CN110084463A

CN110084463A - 基于大数据的干线运输预配货的方法及***

Info

Publication number: CN110084463A
Application number: CN201910144156.XA
Authority: CN
Inventors: 李昭文
Original assignee: Fujian Longyipai Information Technology Co Ltd
Current assignee: Fujian Longyipai Information Technology Co Ltd
Priority date: 2019-02-27
Filing date: 2019-02-27
Publication date: 2019-08-02

Abstract

本发明公开了基于大数据的干线运输预配货的方法及***，至少包括步骤：S1：获取要运输货物的装载点，并设为中心；S2：计算每个货物的目的地与所述中心的距离；S3：根据所有货物的距离，计算类中心；S4：根据所述类中心，进行配货。通过上述方式，本发明高效地计算出较为优秀车货匹配方案，从而提高车货匹配算法的计算性能，促进公平，并提高效率。本发明结构简单新颖、操作方便，可提高割草机的使用安全性。

Description

基于大数据的干线运输预配货的方法及***

技术领域

本发明涉及交通货运技术领域，尤其是涉及一种基于大数据的干线运输预配货的方法及***。

背景技术

目前，车货匹配大都以车辆信息模块和货源信息模块为主，这些软件将车辆信息和货源信息分门别类展示出来，当用户点击车辆或者货源某个类别时，展现给用户该类信息排序的车源或者货源列表，向用户推荐该类车源或者货源信息。

传统车货匹配软件信息的排序，将交了年费的司机用户的车源置前；将给了推广费用的物流公司的货源置前，其次才考虑货源和车辆匹配(距离、装货要求、运量最大化)等因素，这样导致了司机和物流公司用户需要花时间来打电话沟通信息是否匹配，既费时，又缺失公平、效率。

发明内容

本发明为克服现有技术的不足，提供一种基于大数据的干线运输预配货的方法及***，针对车辆和货源大数据的特点采用了车源和货源等动态数据进行实时分析，提高车货匹配的最优方案，通过车货匹配组合优化模型，使用基于粒子群的捕食搜索算法对该模型求解，可以高效地计算出较为优秀车货匹配方案，从而提高车货匹配算法的计算性能，促进公平，并提高效率。

为解决上述技术问题，本发明采用如下技术方案：

提供一种基于大数据的干线运输预配货的方法，至少包括步骤：

S1：获取要运输货物的装载点，并设为中心；

S2：计算每个货物的目的地与所述中心的距离；

S3：根据所有货物的距离，计算类中心；

S4：根据所述类中心，进行配货。

为解决上述技术问题，本发明还提供一种基于大数据的干线运输预配货的***，包括：

中心模块，用于获取要运输货物的装载点，并设为中心；

距离模块，用于计算每个货物的目的地与所述中心的距离；

类中心模块，用于根据所有货物的距离，计算类中心；

配货模块，用于根据所述类中心，进行配货。

区别于现有技术，采用本发明具备如下有益效果：

本发明中，在获取货物装载点后，计算各个货物目的地与装载点的距离，并以此计算类中心，最后进行配货。通过上述方式，本发明高效地计算出较为优秀车货匹配方案，从而提高车货匹配算法的计算性能，促进公平，并提高效率。

附图说明

图1为本发明基于大数据的干线运输预配货的方法的总体流程示意图；

图2为本发明基于距离聚类的方法流程图；

图3为本发明基于粒子群的捕食搜索算法的车货匹配算法流程图；

图4为本发明基于标准PSO求解的算法流程图；

图5为本发明基于捕食搜索策略的粒子群算法流程图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

如图1至图3所示，本实施例通过粒子群的捕食搜索算法求解干线运输预配货的方案。该算法利用搜索空间限制的大小，定义算法的局域搜索和全局搜索，并通过调节搜索空间的限制，以实现局域搜索和全局搜索之间的转换，它具有较好的局部集中搜索和跳出局部最优的能力。

如图1所示，基于大数据的干线运输预配货的方法至少包括如下步骤：

选定中心：获取要运输货物的装载点，并设为中心；

距离计算：计算每个货物的目的地与所述中心的距离；

类中心计算：根据所有货物的距离，计算类中心；

判断类中心是否改变，

若改变，则返回步骤“类中心计算”，以重新确定类中心，直到类中心不变；

最后，在类中心保持不变的情况下，根据所述类中心，进行配货。

图2中，首先根据已有的车源和货源，随机取出一定数量的车辆和货物；然后根据函数计算出车辆和货源的匹配度；根据选取匹配度最高的车辆和货源的组合方式；最后按照选取的货源和车辆，按照算法去计算，如不满足则记录不满足的条件，下次计算则抛去该组合，同时进行再次匹配；如满足，则记录该组合并完成输出最优的匹配度方案。

图3中，***通过分布式的队列的服务器记录了车辆的信息(速度，位置，车型，车长，载重等)，以及货源的信息(出发地，目的地，货物类型，体积，重量)；随后，***首先通过货物类型筛选，并通过线路分析，最后在线路内进行匹配；最终反映给用户，即向用户提供用户视图。

算法原理如下：捕食搜索算法寻优时，先在整个搜索空间进行全局搜索，直至找到一个较优解；然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局域搜索；然后再在整个搜索空间进行全局搜索，如此循环，直至找到最优解(或近似最优解)为止。

优化目标是满足司机需求的最短车辆行驶路径的配货，首先对车辆配货问题做出基本假设：

(1)司机位置与客户的位置已知；

(2)客户的需求量已知；

(3)每个客户仅由一辆车访问；

(4)每个客户的需求都必须满足；

(5)每条线路上的需求量不得超过车辆的最大载质量；

(6)客户总的需求量不得大于车辆总的载质量；

变量定义如下：

K：配送车辆数

q：车辆的载质量

L：需要服务的客户数

g_i：第i个客户的货物需求量

c_ij：表示从客户i到客户j的运输距离

为了安排货运路线，首先要对承运货载任务的车辆数进行合理的估计。一般来说，问题的约束越多，组织线路就越难，一辆车所完成的满足所有约束的任务越少。实际情况中根据式(4.1)来确定车辆数。

K＝[∑g_i/aq] (4.1)

其中K是车辆数，[]表示向下取整，0<a<1，根据约束条件的多少进行调整。约束条件越多，则a越小，反之越大，一般取a＝0.85。

为便于构造数学模型，客户依次编号为i(i＝1，2…3..，L)。模型中的约束主要为车辆的容量约束。其数学模型为：

目标函数：

约束条件：

x_ijk＝0或1，i，j＝1，2，3…L；k＝1，2，3…K (4.7)

y_ik＝0或1，i＝1，2，3…L；k＝1，2，3…K (4.8)

在模型中：

式(4.2)为目标函数；

式(4.3)为车辆的容量约束，即车辆不能超载；

式(4.4)表示每个客户被访问且只被访问一次；

式(4.5)表示到达每一个客户的车辆只有一辆；

式(4.6)表示离开每一个客户的车辆只有一辆；

式(4.7)和(4.8)为整数约束。

模型的优化目标在满足客户需要的同时，对车辆进行配送的行驶距离最短。

对车辆的预配货路径问题，遗传算法一般采用自然数编码，在运用粒子群算法时，构造一个L维的空间对应有L个客户点任务，K辆车的VRP路径问题，因为共有K辆车，所以最多存在K条路径。为了在编码中反应车辆的配货路径，采用了每个粒子用L+K-1维向量表示。其中，各元素值的大小顺序表示每个客户点在总路径中的配送次序，这样粒子即可与最终的解对应例如设一个VRP中客户点的任务数为8，配送中心的车辆数为3，某粒子的位置向量X如表1所示，

表1

客户点	1	2	3	4	5	6	7	8	0	0
											X	5.1	7.2	3.7	1.3	1.5	8.2	4.4	8.9	2.1	6.8

为了方便计算，首先要按了元素值的大小顺序重新对X进行整数规范，结果如表2所示，

表2

其中，O为车辆位置。则车辆对应解的路径为

车1：c1-4-5

车2：c2-3-7-1

车3：c3-2-6-8

预配货函数值

评价是否匹配的标准是配货值的大小，决定配货值的是适应值函数。为便于编写程序，可以直接将目标函数作为配货值函数。对于所给出的车辆路径问题，由于有车辆的容量约束，在目标函数上必须加上容量约束的一部分。可在式(4.2)上加上一个惩罚函数来处理这种约束：

式(4.9)的后半部分为对超出容量约束的不可行解施加的惩罚值，M为无穷大，实际处理中可以将M取一个足够大的数。这样，不可行解会赋予极大的适应值，在迭代中会被淘汰掉。

为了便于下面的描述，这里再次给出标准PSO算法的数学模型：其中所用到的变量均与前一致。

I:粒子(对应车辆)

N:粒子的维度(对应车辆的车型、车长、车载重等)

T:进化的代数(对应车辆和货物的匹配度)

X:粒子的位置(对应车辆的位置)

V：粒子的速度(对应车辆的速度)

P:粒子所在的最好位置(对应车辆对应货源的最好位置)

C1,C2:加速因子(对应车辆的优先级)

R1,R2：两个随机因子(对应车辆随机出现的载重)

l≤i≤d，1≤i≤N：

如图4所示，标准PSO求解的算法的具体实现步骤如下：

Step 1、

1.1：初始化粒子群。每个粒子的位置向量x随机取1～(L+K-1)之间的整数，每个粒子的速度向量y随机取-(L+K-1)～(L+K-1)之间的整数；设定常数w，c₁，c₂，M；

1.2：将每个粒子的位置向量转化成总路径的形式。

1.3：按式(4.9)计算每个粒子的适应值，将初始适应值作为个体历史最优解，并寻找总群体内最优解；

Step 2、对每一个粒子按式(4.12)计算x，按照式(4.10)计算V；当X，V超过其范围时按边界取值；

Step 3、将X转化成总路径的形式；

Step 4、若某个粒子的当前适应值优于其历史最优适应值，则记当前适应值为该历史最优适应值，同时记当前位置为该粒子历史最优位置；

Step 5、寻找总群体内最优解，若优于历史最优解则更新。对于子群内所有个体均为不可行解，或子群内有多个体同为最优值的情况，则随机取其中一个为子群内当前最优解；

Step 6、如未达到终止条件，则返回Step 2。

如图5所示，基于捕食搜索策略的粒子群算法如下，

为了便于说明，首先对变量做出定义：

LN：为设定限制的总数，

CM：为限制下最大循环次数

CR：为循环的次数

LL：为限制级别

在粒子群中，设定一个限制范围。使这个限制作为粒子的最大速度，在搜索范围内进行循环查找最优解，判断搜索后的适应值是否变小。如变小，则重新计算限制并继续进行循环，直到找到最优解为止。

具体实现过程：

步骤1、在初始化空间内随机选择一个初始点x，令x_min＝x，CR＝0，LL＝0；

步骤2、如果LL<LN，在x的当前限制RN(LL)内，初始化n个粒子。当前限制作为粒子的最大速度。按照标准PSO公式迭代若干次，并取其历史最优解x_N-min，然后转步骤3；否则结束。

步骤3、令x＝x_N-min曲，如果f(x)<f(x_min)，令至今最好解x_min＝x，循环次数CR＝0，

限制级别LL＝0，然后重新计算限制，转步骤2；否则转步骤4；

步骤4、令CR＝CR+1，如果CR>CM，令CR＝0，LL＝LL+l，然后转步骤5；否则转步骤2；

步骤5、如果LN＝[LN/5]，令LL＝LN-[LN/5](通过限制级别儿的跳跃，实现从局域搜索到全局搜索的转换)，并转步骤2；否则直接转步骤2。

上述步骤中，重新计算限制的具体操作为：在初始空间随机初始删个粒子，把这LN个值与至今最好解的x的距离按照从小到大排列，组成LN个限制。

为了测试基于捕食搜索策略的粒子群算法的性能，检验它对大规模的车辆配货问题是否能给出较好的结果。本发明利用Christofides and Eilont561提出的E.n51.k5测试问题来进行验证。该测试问题为：50个客户需求点任务。车辆的容量为160，车辆数为5。各任务点的坐标及客户需求量见表3。要求合理安排车辆的配送路线，使配送里程最短。

表3

参数设置为：粒子数d＝50，惯性权重＝0.75，加速因子cl＝c2＝1.49，粒子的维数N取L+K-1＝50+5-1＝54维，惩罚系数取M＝10¹⁰，限制下的循环次数CM＝250，限制的总数圳＝50。对该实例使用基于捕食搜索策略的粒子群算法在计算机上随机运行18次。求得最优最短的行车总距离为524.629。

对应的5条车辆路径为：

车辆1：27-48-23-7-43-24-25-14-6

车辆2：12-37-44-15-45-33-39-10-9-5-46

车辆3：8-26-31-28-3-36-35-20-22-1-32

车辆4：47-4-17-42-19-40-41-13-18

车辆5：11-16-2-29-21-50-34-30-9-38

随机运行18次的结果表4所示：

表4

次数	1	2	3	4	5	6	7	8	9
										最优值	563.566	542.132	524.629	538.979	524.629	534.458	528.564	524.629	524.629

次数	10	11	12	13	14	15	16	17	18
										最优值	561.939	524.629	524.629	538.979	524.629	544.402	527.217	524.629	539.069

从表4可以看出，运行18次，基于捕食搜索策略的PSO算法的最优结果的平均值为534.233。搜索成功率为44％。求解所得最优结果之间相差较小，在8％之内，结果相对稳定。它的响应时间为2s，收敛速度较快。用这种算法进行求解，结果是令人满意的。这说明，在种群规模较大的情况下，基于捕食搜索策略的粒子群算法的求解结果较好，搜索的成功率也较高。不但收敛速度快而且结果稳定。由于捕食搜索策略的引入，提高了它的探索能力，使基于捕食搜索策略的粒子群算法的收敛速度有很大的改进；同时提高了它的开发能力，能够找到更优的解，弥补了粒子群算法容易陷入局部最优的缺陷。

综上，本发明采用上述大数据的推荐，能够根据司机用户信息，计算车辆和货源的匹配值，并根据匹配值向司机用户推荐货源信息；从而根据司机用户的信息实现智能化、个性化的货源推荐，使得向司机用户能缩短运输里程，更加高效的匹配。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种基于大数据的干线运输预配货的方法，其特征在于，至少包括步骤：

S1：获取要运输货物的装载点，并设为中心；

S2：计算每个货物的目的地与所述中心的距离；

S3：根据所有货物的距离，计算类中心；

S4：根据所述类中心，进行配货。

2.根据权利要求1所述的基于大数据的干线运输预配货的方法，其特征在于，步骤S4之前，还包括：

S41：判断所述类中心是否改变，

若是，则执行步骤S42：返回步骤S3，重新计算类中心；

反之，则执行步骤S4。

3.根据权利要求1所述的基于大数据的干线运输预配货的方法，其特征在于，所述步骤S1之前，还包括：

S01：获取各个车辆的位置、载重量、客户数量、每个客户的货物需求量、每个货物在不同客户之间的运输距离；

S02：按照公式(4.1)确定车辆的数量，

K＝[∑g_i/aq]…………(4.1)，

其中，K表示车辆的数量，q表示车辆的载重量，g_i表示第i个客户的货物需求量，[]表示向下取整，a表示可调整的约束条件，且0＜a＜1。

4.根据权利要求3所述的基于大数据的干线运输预配货的方法，其特征在于，在获取客户的数量之后，还包括步骤S03：按照以下公式控制车辆的载重量：

且约束条件为：

x_ijk＝0或1，i，j＝1，2，3…L；k＝1，2，3…K…………(4.7)

y_ik＝0或1，i＝1，2，3…L；k＝1，2，3…K…………(4.8)

其中：

式(4.2)为目标函数；

式(4.3)为车辆的载重量约束，即车辆不能超载；

式(4.4)表示每个客户被访问且只被访问一次；

式(4.5)表示到达每一个客户的车辆只有一辆；

式(4.6)表示离开每一个客户的车辆只有一辆；

式(4.7)和(4.8)为整数约束；

其中，L表示客户数量，c_ij表示从客户i到客户j的运输距离，

5.根据权利要求4所述的基于大数据的干线运输预配货的方法，其特征在于，在步骤S03之后，还包括步骤S04：按照公式(4.9)对控制车辆的载重量进行二次约束，

其中，M为惩罚值，M为无穷大。

6.一种基于大数据的干线运输预配货的***，其特征在于，包括：

中心模块，用于获取要运输货物的装载点，并设为中心；

距离模块，用于计算每个货物的目的地与所述中心的距离；

类中心模块，用于根据所有货物的距离，计算类中心；

配货模块，用于根据所述类中心，进行配货。

7.根据权利要求6所述的基于大数据的干线运输预配货的***，其特征在于，所述配货模块还用于：

判断所述类中心是否改变。

8.根据权利要求6所述的基于大数据的干线运输预配货的***，其特征在于，还包括：

初始信息模块，用于获取各个车辆的位置、载重量、客户数量、每个客户的货物需求量、每个货物在不同客户之间的运输距离；

函数模块，用于按照公式(4.1)确定车辆的数量，

K＝[∑g_i/aq]…………(4.1)，

9.根据权利要求8所述的基于大数据的干线运输预配货的***，其特征在于，所述函数模块还用于按照以下公式控制车辆的载重量：

且约束条件为：

x_ijk＝0或1，i，j＝1，2，3…L；k＝1，2，3…K…………(4.7)

y_ik＝0或1，i＝1，2，3…L；k＝1，2，3…K…………(4.8)

其中：

式(4.2)为目标函数；

式(4.3)为车辆的载重量约束，即车辆不能超载；

式(4.4)表示每个客户被访问且只被访问一次；

式(4.5)表示到达每一个客户的车辆只有一辆；

式(4.6)表示离开每一个客户的车辆只有一辆；

式(4.7)和(4.8)为整数约束；

其中，L表示客户数量，c_ij表示从客户i到客户j的运输距离，

10.根据权利要求9所述的基于大数据的干线运输预配货的方法，其特征在于，还包括惩罚模块，用于按照公式(4.9)对控制车辆的载重量进行二次约束，

其中，M为惩罚值，M为无穷大。