CN117252322B - 一种物流供应链管理方法 - Google Patents
一种物流供应链管理方法 Download PDFInfo
- Publication number
- CN117252322B CN117252322B CN202311490341.7A CN202311490341A CN117252322B CN 117252322 B CN117252322 B CN 117252322B CN 202311490341 A CN202311490341 A CN 202311490341A CN 117252322 B CN117252322 B CN 117252322B
- Authority
- CN
- China
- Prior art keywords
- distribution
- delivery
- order
- logistics
- congestion
- 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 40
- 238000013068 supply chain management Methods 0.000 title claims abstract description 12
- 238000012384 transportation and delivery Methods 0.000 claims description 132
- 238000013439 planning Methods 0.000 abstract description 14
- 238000007726 management method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流供应链管理方法,属于物流管理技术领域,包括以下步骤:S1、根据最新物流配送订单的配送起点和配送终点,为最新物流配送订单匹配历史物流配送订单,生成相似历史物流配送订单集合;S2、为各个历史物流配送订单生成路径消耗指数;S3、从所有可行驶路径中确定最新物流配送订单的最优配送路径。本发明为最新物流配送订单匹配可以提供参考价值的历史物流配送订单,这些历史物流配送订单在配送过程中产生的拥堵路段情况以及配送成本等可以作为最新物流配送订单进行路径规划的重要参考因素,不单单以导航软件的推荐路径作为行驶路径。
Description
技术领域
本发明属于物流管理技术领域,具体涉及一种物流供应链管理方法。
背景技术
目前,随着电子商务的快速发展,线上交易已经成为人们日常生活中使用频率更高的商品交易方式,电商物流供应链快速发展。其中,运输路径规划是物流供应链管理的重要一环,它主要完成货物运输的部分,即将货物从库房运送到客户所在处。现有物流供应链的路径规划方法通常是运输人员在导航软件上直接搜索得到,但该导航路径无法结合运输成本和运输过程中常出现的拥堵情况,会出现物流运输较慢的情况。
发明内容
本发明为了解决以上问题,提出了一种物流供应链管理方法。
本发明的技术方案是:一种物流供应链管理方法包括以下步骤:
S1、获取最新物流配送订单的配送起点和配送终点,并根据最新物流配送订单的配送起点和配送终点,为最新物流配送订单匹配历史物流配送订单,生成相似历史物流配送订单集合;
S2、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径,为各个历史物流配送订单生成路径消耗指数;
S3、获取最新物流配送订单在电子地图中的所有可行驶路径,并根据所有历史物流配送订单的路径消耗指数,从所有可行驶路径中确定最新物流配送订单的最优配送路径。
进一步地,S1包括以下子步骤:
S11、根据最新物流配送订单的配送起点确定起点匹配区域;
S12、根据起点匹配区域和最新物流配送订单的配送终点,确定终点匹配区域;
S13、获取所有历史物流配送订单,将配送起点属于起点匹配区域且配送终点属于终点匹配区域的所有历史物流配送订单作为相似历史物流配送订单集合。
上述进一步方案的有益效果是:在本发明中,对最新物流配送订单进行供应链管理的重点是进行路径规划,本发明完成路径规划的依据不止是从现有导航软件中直接获取所有可行驶路径,而是综合考虑与最新物流配送订单相似的历史物流配送订单,通过相似的历史物流配送订单生成最准确的路况信息,为最新物流配送订单进行路径规划提供有效参考价值。在步骤S1中,本发明以配送起点和配送终点绘制两个合适的圆形区域,将起点和终点分别属于这两个圆形区域的历史物流配送订单作为有效的订单。
进一步地,S11中,确定起点匹配区域的具体方法为:以最新物流配送订单的配送起点作为圆心,并计算起点匹配半径,绘制起点匹配区域;其中,起点匹配半径R1的计算公式为:,其中,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值。
进一步地,S12中,确定终点匹配区域的具体方法为:以最新物流配送订单的配送终点作为圆心,并计算终点匹配半径,绘制终点匹配区域;其中,终点匹配半径R2的计算公式为:;其中,R1表示起点匹配半径,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值。
进一步地,S2包括以下子步骤:
S21、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径;
S22、获取各个历史物流配送订单的配送路径对应的配送信息;其中,配送信息包括配送距离、配送时长、拥堵路段的拥堵距离、拥堵路段的拥堵时长、配送成本、配送起点和配送终点;
S23、根据各个历史物流配送订单中拥堵路段的拥堵距离和拥堵时长,计算各个历史物流配送订单的拥堵权重;
S24、根据各个历史物流配送订单的配送距离、配送时长和拥堵权重,计算各个历史物流配送订单的配送权重;
S25、根据各个历史物流配送订单的配送成本、拥堵权重和配送权重,生成各个历史物流配送订单的路径消耗指数。
上述进一步方案的有益效果是:在本发明中,配送信息中,将行驶速度小于整个配送路径平均速度的行驶路段作为拥堵路段,确定拥堵距离和拥堵时长。在确定历史物流配送订单的路径消耗指数,首先考虑对配送路径规划影响较大的拥堵路段,刻画拥堵权重;再基于拥堵权重,利用配送距离和配送时长刻画配送权重;最后,将配送成本作为路径规划的影响因素之一,与拥堵权重和配送权重结合,确定历史物流配送订单在配送过程中产生的消耗指数,该指数可以客观反映各个历史物流配送订单的优缺点(时间消耗、拥堵路段消耗和成本消耗),为最新物流配送订单提高参考价值。
进一步地,S23中,历史物流配送订单的拥堵权重θc的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,max(·)表示最大值运算。
进一步地,S24中,历史物流配送订单的配送权重θp的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,L'表示历史物流配送订单的配送路径中配送起点与配送终点之间的直线距离,S'表示历史物流配送订单的配送路径的配送距离,T'表示历史物流配送订单的配送时长,e表示指数。
进一步地,S25中,历史物流配送订单的路径消耗指数δ的计算公式为:;式中,Q表示历史物流配送订单的配送成本,θc表示历史物流配送订单的拥堵权重,θp表示历史物流配送订单的配送权重。
进一步地,S3包括以下子步骤:
S31、获取最新物流配送订单在电子地图中的所有可行驶路径;
S32、根据所有历史物流配送订单的路径消耗指数,为各个可行驶路径生成行驶消耗指数;
S33、将最小行驶消耗指数对应的可行驶路径作为最优配送路径。
进一步地,S32中,可行驶路径的行驶消耗指数α的计算公式为:;式中,/>表示第n个历史物流配送订单的配送路径的配送路径,N表示历史物流配送订单的个数,S''表示可行驶路径的行驶距离,c表示常数,δn表示第n个历史物流配送订单的路径消耗指数。
本发明的有益效果是:
(1)本发明为最新物流配送订单匹配可以提供参考价值的历史物流配送订单,这些历史物流配送订单在配送过程中产生的拥堵路段情况以及配送成本等可以作为最新物流配送订单进行路径规划的重要参考因素,不单单以导航软件的推荐路径作为行驶路径;
(2)本发明还通过历史物流配送订单的路径消耗指数,对导航软件直接生成的所有可行驶路径进行行驶消耗指数计算,筛选最合适的可行驶路径,因此本发明生成的更贴合该物流配送订单的实际情况,可大幅度提高配送效率,降低配送成本。
附图说明
图1为物流供应链管理方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种物流供应链管理方法,包括以下步骤:
S1、获取最新物流配送订单的配送起点和配送终点,并根据最新物流配送订单的配送起点和配送终点,为最新物流配送订单匹配历史物流配送订单,生成相似历史物流配送订单集合;
S2、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径,为各个历史物流配送订单生成路径消耗指数;
S3、获取最新物流配送订单在电子地图中的所有可行驶路径,并根据所有历史物流配送订单的路径消耗指数,从所有可行驶路径中确定最新物流配送订单的最优配送路径。
在本发明实施例中,S1包括以下子步骤:
S11、根据最新物流配送订单的配送起点确定起点匹配区域;
S12、根据起点匹配区域和最新物流配送订单的配送终点,确定终点匹配区域;
S13、获取所有历史物流配送订单,将配送起点属于起点匹配区域且配送终点属于终点匹配区域的所有历史物流配送订单作为相似历史物流配送订单集合。
在本发明中,对最新物流配送订单进行供应链管理的重点是进行路径规划,本发明完成路径规划的依据不止是从现有导航软件中直接获取所有可行驶路径,而是综合考虑与最新物流配送订单相似的历史物流配送订单,通过相似的历史物流配送订单生成最准确的路况信息,为最新物流配送订单进行路径规划提供有效参考价值。在步骤S1中,本发明以配送起点和配送终点绘制两个合适的圆形区域,将起点和终点分别属于这两个圆形区域的历史物流配送订单作为有效的订单。
在本发明实施例中,S11中,确定起点匹配区域的具体方法为:以最新物流配送订单的配送起点作为圆心,并计算起点匹配半径,绘制起点匹配区域;其中,起点匹配半径R1的计算公式为:,其中,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值。
在本发明实施例中,S12中,确定终点匹配区域的具体方法为:以最新物流配送订单的配送终点作为圆心,并计算终点匹配半径,绘制终点匹配区域;其中,终点匹配半径R2的计算公式为:;其中,R1表示起点匹配半径,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值。
在本发明实施例中,S2包括以下子步骤:
S21、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径;
S22、获取各个历史物流配送订单的配送路径对应的配送信息;其中,配送信息包括配送距离、配送时长、拥堵路段的拥堵距离、拥堵路段的拥堵时长、配送成本、配送起点和配送终点;
S23、根据各个历史物流配送订单中拥堵路段的拥堵距离和拥堵时长,计算各个历史物流配送订单的拥堵权重;
S24、根据各个历史物流配送订单的配送距离、配送时长和拥堵权重,计算各个历史物流配送订单的配送权重;
S25、根据各个历史物流配送订单的配送成本、拥堵权重和配送权重,生成各个历史物流配送订单的路径消耗指数。
在本发明中,配送信息中,将行驶速度小于整个配送路径平均速度的行驶路段作为拥堵路段,确定拥堵距离和拥堵时长。在确定历史物流配送订单的路径消耗指数,首先考虑对配送路径规划影响较大的拥堵路段,刻画拥堵权重;再基于拥堵权重,利用配送距离和配送时长刻画配送权重;最后,将配送成本作为路径规划的影响因素之一,与拥堵权重和配送权重结合,确定历史物流配送订单在配送过程中产生的消耗指数,该指数可以客观反映各个历史物流配送订单的优缺点(时间消耗、拥堵路段消耗和成本消耗),为最新物流配送订单提高参考价值。
在本发明实施例中,S23中,历史物流配送订单的拥堵权重θc的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,max(·)表示最大值运算。
在本发明实施例中,S24中,历史物流配送订单的配送权重θp的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,L'表示历史物流配送订单的配送路径中配送起点与配送终点之间的直线距离,S'表示历史物流配送订单的配送路径的配送距离,T'表示历史物流配送订单的配送时长,e表示指数。
在本发明实施例中,S25中,历史物流配送订单的路径消耗指数δ的计算公式为:;式中,Q表示历史物流配送订单的配送成本,θc表示历史物流配送订单的拥堵权重,θp表示历史物流配送订单的配送权重。
在本发明实施例中,S3包括以下子步骤:
S31、获取最新物流配送订单在电子地图中的所有可行驶路径;
S32、根据所有历史物流配送订单的路径消耗指数,为各个可行驶路径生成行驶消耗指数;
S33、将最小行驶消耗指数对应的可行驶路径作为最优配送路径。
在本发明实施例中,S32中,可行驶路径的行驶消耗指数α的计算公式为:;式中,/>表示第n个历史物流配送订单的配送路径的配送路径,N表示历史物流配送订单的个数,S''表示可行驶路径的行驶距离,c表示常数,δn表示第n个历史物流配送订单的路径消耗指数。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种物流供应链管理方法,其特征在于,包括以下步骤:
S1、获取最新物流配送订单的配送起点和配送终点,并根据最新物流配送订单的配送起点和配送终点,为最新物流配送订单匹配历史物流配送订单,生成相似历史物流配送订单集合;
S2、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径,为各个历史物流配送订单生成路径消耗指数;
S3、获取最新物流配送订单在电子地图中的所有可行驶路径,并根据所有历史物流配送订单的路径消耗指数,从所有可行驶路径中确定最新物流配送订单的最优配送路径;
所述S1包括以下子步骤:
S11、根据最新物流配送订单的配送起点确定起点匹配区域;
S12、根据起点匹配区域和最新物流配送订单的配送终点,确定终点匹配区域;
S13、获取所有历史物流配送订单,将配送起点属于起点匹配区域且配送终点属于终点匹配区域的所有历史物流配送订单作为相似历史物流配送订单集合;
所述S11中,确定起点匹配区域的具体方法为:以最新物流配送订单的配送起点作为圆心,并计算起点匹配半径,绘制起点匹配区域;其中,起点匹配半径R1的计算公式为:,其中,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值;
所述S12中,确定终点匹配区域的具体方法为:以最新物流配送订单的配送终点作为圆心,并计算终点匹配半径,绘制终点匹配区域;其中,终点匹配半径R2的计算公式为:;其中,R1表示起点匹配半径,L表示最新物流配送订单的配送起点与配送终点之间的直线距离,ε表示极小值;
所述S2包括以下子步骤:
S21、获取相似历史物流配送订单集合中各个历史物流配送订单的配送路径;
S22、获取各个历史物流配送订单的配送路径对应的配送信息;其中,配送信息包括配送距离、配送时长、拥堵路段的拥堵距离、拥堵路段的拥堵时长、配送成本、配送起点和配送终点;
S23、根据各个历史物流配送订单中拥堵路段的拥堵距离和拥堵时长,计算各个历史物流配送订单的拥堵权重;
S24、根据各个历史物流配送订单的配送距离、配送时长和拥堵权重,计算各个历史物流配送订单的配送权重;
S25、根据各个历史物流配送订单的配送成本、拥堵权重和配送权重,生成各个历史物流配送订单的路径消耗指数;
所述S23中,历史物流配送订单的拥堵权重θc的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,max(·)表示最大值运算;
所述S24中,历史物流配送订单的配送权重θp的计算公式为:;式中,lm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵距离,tm表示历史物流配送订单的配送路径中第m个拥堵路段的拥堵时长,M表示历史物流配送订单的配送路径中拥堵路段个数,L'表示历史物流配送订单的配送路径中配送起点与配送终点之间的直线距离,S'表示历史物流配送订单的配送路径的配送距离,T'表示历史物流配送订单的配送时长,e表示指数;
所述S25中,历史物流配送订单的路径消耗指数δ的计算公式为:;式中,Q表示历史物流配送订单的配送成本,θc表示历史物流配送订单的拥堵权重,θp表示历史物流配送订单的配送权重;
所述S3包括以下子步骤:
S31、获取最新物流配送订单在电子地图中的所有可行驶路径;
S32、根据所有历史物流配送订单的路径消耗指数,为各个可行驶路径生成行驶消耗指数;
S33、将最小行驶消耗指数对应的可行驶路径作为最优配送路径;
所述S32中,可行驶路径的行驶消耗指数α的计算公式为:;式中,/>表示第n个历史物流配送订单的配送路径的配送路径,N表示历史物流配送订单的个数,S''表示可行驶路径的行驶距离,c表示常数,δn表示第n个历史物流配送订单的路径消耗指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490341.7A CN117252322B (zh) | 2023-11-10 | 2023-11-10 | 一种物流供应链管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490341.7A CN117252322B (zh) | 2023-11-10 | 2023-11-10 | 一种物流供应链管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252322A CN117252322A (zh) | 2023-12-19 |
CN117252322B true CN117252322B (zh) | 2024-02-02 |
Family
ID=89137135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311490341.7A Active CN117252322B (zh) | 2023-11-10 | 2023-11-10 | 一种物流供应链管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252322B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993812A (zh) * | 2024-01-08 | 2024-05-07 | 北京易油互联科技有限公司 | 一种石化物流监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004035122A (ja) * | 2002-06-28 | 2004-02-05 | Toyota Motor Corp | 物流計画立案装置と立案方法とプログラム |
WO2020168014A1 (en) * | 2019-02-13 | 2020-08-20 | Simpsx Technologies Llc | Route community objects with price-time priority queues for transformed transportation units |
CN112634606A (zh) * | 2020-12-21 | 2021-04-09 | 重庆交通大学 | 货车编队运输调度方法、调度系统、介质及数据处理终端 |
CN116485304A (zh) * | 2023-05-12 | 2023-07-25 | 深圳深创建控股集团有限公司 | 基于智慧物流的物流快速配送分析系统 |
CN116681373A (zh) * | 2023-08-02 | 2023-09-01 | 四川集鲜数智供应链科技有限公司 | 一种物流供应链管理方法 |
CN116757584A (zh) * | 2023-08-18 | 2023-09-15 | 四川星点网络技术有限公司 | 一种基于大数据的配货系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214551B (zh) * | 2018-08-08 | 2022-08-26 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
US20220018674A1 (en) * | 2020-07-14 | 2022-01-20 | Here Global B.V. | Method, apparatus, and system for providing transportion logistics based on estimated time of arrival calculation |
-
2023
- 2023-11-10 CN CN202311490341.7A patent/CN117252322B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004035122A (ja) * | 2002-06-28 | 2004-02-05 | Toyota Motor Corp | 物流計画立案装置と立案方法とプログラム |
WO2020168014A1 (en) * | 2019-02-13 | 2020-08-20 | Simpsx Technologies Llc | Route community objects with price-time priority queues for transformed transportation units |
CN112634606A (zh) * | 2020-12-21 | 2021-04-09 | 重庆交通大学 | 货车编队运输调度方法、调度系统、介质及数据处理终端 |
CN116485304A (zh) * | 2023-05-12 | 2023-07-25 | 深圳深创建控股集团有限公司 | 基于智慧物流的物流快速配送分析系统 |
CN116681373A (zh) * | 2023-08-02 | 2023-09-01 | 四川集鲜数智供应链科技有限公司 | 一种物流供应链管理方法 |
CN116757584A (zh) * | 2023-08-18 | 2023-09-15 | 四川星点网络技术有限公司 | 一种基于大数据的配货系统 |
Non-Patent Citations (1)
Title |
---|
大数据背景下的电子商务物流配送路径优化算法;蒋丛萃;;现代电子技术(19);138-141138-141 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252322A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117252322B (zh) | 一种物流供应链管理方法 | |
CN108225356B (zh) | 一种基于货车历史轨迹的货运导航方法及装置 | |
US11769068B2 (en) | System, method, and computer program product for generating real-time predictions for vehicle transportation requests using machine learning | |
Cheung et al. | Dynamic routing model and solution methods for fleet management with mobile technologies | |
CN109325671B (zh) | 一种时空众包在线任务分配方法及系统 | |
CN110491158B (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
US20160253707A1 (en) | Methods and systems for tracking users | |
US11747157B2 (en) | System, method, and computer program product for machine-learning-based traffic prediction | |
US20200292346A1 (en) | Methods and systems for item delivery along delivery routes | |
CN1963847B (zh) | 预测公交车到站的方法 | |
CN104574168A (zh) | 用于为交通工具提供燃料购买选项的方法 | |
CN109697523A (zh) | 优化收派件路径的方法、系统及设备 | |
CN111260172B (zh) | 信息处理方法及系统、计算机设备 | |
JP2017125825A (ja) | 電気自動車の走行支援装置、車載装置及び走行支援方法 | |
CN110322188A (zh) | 利用未来交通信息的物流配送用路径提供方法及其服务器 | |
CN109118006A (zh) | 拼车路线的确定方法及装置、存储介质、计算设备 | |
KR20150107986A (ko) | 주유소 추천 방법 및 카드사 서버 | |
US11501376B2 (en) | Remote system and method for vehicle route guidance | |
CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN113984075A (zh) | 导航方法、装置、导航设备及计算机可读存储介质 | |
JP3770541B2 (ja) | 車両走行経路推定装置、車両の走行経路を推定するシステム、車載端末、及び車両走行経路推定方法 | |
CN111400425B (zh) | 一种路径自动优化选择的方法和系统 | |
Haliem et al. | AdaPool: A diurnal-adaptive fleet management framework using model-free deep reinforcement learning and change point detection | |
CN113379159B (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
Fan | A hybrid adaptive large neighborhood search for time-dependent open electric vehicle routing problem with hybrid energy replenishment strategies |
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 |