CN116822773B - 一种基于大数据的货运路径预测方法及系统 - Google Patents
一种基于大数据的货运路径预测方法及系统 Download PDFInfo
- Publication number
- CN116822773B CN116822773B CN202311100963.4A CN202311100963A CN116822773B CN 116822773 B CN116822773 B CN 116822773B CN 202311100963 A CN202311100963 A CN 202311100963A CN 116822773 B CN116822773 B CN 116822773B
- Authority
- CN
- China
- Prior art keywords
- path
- point
- priority
- delivery
- scheme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000875 corresponding effect Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 108091026890 Coding region Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及路径预测领域,尤其涉及一种基于大数据的货运路径预测方法及系统,方法包括:获取目标车辆的货运信息;基于运输成本和拥堵程度构建路段适应度函数;依据所述路段适应度函数获取任意两个位置点之间的配送路径;基于所述配送路径计算每一种配送方案的第一优先级,一种配送方案包括所有客户ID的配送顺序;针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级;将所述第二优先级的最大值对应的配送方案作为目标方案,并基于所述目标方案和所述配送路径得到所述目标车辆的路径预测结果。通过本申请的技术方案,能够在货物运输的过程中降低运输成本。
Description
技术领域
本申请一般地涉及路径预测技术领域,尤其涉及一种基于大数据的货运路径预测方法及系统。
背景技术
在进行货物运输时,随着客户规模的不断增大,经常出现一个配送车辆需要服务多个客户的情况,此时,如何确定最优的货运路径是一个亟待解决的问题。
目前,公开号为CN114707693A的专利文件公开了一种车辆配送路径规划方法,通过排列初始配送路径上的客户节点及各客户节点的配送顺序得到初始配送路径对应的初始编码序列,并以每个客户节点由且仅由一辆车服务且每辆车所服务的客户需求总量不超过车辆载重作为目标函数,对初始编码序列进行迭代,得到最优配送路径。
然而,上述方法虽然能够在配送车辆的数量小于客户节点的数量时,得到每个配送车辆的配送路径,虽然降低了所有配送车辆的总配送里程,但忽略了每一个配送车辆在配送过程中因卸货导致的货物重量变化,忽略了货物重量对货运成本的影响。
发明内容
为了解决本申请的上述技术问题,本申请提供了一种基于大数据的货运路径预测方法及系统,以在货物运输的过程中降低运输成本。
根据本申请的第一方面,提供了一种基于大数据的货运路径预测方法,包括:获取目标车辆的货运信息,所述货运信息包括至少一个客户ID、客户需求量、客户位置点以及出发位置点;基于运输成本和拥堵程度构建路段适应度函数,其中所述路段适应度函数满足关系式:
其中,为行驶距离,/>为行驶时间,/>为标准行驶时间,/>为对应路段的路段适应度数值;依据所述路段适应度函数获取任意两个位置点之间的配送路径,其中所述位置点包括所述客户位置点和所述出发位置点;基于所述配送路径计算每一种配送方案的第一优先级,一种配送方案包括所有客户ID的配送顺序;针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级;将所述第二优先级的最大值对应的配送方案作为目标方案,并基于所述目标方案和所述配送路径得到所述目标车辆的路径预测结果;其中,将任意两个位置点中的其中一个作为起始点,另一个位置点作为终止点,所述依据所述路段适应度函数获取任意两个位置点之间的配送路径包括:采集所述两个位置点之间的历史路径以构建历史路径集合;在数字地图中,所述目标车辆从起始点开始移动,响应于所述目标车辆处于任意转弯位置,基于所述转弯位置筛选所有历史路径以获取历史路径子集,其中所述历史路径子集中的每条历史路径均包括所述转弯位置;对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值,并将路段适应度数值最大值对应的历史路径作为参考路径;将所述参考路径在所述转弯位置的转弯方向作为所述目标车辆在所述转弯位置的目标转弯方向,调整所述目标车辆的行驶方向;所述目标车辆转弯后继续移动,不断调整所述目标车辆的行驶方向,直至所述目标车辆到达所述终止点,将所述目标车辆在所述数字地图中的移动轨迹作为所述两个位置点之间的配送路径。
在一个实施例中,所述响应于所述目标车辆处于转弯位置包括:对所述数字地图中的所有转弯点进行标记;获取所述目标车辆在所述数字地图中的位置信息;响应于所述位置信息与任意转弯点重合,判定所述目标车辆处于转弯位置。
在一个实施例中,所述对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值包括:对于一条历史路径,采集所述转弯位置与所述终止点之间的行驶距离和行驶时间/>;在所述历史路径中,基于所述路段适应度函数计算所述转弯位置与所述终止点之间的路段适应度数值/>,/>满足关系式:
其中,,/>为所述历史路径对应配送车辆的标准行驶速度。
在一个实施例中,所述基于所述配送路径计算每一种配送方案的第一优先级包括:针对一种配送方案,按照配送顺序依次将所有客户位置点记为第一客户位置点、第二客户位置点直至第N客户位置点,其中N为所有客户位置点的数量;计算所述出发位置点与所述第一客户位置点之间配送路径的预计行驶距离,以及所述配送方案中任意客户位置点与相邻下一个客户位置点之间配送路径的预计行驶距离;基于所述预计行驶距离之和计算所述配送方案的第一优先级,所述第一优先级与所有预计行驶距离之和呈负相关。
在一个实施例中,所述第一优先级满足关系式:
其中,为所有预计行驶距离之和,/>为第/>个配送方案的第一优先级。
在一个实施例中,一种配送方案包括多条配送路径,所述针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级包括:针对一种配送方案,获取任意一客户位置点对应的客户配送路径,所述客户配送路径的起始点为所述出发位置点或所述客户位置点上一个相邻的客户位置点,所述客户配送路径的终止点为所述客户位置点;获取所述客户位置点的客户需求量以计算所述客户位置点的运输成本减少量,所述运输成本减少量满足关系式:
其中,为客户位置点/>的客户需求量,/>为所有预计行驶距离之和,/>对应于所述配送方案中的客户位置点ℎ或客户位置点ℎ之前的任意客户位置点;/>为客户位置点/>对应的客户配送路径的预计行驶距离,/>为客户位置点/>的运输成本减少量;计算所述配送方案中各客户位置点运输成本减少量的总和,得到所述配送方案的运输成本减少总量;基于所述运输成本减少总量调节所述第一优先级以获取所述配送方案的第二优先级,所述运输成本减少总量与第二优先级呈正相关。
在一个实施例中,所述第二优先级满足关系式:
其中,为第/>个配送方案的第一优先级,/>为第/>个配送方案的运输成本减少总量,/>为第/>个配送方案的第二优先级。
本申请还提供了一种基于大数据的货运路径预测系统,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于大数据的货运路径预测方法。
本申请的技术方案具有以下有益技术效果:
通过本申请提供的技术方案,首先综合运输成本和拥堵程度构建路段适应度函数,依据历史路径确定任意位置点之间的配送路径,该配送路径对应的路段适应度函数最大;进一步,依据配送方案中所有配送路径的行驶距离以及客户需求量对运输成本的影响计算每种配送方案的优先级,将优先级最大的配送方案作为目标方案,得到路径预测结果,从而降低运输成本。
进一步地,在获取两个位置点之间的配送路径时,只需考虑目标车辆在每一个转弯点的转弯方向,依据历史路径可快速得到两个位置点之间的配送路径,且该配送路径可保障路段适应度数值达到最大。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于大数据的货运路径预测方法的流程图;
图2根据本申请实施例的目标车辆的货运信息的示意图;
图3是根据本申请实施例的数字地图的示意图;
图4是根据本申请实施例的基于大数据的货运路径预测系统的框图。
具体实施方式
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,显然,所描述的实施例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。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种基于大数据的货运路径预测方法。图1是根据本申请实施例的基于大数据的货运路径预测方法的流程图。如图1所示,所述测试方法100包括步骤S101至S106,以下详细说明。S101,获取目标车辆的货运信息,所述货运信息包括至少一个客户ID、客户需求量、客户位置点以及出发位置点。
在一个实施例中,所述目标车辆为任意一个配送车辆,一个配送车辆对应至少一个客户ID,每一个客户ID又对应客户需求量、客户位置点;所述出发位置点为目标车辆的位置。
示例性地,请参见图2,根据本申请实施例的目标车辆的货运信息的示意图。目标车辆对应3个客户ID,依次记为A、B、C,其客户位置点分别对应点A、点B和点C,其客户需求量依次记为;将出发位置点记为点O。
S102,基于运输成本和拥堵程度构建路段适应度函数。
在一个实施例中,所述路段适应度数值用于反映一个路段对货物运输的合理性;所述路段适应度数值与运输成本呈反比,运输成本越高则对应路段越不适合进行货物运输,路段适应度数值越小;所述路段适应度数值与拥堵程度呈反比,拥堵程度越大则通过对应路段的时间越长,路段适应度数值越小。
具体地,所述路段适应度函数满足关系式:
其中,为行驶距离,/>为行驶时间,/>为标准行驶时间,/>为对应路段的路段适应度数值。其中标准行驶时间/>为行驶距离/>与标准行驶速度的比值,所述标准行驶速度为预先设定的安全行驶速度,即/>,/>为标准行驶速度。
可以理解地,可反映耗油量的大小,用于表征对应路段的运输成本;/>可反映通行时间与标准通行时间之间的差异,用于表征对应路段的拥堵程度。需要说明的是,路段适应度数值为路段的固有属性,与配送车辆无关。
具体地,当任意一辆配送车辆沿着一条路段将货物从点运输到点/>时,将该路段记为/>,即路段/>的起始位置为点/>,终止位置为点/>;在到达点/>后,依据配送车辆的里程表和时刻表得到路径/>上的行驶距离/>和行驶时间/>,依据配送车辆的标准行驶速度和行驶距离/>计算出标准行驶时间后,即可得到该路段/>的路段适应度数值。
如此,完成路段适应度函数的构建,路段适应度函数可获取任意路段的路段适应度数值,且路段适应度数值为路段的固有属性,综合运输成本和拥堵程度来反映任意路段对货物运输的合理性。
S103,依据所述路段适应度函数获取任意两个位置点之间的配送路径,其中所述位置点包括所述客户位置点和所述出发位置点。
在一个实施例中,两个位置点之间存在很多种路径,在历史配送过程中,目标车辆和除目标车辆之外的其它配送车辆会沿着多个不同的路径进行运输。将任意两个位置点中的其中一个作为起始点,另一个位置点作为终止点,所述依据所述路段适应度函数获取任意两个位置点之间的配送路径包括:采集所述两个位置点之间的历史路径以构建历史路径集合;在数字地图中,所述目标车辆从起始点开始移动,响应于所述目标车辆处于任意转弯位置,基于所述转弯位置筛选所有历史路径以获取历史路径子集,其中所述历史路径子集中的每条历史路径均包括所述转弯位置;对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值,并将路段适应度数值最大值对应的历史路径作为参考路径;将所述参考路径在所述转弯位置的转弯方向作为所述目标车辆在所述转弯位置的目标转弯方向,调整所述目标车辆的行驶方向;所述目标车辆转弯后继续移动,不断调整所述目标车辆的行驶方向,直至所述目标车辆到达所述终止点,将所述目标车辆在所述数字地图中的移动轨迹作为所述两个位置点之间的配送路径。
其中,一条历史路径至少包括起始点和终止点,且历史路径中还包括转弯位置,一条历史路径中转弯位置的数量为0个、1个或多个。
其中,起始点到终止点的配送路径与终止点到起始点的配送路径相同。需要说明的是,在获取配送路径的过程中,目标车辆并未出发,只是在数字地图上得到任意两个位置点之间的配送路径。
在一个实施例中,所述响应于所述目标车辆处于转弯位置包括:对所述数字地图中的所有转弯点进行标记;获取所述目标车辆在所述数字地图中的位置信息;响应于所述位置信息与任意转弯点重合,判定所述目标车辆处于转弯位置。
其中,请参见图3,是根据本申请实施例的数字地图的示意图。所述数字地图包括起始点和终止点之间所有可通行的路径,所有可通行的路径相互交错,交错位置即为转弯点。所述数字地图可以采用城市CIM模型或卫星地图等现有的地图数据。
在一个实施例中,一条历史路径会路过多个转弯点,借助路段适应度函数可计算该历史路径中起始点到任意一转弯点、任意两个转弯点以及任意一转弯点到终止点之间的路段适应度数值,具体描述如下。所述对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值包括:对于一条历史路径,采集所述转弯位置与所述终止点之间的行驶距离和行驶时间/>;在所述历史路径中,基于所述路段适应度函数计算所述转弯位置与所述终止点之间的路段适应度数值/>,/>满足关系式:
其中,,/>为所述历史路径对应配送车辆的标准行驶速度。
需要说明的是,在获取两个位置点之间的配送路径时,只需考虑目标车辆在每一个转弯点的转弯方向,依据历史路径快速得到两个位置点之间的配送路径,且该配送路径可保障路段适应度数值达到最大。
如此,依据路段适应度函数快速得到任意两个位置点之间的配送路径,包括出发位置点到每个客户位置点的配送路径,以及任意两个客户位置点之间的配送路径;同时,该配送路径对应的路段适应度数值最大,进而保证运输成本和拥堵程度达到最小。
具体地,如图2所示的目标车辆的货运信息,可得到出发位置点到每一个客户位置点的配送路径/>、/>、/>;以及任意两个客户位置点之间的配送路径、/>、/>;共6条配送路径。
S104,基于所述配送路径计算每一种配送方案的第一优先级,一种配送方案包括所有客户ID的配送顺序。
在一个实施例中,配送方案的数量为所有客户ID排列组合的数量,示例性地,目标车辆对应3个客户ID,依次记为A、B、C;按照不同的配送顺序对3个客户ID进行排列组合,可得到:ABC、ACB、BAC、BCA、CAB、CBA共6种配送方案。
具体地,所述基于所述配送路径计算每一种配送方案的第一优先级包括:针对一种配送方案,按照配送顺序依次将所有客户位置点记为第一客户位置点、第二客户位置点直至第N客户位置点,其中N为所有客户位置点的数量;计算所述出发位置点与所述第一客户位置点之间配送路径的预计行驶距离,以及所述配送方案中任意客户位置点与相邻下一个客户位置点之间配送路径的预计行驶距离;基于所述预计行驶距离之和计算所述配送方案的第一优先级,所述第一优先级与所有预计行驶距离之和呈负相关。
其中,所述第一优先级满足关系式:
其中,为所有预计行驶距离之和,/>为第/>个配送方案的第一优先级。
需要说明的是,预计行驶距离为数字地图上显示的行驶距离。
示例性的,目标车辆对应A、B、C共3个客户ID,在配送方案ABC中,第一客户位置点为A,第二客户位置点为B,第三客户位置点为C;按照步骤S103的方法获取出发位置点与第一客户位置点之间的配送路径,并依据数字地图确定该配送路径的预计行驶距离;同理,依次确定第一客户位置点A与第二客户位置点B之间配送路径的预计行驶距离/>、第二客户位置点B与第三客户位置点C之间配送路径的预计行驶距离/>;则配送方案ABC的第一优先级为/>,其中/>为所有预计行驶距离之和/>。
如此,依据预计行驶距离之和确定每一种配送方案的第一优先级,所述第一优先级与预计行驶距离之和呈反比,预计行驶距离之和越小,第一优先级越大。
S105,针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级。
在一个实施例中,第一优先级仅考虑了配送方案对应的预计行驶距离之和;由于货物在运输途中会依次到达不同的客户位置点,到达客户位置点后需要进行卸货,使得后续运输过程中车辆上货物的重量下降,进而降低运输过程中的油耗,降低运输成本。故本申请不同客户位置点的客户需求量对运输成本的影响对第一优先级进行调节,得到每一种配送方案的第二优先级。
具体地,一种配送方案包括多条配送路径,所述针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级包括:针对一种配送方案,获取任意一客户位置点对应的客户配送路径,所述客户配送路径的起始点为所述出发位置点或所述客户位置点上一个相邻的客户位置点,所述客户配送路径的终止点为所述客户位置点;获取所述客户位置点的客户需求量以计算所述客户位置点的运输成本减少量,所述运输成本减少量满足关系式:
其中,为客户位置点/>的客户需求量,/>为所有预计行驶距离之和,/>对应于所述配送方案中的客户位置点ℎ或客户位置点ℎ之前的任意客户位置点;/>为客户位置点/>对应的客户配送路径的预计行驶距离,/>为客户位置点/>的运输成本减少量;计算所述配送方案中各客户位置点运输成本减少量的总和,得到所述配送方案的运输成本减少总量;基于所述运输成本减少总量调节所述第一优先级以获取所述配送方案的第二优先级,所述运输成本减少总量与第二优先级呈正相关。
在一个实施例中,所述第二优先级满足关系式:
其中,为第/>个配送方案的第一优先级,/>为第/>个配送方案的运输成本减少总量,/>为第/>个配送方案的第二优先级。
如此,依据不同客户位置点的客户需求量对运输成本的影响调节每种配送方案的第一优先级,得到第二优先级,第二优先级综合考虑了行驶距离以及客户需求量使货物重量降低进而降低运输成本的情况,第二优先级越大,则表示货运成本越低。
S106,将所述第二优先级的最大值对应的配送方案作为目标方案,并基于所述目标方案和所述配送路径得到所述目标车辆的路径预测结果。
在一个实施例中,第二优先级越大,表示货运成本越低,故将第二优先级的最大值对应的配送方案作为目标方案,基于目标方案可确定所有客户ID的配送顺序,按照配送顺序依次将相邻两个位置点之间的配送路径拼接在一起,即可得到目标车辆的路径预测结果。
示例性地,目标车辆对应A、B、C共3个客户ID,且目标方案为ACB,则所述目标车辆的路径预测结果为;其中,/>为出发位置点到客户位置点A的配送路径,/>为客户位置点A到客户位置点C的配送路径,/>为客户位置点C到客户位置点B的配送路径。且,对于客户位置点A,对应的客户配送路径为/>。
如此,得到目标车辆的路径预测结果之后,目标车辆开始按照路径预测结果进行货物运输。
在一个实施例中,目标车辆按照路径预测结果完成货物运输后,将该路径预测结果作为一条新的历史路径,用于下一次货运路径预测。
以上通过具体实施例介绍了本申请的基于大数据的货运路径预测方法的技术原理和实施细节。通过本申请提供的技术方案,首先综合运输成本和拥堵程度构建路段适应度函数,依据历史路径确定任意位置点之间的配送路径,该配送路径对应的路段适应度函数最大;进一步,依据配送方案中所有配送路径的行驶距离以及客户需求量对运输成本的影响计算每种配送方案的优先级,将优先级最大的配送方案作为目标方案,得到路径预测结果,从而降低运输成本。
根据本申请的第二方面,本申请还提供了一种基于大数据的货运路径预测系统。图4是根据本申请实施例的基于大数据的货运路径预测系统的框图。如图4所示,所述装置50包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种基于大数据的货运路径预测方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于大数据的货运路径预测方法,其特征在于,包括:
获取目标车辆的货运信息,所述货运信息包括至少一个客户ID、客户需求量、客户位置点以及出发位置点;
基于运输成本和拥堵程度构建路段适应度函数,其中所述路段适应度函数满足关系式:
其中,为行驶距离,/>为行驶时间,/>为标准行驶时间,/>为对应路段的路段适应度数值;
依据所述路段适应度函数获取任意两个位置点之间的配送路径,其中所述位置点包括所述客户位置点和所述出发位置点;
基于所述配送路径计算每一种配送方案的第一优先级,一种配送方案包括所有客户ID的配送顺序;
针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级;
将所述第二优先级的最大值对应的配送方案作为目标方案,并基于所述目标方案和所述配送路径得到所述目标车辆的路径预测结果;
其中,将任意两个位置点中的其中一个作为起始点,另一个位置点作为终止点,所述依据所述路段适应度函数获取任意两个位置点之间的配送路径包括:
采集所述两个位置点之间的历史路径以构建历史路径集合;在数字地图中,所述目标车辆从起始点开始移动,响应于所述目标车辆处于任意转弯位置,基于所述转弯位置筛选所有历史路径以获取历史路径子集,其中所述历史路径子集中的每条历史路径均包括所述转弯位置;对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值,并将路段适应度数值最大值对应的历史路径作为参考路径;将所述参考路径在所述转弯位置的转弯方向作为所述目标车辆在所述转弯位置的目标转弯方向,调整所述目标车辆的行驶方向;所述目标车辆转弯后继续移动,不断调整所述目标车辆的行驶方向,直至所述目标车辆到达所述终止点,将所述目标车辆在所述数字地图中的移动轨迹作为所述两个位置点之间的配送路径;
所述基于所述配送路径计算每一种配送方案的第一优先级包括:
针对一种配送方案,按照配送顺序依次将所有客户位置点记为第一客户位置点、第二客户位置点直至第N客户位置点,其中N为所有客户位置点的数量;
计算所述出发位置点与所述第一客户位置点之间配送路径的预计行驶距离,以及所述配送方案中任意客户位置点与相邻下一个客户位置点之间配送路径的预计行驶距离;
基于所述预计行驶距离之和计算所述配送方案的第一优先级,所述第一优先级与所有预计行驶距离之和呈负相关;
所述第一优先级满足关系式:
其中,为所有预计行驶距离之和,/>为第/>个配送方案的第一优先级;
一种配送方案包括多条配送路径,所述针对一种配送方案,基于所述客户需求量调节对应的第一优先级,得到第二优先级包括:
针对一种配送方案,获取任意一客户位置点对应的客户配送路径,所述客户配送路径的起始点为所述出发位置点或所述客户位置点上一个相邻的客户位置点,所述客户配送路径的终止点为所述客户位置点;
获取所述客户位置点的客户需求量以计算所述客户位置点的运输成本减少量,所述运输成本减少量满足关系式:
其中,为客户位置点/>的客户需求量,/>为所有预计行驶距离之和,/>对应于所述配送方案中的客户位置点/>或客户位置点/>之前的任意客户位置点;/>为客户位置点/>对应的客户配送路径的预计行驶距离,/>为客户位置点/>的运输成本减少量;
计算所述配送方案中各客户位置点运输成本减少量的总和,得到所述配送方案的运输成本减少总量;
基于所述运输成本减少总量调节所述第一优先级以获取所述配送方案的第二优先级,所述运输成本减少总量与第二优先级呈正相关;
所述第二优先级满足关系式:
其中,为第/>个配送方案的第一优先级,/>为第/>个配送方案的运输成本减少总量,/>为第/>个配送方案的第二优先级。
2.根据权利要求1所述的一种基于大数据的货运路径预测方法,其特征在于,所述响应于所述目标车辆处于转弯位置包括:
对所述数字地图中的所有转弯点进行标记;
获取所述目标车辆在所述数字地图中的位置信息;
响应于所述位置信息与任意转弯点重合,判定所述目标车辆处于转弯位置。
3.根据权利要求1所述的一种基于大数据的货运路径预测方法,其特征在于,所述对于所述历史路径子集中的每条历史路径,计算所述转弯位置与所述终止点之间的路段适应度数值包括:
对于一条历史路径,采集所述转弯位置与所述终止点之间的行驶距离和行驶时间/>;
在所述历史路径中,基于所述路段适应度函数计算所述转弯位置与所述终止点之间的路段适应度数值,/>满足关系式:
其中,,/>为所述历史路径对应配送车辆的标准行驶速度。
4.一种基于大数据的货运路径预测系统,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1至3中任一项所述的基于大数据的货运路径预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100963.4A CN116822773B (zh) | 2023-08-30 | 2023-08-30 | 一种基于大数据的货运路径预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100963.4A CN116822773B (zh) | 2023-08-30 | 2023-08-30 | 一种基于大数据的货运路径预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822773A CN116822773A (zh) | 2023-09-29 |
CN116822773B true CN116822773B (zh) | 2023-11-14 |
Family
ID=88114909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311100963.4A Active CN116822773B (zh) | 2023-08-30 | 2023-08-30 | 一种基于大数据的货运路径预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822773B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
CN112836892A (zh) * | 2021-02-26 | 2021-05-25 | 山东科技大学 | 基于改进遗传算法的多目标车辆配送路径确定方法及系统 |
CN115310676A (zh) * | 2022-07-18 | 2022-11-08 | 武汉理工大学 | 一种时变路网下的路径优化方法、装置及存储介质 |
CN115439063A (zh) * | 2022-09-14 | 2022-12-06 | 佛山维尚家具制造有限公司 | 一种定制家具物流配送的多目标路径规划方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10353399B2 (en) * | 2017-07-21 | 2019-07-16 | AI Incorporated | Polymorphic path planning for robotic devices |
WO2020227434A1 (en) * | 2019-05-07 | 2020-11-12 | Cerebri AI Inc. | Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets |
-
2023
- 2023-08-30 CN CN202311100963.4A patent/CN116822773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
CN112836892A (zh) * | 2021-02-26 | 2021-05-25 | 山东科技大学 | 基于改进遗传算法的多目标车辆配送路径确定方法及系统 |
CN115310676A (zh) * | 2022-07-18 | 2022-11-08 | 武汉理工大学 | 一种时变路网下的路径优化方法、装置及存储介质 |
CN115439063A (zh) * | 2022-09-14 | 2022-12-06 | 佛山维尚家具制造有限公司 | 一种定制家具物流配送的多目标路径规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于两阶段算法的带时间窗车辆路径研究;宿恺;赵洁;郭明顺;;沈阳工业大学学报(社会科学版)(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822773A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977739B (zh) | 物流配送路径的优化方法、装置及设备 | |
JP6707125B2 (ja) | 共有可能な注文を割り当てるためのシステムおよび方法 | |
Braekers et al. | Challenges in managing empty container movements at multiple planning levels | |
Ma et al. | T-share: A large-scale dynamic taxi ridesharing service | |
US8504295B2 (en) | Preserving assigned carpools after a cancellation | |
CN111428931B (zh) | 物流配送线路规划方法、装置、设备及存储介质 | |
JP7209317B2 (ja) | 配送計画生成方法および配送計画生成装置 | |
CN109902985A (zh) | 物流网络规划方法、设备和计算机可读存储介质 | |
CN112735129B (zh) | 货车停车调度的方法及装置 | |
CN110263983A (zh) | 一种车辆与无人机物流配送的双层路径规划方法及系统 | |
CN114358677A (zh) | 物流运输分配方法、装置、计算机设备和存储介质 | |
CN110222890A (zh) | 一种车辆与无人机物流配送的双层路径优化方法及系统 | |
Zeng et al. | The transportation mode distribution of multimodal transportation in automotive logistics | |
CN111861009A (zh) | 一种智能路由规划方法、装置和设备 | |
CN113327075B (zh) | 物流配送中的配送路径规划方法、装置、电子设备和介质 | |
CN116822773B (zh) | 一种基于大数据的货运路径预测方法及系统 | |
Ližbetin et al. | The optimization of the intermodal terminals | |
Niroomand et al. | Vehicle routing with time window for regional network services—Practical modelling approach | |
Huynh et al. | A new planning model to support logistics service providers in selecting mode, route, and terminal location | |
CN114065991A (zh) | 物流资源优化方法、装置、系统及计算机可读存储介质 | |
CN111695850B (zh) | 配送线路的生成方法、装置和设备 | |
Kolar et al. | Specification of a location for opted port logistics center in a given area using the method of operational research | |
Charisis et al. | Logistics hub location-scheduling model for innercity last mile deliveries | |
CN114185341A (zh) | 无人驾驶车辆路径规划方法、设备及计算机可读存储介质 | |
RU2652466C1 (ru) | Способ определения стоимости грузоперевозки |
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 |