CN116739321A - 一种运输任务调度方法和系统 - Google Patents
一种运输任务调度方法和系统 Download PDFInfo
- Publication number
- CN116739321A CN116739321A CN202311027397.9A CN202311027397A CN116739321A CN 116739321 A CN116739321 A CN 116739321A CN 202311027397 A CN202311027397 A CN 202311027397A CN 116739321 A CN116739321 A CN 116739321A
- Authority
- CN
- China
- Prior art keywords
- task
- vehicle
- target vehicle
- schedulable
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 239000013598 vector Substances 0.000 description 50
- 230000000875 corresponding effect Effects 0.000 description 49
- 238000009826 distribution Methods 0.000 description 41
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 241000713826 Avian leukosis virus Species 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种运输任务调度方法和系统,该方法基于中央调度器执行,包括:响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,调度参考信息包括可调度车辆的已完成任务值,若可调度车辆为首次参与任务调度的车辆,则可调度车辆的已完成任务值为运力池中已参与过任务调度的车辆的已完成任务值中的最小值;基于调度参考信息和预设条件,确定目标车辆;向目标车辆下发任务执行指令;响应于获取到目标车辆的任务完成反馈,基于目标车辆对应的任务累加值,更新目标车辆的已完成任务值。
Description
技术领域
本说明书涉及运输任务调度领域,特别涉及一种运输任务调度方法和系统。
背景技术
近年来,随着物流市场的不断扩大,对物流园区、集装箱码头、干散货码头等封闭环境下的水平运输任务能力提出了更高的要求。而目前任务分配方案局限于人工指定任务给车辆,水平运输的公平性和效率主要依赖人工解决。
鉴于此,为实现智能化、自动化水平运输分配和车辆调度任务,CN111612234B提供了一种集装箱码头水平运输可视化系统,该系统可以基于智能调度算法与策略用于存储基础数据、与外部系统进行交互、进行集装箱搬运任务的AGV智能分配与优化,并对车辆通行进行综合管理,实现任务智能分配与优化,提高作业效率。但该方法仅对车辆调度路径进行智能汇划与动态调整,未考虑用于运输作业的车辆选择问题。
因此,亟需提供一种运输任务调度方法和系统,通过可调度车辆的相关信息选择作业车辆,待车辆任务完成后,及时更新车辆的任务完成累积情况;同时,可以结合车辆自身状态以及作业历史,实现自动化分配任务订单,提高水平运输任务分配和车辆调度的合理性,实现智能化高效率水平运输。
发明内容
本说明书一个或多个实施例提供一种运输任务调度方法,所述方法基于中央调度器执行,包括:响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,所述调度参考信息包括所述可调度车辆的已完成任务值,若所述可调度车辆为首次参与任务调度的车辆,则所述可调度车辆的所述已完成任务值为运力池中已参与过任务调度的车辆的已完成任务值中的最小值;基于所述调度参考信息和预设条件,确定目标车辆;向所述目标车辆下发任务执行指令;响应于获取到所述目标车辆的任务完成反馈,基于所述目标车辆对应的任务累加值,更新所述目标车辆的所述已完成任务值。
本说明书一个或多个实施例提供一种运输任务调度系统,所述系统包括运力池和中央调度器,其中,所述运力池用于保存可调度车辆的状态数据和所述可调度车辆的所述状态数据的统计数据;所述中央调度器用于:响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,所述调度参考信息包括所述可调度车辆的已完成任务值,若所述可调度车辆为首次参与任务调度的车辆,则所述可调度车辆的所述已完成任务值为运力池中已参与过任务调度的车辆的已完成任务值中的最小值;基于所述调度参考信息和预设条件,确定目标车辆;向所述目标车辆下发任务执行指令;响应于获取到所述目标车辆的任务完成反馈,基于所述目标车辆对应的任务累加值,更新所述目标车辆的所述已完成任务值。
本说明书一个或多个实施例提供一种运输任务调度装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现运输任务调度方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行运输任务调度方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的运输任务调度系统的示例性模块图;
图2是根据本说明书一些实施例所示的运输任务调度方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定目标车辆的优先级对应的任务累加值的示意图;
图4是根据本说明书一些实施例所示的确定目标车辆的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
在物流运输的应用场景中,综合物流运输的自动化发展现状,考虑可持续性发展需求与低碳绿色发展目标,自动化合理分配大型运输场地(如物流园区、集装箱码头、干散货码头等)中水平运输设备进行作业,成为提升水平运输任务作业能力的关键一环。本说明书的一些实施例提供一种运输任务调度方法,在集装箱码头运输作业中,获取到运输任务后,通过累积数据从可以调度的自动升降车(Automated Lifting Vehicles,ALV)中选择出目标ALV用于执行运输任务,并在任务完成后及时更新该ALV的已完成任务累积数据。结合ALV自身状态以及作业历史,做出任务分配决策,提高水平运输任务分配和ALV调度的合理性,实现集装箱码头高效率水平运输。
在乘客运输的应用场景中,车辆调度是客运调度的重要内容之一。车辆调度包括车辆配备与调度安排,根据客运需求和资源情况,合理安排和调度客车、列车等运输工具。本说明书的一些实施例提供一种运输任务调度方法,在乘客运输作业中,获取到乘客运输任务后,通过累积数据从可以调度的车辆中选择出目标车辆用于执行运输任务,并在任务完成后及时更新该车辆的已完成任务累积数据。结合车辆自身状态以及作业历史,制定车辆调度计划,提高车辆调度合理性,实现乘客高效率运输,满足乘客的出行需求。
图1是根据本说明书一些实施例所示的运输任务调度系统的示例性模块图。如图1所示,运输任务调度系统100可以包括运力池110和中央调度器120。以下将对本说明书实施例所涉及的运输任务调度系统100进行详细说明。需要注意的是,以下实施例仅用于解释本说明书,并不构成对本说明书的限定。
运力池110可以用于保存可调度车辆的状态数据和可调度车辆的状态数据的统计数据。
可调度车辆是指可以用于参与运输任务调度的车辆。可调度车辆为运力池中的车辆。在一些实施例中,可调度车辆可以向运输任务调度系统100上报自身的车辆状态。其中,车辆状态可以包括执行任务状态、空闲状态。
状态数据是指可调度车辆的作业状态的相关数据,例如,某一作业周期内已完成的任务数量。
状态数据的统计数据是指所有可调度车辆的作业状态的统计数据,例如,所有可调度车辆中已完成任务数量最少的可调度车辆,及其已完成的任务数量。
中央调度器120是指用于负责根据作业任务属性和运力池中记录的车辆状态做出任务分配决策的模块。在一些实施例中,中央调度器120可以为可编程逻辑控制器(Programmable Logic Controller,PLC)等。
在一些实施例中,中央调度器120可以用于响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,调度参考信息包括可调度车辆的已完成任务值;基于调度参考信息和预设条件,确定目标车辆;向目标车辆下发任务执行指令;响应于获取到目标车辆的任务完成反馈,基于目标车辆对应的任务累加值,更新目标车辆的已完成任务值。
在一些实施例中,中央调度器120还可以用于筛选空闲时间大于预设时间阈值的候选可调度车辆;选择候选可调度车辆中已完成任务值最小的候选可调度车辆为目标车辆。
关于上文所述的调度参考信息、已完成任务值、任务累加值等参数的更多细节参见本说明书其他部分(如图2)的描述。
需要注意的是,以上对于运输任务调度系统100及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的运力池110和中央调度器120可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的运输任务调度方法的示例性流程图。如图2所示,流程200可以包括下述步骤。在一些实施例中,流程200可以基于中央调度器执行。
步骤210,响应于获取到任务指令,获取可调度车辆的调度参考信息。
任务指令是指派发运输任务的指令。在一些实施例中,运输场景中的管理人员将任务指令输入至终端设备(如,电脑、手机等),中央调度器可以从终端设备的存储器中读取任务指令。
调度参考信息是指进行车辆调度时可以参考的与可调度车辆相关的信息。在一些实施例中,调度参考信息可以包括可调度车辆的已完成任务值。在一些实施例中,调度参考信息还可以包括可调度车辆的其他信息,如可调度车辆的空闲时间。关于空闲时间的更多说明可以参见下文相关描述。
在一些实施例中,可调度车辆的调度参考信息可以存储于运力池中。
已完成任务值是指反映可调度车辆已完成任务总量情况的数值。
在一些实施例中,若可调度车辆为首次参与任务调度的车辆,则可调度车辆的已完成任务值为运力池中,已参与过任务调度的车辆的已完成任务值中的最小值。
在一些实施例中,中央调度器接收到任务指令后,从运力池中获取可调度车辆的调度参考信息。
步骤220,基于调度参考信息和预设条件,确定目标车辆。
预设条件是指目标车辆的调度参考信息需要满足的条件。例如,预设条件可以为已完成任务值最小。预设条件可以由人为预先设置或由系统默认设置。
目标车辆是指确定用于执行运输任务的车辆。
在一些实施例中,中央调度器可以基于调度参考信息和预设条件确定目标车辆。例如,预设条件为已完成任务值最小时,中央调度器可以确定运力池中已完成任务值最小的车辆为目标车辆。
在一些实施例中,调度参考信息还可以包括可调度车辆的空闲时间。
空闲时间是指可调度车辆没有参与运输任务的等待时间。
在一些实施例中,预设条件可以为空闲时间超过预设时间阈值。
在一些实施例中,中央调度器可以基于调度参考信息和预设条件,筛选空闲时间大于预设时间阈值的可调度车辆为候选可调度车辆,选择已完成任务值最小的候选可调度车辆为目标车辆。关于此部分的更多内容可以参见图4及其相关描述。
在一些实施例中,当所有可调度车辆的空闲时间均未超过预设时间阈值,则选择任务累加值最小的可调度车辆为目标车辆。
在本说明书的一些实施例中,引用可调度车辆的空闲时间用于筛选候选可调度车辆,使得目标车辆的约束条件更为全面,可以避免出现部分可调度车辆由于优先级低导致空闲较长时间的情况,提高调度运输任务的公平性。
步骤230,向目标车辆下发任务执行指令。
任务执行指令是指执行运输任务的指令。
在一些实施例中,确定目标车辆后,中央调度器可以向目标车辆下发任务执行指令。
步骤240,响应于获取到目标车辆的任务完成反馈,基于目标车辆对应的任务累加值,更新目标车辆的已完成任务值。
任务完成反馈是指目标车辆完成运输任务后的反馈信息。在一些实施例中,目标车辆完成运输任务后向中央调度器上传任务完成反馈。
任务累积值是指目标车辆每完成一次任务,对应的已完成任务值的累加数值。在一些实施例中,任务累积值可以由预设范围内的数值表示。
在一些实施例中,目标车辆对应的任务累积值相关于目标车辆的多种信息,例如,目标车辆的任务难度等。在一些实施例中,目标车辆的任务难度越大,目标车辆对应的任务累积值可以越高。
在一些实施例中,目标车辆对应的任务累加值相关于目标车辆的优先级。
目标车辆的优先级反映目标车辆执行运输任务的优先次序。在一些实施例中,目标车辆的优先级可以由数值表示。数值越大,代表目标车辆的优先级越高。
在一些实施例中,目标车辆的优先级可以相关于目标车辆的多种信息,例如,目标车辆的车型、车龄等。在一些实施例中,目标车辆的车型与运输任务越匹配,目标车辆的优先级可以越高(如运输水产时,水产运输冷藏车比平板拖车的优先级高);目标车辆的车龄越大,目标车辆的优先级可以越低。
在一些实施例中,目标车辆的优先级可以由人工设置,例如,人工可以为需要执行更多任务的可调度车辆,设置更高的优先级。
在一些实施例中,目标车辆的优先级可以相关于目标车辆的车况信息和/或参与任务调度的累积时长。
车况信息是指反映目标车辆的性能状态的相关信息。例如,车况信息可以包括新旧程度、剩余电量等。
参与任务调度的累积时长是指车辆累计参与任务分配的总时长。
在一些实施例中,目标车辆的优先级可以由中央调度器基于预设策略自动计算。预设策略可以包括目标车辆的车况信息越好(如,车辆越新、剩余电量越多等),其对应的优先级越高,和\或目标车辆参与任务调度的累积时长越短,其对应的优先级越高。
在本说明书的一些实施例中,通过考虑目标车辆的车况信息和/或参与任务调度的累积时长,可以使得车况信息越好、参与任务调度的累积时长越短的目标车辆的优先级越高,利于这些目标车辆可以参与更多的运输任务,提高后续在调度运输任务时的公平性。
在一些实施例中,中央调度器可以通过多种方式确定目标车辆的优先级对应的任务累加值。例如,中央调度器可以基于预设表格确定目标车辆的优先级对应的任务累加值。其中,预设表格的设置原则为目标车辆的优先级越高,该目标车辆完成任务时累加的任务累加值越小。
示例性地,预设表格可以如下表1所示:
表1
表1中第一列表示目标车辆的优先级;第二列表示每完成一次任务后相应优先级的目标车辆的任务累加值。
在一些实施例中,若目标车辆的优先级大于可调度车辆的全局优先级,则目标车辆对应的任务累加值小于预设阈值;若目标车辆的优先级小于可调度车辆的全局优先级,则目标车辆对应的任务累加值大于预设阈值。
全局优先级可以反映所有可调度车辆的优先级,例如,全局优先级可以指所有可调度车辆的优先级的平均值。
预设阈值是指任务累加值的相关阈值,预设阈值可以由数值表示,预设阈值可以由人工根据经验设置或由系统默认设置。
例如,预设阈值可以为1,则若目标车辆的优先级大于可调度车辆的全局优先级,则目标车辆对应的任务累加值小于1;若目标车辆的优先级小于可调度车辆的全局优先级,则目标车辆对应的任务累加值大于1;若目标车辆的优先级大于可调度车辆的全局优先级,则目标车辆对应的任务累加值等于1。
在本说明书的一些实施例中,通过比较目标车辆的优先级与可调度车辆的全局优先级的大小,进而判断目标车辆对应的任务累加值与预设阈值的大小关系,使得任务累加值的确定更为准确合理,有利于提高水平运输任务调度的公平性。
在一些实施例中,中央调度器可以生成多组候选累加值策略向量,通过预测模型从候选累加值策略向量中确定目标累加值策略向量,进而确定目标车辆的优先级对应的任务累加值。关于此部分的更多内容可以参见图3及其相关描述。
在本说明书的一些实施例中,通过目标车辆的优先级确定任务累加值,使得更高优先级的目标车辆可以获得更小的任务累加值,进而可以参加更多运输任务,实现了任务累积值设置更为公平合理,有利于做出目标车辆的最优选择,实现任务调度的公平与高效。
在一些实施例中,响应于获取到目标车辆的任务完成反馈,中央调度器可以将目标车辆任务完成前的已完成任务值,与对应的任务累加值的加和结果,更新为目标车辆的当前的已完成任务值。
在本说明书的一些实施例中,通过调度参考信息和预设条件,从可调度车辆中确定目标车辆,目标车辆完成任务后基于任务累积值更新已完成任务值。进而可以根据可调度车辆的不同情况,参与不同程度(不同任务量、不同运输时长等)的运输任务,实现运输任务分配决策的自动化,提高了水平运输任务和车辆的调度问题的公平性和效率。
图3是根据本说明书一些实施例所示的确定目标车辆的优先级对应的任务累加值的示意图。
在一些实施例中,中央调度器确定目标车辆的优先级对应的任务累加值可以包括:生成多组候选累加值策略向量320;基于预测模型350对所有可调度车辆的优先级分布310、候选累加值策略向量320、各个可调度车辆的任务累加值分布330、预设时间区间内多个时间子区间的任务特征分布340进行处理,确定候选累加值策略向量对应的各个可调度车辆的运输任务增量分布360;预测模型为机器学习模型;基于运输任务增量分布360,从候选累加值策略向量中确定目标累加值策略向量380;基于目标累加值策略向量380,确定目标车辆的优先级对应的任务累加值390。
候选累加值策略向量是指用于确定目标累加值策略向量的候选向量。候选累加值策略向量包括不同优先级对应的候选任务累加值。例如,候选累加值策略向量可以为(1.6,1.1,0.8,0.3,0.2),其中,1.6、1.1、0.8、0.3、0.2分别代表优先级1、2、3、4、5的候选任务累加值。候选任务累加值是指用于确定任务累加值的候选值。
在一些实施例中,中央调度器可以随机生成多组候选累加值策略向量,不同的候选累加值策略向量中,至少一种优先级对应的候选任务累加值不同。
预测模型可以是下文中自定义结构的机器学习模型,也可以是其他神经网络模型。例如,深度神经网络(Deep Neural Networks,DNN)等。
在一些实施例中,预测模型350的输入可以包括所有可调度车辆的优先级分布310、候选累加值策略向量320、各个可调度车辆的任务累加值分布330、预设时间区间内多个时间子区间的任务特征分布340,输出可以为候选累加值策略向量对应的各个可调度车辆的运输任务增量分布360。
所有可调度车辆的优先级分布可以反映所有可调度车辆的当前优先级。
各个可调度车辆的任务累加值分布可以反映各个可调度车辆的当前的任务累加值。
任务特征分布可以包括平均运输时间、初始任务量、任务更新时间及数量。预设时间区间内多个时间子区间的任务特征分布可以包括多个时间子区间的各自对应的平均运输时间、初始任务量、任务更新时间及数量。
预设时间区间是指预设的某个时间段,时间子区间是指预设时间区间中的时间段,例如,预设时间区间可以为每周一到周三,对应的时间子区间可以为每周一、周二、周三。预设时间区间内的多个时间子区间可以由人工根据经验划分或由系统默认设置。
其中,运输时间是指每个任务从目标车辆开始执行到完成执行的所用时间,以中央调度器记录的时间为准,平均运输时间是指所有任务从目标车辆开始执行到完成执行的运输时间的平均值,例如,平均运输时间可以为过去某预设时间区间内(如历史某周周一到周三)一批任务的总运输时间与任务数量的比值。
初始任务量是指每个时间子区间刚开始时的任务量。在一些实施例中,某个时间子区间的初始任务量可以指过去多个预设时间区间内,多个该时间子区间的多个初始任务量的平均值。例如,周一的初始任务量可以为过去三周中,三个周一的初始任务量的平均值。
任务更新时间是指添加新的运输任务的时间间隔,任务更新数量是指每次所添加的新的运输任务的数量,例如,每隔1天添加30个新的运输任务。
在一些实施例中,任务更新时间及数量可以由系统在默认设置的上下限范围内随机选择。在一些实施例中,中央调度器也可以将多组历史任务更新时间的平均值和历史数量的平均值分别确定为任务更新时间及数量。
候选累加值策略向量对应的各个可调度车辆的运输任务增量分布可以反映执行候选累加值策略向量后,各个可调度车辆在预设未来时间段内增加的任务数量(即运输任务增量)。预设未来时间段是指从当前时刻开始的预设时长的未来时间段。例如,从现在开始之后的三天。
在一些实施例中,中央调度器可以基于运输任务增量分布,通过多种方式从候选累加值策略向量中确定目标累加值策略向量。例如,中央调度器可以基于运输任务增量分布,计算每个候选累加值策略向量对应的评估值;选择评估值最小的候选累加值策略向量作为目标累加值策略向量。
仅作为示例的,评估值可以通过下式(1)计算所得:
(1)
其中,代表评估值;/>分别代表各车辆的运输任务增量;/>为各车辆的运输任务增量的平均值;/> 、/> 、…、/>分别代表各车辆的第一平衡参数,第一平衡参数负相关于车辆的优先级;/>分别代表各车辆的第二平衡参数,第二平衡参数正相关于车辆的优先级;第一、二平衡参数与车辆的优先级的预设关系由人工通过经验分别设置。
在一些实施例中,预测模型350的输出还可以包括候选累加值策略向量对应的任务的平均完成时间分布370;目标累加值策略向量380的确定相关于任务的平均完成时间分布370。
任务的平均完成时间是指所有任务的完成时间的平均值。在一些实施例中,任务的平均完成时间可以指多类任务的平均完成时间的加权平均值。其中,一类任务的平均完成时间可以指一类任务中的所有任务在作业场景中从加入到完成的所用总时间,与该类任务中的任务数量的比值。各类任务的平均完成时间的权重可以由人工根据经验设置或由系统默认设置。
任务的平均完成时间分布是指各类任务的平均完成时间的分布。任务的平均完成时间分布可以反映多类任务中各类任务的平均完成时间。
在一些实施例中,多类任务可以指将所有任务根据任务完成所需时间划分的多个分类任务。例如,将任务完成所需时间在(0.5h-1h)区间内的任务划分为A类任务,将任务完成所需时间在(1h-2h)区间内的任务划分为B类任务,将任务完成所需时间大于2h的任务划分为C类任务,则任务的平均完成时间分布可以包括、/>、/>,其中,/>、/>、/>分别代表A、B、C三类任务在作业场景中从加入到完成各自的所用总时间,/>、/>、/>分别代表A、B、C三类任务的任务数量。
在一些实施例中,中央调度器可以基于任务的平均完成时间分布,通过多种方式从候选累加值策略向量中确定目标累加值策略向量。例如,根据多组候选累加值策略向量对应的任务的平均完成时间分布,计算出各组候选累加值策略向量对应的多类任务的平均完成时间的方差,确定方差最小的任务的平均完成时间分布,选择其对应的候选累加值策略向量为目标累加值策略向量。
在本说明书的一些实施例中,通过任务的平均完成时间分布可以衡量候选累加值策略向量对应的效率高低,多类任务的平均完成时间的方差越小,对应的该组候选累加值策略向量对应的运输效率越高,对比多个方差可以准确确定出最均衡的任务的平均完成时间分布,其对应的候选累加值策略向量对应的运输效率最高,选择运输效率最高的候选累加值策略向量为目标累加值策略向量,进一步提高水平运输任务调度的效率。
在一些实施例中,预测模型可以通过多个带有第一标签的第一训练样本训练得到。
在一些实施例中,第一训练样本可以包括样本可调度车辆的优先级分布、样本累加值策略向量、各个样本可调度车辆的任务累加值分布、样本预设时间区间内多个时间子区间的任务特征分布。第一训练样本可以基于历史数据获取。第一标签可以包括样本累加值策略向量对应的各个样本可调度车辆的实际运输任务增量分布,和样本累加值策略向量对应的实际任务的平均完成时间分布。
在一些实施例中,第一标签可以基于历史数据通过人工标注或由实际实验数据标注。例如,中央调度器可以统计执行样本累加值策略向量后,各个历史可调度车辆实际增加的任务数量,进而确定样本累加值策略向量对应的各个样本可调度车辆的实际运输任务增量分布;中央调度器可以可按直方分布或分桶原则对历史任务的完成情况进行统计得到样本累加值策略向量对应的实际任务的平均完成时间分布。
在一些实施例中,中央调度器可以基于目标累加值策略向量,直接对应确定出目标车辆的优先级对应的任务累加值。例如,目标累加值策略向量为(1.5,1,0.9,0.3,0.1),则优先级1、2、3、4、5对应的任务累加值分别为1.5、1、0.9、0.3、0.1。
在本说明书的一些实施例中,通过生成多组候选累加值策略向量,利用机器学习模型,结合优先级分布、候选累加值策略向量、任务累加值分布、任务特征分布等多角度信息,准确预测出各自对应的车辆运输任务增量分布,进而选择出评估值最小的候选累加值策略向量,即可确定出任务分配的平衡性最好的目标累加值策略向量,有利于后续确定目标车辆的优先级对应的任务累加值,实现水平运输任务的高效调度。
图4是根据本说明书一些实施例所示的确定目标车辆的示意图。
在一些实施例中,中央调度器可以筛选空闲时间410大于预设时间阈值420的候选可调度车辆430,选择候选可调度车辆中已完成任务值440最小的候选可调度车辆为目标车辆450。
预设时间阈值是指预设的空闲时间的阈值。例如,预设时间阈值可以指预设的空闲时间长度的最大值。在一些实施例中,不同的可调度车辆可以具有不同的预设时间阈值。
在一些实施例中,预设时间阈值可以相关于可调度车辆的数量、任务密集度、近期任务完成数及任务的平均完成时间中的至少一个。
任务密集度是指运输任务的密集程度,在一些实施例中,任务密集度可以基于单位时间内的任务量表示,即一段时间内的任务总量与时间的比值。
近期任务完成数是指近时间段内每个可调度车辆完成任务的数量。近时间段可以由人工设置,例如,当前时刻的过去2h。
关于任务的平均完成时间分布的更多说明可以参见图3及其相关描述。
在一些实施例中,对于某一可调度车辆,其预设时间阈值与所有可调度车辆的总数量负相关、与所有任务的任务密集度正相关、与任务的平均完成时间正相关、与该可调度车辆的近期任务完成数负相关。
在本说明书的一些实施例中,基于可调度车辆的数量、任务密集度、近期任务完成数以及任务的平均完成时间,可以针对性确定不同车辆的预设时间阈值,使得后续候选可调度车辆的筛选更为合理。
在一些实施例中,中央调度器可以从所有可调度车辆中筛选出空闲时间大于预设时间阈值的车辆,确定为候选可调度车辆。
在一些实施例中,中央调度器可以从空闲时间大于预设时间阈值的多个候选可调度车辆中,确定已完成任务值最小的候选可调度车辆为目标车辆。
关于已完成任务值的更多说明可以参见图2及其相关描述。
本说明书一些实施例中,通过筛选空闲时间大于预设时间阈值的车辆为候选可调度车辆,可以避免出现仅根据可调度车辆的已完成任务值进行任务分配,导致运力池中任务完成数多的可调度车辆长时间没有任务的情况,有利于提高运输任务调度的效率。
本说明书一个或多个实施例提供一种运输任务调度装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现上述实施例所述的运输任务调度方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述实施例所述的运输任务调度方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种运输任务调度方法,其特征在于,所述方法基于中央调度器执行,包括:
响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,所述调度参考信息包括所述可调度车辆的已完成任务值,若所述可调度车辆为首次参与任务调度的车辆,则所述可调度车辆的所述已完成任务值为运力池中已参与过任务调度的车辆的已完成任务值中的最小值;
基于所述调度参考信息和预设条件,确定目标车辆;
向所述目标车辆下发任务执行指令;
响应于获取到所述目标车辆的任务完成反馈,基于所述目标车辆对应的任务累加值,更新所述目标车辆的所述已完成任务值。
2.根据权利要求1所述的方法,其特征在于,所述目标车辆对应的所述任务累加值相关于所述目标车辆的优先级。
3.根据权利要求2所述的方法,其特征在于,
若所述目标车辆的所述优先级大于所述可调度车辆的全局优先级,则所述目标车辆对应的所述任务累加值小于预设阈值;
若所述目标车辆的所述优先级小于所述可调度车辆的全局优先级,则所述目标车辆对应的所述任务累加值大于预设阈值。
4.根据权利要求2所述的方法,其特征在于,所述目标车辆的所述优先级相关于所述目标车辆的车况信息和/或参与任务调度的累积时长。
5.根据权利要求1所述的方法,其特征在于,所述调度参考信息还包括所述可调度车辆的空闲时间。
6.根据权利要求5所述的方法,其特征在于,所述基于所述调度参考信息和预设条件,确定目标车辆包括:
筛选空闲时间大于预设时间阈值的候选可调度车辆;
选择所述候选可调度车辆中已完成任务值最小的候选可调度车辆为所述目标车辆。
7.根据权利要求6所述的方法,其特征在于,所述预设时间阈值相关于所述可调度车辆的数量、任务密集度、近期任务完成数及任务的平均完成时间中的至少一个。
8.一种运输任务调度系统,其特征在于,所述系统包括中央调度器和运力池,其中,
所述运力池用于保存可调度车辆的状态数据和所述可调度车辆的所述状态数据的统计数据;
所述中央调度器用于:
响应于获取到任务指令,获取可调度车辆的调度参考信息,其中,所述调度参考信息包括所述可调度车辆的已完成任务值,若所述可调度车辆为首次参与任务调度的车辆,则所述可调度车辆的所述已完成任务值为运力池中已参与过任务调度的车辆的已完成任务值中的最小值;
基于所述调度参考信息和预设条件,确定目标车辆;
向所述目标车辆下发任务执行指令;
响应于获取到所述目标车辆的任务完成反馈,基于所述目标车辆对应的任务累加值,更新所述目标车辆的所述已完成任务值。
9.一种运输任务调度装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现如权利要求1~7中任一项所述的运输任务调度方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~7中任一项所述的运输任务调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027397.9A CN116739321B (zh) | 2023-08-16 | 2023-08-16 | 一种运输任务调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027397.9A CN116739321B (zh) | 2023-08-16 | 2023-08-16 | 一种运输任务调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739321A true CN116739321A (zh) | 2023-09-12 |
CN116739321B CN116739321B (zh) | 2023-11-14 |
Family
ID=87911869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027397.9A Active CN116739321B (zh) | 2023-08-16 | 2023-08-16 | 一种运输任务调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739321B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118350737A (zh) * | 2024-05-21 | 2024-07-16 | 青岛地铁集团有限公司 | 一种物资配送的路径优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269427A (zh) * | 2021-05-19 | 2021-08-17 | 安徽中科美络信息技术有限公司 | 一种公务出行任务调度管理方法及系统 |
CN113642795A (zh) * | 2021-08-16 | 2021-11-12 | 北京瑞华高科技术有限责任公司 | 车辆资源分配方法及装置 |
WO2021233261A1 (zh) * | 2020-05-18 | 2021-11-25 | 鹏城实验室 | 一种多任务动态资源调度方法 |
CN116432938A (zh) * | 2023-02-16 | 2023-07-14 | 中国船舶集团有限公司第七一三研究所 | 一种车辆运载任务分配方法及系统 |
-
2023
- 2023-08-16 CN CN202311027397.9A patent/CN116739321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021233261A1 (zh) * | 2020-05-18 | 2021-11-25 | 鹏城实验室 | 一种多任务动态资源调度方法 |
CN113269427A (zh) * | 2021-05-19 | 2021-08-17 | 安徽中科美络信息技术有限公司 | 一种公务出行任务调度管理方法及系统 |
CN113642795A (zh) * | 2021-08-16 | 2021-11-12 | 北京瑞华高科技术有限责任公司 | 车辆资源分配方法及装置 |
CN116432938A (zh) * | 2023-02-16 | 2023-07-14 | 中国船舶集团有限公司第七一三研究所 | 一种车辆运载任务分配方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118350737A (zh) * | 2024-05-21 | 2024-07-16 | 青岛地铁集团有限公司 | 一种物资配送的路径优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116739321B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128823B (zh) | 自动导引车管理系统及方法 | |
CN116739321B (zh) | 一种运输任务调度方法和系统 | |
CN110348613B (zh) | 分拨中心智能物流管理方法及系统 | |
CN111400022A (zh) | 一种资源调度方法、装置及电子设备 | |
CN113011644A (zh) | 基于蚁群优化算法的智慧城市动态冷链物流调度方法 | |
CN114331220B (zh) | 基于订单动态优先级的乘用车运输车辆调度方法及装置 | |
Zheng et al. | Integrated berth allocation and quay crane assignment with maintenance activities | |
CN103246969B (zh) | 一种物流调配的实现方法和装置 | |
CN113131554B (zh) | 优化otg无线充电单元的配置的方法 | |
Lim et al. | A dispatching method for automated guided vehicles by using a bidding concept | |
CN117973626A (zh) | 数字月台车辆调度规划实现方法 | |
Maka et al. | Agent-based modeling for warehouse logistics systems | |
CN116738239B (zh) | 模型训练方法、资源调度方法及装置、系统、设备及介质 | |
CN117114313A (zh) | 一种基于需求任务预测模型的agv组调度方法 | |
CN117453360A (zh) | 计算任务的资源调度方法及装置 | |
Zhu et al. | An improved genetic algorithm for production scheduling on FMS with simultaneous use of machines and AGVs | |
Li et al. | Optimal multi-degree cyclic solution of multi-hoist scheduling without overlapping | |
CN114822007B (zh) | 自动驾驶车辆调度方法及系统 | |
CN115099666A (zh) | 一种机器人调度方法和装置、电子设备 | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
CN108920269B (zh) | 容器的i/o传输任务的调度方法和装置 | |
Kaoud et al. | Scheduling of automated guided vehicles and machines in flexible manufacturing systems: a simulation study | |
CN112669099A (zh) | 用于处理订单的方法和装置 | |
Ramírez-Hernández et al. | An approximate dynamic programming approach for job releasing and sequencing in a reentrant manufacturing line | |
Chong et al. | Using simulation based approach to improve on the mean cycle time performance of dispatching rules |
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 |