台式设备,例如笔记本电脑或台式电脑等,也可以是智能穿戴设备,例如智能手表、智能手环等,还可以是各种带有显示屏幕的智能家电,例如智能电视、智能大屏或智能机器人等可以实现网络通信且能安装应用程序的智能设备。应用程序可以是独立的APP,也可以是依赖于独立APP运行的小程序。本申请对终端设备和应用程序的实现形态和类型不做限定。
在本实施例中,用户在下单时会填写订单的详情信息,订单的详情信息至少包括该订单的收货地址和货物信息,货物信息至少包括货物的重量和体积,体积包括货物的长、宽及高。进一步,根据具体配送场景的不同,订单的详情信息还会包括其他内容,例如,如果是搬家的场景,还需要用户输入取货地址和取货时间。进一步,在用户下单成功后,该订单的状态从处于下单状态转变为待配送订单状态,并且该订单也会产生对应的订单标号,订单标号也属于详情信息,且随着下单的成功,待配送订单的详情信息会存储到与下单的应用程序具有通信连接的服务端中。
在本实施例中,司机还可以通过终端设备进行车辆注册,加入到配送车辆的行列。在进行车辆注册时,填写的注册信息至少包括:车辆的配置信息、运载能力,车辆的配置信息也就是车辆的参数,车辆的配置信息至少包括:车辆的型号、发送机的型号、摩擦系数、转速、排量、车辆自重等信息,运载能力至少包括车辆可以承载货物的重量和体积。随着车辆的注册成功,注册信息会存储至与终端设备具有通信连接的服务端。另外,本实施例中,还可以与其他物流平台共享用于订单配送的车辆资源,由此丰富了配送车辆的类型,可选择性更大,容易找到与订单更加适配的配送车辆。
在需要对待配送的订单进行配送时,可以根据订单编号获取待配送订单的详情信息,根据待配送订单的详情信息从多种类型的注册配送车辆中确定目标配送车辆。为了节省运力,可以尽量选择与待配送订单的货物信息适配的车辆进行配送,也就是说,选择承载能力与待配送订单的重量和体积接近的车辆进行配送。在本实施例中,确定与待配送订单的货物信息适配的目标配送车辆的一具体实施方式如下:利用网络模型,计算待配送订单的体积和重量与多个配送车辆中每个配送车辆的适配度,为了便于描述和区分,将该网络模型称为第一网络模型;进一步,对适配度进行排序,并将排序满足预设名次所对应的配送车辆作为目标配送车辆。优选地,选择适配度排名第一送对应的配送车辆作为目标配送车辆。
其中,第一网络模型包括但不局限于:逻辑回归模型、支持向量机(SupportVector Machine,SVM)模型、随机森林模型、梯度提升决策树(Gradient BoostingDecision Tree,GBDT)模型、轻量级梯度提升模型(Light Gradient Boosting Model,LightGBM)、深度神经网络模型等,当然也可以是融合上述多种模型的集成学习算法。
在一可选实施例中,利用网络模型,计算待配送订单的体积和重量分别与多个配送车辆中每个配送车辆的体积和重量的适配度的一具体实施方式如下:获取待配送订单的体积分别与多个配送车辆可承载货物的体积的匹配度,获取待配送订单的重量分别与多个配送车辆可承载货物的重量的匹配度,以及获取重量和体积在货物配送中分别对应的权重;进一步,根据待配送订单的重量及体积分别与多个配送车辆的重量及体积的匹配度,计算加权平均值;将加权平均值作为待配送订单的体积及重量分别与多个配送车辆中每个配送车辆的体积及重量的适配度。例如,目前存在车辆A、车辆B、车辆C,三种车辆的承载能力各不相同,但都可以配送当前的待配送订单。通过上述实施方式计算后车辆A、车辆B、车辆C与待配送订单的适配度分别为适配度1、适配度2、适配度3,且适配度1>适配度2>适配度3,则选择适配度取值最大的适配度1所对应的车辆作为目标配送车辆。
在确定目标配送车辆后,需要确定目标配送车辆配送待配送订单的配送路线。具体地,首先根据待配送订单的收货地址,确定多个候选配送路线;进一步,从多个候选配送路线中确定目标配送车辆最省油的配送路线,为了便于描述和区分,将目标配送车辆最省油的配送路线称为目标配送路线。
在本实施例中,只要能将待配送订单成功送达至收货地址的路线,都可以作为候选配送路线。例如,要将待配送订单送至收货地途中需要经过1个路口,从出发地至途经路口之间有M条路,从途经路口至收货地之间有N条路,则出发地至途经路口之间的M条路中任选一条路,且从途经路口至收货地之间的N条路口也任选一条路都可以将待配送订单成功送达至收货地,即候选配送路线有M*N条选择。
在本实施例中,每个车辆都具备最佳省油时速,最佳省油时速是指车辆在行驶过程中耗油量最少时所对应的行驶速度。考虑到不同车辆具有各自的最佳省油时速,且同一车辆在空载和承载货物时的最佳省油时速是不同的,车辆的最佳省油时速与承载货物的重量也具有一定的变量关系。因此,为了在配送订单的过程中节省耗油量,提高配送收入,从多个候选配送路线中确定目标配送车辆最省油的配送路线的一具体实施方式为:根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用网络模型计算得到规划方案,规划方案至少包括目标配送车辆配送待配送订单的最省油配送路线。为了便于区分和描述,将该网络模型称为第二网络模型,将规划方案称为目标规划方案,将最省油路线称为目标省油路线。
其中,第二网络模型可以是规划函数,也可以是具有计算功能的计算模型,但无论第二网络模型是规划函数,还是计算模型,其对输入值都具有多个优化条件,这些优化条件的作用为从第二网络模型的输出结果中确定出最小值,在本实施例中,从第二网络模型的输出结果中确定出最小值的含义为确定出目标配送车辆最省油的配送路线。
在本实施例中,服务端存储有注册车辆的配置信息表,则获取目标配送车辆承载订单的最佳省油时速,包括:获取目标配送车辆的配置信息;根据配置信息,从预设表格中选择与配置信息关联的最佳空载省油时速以及最佳空载省油时速与载重的变量关系;根据目标配送车辆的最佳空载省油时速以及最佳空载省油时速与载重的变量关系,确定目标配送车辆承载订单的最佳省油时速。
在一可选实施例中,根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络计算得到目标规划方案的一具体实施方式如下:获取第一网络模型;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,确定至少一组规划初始值;进一步,根据至少一组规划初始值作为第二网络模型的入参,执行第二网络模型得到输出结果;进一步,将输出结果满足优化条件的一组优化数值,作为目标规划方案。
其中,优化条件包括:目标配送车辆的行驶速度不超过最佳省油时速的预设偏差区间,预设偏差区间的含义为目标配送车辆的行驶速度在该区间内的耗油量无限接近以最佳省油时速行驶时的耗油量;进一步,优化条件还包括:目标配送车辆按照配送路线运输产生的耗油量小于预设耗油量;配送路线对应的运输时长小于或等于预设时长;配送路线对应的运输距离小于或等于预设长度;待配送订单不超过目标配送车辆的承载能力。也就是说,以待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速作为入参,在上述优化条件的共同优化下,输出得到在目标配送车辆承载订单时的最佳省油时速的预设偏差区间内耗油量最小、运输时长较小、运输距离较短的目标配送路线。
进一步,考虑到候选配送路线的各路段的实时路况也会影响车辆的时速,例如,途经商场或者学校人流量大、极端天气路面不顺畅等,这些都可以概括为拥挤度,根据各路段实时拥挤度需要实时调整车辆的时速。因此,在从候选配送路线中选择目标配送路线的时候,应放弃拥挤度较大从而导致车辆的时速不能满足在最佳省油时速的预设偏差区间范围内的路线。需要说明的是,配送路线各路段的实时路况的收集可以是通过各注册车辆在配送各订单的过程中对路况信息进行实时采集并实时上传至服务端,也可以从交通部门获取实时的路况信息。
因此,在另一可选实施例中,根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络计算得到目标规划方案的另一具体实施方式如下:获取候选路径中各路段的实时路况信息,实时路况信息包括各路段的拥挤度;获取第一网络模型;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速及候选配送路线中各路段的拥挤度,确定至少一组规划初始值;进一步,根据至少一组规划初始值作为第二网络模型的入参,执行第二网络模型得到输出结果;进一步,将输出结果满足优化条件的一组优化数值,作为目标规划方案。
其中,优化结束条件包括:目标配送车辆的行驶速度不超过最佳省油时速的预设偏差区间;目标配送车辆按照配送路线运输产生的耗油量小于预设耗油量;候选配送路线中各路段的拥挤度小于或等于预设拥挤度;省油路线对应的运输时长小于或等于预设时长;省油路线对应的运输距离小于或等于预设长度;待配送订单不超过目标车辆的承载能力。也就是说,在待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速及候选配送路线中各路段的拥挤度作为入参,在上述优化条件的共同优化下,输出得到在最佳省油时速的预设偏差区间内耗油量最小、运输时长较小、运输距离较短的目标配送路线。
可选地,为了进一步满足配送方(配送公司)的要求,提升“收益”,还可以获取配送方其他方面的配送要求,配送要求除上述优化条件中的要求外,还可以是配送路线上公共场所(学校或商场等)数量小于预设数量、红路灯的个数小于预设数量等;此时,根据待配送订单的收货地址和货物信息、目标配送车辆的最佳省油时速,利用第一网络模型计算得到目标规划方案的一具体实施方式:根据订单的收货地址和货物信息、目标配送车辆承载订单的最佳省油时速、候选配送路线中各路段的拥挤度及配送方的配送要求,利用第二网络模型计算得到目标规划方案。
进一步地,在得到目标省油配送路线后,将目标省油路线发送至与所述目标配送车辆关联的客户端设备,以使司机根据目标省油路线驾驶目标配送车辆,完成订单的配送。
可选地,为了进一步优化确定省油配送路线的功能,若根据目标规划方案配送订单的过程中至少一个参数无法达到优化结束条件,则输出提示信息,以便于更改目标规划方案。
图2为本申请一示例性实施例提供的配送路线规划装置。如图2所示,包括:
获取模块21,用于获取待配送订单的详情信息,详情信息包括待配送订单的收货地址和货物信息;
选择模块22,用于从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆;
获取模块21,还用于获取目标配送车辆承载待配送订单的最佳省油时速;
计算模块23,用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,目标规划方案包括目标省油配送路线;
发送模块24,用于将目标省油配送路线发送至与目标配送车辆关联的客户端设备。
进一步可选地,计算模块23,在用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案时,具体用于:获取第一网络模型;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,确定至少一组规划初始值;根据至少一组规划初始值作为第一网络模型的入参,执行第一网路模型得到输出结果;将输出结果满足优化条件的一组优化数值作为目标规划方案。
进一步地,该装置还用于:根据待配送订单的收货地址,确定候选配送路线;获取候选配送路线中各路段的实时路况信息,实时路况信息包括各路段的拥挤度;以及,优化结束条件包括:目标配送车辆按照配送路线运输产生的耗油量小于预设耗油量;目标配送车辆的行驶速度不超过最佳省油时速的预设偏差区间;候选配送路线中各路段的拥挤度小于或等于预设拥挤度;配送路线对应的运输时长小于或等于预设时长;配送路线对应的运输距离小于或等于预设长度;待配送订单货物总量不超过目标车辆的承载能力。
可选地,待配送订单的货物信息包括:货物的体积和重量;以及,选择模块22,在用于从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆时,具体用于:利用第二网络模型,计算待配送订单的体积和重量分别与多种配送车辆中每个配送车辆的用于承载货物的体积和重量的适配度;对适配度进行排序,并将排序满足预设排名所对应的配送车辆作为目标配送车辆。
可选地,获取模块21,在用于获取目标配送车辆承载待配送订单的最佳省油时速时,具体用于:获取目标配送车辆的配置信息;根据配置信息,从预设表格中选择与配置信息关联的最佳空载省油时速以及最佳空载省油时速与载重的变量关系;根据目标配送车辆的最佳空载省油时速以及最佳空载省油时速与载重的变量关系,确定目标配送车辆承载待配送订单的最佳省油时速。
进一步该装置还用于:获取配送方的配送要求;以及,计算模块23,在用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案时,具体用于:根据订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速及配送方的配送要求,利用第一网络模型计算得到目标规划方案。
进一步地,该装置还用于:若根据目标规划方案配送待配送订单的过程中无法满足任意一个优化结束条件,则输出提示信息,以便于调整目标规划方案。
这里需要说明的是:上述实施例提供的配送路线规划装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图3为本申请一示例性实施例提供的服务端设备的结构示意图。如图3所示,包括:存储器30a和处理器30b;其中,存储器30a,用于存储计算机程序;处理器30b耦合至存储器30a,用于执行计算机程序以用于执行以下步骤:
获取待配送订单的详情信息,详情信息包括待配送订单的收货地址和货物信息;从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆;获取目标配送车辆承载待配送订单的最佳省油时速;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,目标规划方案包括目标省油配送路线;将目标省油配送路线发送至与目标配送车辆关联的客户端设备。
进一步可选地,处理器30b在用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案时,具体用于:获取第一网络模型;根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,确定至少一组规划初始值;根据至少一组规划初始值作为第一网络模型的入参,执行第一网路模型得到输出结果;将输出结果满足优化条件的一组优化数值作为目标规划方案。
进一步地,处理器30b还用于:根据待配送订单的收货地址,确定候选配送路线;获取候选配送路线中各路段的实时路况信息,实时路况信息包括各路段的拥挤度;以及,优化结束条件包括:目标配送车辆按照配送路线运输产生的耗油量小于预设耗油量;目标配送车辆的行驶速度不超过最佳省油时速的预设偏差区间;候选配送路线中各路段的拥挤度小于或等于预设拥挤度;配送路线对应的运输时长小于或等于预设时长;配送路线对应的运输距离小于或等于预设长度;待配送订单货物总量不超过目标车辆的承载能力。
可选地,待配送订单的货物信息包括:货物的体积和重量;以及,处理器30b在用于从多种类型的注册配送车辆中确定与待配送订单的货物信息适配的目标配送车辆时,具体用于:利用第二网络模型,计算待配送订单的体积和重量分别与多种配送车辆中每个配送车辆的用于承载货物的体积和重量的适配度;对适配度进行排序,并将排序满足预设排名所对应的配送车辆作为目标配送车辆。
可选地,处理器30b在用于获取目标配送车辆承载待配送订单的最佳省油时速时,具体用于:获取目标配送车辆的配置信息;根据配置信息,从预设表格中选择与配置信息关联的最佳空载省油时速以及最佳空载省油时速与载重的变量关系;根据目标配送车辆的最佳空载省油时速以及最佳空载省油时速与载重的变量关系,确定目标配送车辆承载待配送订单的最佳省油时速。
进一步,处理器30b还用于:获取配送方的配送要求;以及,处理器30b在用于根据待配送订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案时,具体用于:根据订单的收货地址和货物信息、目标配送车辆承载待配送订单的最佳省油时速及配送方的配送要求,利用第一网络模型计算得到目标规划方案。
进一步地,处理器30b还用于:若根据目标规划方案配送待配送订单的过程中无法满足任意一个优化结束条件,则输出提示信息,以便于调整目标规划方案。
在一些可选实施方式中,如图3所示,该计算机设备还可以包括:电源组件30c、通信组件30d、音频组件30e等可选组件。图3中仅示意性给出部分组件,并不意味着计算机设备必须包含图3所示全部组件,也不意味着计算机设备只能包括图3所示组件。
本申请一示例性实施例还提供存储有计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行以上配送路线规划方法中的步骤,具体内容可参考上文,在此不再赘述。
上述处理器除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程坐标确定设备的处理器以产生一个机器,使得通过计算机或其他可编程坐标确定设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程坐标确定设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程坐标确定设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(f l ash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(trans i tory med i a),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配送路线规划方法,其特征在于,包括:
获取待配送订单的详情信息,所述详情信息包括所述待配送订单的收货地址和货物信息;
从多种类型的注册配送车辆中确定与所述待配送订单的货物信息适配的目标配送车辆;
获取所述目标配送车辆承载所述待配送订单的最佳省油时速;
根据所述待配送订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,所述目标规划方案包括目标省油配送路线;
将所述目标省油配送路线发送至与所述目标配送车辆关联的客户端设备。
2.根据权利要求1所述的方法,其特征在于,根据所述待配送订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,包括:
获取第一网络模型;
根据所述待配送订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速,确定至少一组规划初始值;
根据所述至少一组规划初始值作为所述第一网络模型的入参,执行所述第一网路模型得到输出结果;
将输出结果满足优化条件的一组优化数值作为目标规划方案。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述待配送订单的收货地址,确定候选配送路线;
获取所述候选配送路线中各路段的实时路况信息,实时路况信息包括各路段的拥挤度;
以及,所述优化结束条件包括:
所述目标配送车辆按照配送路线运输产生的耗油量小于预设耗油量;
所述目标配送车辆的行驶速度不超过最佳省油时速的预设偏差区间;
所述候选配送路线中各路段的拥挤度小于或等于预设拥挤度;
所述配送路线对应的运输时长小于或等于预设时长;
所述配送路线对应的运输距离小于或等于预设长度;
所述待配送订单货物总量不超过目标车辆的承载能力。
4.根据权利要求1所述的方法,其特征在于,所述待配送订单的货物信息包括:货物的体积和重量;以及,从多种类型的注册配送车辆中确定与所述待配送订单的货物信息适配的目标配送车辆,包括:
利用第二网络模型,计算所述待配送订单的体积和重量分别与所述多种配送车辆中每个配送车辆的用于承载货物的体积和重量的适配度;
对所述适配度进行排序,并将排序满足预设排名所对应的配送车辆作为目标配送车辆。
5.根据权利要求1所述的方法,其特征在于,获取所述目标配送车辆承载所述待配送订单的最佳省油时速,包括:
获取所述目标配送车辆的配置信息;
根据所述配置信息,从预设表格中选择与所述配置信息关联的最佳空载省油时速以及所述最佳空载省油时速与载重的变量关系;
根据所述目标配送车辆的最佳空载省油时速以及所述最佳空载省油时速与载重的变量关系,确定所述目标配送车辆承载所述待配送订单的最佳省油时速。
6.根据权利要求1所述的方法,其特征在于,还包括:
获取配送方的配送要求;
以及,根据所述待配送订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,包括:
根据所述订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速及所述配送方的配送要求,利用第一网络模型计算得到目标规划方案。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
若根据目标规划方案配送所述待配送订单的过程中无法满足任意一个优化结束条件,则输出提示信息,以便于调整目标规划方案。
8.一种配送路线规划装置,其特征在于,包括:
获取模块,用于获取待配送订单的详情信息,所述详情信息包括所述待配送订单的收货地址和货物信息;
选择模块,用于从多种类型的注册配送车辆中确定与所述待配送订单的货物信息适配的目标配送车辆;
获取模块,还用于获取所述目标配送车辆承载所述待配送订单的最佳省油时速;
计算模块,用于根据所述待配送订单的收货地址和货物信息、所述目标配送车辆承载所述待配送订单的最佳省油时速,利用第一网络模型计算得到目标规划方案,所述目标规划方案包括目标省油配送路线;
发送模块,用于将所述目标省油配送路线发送至与所述目标配送车辆关联的客户端设备。
9.一种电子设备,其特征在于,包括:存储器和处理器;其中,所述存储器,用于存储计算机程序;所述处理器耦合至所述存储器,用于执行所述计算机程序以用于执行权利要求1-7中任一项所述的配送路线规划方法中的步骤。
10.一种存储有计算机指令的计算机可读存储介质,其特征在于,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行权利要求1-7中任一项所述的配送路线规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211736622.1A CN116050978A (zh) | 2022-12-30 | 2022-12-30 | 配送路线规划方法、装置、服务端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211736622.1A CN116050978A (zh) | 2022-12-30 | 2022-12-30 | 配送路线规划方法、装置、服务端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050978A true CN116050978A (zh) | 2023-05-02 |
Family
ID=86115877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211736622.1A Pending CN116050978A (zh) | 2022-12-30 | 2022-12-30 | 配送路线规划方法、装置、服务端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050978A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332912A (zh) * | 2023-09-26 | 2024-01-02 | 山东浪潮爱购云链信息科技有限公司 | 一种智能订单排线方法及设备 |
CN118115071A (zh) * | 2024-03-27 | 2024-05-31 | 北京振海通达供应链管理有限公司 | 一种物流货运车辆运输监管系统 |
-
2022
- 2022-12-30 CN CN202211736622.1A patent/CN116050978A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332912A (zh) * | 2023-09-26 | 2024-01-02 | 山东浪潮爱购云链信息科技有限公司 | 一种智能订单排线方法及设备 |
CN117332912B (zh) * | 2023-09-26 | 2024-05-28 | 山东浪潮爱购云链信息科技有限公司 | 一种智能订单排线方法及设备 |
CN118115071A (zh) * | 2024-03-27 | 2024-05-31 | 北京振海通达供应链管理有限公司 | 一种物流货运车辆运输监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Deep Q-learning for same-day delivery with vehicles and drones | |
Zhou et al. | Model and algorithm for bilevel multisized terminal location‐routing problem for the last mile delivery | |
Manchella et al. | Flexpool: A distributed model-free deep reinforcement learning algorithm for joint passengers and goods transportation | |
CN116050978A (zh) | 配送路线规划方法、装置、服务端设备及存储介质 | |
Nair et al. | Scheduling and routing models for food rescue and delivery operations | |
Pavone et al. | Robotic load balancing for mobility-on-demand systems | |
Braekers et al. | Challenges in managing empty container movements at multiple planning levels | |
Angeloudis et al. | A strategic repositioning algorithm for bicycle-sharing schemes | |
WO2017167128A1 (zh) | 一种物流资源的调度方法、设备及系统 | |
US20170046653A1 (en) | Planning of transportation requests | |
Repoussis et al. | A web-based decision support system for waste lube oils collection and recycling | |
Jansen et al. | Operational planning of a large-scale multi-modal transportation system | |
CN107316167A (zh) | 一种配送商的基于门店位置的配送方法及装置 | |
US20180308039A1 (en) | System and Method for Dynamically Establishing A Regional Distribution Center Truck Flow Graph to Distribute Merchandise | |
Dalla Chiara et al. | Exploring benefits of cargo-cycles versus trucks for urban parcel delivery under different demand scenarios | |
Nahmias-Biran et al. | From traditional to automated mobility on demand: a comprehensive framework for modeling on-demand services in SimMobility | |
CN112396368A (zh) | 配送路线的规划方法及系统、服务端设备 | |
CN110544055A (zh) | 订单处理方法和装置 | |
CN115409439A (zh) | 基于改进蚁群算法的多车型供应链调度方法及电子设备 | |
Jevinger et al. | Consignment-level allocations of carbon emissions in road freight transport | |
CN107274084A (zh) | 一种基于标准箱的订单智能调度方法、系统及终端 | |
Montecinos et al. | Transport carriers’ cooperation on the last-mile delivery in urban areas | |
CN112215467A (zh) | 订单推送方法及系统、服务端设备、客户端设备 | |
Xue et al. | A combined GA-TS algorithm for two-echelon dynamic vehicle routing with proactive satellite stations | |
Zhang et al. | Hybrid evolutionary optimization for takeaway order selection and delivery path planning utilizing habit data |
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 |