CN117541026A - 一种智能物流运输车辆调度方法及系统 - Google Patents

Abstract

本发明提供了一种智能物流运输车辆调度方法及系统，涉及物流运输技术领域，包括：获取第一信息；根据第一信息构建得到多层次关系图；根据预设的图神经网络数学模型对多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合；基于预设的物理机制神经网络数学模型对节点特征集合进行预测处理得到节点属性预测结果；根据节点属性预测结果和多层次关系图进行协同运输优化处理，生成调度方案。本发明通过利用多层次关系图的构建，将运输车辆、路线和货物等要素进行有效融合，从而建立了一个更为全面准确的调度信息框架。

Description

一种智能物流运输车辆调度方法及系统

技术领域

本发明涉及物流运输技术领域，具体而言，涉及一种智能物流运输车辆调度方法及系统。

背景技术

当前，智能物流领域正日益引起广泛的关注与研究，其核心问题之一是如何高效地进行物流运输车辆调度，以实现运输效率的提升和成本的降低。然而，现有的物流运输车辆调度方法依赖于手动调度和简单的规则制定，这些方法在应对复杂多变的运输场景时显得有限。现有的物流运输车辆调度方法通常根据任务的静态分配，缺乏对实时交通状况和动态变化的响应能力，使得调度方案难以适应实际运输情况的波动性，导致车辆的利用率不高、运输效率低下，以及运输成本的不必要增加。此外，现有方法往往只关注任务的分配问题，而忽视了运输车辆的能源消耗、路线时间和货物载重等关键指标，限制了整体运输效益的提升。基于上述现有技术的缺点，现亟需一种智能物流运输车辆调度方法及系统。

基于现有方法在面对日益增长的物流需求和复杂的运输网络时，表现出明显的局限性，现亟需一种智能物流运输车辆调度方法及系统。

发明内容

本发明的目的在于提供一种智能物流运输车辆调度方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种智能物流运输车辆调度方法，包括：

获取第一信息，所述第一信息包括物流运输车辆数据、运输路线数据和货物数据，所述运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量；

根据所述第一信息构建得到多层次关系图，所述多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系；

根据预设的图神经网络数学模型对所述多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合；

基于预设的物理机制神经网络数学模型对所述节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果；

根据所述节点属性预测结果和所述多层次关系图进行协同运输优化处理，生成调度方案。

第二方面，本申请还提供了智能物流运输车辆调度系统，包括：

获取模块，用于获取第一信息，所述第一信息包括物流运输车辆数据、运输路线数据和货物数据，所述运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量；

构建模块，用于根据所述第一信息构建得到多层次关系图，所述多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系；

提取模块，用于根据预设的图神经网络数学模型对所述多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合；

预测模块，基于预设的物理机制神经网络数学模型对所述节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果；

优化模块，用于根据所述节点属性预测结果和所述多层次关系图进行协同运输优化处理，生成调度方案。

本发明的有益效果为：

本发明通过利用多层次关系图的构建，将运输车辆、路线和货物等要素进行有效融合，从而建立了一个更为全面准确的调度信息框架；通过图神经网络技术，从不同层次的节点特征中提取并捕捉丰富的依赖关系和交互信息，从而使得节点特征集合更加具备表达力和预测性；利用物理机制神经网络模型进行节点属性预测，综合考虑了运输车辆的能源消耗、路线时间以及载重等实际因素，使得预测结果更为精准和实用。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的智能物流运输车辆调度方法流程示意图;

图2为本发明实施例中所述的智能物流运输车辆调度系统结构示意图。

图中标记：1、获取模块；2、构建模块；21、第一嵌入单元；22、第一匹配单元；23、第二嵌入单元；24、第一构建单元；25、第二构建单元；26、第一整合单元；3、提取模块；31、第一提取单元；32、第一聚合单元；33、第一强化单元；34、第一重构单元；4、预测模块；41、第一预测单元；42、第二预测单元；43、第一优化单元；44、第一融合单元；5、优化模块；51、第一处理单元；52、第二处理单元；53、第一计算单元；54、第一分析单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种智能物流运输车辆调度方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。

步骤S100、获取第一信息，第一信息包括物流运输车辆数据、运输路线数据和货物数据，运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量。

可以理解的是，本步骤旨在从物流运输的各个方面获取关键信息，以为后续的智能调度优化提供基础数据。物流运输涉及多种要素，包括运输车辆、运输路线和货物，这些要素的特性和属性对于实现高效调度至关重要。运输车辆数据是指关于各种运输车辆的详细信息。车辆的类型、载重能力和最高速度等特征在调度过程中对于选择适当的车辆和路径具有重要影响。例如，不同类型的车辆可能适合不同类型的货物，而载重能力和最高速度将影响到车辆能否按时完成运输任务。运输路线数据包括了路线的类型和预计时间等信息。路线的选择会受到道路条件、交通流量和路线长度等因素的影响。预计时间有助于衡量路线的实际可行性和运输效率，从而在调度中进行合理的路线安排。货物数据包括货物的类型、体积和重量等属性。货物的特性决定了其在运输过程中的处理方式和优先级。体积和重量是确定货物占用空间和对载重的影响因素，对于合理分配运输任务和规划路线至关重要。

步骤S200、根据第一信息构建得到多层次关系图，多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系。

可以理解的是，在本步骤中，通过将物流运输的各要素以及它们之间的关联性映射到一个多层次的图结构中，实现对复杂的物流关系的抽象和可视化。这种多层次关系图能够清晰地展现运输车辆、路线和货物之间的关系，并为后续的特征提取和优化处理提供了依据。需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240、步骤S250和步骤S260。

步骤S210、根据物流运输车辆数据进行特征嵌入处理，通过将每辆运输车辆映射为一个节点，并将运输车辆的类型、载重能力和最高速度属性嵌入到节点的特征向量中构建得到运输车辆层次。

可以理解的是，对于每辆运输车辆，首先将其映射为一个节点，该节点在图中代表该车辆在整个物流网络中的位置。然后，将运输车辆的类型、载重能力和最高速度等重要属性嵌入到节点的特征向量中。优选地，在本实施例中使用词嵌入技术，这是一种常用于自然语言处理领域的技术，用于将离散的词语映射到连续的向量空间。具体地，首先，为每个属性（如车辆类型、载重能力、最高速度）构建一个词汇表，将每种属性的取值作为词汇表中的一个词。然后，通过训练一个嵌入模型，学习每个属性词语的向量表示。这个过程中，模型会考虑到属性词语之间的关联性，使得具有相似属性取值的车辆在向量空间中距离较近。在得到属性词语的向量表示后，将每辆运输车辆映射为一个节点，并使用其属性词语的向量表示作为节点的特征向量。这样，每个节点都包含了车辆的属性信息，并且相似属性的车辆在图中也会有相似的特征向量表示。通过使用词嵌入技术，能够将离散的车辆属性信息映射到连续的特征向量空间，使得节点特征的表示更加丰富和连续化。这有助于提高图数据的表达能力，使得后续步骤能够更好地捕捉车辆之间的关联和特征。

步骤S220、根据运输路线数据和预设的路径匹配数学模型，通过将运输车辆与对应的路线相连接，并将每条路线映射为图中的节点，构建得到路线层次。

可以理解的是，在智能物流领域，路线直接影响着运输车辆的运行路径和效率。为了更好地对路线信息进行处理，采用了预设的路径匹配数学模型。该模型可以根据运输车辆的特性和路线数据，计算出每辆车辆适合的路线。这个数学模型考虑了运输车辆的类型、载重能力以及路线的预计时间等因素，从而为每辆车辆指定最合适的路线。需要说明的是步骤S220包括步骤S221、步骤S222、步骤S223、步骤S224和步骤S225。

步骤S221、将运输车辆和路线作为图中的节点，构建一个概率图。每个节点表示一个运输车辆或一条路线，图中的边表示两者之间的关系。

可以理解的是，在本步骤中，将运输车辆和运输路线作为图的节点，通过构建概率图来表达它们之间的关系。这种概率图能够更加清晰地呈现运输车辆与路线之间的匹配概率，并在智能物流调度中起到关键作用。具体地，首先将每辆运输车辆表示为图中的一个节点。节点的属性包括车辆的类型、载重能力和最高速度等特征。同时，每条运输路线也作为图中的一个节点，节点的属性包括路线的类型和预计时间等信息。其次为节点之间的关系引入概率边。这些边表示运输车辆与路线之间的匹配概率，即某辆车辆选择某条路线的可能性。这些匹配概率由概率分布来计算得出，考虑到多个因素的影响，如车辆类型、路线类型等。在构建概率图时，还要考虑到节点之间的交互关系。例如，不同车辆可能会选择相同的路线，而不同路线可能适用于多种车辆。这些复杂的交互关系可以通过图中的边来表示，从而更准确地描述运输车辆与路线之间的联系。通过构建这样的概率图，能够直观地了解运输车辆与路线之间的匹配关系。

步骤S222、为每个节点定义概率分布，表示该运输车辆适合选择某条路线的概率。考虑到智能物流的复杂性，同时考虑引入多个因素，包括车辆类型、路线类型、预计时间来定义概率分布。

可以理解的是，针对每个运输车辆节点引入概率分布，表示该车辆选择不同路线的概率。这个概率分布基于历史数据和实时信息来确定，同时还可以根据车辆的类型、载重能力以及最高速度等特征进行调整。不同类型的车辆可能在不同的路线上表现更好，因此根据领域知识和经验来定义概率分布。对于每条运输路线节点，同样定义概率分布，表示该路线适合被不同车辆选择的概率。这个概率分布的定义可以考虑路线的类型、预计时间以及实际的交通情况。预计时间可能会影响车辆的选择，特别是在高峰时段或者特定条件下，车辆可能更倾向于选择预计时间较短的路线。在定义概率分布时，将多个因素结合起来，以达到更全面、准确的路径匹配效果。这样的概率分布能够更好地反映智能物流领域的复杂性和实际情况，从而为后续的调度优化提供更有针对性的路径匹配结果。通过为每个节点引入考虑多个因素的概率分布，能够更加准确地表示运输车辆与路线之间的匹配关系。

步骤S223、利用运输车辆数据、运输路线数据和货物数据，对概率分布的参数进行估计。

可以理解的是，针对运输车辆节点利用历史运输记录、车辆类型、载重能力以及最高速度等数据来估计概率分布的参数。例如，可以分析不同类型车辆在不同路线上的表现，计算每种类型车辆选择每条路线的频率，从而得到概率分布的参数。这样的估计可以基于统计学方法，优选地如最大似然估计或贝叶斯估计。对于运输路线节点，利用历史运输数据、实际路况数据和预计时间等信息来估计概率分布的参数。通过分析不同路线在不同时间段的运输效果，结合实际的交通情况和预计时间，可以推导出每条路线适合不同类型车辆选择的概率。对于货物节点，利用货物类型、体积和重量等属性，结合运输车辆和路线的特性，估计货物在不同情况下被不同车辆选择的概率。这样的估计可以通过分析历史运输数据和实际情况得出，从而确定货物节点的概率分布参数。综合利用运输车辆数据、运输路线数据和货物数据，能够对概率分布的参数进行更精确的估计，从而使得路径匹配更加符合实际情况。这种方法能够充分利用大量的数据和信息，为智能物流领域的路径匹配问题提供更准确、可靠的解决方案。通过利用丰富的运输车辆数据、运输路线数据和货物数据，对概率分布的参数进行估计，实现了更加准确的路径匹配，提高了智能物流调度的精度和效率。同时，该方法能够根据实际情况和领域知识进行参数调整，具有更强的适用性和实用性。

步骤S224、根据运输车辆的特性，计算每辆车辆与各条路线之间的匹配概率。

可以理解的是，对于每辆运输车辆，综合考虑其类型、载重能力以及最高速度等特性。这些特性将决定一辆车辆是否适合选择某条路线，以及在该路线上的表现。例如，某些类型的车辆可能更适合在高速公路上行驶，而另一些可能更适合在城市道路上运输。此外，运输车辆的载重能力将影响其能否承载特定货物，从而决定了是否选择某条路线。然后基于概率分布参数，将运输车辆的特性与路线的属性相结合，计算出每辆车辆与各条路线之间的匹配概率。例如，对于某辆特定类型的车辆，其在不同路线上的匹配概率可能会受到路线类型、预计时间等因素的影响。通过结合多个因素，可以得出每辆车辆在不同路线上的匹配概率分布。最后计算出的匹配概率可以用于后续的路径匹配过程。对于每辆车辆，可以根据其匹配概率选择最合适的路线，以达到最优的运输效果。这样的匹配过程能够更好地考虑每辆车辆的特性和路线的属性，从而实现更精准的智能物流调度。计算公式如下：

；

；

其中，i为运输车辆的序号；j为运输路线的序号；表示第i辆运输车辆与第j条路线之间的匹配概率；/>为调整参数；/>表示第i辆运输车辆的特性向量；/>表示第j条运输路线的属性向量；/>表示运输车辆特性向量/>和路线属性向量/>之间的相似度，采用余弦相似度度量方法计算得到；/>表示运输车辆类型与路线类型之间的相似度，通过考虑类型之间的关联性来计算；/>表示运输车辆的最高速度与路线的预计时间之间的相似度，根据预计时间与车辆速度的关系来衡量；/>表示运输车辆类型权重；/>表示路线类型权重；/>表示预计时间权重。

步骤S225、根据匹配结果，将每辆车辆与匹配概率最高的路线相连接，并将每条路线映射为图中的一个节点，构建得到路线层次。

可以理解的是，对于每辆运输车辆，根据其在步骤S224中计算得到的匹配概率，选择匹配概率最高的路线作为其连接的路线。将每辆车辆作为一个节点，每条路线也作为一个节点，通过一条连接边将车辆节点与对应的路线节点连接起来。这样，就在图中构建出了一个由运输车辆和路线节点组成的路线层次。这个层次展示了每辆车辆与其最佳匹配路线之间的关联，为后续的协同运输优化提供了信息基础。通过这样的图表示，可以更好地理解车辆与路线之间的关系，为运输任务的分配和调度提供依据。

步骤S230、根据货物数据进行嵌入式表示，通过将货物类型、体积和重量属性嵌入到节点的特征向量中，构建得到货物层次。

优选地，对于货物数据的嵌入式表示，可以采用独热编码来实现，以更好地将货物属性纳入多层次关系图。考虑到货物类型有多个不同的取值，针对每个不同的货物类型创建一个二进制的独热编码向量。假设有三种货物类型：A、B和C。那么，可以创建三个独热编码向量分别表示这三种类型。例如，对于类型A，独热编码向量可以是[1,0,0]，对于类型B，独热编码向量可以是[0,1,0]，对于类型C，独热编码向量可以是[0,0,1]。这样，每个货物类型都被表示为一个向量，其中只有一个维度是1，其余维度是0。同样地，对于货物的体积和重量属性，可以采用类似的方法进行独热编码。如果货物体积分为小、中、大三个范围，可以分别创建对应的独热编码向量；如果货物重量分为轻、中、重三个范围，同样也可以创建对应的独热编码向量。这样，每个货物的属性都被编码为一个独热编码向量。在图中，每个货物对应的节点的特征向量将包括这些独热编码向量，用来表示货物的类型、体积和重量属性。这种编码方式能够将多个不同的货物属性信息整合到节点的特征中，为后续的任务分配和调度优化提供更丰富的信息。

步骤S240、根据运输车辆层次中的车辆节点和路线层次中的路线节点，通过结合运输车辆的特性和路线的预计时间，确定每辆车辆适合的路线，并将路线的属性作为连接边的信息构建运输车辆与路线之间的第一连接边集合。

可以理解的是，在选择适合的路线时，需要综合考虑运输车辆的特性和路线的预计时间。对于载重能力较大的车辆，更适合选择一条经过大型货物集散地的路线，从而充分发挥其载重能力；而对于速度较快的车辆，则更适合选择短途路线，以减少路上的行驶时间。同时，路线的预计时间也是一个关键因素，可以借助历史交通数据和预测模型来估计不同路线的预计时间，从而更准确地衡量每条路线的可行性。在多层次关系图中，每个运输车辆节点与其适合的路线节点之间会建立连接边，并将路线的属性信息作为边的特征。这些属性信息包括路线的类型（如高速公路、城市道路等）以及预计时间。通过构建这样的连接关系，可以在多层次关系图中准确地表示每辆车辆与其选择的路线之间的关联性。这将为后续的任务分配和调度优化提供基础，确保运输任务能够按照最佳的路线分配给合适的车辆，从而实现整体运输效率的提升。

步骤S250、根据运输车辆层次中的车辆节点和货物层次的货物节点，使用协同匹配算法寻找最佳的车辆组合，构建运输车辆与货物之间的第二连接边集合。

可以理解的是，在物流领域中，运输车辆和货物之间的匹配是一个复杂而关键的问题。不同类型的车辆可能适合携带不同种类、不同大小的货物，而货物的特性也可能决定了它们适合搭配的车辆类型。此外，考虑到运输车辆的载重能力以及货物的体积和重量等属性，需要找到一种方法来使得每辆车辆能够在其最大载重和体积限制范围内，携带尽可能多的货物，从而实现运输效益的最大化。在这一步骤中采用协同匹配算法，该算法将车辆和货物视为节点，通过计算它们之间的相互适配度来建立连接关系。具体地，本实施例中使用基于强化学习的协同优化算法，寻找最佳的车辆组合，步骤如下：

步骤S251、所有可用的运输车辆和货物分别表示为个体，初始化一个群体，其中每个个体表示一个车辆-货物组合。

可以理解的是，这个群体可以看作是一个种群，每个个体代表了一个潜在的匹配方案。每个个体包含两部分信息：一个代表运输车辆的变量和一个代表货物的变量。运输车辆的变量包括车辆的类型、载重能力和最高速度等特性，而货物的变量包括货物的类型、体积和重量等特性。通过将运输车辆和货物结合在一起形成个体，可以考虑每个车辆是否适合运输某种货物，从而更好地满足实际运输场景的需求。初始化时，群体中的个体数量可以根据问题的规模和复杂性进行设定，包括多个可能的匹配方案，以便后续的优化搜索。

步骤S252、引入一个强化学习代理，作为群体中的一个个体，负责学习和优化匹配方案。代理通过与环境交互，不断调整匹配策略，以获取更高的奖励。

可以理解的是，引入强化学习代理是为了让系统能够从交互中学习并逐渐改进匹配方案，以满足不断变化的物流需求和场景。代理通过与环境交互来获取反馈信号，这个环境可以理解为现实中的物流运输环境，包括运输车辆、货物、路线等。代理根据当前的状态和采取的行动，会获得一个奖励信号，用来评估当前的匹配方案的好坏。强化学习代理的目标是通过不断尝试不同的匹配策略，从而优化匹配方案，使得累积奖励最大化。代理会使用强化学习算法，如深度强化学习算法、策略梯度算法等，根据奖励信号对匹配策略进行调整。代理会根据之前的经验和反馈，不断地改进自己的决策能力，以在相同的环境下获得更好的匹配结果。这个步骤的引入强化学习代理使得调度算法能够从实际运行中不断学习，逐步优化匹配方案，适应各种复杂的运输场景和需求变化，从而提高了算法的效率和实用性

步骤S253、在每个迭代中，强化学习代理与环境交互，根据当前的状态（即可用车辆、货物等信息）选择一个行动（即车辆-货物组合）。环境根据代理选择的行动，返回一个奖励，该奖励反映了当前匹配方案的效果。

可以理解的是，在智能物流场景中，每个迭代被视为一个运输周期，在该周期内需要进行车辆-货物的匹配和调度。在每个运输周期开始时，代理会观察环境中的可用信息，例如当前可用的运输车辆和待运输的货物。基于这些信息，代理会选择一个行动，为每辆车辆分配合适的货物，以达到最优的匹配方案。一旦代理选择了行动，环境会根据实际情况返回一个奖励。这个奖励会根据匹配方案的效果而变化，例如如果匹配方案使得运输车辆能够更有效地运送货物，那么奖励就可能较高。反之，如果匹配方案导致不必要的等待时间或其他不良后果，奖励可能会较低。代理通过与环境交互，不断地在不同的运输周期中学习和积累经验，以便在类似的情况下做出更优的决策。这个过程为一个反馈循环，在代理与环境之间的交互中，代理根据获得的奖励来调整自己的决策策略，从而在不断的迭代中逐步提升匹配方案的质量和效率。这种学习和优化的过程使得调度算法能够自适应地应对各种复杂的运输场景和变化。

步骤S254、代理根据环境返回的奖励，使用强化学习算法更新自己的匹配策略。代理会学习如何在不同情况下选择最佳的车辆-货物组合，以获取更高的奖励。

可以理解的是，本步骤中更新的过程涉及到更新代理的行动值函数，以便能够在未来的决策中更好地预测选择某个行动所能获得的累积奖励。代理会通过比较实际获得的奖励与预期的奖励来调整自己的行动值函数，以使其更准确地反映不同行动的价值。在智能物流场景中，代理需要考虑多个因素，如车辆类型、货物属性、路线信息等，来决定如何进行车辆-货物的匹配。通过不断地与环境交互并观察奖励，代理能够逐步学习到在不同情况下应该如何做出最优的匹配决策，以最大化累积奖励。这种学习过程使得代理能够在复杂的智能物流运输调度问题中，自主地寻找到高效的车辆-货物匹配方案，从而提高整体的运输效率和质量。

步骤S255、将强化学习代理生成的匹配方案与其他个体的方案结合，形成新的群体。

可以理解的是，不同个体的匹配方案可能具有不同的优势和特点。强化学习代理通过学习和优化，可能会产生一些创新性的匹配策略，而其他个体可能具有基于经验和规则的方案。将这些不同的方案进行结合，可以有效地利用各个个体的优势，从而形成更为全面和优化的匹配方案。这个群体的结合过程有助于降低方案的局部性，从而更好地探索匹配空间中的各种可能性。通过多样性的方案结合，可以进一步提高匹配的质量和适应性，使得整体的匹配方案更加稳健和可靠。这种群体的协作和结合使得智能物流运输调度的解决方案能够在不断变化的环境和需求下持续优化和适应。

步骤S256、重复迭代，直到达到预定的迭代次数或满足收敛条件，将生成的车辆-货物组合作为最终的匹配结果

可以理解的是，重复迭代的过程为了达到两个主要的目标：首先，不断寻找更优的匹配方案，以便在匹配过程中最大限度地减少资源浪费、提高运输效率等；其次，通过不断的试错和调整，使代理能够逐步适应环境的变化和需求的变化，从而提高方案的适应性和稳健性。在重复迭代的过程中，可以根据实际情况设定一个预定的迭代次数，或者通过判断匹配方案的变化情况和性能表现来确定是否达到收敛条件。一旦满足预定的迭代次数或收敛条件，就可以将生成的车辆-货物组合作为最终的匹配结果。这个结果经过了多次迭代和优化，能够在当前的环境下达到一个较优的匹配效果，为智能物流运输调度提供了一个可行和高效的解决方案

步骤S260、根据运输车辆层次、路线层次、货物层次、第一连接边集合和第二连接边集合，通过图数据的整合和协同关系的处理，得到多层次关系图。

可以理解的是，首先将之前构建的运输车辆层次、路线层次和货物层次的节点以及第一连接边集合和第二连接边集合中的信息整合到一个统一的图结构中。每个节点代表一个运输车辆、一条路线或一个货物，而边则代表不同层次之间的关联。这个图的构建反映了运输车辆、路线和货物之间的各种关系，为后续的任务分配和调度提供了丰富的信息基础。其次通过协同关系的处理，图中不同层次之间的关联性得到进一步强化。协同关系体现在节点特征的聚合、边的加权等方式上，从而能够更好地捕捉不同层次之间的依赖和交互关系。

步骤S300、根据预设的图神经网络数学模型对多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合。

可以理解的是，本步骤对每个层次中的节点进行特征聚合，将其邻居节点的特征信息考虑进来，同时通过学习权重来捕捉节点之间的依赖关系。通过多层的信息传递，可以更全面地描述每个节点的特征，从而更好地反映不同层次之间的交互关系。需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。

步骤S310、根据多层次关系图中的运输车辆层次、路线层次和货物层次中的节点，使用图卷积网络算法对节点特征进行半监督学习和提取处理，得到初步节点嵌入表示。

可以理解的是，本步骤使用图卷积网络算法来处理运输车辆、路线和货物节点的特征。这个算法能够在图结构中进行信息传递和特征聚合，从而提取节点的更高级表示。具体地，首先将多层次关系图中的运输车辆、路线和货物节点作为图卷积网络的输入节点，每个节点的特征是之前步骤中得到的嵌入表示。然后通过多层的图卷积层，不断传递和聚合节点特征，使得每个节点能够考虑到邻居节点的信息。在半监督学习的框架下，利用部分节点的标签信息来引导特征的学习，从而提升表示的质量。优选地，对于运输车辆和货物节点，使用它们的属性信息作为标签来辅助学习。对于路线节点，考虑其预计时间作为监督信号。通过图卷积网络的处理，得到了初步的节点嵌入表示，这些表示已经在多层次关系图的基础上考虑了节点间的关联和依赖关系。这为后续的特征聚合和预测处理提供了更丰富的特征信息，从而能够更好地反映出节点在不同层次中的特性和属性。

步骤S320、根据初步节点嵌入表示，使用自注意力机制算法在各层次内分别对节点特征进行聚合和加权，并通过引入协同关系注意力机制将不同层次之间的关联性融入特征聚合过程，得到加权特征集合。

可以理解的是，在本步骤中利用自注意力机制算法对初步节点嵌入表示进行进一步的处理，以更好地捕捉节点间的关系和依赖关系。自注意力机制允许每个节点考虑到其邻居节点的特征，并根据邻居节点的重要性对自身特征进行加权聚合。首先在每个层次内分别应用自注意力机制，即对运输车辆、路线和货物节点进行独立的特征聚合。对于每个节点，计算其与邻居节点之间的相似度分数，然后利用这些分数对邻居节点的特征进行加权平均，从而得到节点的聚合特征表示。此外，为了更好地捕捉不同层次之间的关联性，引入协同关系注意力机制。这个机制允许节点在不同层次之间进行信息传递和交互，以更好地反映出节点在不同层次中的依赖关系。通过计算节点在不同层次之间的相似度分数，可以调整节点在不同层次间的信息交换强度，从而实现更精细的特征聚合过程。

步骤S330、根据加权特征集合，使用协同关系注意力机制强化不同层次之间的信息传递与整合效果，得到强化特征集合。

可以理解的是，本步骤中的协同关系注意力机制中，不仅考虑了各节点本身的特征，还充分利用了节点之间的协同关系。与上一步骤不同，本步骤中协同关系注意力机制不仅仅依赖于节点之间的相似性，还考虑了节点之间的关联性。这种关联性可以是节点在不同层次之间的依赖关系，也可以是节点在相同层次内的相互作用。在协同关系注意力机制中，每个节点都与其他节点产生相互作用，这种作用在信息传递过程中得到了充分的体现。协同关系注意力机制能够更加强调不同层次之间的协同作用，这在智能物流调度的场景中尤为重要，在考虑运输车辆、路线和货物时，这种协同关系可以使节点特征更好地反映出它们之间的动态关系和影响。这对于准确预测节点属性以及最终的调度方案生成都具有重要意义。

步骤S340、根据强化特征集合，使用生成对抗网络算法对节点特征进行重构和增强得到最终的节点特征集合。

可以理解的是，本步骤中生成器将强化特征集合作为输入，通过一系列的变换和映射操作，生成具有高质量特征的节点表示。生成器的目标是使生成的节点特征集合尽可能接近真实的节点特征，从而能够更好地反映智能物流中的真实情况。而判别器则被训练成能够区分生成器生成的特征集合与真实的特征集合。通过不断的对抗训练，生成器和判别器之间形成了一种博弈，使得生成器生成的节点特征逐渐趋近真实的特征分布。这种博弈的过程会推动生成器生成更加逼真的节点特征，从而使得生成的节点特征集合更加贴近实际情况。通过生成对抗网络对节点特征进行重构和增强，可以更好地捕捉到节点特征之间的隐含关系和特性，从而使得最终的节点特征集合更加准确、真实。这将对后续的调度方案生成产生积极的影响，提高了调度方案的可靠性和有效性。

步骤S400、基于预设的物理机制神经网络数学模型对节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果。

可以理解的是，本步骤预设的物理机制神经网络模型被用来对节点特征集合进行预测。这个模型的设计是基于智能物流领域的物理规律和机制，它可以通过学习节点特征与节点属性之间的关系，来进行预测。对于运输车辆来说，模型会考虑车辆的类型、载重能力、路线等特性，以及物理规律（如能源消耗、速度等），预测车辆在不同路段的能耗消耗。对于路线来说，模型会结合路线类型、预计时间等特性，预测路线在不同时段的耗时情况。对于货物来说，模型会结合货物类型、体积和重量，预测载重分配情况。需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。

步骤S410、根据节点特征集合进行能源消耗预测，基于预设的物理机制神经网络模型中的多层感知器结构、动力学模型和能耗模型，通过模型进行能耗预测，得到车辆在不同路段的能源消耗预测结果。

优选地，本实施例中预设的物理机制神经网络模型中的多层感知器结构、动力学模型和能耗模型被用来构建能源消耗预测模型。多层感知器可以捕捉节点特征和能源消耗之间的复杂关系，动力学模型考虑了车辆的物理特性和动力学规律，能耗模型考虑了车辆在不同路段上的能源消耗情况。对于每个车辆节点，预测模型会考虑车辆类型、载重能力、最高速度等特性，以及路段的物理条件（如路段长度、坡度等），预测得到车辆在不同路段上的能源消耗。这个预测结果可以帮助识别出哪些路段对能源消耗产生了重要影响，从而在后续的调度方案中更加精确地考虑路线选择，以降低能源消耗。通过应用这个能源消耗预测模型，每个车辆节点将得到在不同路段上的能源消耗预测结果。这些预测结果将有助于在后续的步骤中更好地权衡路线选择和车辆分配，从而在整体调度方案中降低能源消耗，提高运输效率。

步骤S420、根据节点特征集合进行路线时间预测，基于预设的物理机制神经网络模型中的递归神经网络结构和路段拓扑关系，通过模型学习路线在不同时段的预计时间，得到路线时间预测结果。

可以理解的是，在实际运输中，路段的交通情况和行驶时间因时间而异。通过递归神经网络的结构，模型能够有效地捕捉时间序列中的依赖关系，从而对不同时间段的路段行驶时间进行预测。在递归神经网络模型中，路段的拓扑关系被考虑，因为不同路段之间的连接关系会影响行驶时间。通过对路段拓扑关系的建模，模型能够更准确地捕捉路段之间的相互影响。这有助于提高路线时间预测的准确性。对于每个路线节点，模型将考虑节点特征集合中的相关特征，如车辆类型、路段长度、路段坡度等，以及路段拓扑关系，预测路线在不同时间段的行驶时间。通过不断学习和调整，模型将逐渐提高路线时间预测的准确性。最终，模型将为每条路线节点生成预计的行驶时间预测结果。这些预测结果可以帮助调度系统更好地评估不同路线的时间效率，从而在生成调度方案时，更加精确地考虑路线选择，提高运输效率，减少时间成本。

步骤S430、根据节点特征集合进行载重分配优化，基于预设的物理机制神经网络模型中的进化神经网络结构、运输车辆物理特性和货物属性，通过模型学习车辆的最佳载重分配，得到载重分配预测结果。

可以理解的是，进化神经网络被引入该步骤，其结构能够模拟进化的过程，逐渐优化载重分配方案以达到最佳的运输效果。模型的学习依赖于运输车辆的物理特性和货物的属性，例如车辆的最大载重能力和货物的体积重量等。模型通过在不同迭代中逐渐调整和改进分配策略，以获得更优的载重分配方案。在每个迭代中，进化神经网络结构根据当前的节点特征集合和问题约束条件，生成一系列的载重分配方案。这些方案会根据预设的适应度函数进行评估，适应度函数综合考虑了物流成本、运输效率以及货物属性等关键指标。模型将根据适应度函数的反馈，选择和保留适应度较高的载重分配方案，并在后续的迭代中对它们进行进一步的变异和交叉操作，以产生新的载重分配方案。随着迭代的进行，进化神经网络模型逐渐优化并逼近最优的载重分配方案。经过多次迭代，模型能够生成一组最佳的载重分配预测结果，以指导实际运输车辆的实际操作。这将帮助调度系统更好地利用运输资源，降低运输成本，提高运输效率。

步骤S440、根据能源消耗预测结果、路线时间预测结果和载重分配预测结果进行权重分配处理，通过将不同预测结果按照重要性进行加权融合得到节点属性预测结果。

可以理解的是，结合了物理机制神经网络的预测模型和不同因素的权衡，实现了基于多指标的综合决策。根据能源消耗预测结果、路线时间预测结果和载重分配预测结果，按照实际应用场景中各个因素的重要性，为每个预测结果分配权重。这些权重的分配可以根据领域专家的经验和领域知识，以及实际调度优化目标来进行调整。例如，如果在某一特定情境下，运输车辆的能源消耗是最关键的因素，可以给能源消耗预测结果分配较大的权重。如果货物的及时配送对于业务成功至关重要，那么路线时间预测结果可能会获得更高的权重。本步骤通过合理设置权重，基于不同的业务需求和优化目标，生成最终的节点属性预测结果。这使得调度方案更具针对性和实用性，从而在实际的物流运输中实现了节约成本、提高效率和优化资源利用的目标。

步骤S500、根据节点属性预测结果和多层次关系图进行协同运输优化处理，生成调度方案。

可以理解的是，本步骤将之前的各个阶段的处理结果有机地结合起来，为实际调度决策提供了全面的参考和决策支持。需要说明的是，步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。

步骤S510、根据节点属性预测结果和多层次关系图，使用基于模糊逻辑的综合权衡方法，得到需要进行运输任务分配和调度优化的初步任务集合。

可以理解的是，本步骤的主要目的是在考虑多个因素的情况下，找到一组初步的任务分配，为后续的优化和决策提供基础。需要说明的是，步骤S510包括步骤S511、步骤S512、步骤S513、步骤S514、步骤S515和步骤S516。

步骤S511、针对每个节点（运输车辆、路线、货物等），首先根据节点的属性预测结果计算相应的权重。

可以理解的是，每个节点都有不同的属性，例如运输车辆的能源消耗、路线的预计时间，以及货物的重量等。这些属性将影响节点在任务分配和调度中的重要程度。通过计算节点的权重，可以更有针对性地将重要的节点优先分配给适当的任务，从而在整个调度过程中提高效率和满足业务需求。

步骤S512、为每个权重指标定义隶属函数，这些隶属函数反映权重的不同取值范围。

可以理解的是，隶属函数用于将一个实际值（如权重值）映射到一个隶属度值，该隶属度值表示了这个实际值属于某个特定模糊集合的程度。通过定义隶属函数，可以将现实世界的模糊概念转化为数学形式，以便后续的模糊逻辑运算和推理。

步骤S513、对每个权重指标的隶属函数进行模糊化，根据权重的具体数值将其映射到各个隶属函数上。

可以理解的是，在模糊逻辑中，一个权重指标的隶属函数通常由不同形状的曲线组成，例如三角形、梯形等。每个曲线描述了权重值与隶属度之间的关系。在本步骤中，需要根据实际权重值，将其映射到相应隶属函数上的特定曲线上，以获取权重在该隶属函数下的隶属度。这个过程考虑了权重值的模糊性，使得权重的表达更加准确，适应了不同权重值的情况。

步骤S514、定义综合规则，将不同权重指标的隶属度值综合起来，得到一个综合的隶属度值。

优选地，本步骤通过模糊加权方法处理不同权重指标的隶属度值，从而得到一个综合的隶属度值，反映不同指标的综合效果。具体地，首先为每个权重指标定义一组隶属函数，用来描述该指标的隶属度分布。然后根据实际情况为这些指标分配权重，这些权重可以根据领域专业知识或者问题的特点进行设定。接下来，对于每个权重指标，根据其隶属度值和相应的权重，计算出加权的隶属度值。最后，将所有加权的隶属度值综合起来，得到最终的综合隶属度值。使用模糊加权方法，可以更加准确地综合不同权重指标的隶属度值，考虑了权重的影响，从而更好地反映了综合效果。

步骤S515、基于综合隶属度值，计算每个节点的综合权重。

可以理解的是，对于每个节点（如运输车辆、路线、货物等），将之前计算得到的综合隶属度值作为节点的综合权重。这个综合权重代表了节点在不同指标的影响下的综合重要程度，可以看作是节点在整个调度方案中的权重分配。通过将综合隶属度值作为节点的综合权重，可以在整个调度方案中更加精确地考虑不同节点的重要性，从而优化任务分配和资源调度。综合权重的计算将有助于在决策过程中更好地平衡不同因素，实现更合理的调度方案。

步骤S516、综合考虑多个权重指标之间的关系，生成初步任务分配方案。

可以理解的是，本步骤同时考虑多个节点的综合权重，以及这些权重在不同权重指标之间的相对关系，对不同权重指标的综合权重进行比较和权衡，以确定任务分配方案中的优先级和比例。通过综合权重和权重指标之间的关系，能够在任务分配过程中更加精准地考虑不同节点的重要性和贡献，以及它们在整体调度中的角色。这样生成的初步任务分配方案将更加符合实际需求和优化目标，实现更高效的运输调度。

步骤S520、根据任务集合和预设的遗传算法数学模型，使用任务编码策略和遗传变异控制机制进行迭代和优化处理，得到优化任务集合。

可以理解的是，遗传算法的核心思想是通过不断地进行选择、交叉和变异等操作，来逐步优化任务集合。具体地，首先从初始的任务集合中选择一部分任务，这些任务的选择概率会根据其适应度（即符合优化目标的程度）来确定。然后通过交叉操作，将选中的任务进行组合，产生新的任务组合，以期望获得更好的解。为了保持多样性并避免陷入局部最优解，还引入遗传变异控制机制，通过对一些任务进行随机的变异操作，引入新的可能性和选择空间。这有助于在搜索空间中更全面地探索，从而更有可能找到全局最优解。通过多次迭代，遗传算法逐渐优化任务集合，使得任务的分配更加合理，符合优化目标，并且能够更好地满足运输需求。

步骤S530、根据优化任务集合和预设的适应度函数，综合考虑运输车辆能耗、路线时间和货物载重指标计算得到适应度值集合。

可以理解的是，适应度函数是一个多指标的函数，综合考虑了运输车辆的能耗、路线时间以及货物载重等指标。具体地，适应度函数会根据优化任务集合中每个任务的属性和分配方案，计算出一个适应度值。这个适应度值反映了这个任务集合在各个指标上的表现，越优秀的任务分配方案会得到更高的适应度值。在计算适应度值时，需要将运输车辆的能耗、路线时间和货物载重等指标进行权重分配，以反映不同指标的重要性。这些权重可以根据实际应用场景和需求进行设定。例如，如果在某个应用中，节约能源消耗更为重要，那么在计算适应度值时可以赋予能耗指标更大的权重。最终，通过计算适应度值集合，可以对优化任务集合的不同方案进行排序，从而找到在多个指标下表现最优的任务分配方案。这个过程确保了生成的调度方案能够在多个关键指标下实现更好的平衡，以提供最佳的智能物流运输效果。

步骤S540、根据适应度值集合对优化任务集合进行灰色关联度分析，基于物流成本和运输效率对方案进行验证并根据验证结果得到最终的调度方案。

可以理解的是，灰色关联度分析是一种多指标决策方法，用于确定各个方案在多个指标下的综合关联性。首先将优化任务集合中的适应度值集合作为输入，这些适应度值反映了各个方案在多个指标下的表现。然后，通过灰色关联度分析将不同的指标进行综合分析，得到各个方案的关联度值。这些关联度值揭示了方案在多指标下的整体关联程度，从而帮助确定哪些方案在各个指标上更为平衡。接着，基于物流成本和运输效率对方案进行验证。这意味着会将各个方案应用到实际的物流运输场景中，考虑实际的运输成本、时间和效率等因素。通过模拟实际运输过程，可以评估不同方案的实际表现，并确定哪些方案在物流成本和运输效率方面更具优势。最终，根据灰色关联度分析和基于物流成本和运输效率的验证结果，可以得到最终的调度方案。这个方案是在多个关键指标下进行了综合考虑和验证的结果，可以有效地优化智能物流运输的效率和效果，以满足实际应用场景的需求。通过这一步骤，确保生成的调度方案在实际运用中能够取得最佳的效果。

实施例2：

如图2所示，本实施例提供了一种智能物流运输车辆调度系统，系统包括：

获取模块1，用于获取第一信息，第一信息包括物流运输车辆数据、运输路线数据和货物数据，运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量。

构建模块2，用于根据第一信息构建得到多层次关系图，多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系。

提取模块3，用于根据预设的图神经网络数学模型对多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合。

预测模块4，基于预设的物理机制神经网络数学模型对节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果。

优化模块5，用于根据节点属性预测结果和多层次关系图进行协同运输优化处理，生成调度方案。

在本公开的一种具体实施方式中，构建模块2包括：

第一嵌入单元21，用于根据物流运输车辆数据进行特征嵌入处理，通过将每辆运输车辆映射为一个节点，并将运输车辆的类型、载重能力和最高速度属性嵌入到节点的特征向量中构建得到运输车辆层次。

第一匹配单元22，用于根据运输路线数据和预设的路径匹配数学模型，通过将运输车辆与对应的路线相连接，并将每条路线映射为图中的节点，构建得到路线层次。

第二嵌入单元23，用于根据货物数据进行嵌入式表示，通过将货物类型、体积和重量属性嵌入到节点的特征向量中，构建得到货物层次。

第一构建单元24，用于根据运输车辆层次中的车辆节点和路线层次中的路线节点，通过结合运输车辆的特性和路线的预计时间，确定每辆车辆适合的路线，并将路线的属性作为连接边的信息构建运输车辆与路线之间的第一连接边集合。

第二构建单元25，用于根据运输车辆层次中的车辆节点和货物层次的货物节点，使用协同匹配算法寻找最佳的车辆组合，构建运输车辆与货物之间的第二连接边集合。

第一整合单元26，用于根据运输车辆层次、路线层次、货物层次、第一连接边集合和第二连接边集合，通过图数据的整合和协同关系的处理，得到多层次关系图。

在本公开的一种具体实施方式中，提取模块3包括：

第一提取单元31，用于根据多层次关系图中的运输车辆层次、路线层次和货物层次中的节点，使用图卷积网络算法对节点特征进行半监督学习和提取处理，得到初步节点嵌入表示。

第一聚合单元32，用于根据初步节点嵌入表示，使用自注意力机制算法在各层次内分别对节点特征进行聚合和加权，并通过引入协同关系注意力机制将不同层次之间的关联性融入特征聚合过程，得到加权特征集合。

第一强化单元33，用于根据加权特征集合，使用协同关系注意力机制强化不同层次之间的信息传递与整合效果，得到强化特征集合。

第一重构单元34，用于根据强化特征集合，使用生成对抗网络算法对节点特征进行重构和增强得到最终的节点特征集合。

在本公开的一种具体实施方式中，预测模块4包括：

第一预测单元41，用于根据节点特征集合进行能源消耗预测，基于预设的物理机制神经网络模型中的多层感知器结构、动力学模型和能耗模型，通过模型进行能耗预测，得到车辆在不同路段的能源消耗预测结果。

第二预测单元42，用于根据节点特征集合进行路线时间预测，基于预设的物理机制神经网络模型中的递归神经网络结构和路段拓扑关系，通过模型学习路线在不同时段的预计时间，得到路线时间预测结果。

第一优化单元43，用于根据节点特征集合进行载重分配优化，基于预设的物理机制神经网络模型中的进化神经网络结构、运输车辆物理特性和货物属性，通过模型学习车辆的最佳载重分配，得到载重分配预测结果。

第一融合单元44，用于根据能源消耗预测结果、路线时间预测结果和载重分配预测结果进行权重分配处理，通过将不同预测结果按照重要性进行加权融合得到节点属性预测结果。

在本公开的一种具体实施方式中，优化模块5包括：

第一处理单元51，用于根据节点属性预测结果和多层次关系图，使用基于模糊逻辑的综合权衡方法，得到需要进行运输任务分配和调度优化的初步任务集合。

第二处理单元52，用于根据任务集合和预设的遗传算法数学模型，使用任务编码策略和遗传变异控制机制进行迭代和优化处理，得到优化任务集合。

第一计算单元53，用于根据优化任务集合和预设的适应度函数，综合考虑运输车辆能耗、路线时间和货物载重指标计算得到适应度值集合。

第一分析单元54，用于根据适应度值集合对优化任务集合进行灰色关联度分析，基于物流成本和运输效率对方案进行验证并根据验证结果得到最终的调度方案。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

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权利要求的保护范围为准。

Claims (10)

1.一种智能物流运输车辆调度方法，其特征在于，包括：

获取第一信息，所述第一信息包括物流运输车辆数据、运输路线数据和货物数据，所述运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量；

根据所述第一信息构建得到多层次关系图，所述多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系；

根据预设的图神经网络数学模型对所述多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合；

基于预设的物理机制神经网络数学模型对所述节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果；

根据所述节点属性预测结果和所述多层次关系图进行协同运输优化处理，生成调度方案。

2.根据权利要求1所述的智能物流运输车辆调度方法，其特征在于，根据所述第一信息构建得到多层次关系图，所述多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系，包括：

根据所述物流运输车辆数据进行特征嵌入处理，通过将每辆运输车辆映射为一个节点，并将运输车辆的类型、载重能力和最高速度属性嵌入到节点的特征向量中构建得到运输车辆层次；

根据所述运输路线数据和预设的路径匹配数学模型，通过将运输车辆与对应的路线相连接，并将每条路线映射为图中的节点，构建得到路线层次；

根据所述货物数据进行嵌入式表示，通过将货物类型、体积和重量属性嵌入到节点的特征向量中，构建得到货物层次；

根据所述运输车辆层次中的车辆节点和所述路线层次中的路线节点，通过结合运输车辆的特性和路线的预计时间，确定每辆车辆适合的路线，并将路线的属性作为连接边的信息构建运输车辆与路线之间的第一连接边集合；

根据所述运输车辆层次中的车辆节点和所述货物层次的货物节点，使用协同匹配算法寻找最佳的车辆组合，构建运输车辆与货物之间的第二连接边集合；

根据所述运输车辆层次、所述路线层次、所述货物层次、所述第一连接边集合和所述第二连接边集合，通过图数据的整合和协同关系的处理，得到多层次关系图。

3.根据权利要求1所述的智能物流运输车辆调度方法，其特征在于，根据预设的图神经网络数学模型对所述多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合，包括：

根据所述多层次关系图中的运输车辆层次、路线层次和货物层次中的节点，使用图卷积网络算法对节点特征进行半监督学习和提取处理，得到初步节点嵌入表示；

根据所述初步节点嵌入表示，使用自注意力机制算法在各层次内分别对节点特征进行聚合和加权，并通过引入协同关系注意力机制将不同层次之间的关联性融入特征聚合过程，得到加权特征集合；

根据所述加权特征集合，使用协同关系注意力机制强化不同层次之间的信息传递与整合效果，得到强化特征集合；

根据所述强化特征集合，使用生成对抗网络算法对节点特征进行重构和增强得到最终的节点特征集合。

4.根据权利要求1所述的智能物流运输车辆调度方法，其特征在于，基于预设的物理机制神经网络数学模型对所述节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果，包括：

根据所述节点特征集合进行能源消耗预测，基于预设的物理机制神经网络模型中的多层感知器结构、动力学模型和能耗模型，通过模型进行能耗预测，得到车辆在不同路段的能源消耗预测结果；

根据节点特征集合进行路线时间预测，基于预设的物理机制神经网络模型中的递归神经网络结构和路段拓扑关系，通过模型学习路线在不同时段的预计时间，得到路线时间预测结果；

根据节点特征集合进行载重分配优化，基于预设的物理机制神经网络模型中的进化神经网络结构、运输车辆物理特性和货物属性，通过模型学习车辆的最佳载重分配，得到载重分配预测结果；

根据所述能源消耗预测结果、所述路线时间预测结果和所述载重分配预测结果进行权重分配处理，通过将不同预测结果按照重要性进行加权融合得到节点属性预测结果。

5.根据权利要求1所述的智能物流运输车辆调度方法，其特征在于，根据所述节点属性预测结果和所述多层次关系图进行协同运输优化处理，生成调度方案，包括：

根据所述节点属性预测结果和所述多层次关系图，使用基于模糊逻辑的综合权衡方法，得到需要进行运输任务分配和调度优化的初步任务集合；

根据所述任务集合和预设的遗传算法数学模型，使用任务编码策略和遗传变异控制机制进行迭代和优化处理，得到优化任务集合；

根据所述优化任务集合和预设的适应度函数，综合考虑运输车辆能耗、路线时间和货物载重指标计算得到适应度值集合；

根据所述适应度值集合对所述优化任务集合进行灰色关联度分析，基于物流成本和运输效率对方案进行验证并根据验证结果得到最终的调度方案。

6.一种智能物流运输车辆调度系统，其特征在于，包括：

获取模块，用于获取第一信息，所述第一信息包括物流运输车辆数据、运输路线数据和货物数据，所述运输车辆数据包括车辆类型、载重能力和最高速度，路线数据包括路线类型和预计时间，货物数据包括货物类型、体积和重量；

构建模块，用于根据所述第一信息构建得到多层次关系图，所述多层次关系图包括运输车辆层次、路线层次、货物层次和各层次间的协同关系；

提取模块，用于根据预设的图神经网络数学模型对所述多层次关系图进行特征提取处理，通过聚合每个层次中各节点的特征信息并捕捉不同层次之间的依赖和交互关系得到节点特征集合；

预测模块，基于预设的物理机制神经网络数学模型对所述节点特征集合进行预测处理，通过考虑运输车辆的能源消耗、路线时间和载重分配物理因素得到节点属性预测结果；

优化模块，用于根据所述节点属性预测结果和所述多层次关系图进行协同运输优化处理，生成调度方案。

7.根据权利要求6所述的智能物流运输车辆调度系统，其特征在于，所述构建模块包括：

第一嵌入单元，用于根据所述物流运输车辆数据进行特征嵌入处理，通过将每辆运输车辆映射为一个节点，并将运输车辆的类型、载重能力和最高速度属性嵌入到节点的特征向量中构建得到运输车辆层次；

第一匹配单元，用于根据所述运输路线数据和预设的路径匹配数学模型，通过将运输车辆与对应的路线相连接，并将每条路线映射为图中的节点，构建得到路线层次；

第二嵌入单元，用于根据所述货物数据进行嵌入式表示，通过将货物类型、体积和重量属性嵌入到节点的特征向量中，构建得到货物层次；

第一构建单元，用于根据所述运输车辆层次中的车辆节点和所述路线层次中的路线节点，通过结合运输车辆的特性和路线的预计时间，确定每辆车辆适合的路线，并将路线的属性作为连接边的信息构建运输车辆与路线之间的第一连接边集合；

第二构建单元，用于根据所述运输车辆层次中的车辆节点和所述货物层次的货物节点，使用协同匹配算法寻找最佳的车辆组合，构建运输车辆与货物之间的第二连接边集合；

第一整合单元，用于根据所述运输车辆层次、所述路线层次、所述货物层次、所述第一连接边集合和所述第二连接边集合，通过图数据的整合和协同关系的处理，得到多层次关系图。

8.根据权利要求6所述的智能物流运输车辆调度系统，其特征在于，所述提取模块包括：

第一提取单元，用于根据所述多层次关系图中的运输车辆层次、路线层次和货物层次中的节点，使用图卷积网络算法对节点特征进行半监督学习和提取处理，得到初步节点嵌入表示；

第一聚合单元，用于根据所述初步节点嵌入表示，使用自注意力机制算法在各层次内分别对节点特征进行聚合和加权，并通过引入协同关系注意力机制将不同层次之间的关联性融入特征聚合过程，得到加权特征集合；

第一强化单元，用于根据所述加权特征集合，使用协同关系注意力机制强化不同层次之间的信息传递与整合效果，得到强化特征集合；

第一重构单元，用于根据所述强化特征集合，使用生成对抗网络算法对节点特征进行重构和增强得到最终的节点特征集合。

9.根据权利要求6所述的智能物流运输车辆调度系统，其特征在于，所述预测模块包括：

第一预测单元，用于根据所述节点特征集合进行能源消耗预测，基于预设的物理机制神经网络模型中的多层感知器结构、动力学模型和能耗模型，通过模型进行能耗预测，得到车辆在不同路段的能源消耗预测结果；

第二预测单元，用于根据节点特征集合进行路线时间预测，基于预设的物理机制神经网络模型中的递归神经网络结构和路段拓扑关系，通过模型学习路线在不同时段的预计时间，得到路线时间预测结果；

第一优化单元，用于根据节点特征集合进行载重分配优化，基于预设的物理机制神经网络模型中的进化神经网络结构、运输车辆物理特性和货物属性，通过模型学习车辆的最佳载重分配，得到载重分配预测结果；

第一融合单元，用于根据所述能源消耗预测结果、所述路线时间预测结果和所述载重分配预测结果进行权重分配处理，通过将不同预测结果按照重要性进行加权融合得到节点属性预测结果。

10.根据权利要求6所述的智能物流运输车辆调度系统，其特征在于，所述优化模块包括：

第一处理单元，用于根据所述节点属性预测结果和所述多层次关系图，使用基于模糊逻辑的综合权衡方法，得到需要进行运输任务分配和调度优化的初步任务集合；

第二处理单元，用于根据所述任务集合和预设的遗传算法数学模型，使用任务编码策略和遗传变异控制机制进行迭代和优化处理，得到优化任务集合；

第一计算单元，用于根据所述优化任务集合和预设的适应度函数，综合考虑运输车辆能耗、路线时间和货物载重指标计算得到适应度值集合；

第一分析单元，用于根据所述适应度值集合对所述优化任务集合进行灰色关联度分析，基于物流成本和运输效率对方案进行验证并根据验证结果得到最终的调度方案。