CN112288232A - 干线网点的货物运输批次规划方法及*** - Google Patents
干线网点的货物运输批次规划方法及*** Download PDFInfo
- Publication number
- CN112288232A CN112288232A CN202011050290.2A CN202011050290A CN112288232A CN 112288232 A CN112288232 A CN 112288232A CN 202011050290 A CN202011050290 A CN 202011050290A CN 112288232 A CN112288232 A CN 112288232A
- Authority
- CN
- China
- Prior art keywords
- batch
- historical
- time
- target day
- trunk
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 241000531116 Blitum bonus-henricus Species 0.000 description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种干线网点的货物运输批次规划方法及***,方法包括:对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;干线批次信息包括批次数量和批次发车时间范围;根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;结合目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。本发明通过参考历史日期的干线批次,对未来的干线批次进规划,制定出合理的干线批次运输方案,避免各网点的资源无法得到合理利用。
Description
技术领域
本发明涉及物流运输技术领域,尤其涉及一种干线网点的货物运输批次规划方法及***。
背景技术
随着电子商务的发展,无论个人还是企业对物流***的依赖都在不断增加,物流***也因此得到快速的发展,同时这也对物流管理提出了更高的要求。实际的物流运输过程中,空驶、对流运输、过远行驶、重复行驶、迂回行驶、运输方式选择不当等不合理的“运输”,“配送”方式,造成了运力的浪费、运输时间和费用的增加。在我国,物流行业还不够发达,物流所带来的成本占商品总成本的30%,物流中的运输环节,所带来的成本更是西方发达国家的3倍之多。此外,在商品的供应过程中,流通环节占整个供应链环节中90%的时间,而生产环节只占其10%的时间,通过有效的措施改善“运输”、“配送”状况,就可降低一定的物流成本。
因此,在满足客户需求的条件下,如何派车、设计行车路径,实现空驶的车辆行驶里程最短、时间最少、运输成本最低等目标,降低配送,运输成本、节约配送时间和资源,从而提高物流配送效率和实现经济效益,具有重要的实际意义。
发明内容
本发明提供了一种干线网点的货物运输批次规划方法及***,以解决现有的物流行业的运输成本高、占用资源多的问题。
为了解决上述问题,本发明提供了一种干线网点的货物运输批次规划方法,包括:S1、对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;干线批次信息包括批次数量和批次发车时间范围;S2、根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;S3、根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;S4、结合目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
作为本发明的进一步改进,步骤S1之后,步骤S2之前,还包括步骤S20,对获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息,包括:S201、结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段;S202、将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量;S203、将历史目标日的干线批次的压力时间段匹配进基础时间段;S204、经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断;S205、重复执行步骤S024,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
作为本发明的进一步改进,步骤S3包括:S31、将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分;S32、根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1;S33、将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
作为本发明的进一步改进,步骤S31之后,步骤S32之前,还包括:对多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数;将干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
作为本发明的进一步改进,步骤S4包括:S41、根据目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点;S42、确定每一个切分点对应的时刻,设定时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
为了解决上述问题,本发明还提供了一种干线网点的货物运输批次规划***,包括:历史批次规划模块,用于对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;干线批次信息包括批次数量和批次发车时间范围;预测模块,用于根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;概率曲线绘制模块,用于根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;未来批次规划模块,用于结合目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
作为本发明的进一步改进,其还包括修正模块,用于对获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息,修正模块包括:计算单元,用于结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段;吞吐量确定单元,用于将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量;匹配单元,用于将历史目标日的干线批次的压力时间段匹配进基础时间段;判断单元,用于经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断;修正单元,用于控制判断单元重复执行判断操作,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
作为本发明的进一步改进,概率曲线绘制模块包括:时间切分单元,用于将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分;概率确定单元,用于根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1;曲线绘制单元,用于将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
作为本发明的进一步改进,概率曲线绘制模块还包括:拟合单元,用于对多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数;加权单元,用于将干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
作为本发明的进一步改进,未来批次规划模块包括:面积切分单元,用于根据目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点;时间范围确定单元,用于确定每一个切分点对应的时刻,设定时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
相比于现有技术,本发明的干线网点的货物运输批次规划方法通过对目标网点的历史目标日的干线批次规划,得到历史目标日的干线批次数量和批次发车时间范围,再利用干线批次数量预测未来的目标日的批次数量,并利用批次发车时间范围得到发车时刻概率曲线,再利用该发车时刻概率曲线对目标日进行批次规划,其根据物流订单通常呈周期性变化的特点,以预设个历史周期中每个历史目标日干线批次作为参考数据对未来目标日进行干线批次规划,从而可根据该干线批次规划对目标网点在目标日时的物流运输进行控制,在运输时效内合理利用运力资源,降低运输成本,节约运输时间和配送时间,从而提高物流配送的效率并降低物流运输成本。
附图说明
图1为本发明干线网点的货物运输批次规划方法第一个实施例的流程示意图;
图2为本发明干线网点的货物运输批次规划方法第二个实施例的流程示意图;
图3为本发明干线网点的货物运输批次规划方法等面积切分示意图;
图4为本发明干线网点的货物运输批次规划***第一个实施例的功能模块示意图;
图5为本发明干线网点的货物运输批次规划***第二个实施例的功能模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用来限定本发明。
图1展示了本发明干线网点的货物运输批次规划方法的一个实施例。如图1所示,该干线网点的货物运输批次规划方法包括以下步骤:
步骤S1、对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;干线批次信息包括批次数量和批次发车时间范围。
需要说明的是,该历史周期通常指一个月、两个月、三个月,半年等,目标日与历史目标日是指不同星期的同一个星期几,例如每个星期一。本实施例中,预设的历史周期为一个月。每票货的运输时效通常在下单时设定,在运输时效内,根据每票货的起始地和目的地,为每票货制定运输方案,而目标网点则根据每票货的运输方案,将运往相同网点的货物聚集为一个批次后再运输,以节省运输成本。
本实施例中,干线根据货物流转的网点来确认,例如,某票货在运输过程中依次经停了A、B、C三个网点,则干线会被划分为AB段和BC段,每一段上的网点发生的批次都是干线批次规划的对象。
为每个历史目标日进行干线批次规划,得到批次数量和批次发车时间范围具体通过下述方式实现:
(1)以单票货为维度进行规划,得到在满足运输时效条件时每票货在每个网点的运输情况,通过该运输情况,即可获取每票货在目标网点的最早离开时间和最晚离开时间,由最早离开时间和最晚离开时间构成单票货的运单发车时间范围。
具体地,最早离开时间是指单票货在满足运输时效条件下,可以离开目标网点的最早时间,最晚离开时间是指单票货在满足运输时效条件下,可以离开目标网点的最晚时间。该最早离开时间的计算公式为:
最晚离开时间的计算公式为:
是指单票货在网点B的操作耗时,通常地,根据业务实际场景,一车货物中任意一票货在某一网点卸下后,该票货物可立即进入下一环节,无需等该车在该网点所有货物卸下,因此,在单票货的运单发车时间范围规划过程中,该操作耗时为单票货的卸货时间;
为网点A至网点B的行驶耗时,为网点B至网点C的行驶耗时,若两网点间运输是走直飞时,则将实际的飞行时间作为行驶耗时,具体地,由于未考虑交通拥堵等情况,故两网点间的行驶耗时通过经纬度调用地图接口,返回两网点间的行驶耗时和行驶距离,对于直飞段,则采用该票货的实际耗时作为行驶耗时;
(2)以批次为维度进行规划,以将由当前网点发往相同的下一网点的所有货物在满足运输时效条件下,进行干线批次划分,从而得到批次在当前网点的最早离开时间和最晚离开时间,组成批次发车时间范围。其中,批次是指由当前网点统一发往下一网点的多件货物。
具体地,以批次为维度进行规划的主要目的是在满足货物运输时效的情况下,尽可能规划较少的批次来运输货物,从而减少对运力资源的消耗,节省成本。
在进行批次规划时,同一批次的每票货至少满足下述两个约束条件:
其中,m为总的班次数量;n为总的运单数量;Aij表示第i个运单是否规划在第j个批次中,取值为{0,1},若第i个运单被规划在第j个批次中,则Aij=1,否则Aij=0;TWij表示第i个运单被规划在第j个批次时的运单发车时间范围,故在同一批次中的每票货的运单发车时间范围存在交集。在满足上述约束条件的情况下,尽可能少的规划批次的数量。
本实施例中,现给出部分概念定义,方便后续描述批次规划的过程,具体如下:
1.批次标识Key:将某一天一网点(如A网点)到另一网点(如B网点)的所有运单数据标识为同一个标识Key,例如:A-B-20200301,表示网点A到网点B的2020年03月01日的数据。
2.运单时间窗:指运单发车时间范围,表示运单离开网点A的最早离开时间和最晚离开时间。
3.公共时间窗:同一个批次标识Key下的运单数据,若它们的运单时间窗有交集,则表示他们有公共时间窗。
4.操作时间:在满足运单时效的批次规划过程中,规划为同一批次的运单,需要等所有运单装车完成后才能发车离开,因此,在批次规划过程中,需要考虑到每个运单的装货时间。
5.剩余公共时间:表示公共时间窗减去各票运单的操作时间后还剩余的时间段。
满足运单时效,即每票货运输时效的批次规划可通过类贪婪算法、遗传算法、模拟人工排班算法来实现,具体如下:
1、通过类贪婪算法规划批次:
1.1将历史数据集中,同一历史目标日内经过同一干线的运单集合从全量数据中选出并标记为一个批次标识Key。
1.2从这些运单集合中,找出运单时间窗跨度最大的一票运单。
1.3在运单集合中,从剩下的运单中,找出与跨度最大的运单时间窗的交集最大的一票运单,取两者的交集作为公共时间窗,然后,再从剩下的运单中找到与该公共时间窗交集最大的运单,继续更新该公共时间窗,并且,在每更新一次公共时间窗时,计算一次剩余公共时间,当剩余公共时间减少至0以下时,将上一次更新公共时间窗时,所有被选中的运单划分为一个批次。
1.4在从剩下的运单中,再重复之前的操作,直到运单全部归到对应的批次中。
2、通过遗传算法规划批次:
遗传算法是根据大自然中生物体进化规律而设计提出的,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
利用遗传算法进行干线批次规划:首先将运单集合按日期与干线进行分组,即将相同日期与相同干线的运单作为一个集合。再对每组内的运单调用遗传算法进行求解。遗传算法基本步骤如下所示:
2.1选择合适的染色体编码方式。将同一集合内运单号编码为1,2,3,4,5,6,7…n。
2.2产生初始种群。随机产生n个运单的排列顺序,作为一个目标组合,进行m次随机排列,得到m种运单的排列方案。
2.3计算个体适应度值。按照运单既定的排列顺序,在满足运单时间窗的前提下,依次归组运单,对于每组运单,计算其所需车辆的总费用,对于费用越高的运单排列方案,其价值越低。
2.4选择操作。将价值较高的运单排列组合保留,而那些价值较低的运单组合直接舍弃。
2.5交叉操作。以一个相对较大的概率在价值较高的运单排列之间进行交换运单编号。
2.6变异操作。以一个相对较小的概率在一个运单排列上进行变异操作。
2.7重复上述过程,直到达到既定的模拟次数,或者满足所有的运单排列的价值高于期望目标。
3、通过模拟人工排班算法规划批次:
模拟人工排班是依据人工实际排班的经验,按照运单实际到达各个网点的先后顺序,在满足运单时间窗的约束的情况下,将运单划分到一个批次中。具体算法说明如下:
3.1将历史数据集中,同一历史目标日内经过同一干线的运单集合从全量数据中选出并标记为一个批次标识Key。
3.2取出运单集合中到达时间最早的运单。
3.3从剩下的运单中,选择出与上一个运单时间窗有公共时间窗且最早到达的运单,取两者运单时间窗的交集得到公共时间窗,然后,再从剩下的运单中找到与该公共时间窗存在交集且最早到达的运单,继续更新该公共时间窗,并且,在每更新一次公共时间窗时,计算一次剩余公共时间,当剩余公共时间减少至0以下时,将上一次更新公共时间窗时,所有被选中的运单划分为一个批次。
3.4在从剩下的运单中,再重复之前的操作,直到运单全部归到对应的批次中。
通过上述三种方式,即可将所有的批次按满足每票货运输时效的条件规划完成,得到批次数量,以及每一个批次的批次发车时间范围。
进一步的,在实际业务中,受各种资源因素的约束,一个网点的吞吐能力是有限的,而网点的吞吐能力主要由卸货与装货能力决定。如果货物在单位时间内的流转速率(卸货与装货速率之和)超出了网点的处理能力,则网点会面临爆仓的风险,因此,在一些实施例中,如图2所示,步骤S1之后,步骤S2之前,还包括:
步骤S20、对获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息。
需要说明的是,吞吐量是指目标网点单位时间内的最大处理能力。具体的,根据历史货量数据,对各网点的每天处理(吞,吐)的货物重量按单位时间(取30min)进行统计,然后将各单位时间中历史数据的最大值作为该网点该单位时间的吞吐量(单位时间的吞吐能力)。
具体地,不同的目标网点,考虑到网点的硬件设施和人员配备,其在单位时间内的货物吞吐量是不同的,因此,在进行批次规划时,还需要结合各目标网点的吞吐量条件对批次规划进行修正,从而更加准确降低目标网点的货物吞吐压力。
具体地,该步骤S20包括:
步骤S201、结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段。
具体地,针对于一个目标网点,对该网点造成吞吐压力的批次可以分为到达批次和离开批次,其中到达批次是指上一网点发送至目标网点的批次,离开批次是指目标网点发往下一网点的批次。针对于到达批次,其批次操作时间为卸货时间,到达批次对目标网点造成吞吐压力的压力时间段为该批次在上一网点的批次发车时间范围加上上一网点行驶至目标网点的行驶耗时;针对于离开批次,其批次操作时间为装货时间,离开批次对目标网点造成吞吐压力的压力时间段为该批次在目标网点的批次发车时间范围减去装货时间。
步骤S202、将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量。
具体地,该第一预设单位时长预先设置,例如30分钟、1小时等。通过将历史目标日按照第一预设单位时长等分为多个基础时间段,再根据历史货物重量数据和干线批次对目标网点造成吞吐压力的压力时间段计算出每个基础时间段的吞吐量。本方案中,第一预设单位时长为30分钟,8月1日至8月31日期间,1点至1点30分的历史货物重量数据分别为0.5T、0.3T、······、0.4T,假设期间最大的历史货物重量数据为0.5T,则将1点至1点30分这一基础时间段的吞吐量设置为0.5T。
步骤S203、将历史目标日的干线批次的压力时间段匹配进基础时间段。
步骤S204、经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断。
步骤S205、重复执行步骤S024,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
具体地,下述例子进行说明:表1展示了目标网点A在各基础时间段的吞吐量,表2展示了网点A在2020-08-05日这一天经步骤S1规划得到的干线批次,并经过计算确定的对目标网点A造成吞吐压力的压力时间段。
表1网点A在各基础时间段的吞吐量
时段 | [0:00,0:30] | [0:30,01:00] | [01:00,01:30] | [01:30,02:00] | [02:00,03:00] | … |
吞吐量 | 20吨 | 15吨 | 15吨 | 10吨 | 10吨 | … |
表2网点A的离开批次的信息
基于批次尽可能早的离开的实际业务场景,批次P1落在第1个基础时间段[0:00,0:30],批次P2落在第3个基础时间段[01:00,01:30],批次P3落在第1个基础时间段,由于第1个基础时间段网点A的吞吐量为20吨,若批次P1和批次P3都在第1个基础时间段离开,则会造成网点A在第1个基础时间段爆仓现象(8吨+15吨>20吨),故批次P3调整到下一个基础时间段,即第二个基础时间段进行判断;经过判断,批次P3的货物重量不会超出网点A在第二个基础时间段的吞吐量,经过调整,批次P3的压力时间段调整为[2020-08-05 0:30:00,2020-08-05 02:20:25],从而推迟批次P3的离开时间,批次P1的压力时间段不变,同理安排批次P2和批次P3,直至所有批次的压力时间段均调整完之后,再根据调整好的压力时间段来修改每个批次的批次发车时间范围,以与调整好的压力时间段匹配。
步骤S2、根据每个历史目标日的干线批次数量,预测得到目标日的批次数量。
具体地,通过获取历史周期中每个历史目标日的干线批次数量,从中选取出现次数最多、且批次数量值最小的历史目标日的干线批次数量作为目标日的批次数量。
本方案中,历史周期为一个月,以预测目标网点A在目标日为下周一示例:经过上述步骤规划得到的网点A在一个月内的干线批次,按照历史目标日(周一)的时间由远及近,每个周一这一天的批次数量依次为3次、4次、5次、6次;批次数据中出现的最多批次为3次,则预测未来一周周一的批次数为3次。
步骤S3、根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线。
具体地,该骤S3包括:
步骤S31、将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分。
具体地,该第二预设单位时长预先设置,本实施例中,以5分钟为例,将历史目标日,即一天24小时划分为288等份。
步骤S32、根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1。
例如,以下述例子进行说明,下表3展示了目标网点A在历史周期(一个月)内的发生的批次作批次规划后得到每一个历史目标日(周一)的批次信息(为便于描述,每个周一只有一个批次):
表3目标网点A一个月内每一个周一的批次信息
如上表3所示,由于第二预设单位时长为5分钟,第一个周一的批次跨2个5分钟段(00:10:00—00:15:00,00:15:00—00:20:00),在各5分钟段概率分别为0.5;同理,第二个周一批次跨1个5分钟段(00:10:00—00:15:00)概率为1;第三个周一批次跨1个5分钟段(00:15:00—00:20:00),概率为1,第四个周一批次跨1个5分钟段(00:00:00—00:05:00),概率为1。
进一步的,步骤S32之后,步骤S33之前,还包括:
1、对多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数。
2、将干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
具体地,由于预设周期同一目标网点不同历史目标日有着不同的规律,对预测目标日的批次有着不同的影响,故对多个历史目标日进行线性拟合,通过最小二乘法进行权重系数确定,即通过以最小化样本与目标函数间的平方根误差为目标函数,使用梯度下降的方法求解每个历史目标日的各权重系数,再利用每个历史目标日的权重系数修正对应的发车概率。
步骤S33、将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
具体地,按照历史目标日,将每个历史目标日相同第二预设单位时长的时间段对应的发车概率进行累加求和,从而得到目标日,每个第二预设单位时长的时间段对应的求和值,再按照时间先后顺序依次连接每一个求和值,从而得到目标日的批次发车时刻概率曲线。
继续以表3示例进行说明,假设经过计算,每个历史目标日(周三)按照时间先后对应的权重系数分别为0.4,0.3,0.2,0.1,则5分钟段(00:00:00—00:05:00)的发车概率为0.18*1=0.1,第二个5分钟段(00:05:00—00:10:00)的发车概率为0,第三个五分钟段(00:10:00—00:15:00)的发车概率为0.4*0.5+0.3*1+0.2*1=0.7,第四个五分钟段(00:15:00—00:20:00)的发车概率为0.5*0.4=0.2。依此,求出每个第二预设单位时长的时间段对应的求和值,再按照时间先后顺序依次连接每一个求和值,从而得到目标日的批次发车时刻概率曲线。
步骤S4、结合目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
本实施例中,利用该批次发车时刻概率和时间构建坐标系,并将批次发车时刻概率曲线绘制到坐标系中,根据批次数量,利用微积分方式将批次发车时刻概率曲线于时间坐标轴围成的面积进行等分,从而得到目标网点在目标日的批次发车时间范围。
具体地,该步骤S4具体包括:
步骤S41、根据目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点。
具体地,将目标日按照第二预设单位时长等时长切分,再将其作为横坐标轴、将发车概率作为纵坐标轴以构建坐标系,根据目标日在各个第二预设单位时长对应的发车概率在坐标系上绘制批次发车时刻概率曲线,再对目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点。请参阅图3,假设目标日的批次数量为3个,第二预设单位时长为5分钟,则按图3所示进行等面积切分
具体地,等面积切分的计算公式如下:
其中,PTWi w表示第w个历史目标日第i个批次的批次发车时间范围;
Tk表示第k个第二预设单位时长时间间隔;
αj表示第j个历史目标日的批次数量对待预测的目标日的权重系数;
perk表示第k个第二预设单位时长时间间隔内前一个历史周期内所有历史目标日的批次均摊后进行累加;
PM表示待预测的目标日每一个批次占总批次的百分比;
F(k)为f(k)的原函数。
步骤S42、确定每一个切分点对应的时刻,设定时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
具体地,以每一个切分点对应的时刻±时间段以构成批次发车时间范围,该时间段可根据用户需求设定,目标网点在目标日的运输批次规划完成。
本实施例的干线网点的货物运输批次规划方法通过对目标网点的历史目标日的干线批次规划,得到历史目标日的干线批次数量和批次发车时间范围,再利用干线批次数量预测未来的目标日的批次数量,并利用批次发车时间范围得到发车时刻概率曲线,再利用该发车时刻概率曲线对目标日进行批次规划,其根据物流订单通常呈周期性变化的特点,以预设个历史周期中每个历史目标日干线批次作为参考数据对未来目标日进行干线批次规划,从而可根据该干线批次规划对目标网点在目标日时的物流运输进行控制,在运输时效内合理利用运力资源,降低运输成本,节约运输时间和配送时间,从而提高物流配送的效率并降低物流运输成本。
图4展示了本发明干线网点的货物运输批次规划***的一个实施例的功能模块示意图。如图4所示,该干线网点的货物运输批次规划***1包括历史批次规划模块10、预测模块11、概率曲线绘制模块12和未来批次规划模块13。
其中,历史批次规划模块10,用于对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;干线批次信息包括批次数量和批次发车时间范围;预测模块11,用于根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;概率曲线绘制模块12,用于根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;未来批次规划模块13,用于结合目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
可选地,如图5所示,干线网点的货物运输批次规划***100还包括修正模块14,用于对获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息。
修正模块14包括计算单元141、吞吐量确定单元142、匹配单元143、判断单元144和修正单元145。
其中,计算单元141,用于结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段;吞吐量确定单元142,用于将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量;匹配单元143,用于将历史目标日的干线批次的压力时间段匹配进基础时间段;判断单元144,用于经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断;修正单元145,用于控制判断单元重复执行判断操作,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
可选地,概率曲线绘制模块12包括时间切分单元121、概率确定单元122和曲线绘制单元123。
其中,时间切分单元121,用于将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分;概率确定单元122,用于根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1;曲线绘制单元123,用于将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
可选地,概率曲线绘制模块12还包括拟合单元124和加权单元125。
其中,拟合单元124,用于对多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数;加权单元125,用于将干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
可选地,未来批次规划模块13包括面积切分单元131和时间范围确定单元132。
其中,面积切分单元131,用于根据目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点;时间范围确定单元132,用于确定每一个切分点对应的时刻,设定时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
关于上述实施例干线网点的货物运输批次规划***中各模块实现技术方案的其他细节,可参见上述实施例中的干线网点的货物运输批次规划方法中的描述,此处不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对发明的具体实施方式进行了详细说明,但其只作为范例,本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言,任何对该发明进行的等同修改或替代也都在本发明的范畴之中,因此,在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等,都应涵盖在本发明的范围内。
Claims (10)
1.一种干线网点的货物运输批次规划方法,其特征在于,包括:
S1、对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;所述干线批次信息包括批次数量和批次发车时间范围;
S2、根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;
S3、根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;
S4、结合所述目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
2.根据权利要求1所述干线网点的货物运输批次规划方法,其特征在于,所述步骤S1之后,步骤S2之前,还包括步骤S20,
对所述获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息,包括:
S201、结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段;
S202、将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量;
S203、将历史目标日的干线批次的压力时间段匹配进基础时间段;
S204、经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断;
S205、重复执行步骤S024,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
3.根据权利要求1所述的干线网点的货物运输批次规划方法,其特征在于,所述步骤S3包括:
S31、将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分;
S32、根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1;
S33、将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
4.根据权利要求3所述的干线网点的货物运输批次规划方法,其特征在于,所述步骤S31之后,步骤S32之前,还包括:
对所述多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数;
将所述干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
5.根据权利要求1所述的干线网点的货物运输批次规划方法,其特征在于,所述步骤S4包括:
S41、根据所述目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对所述目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点;
S42、确定每一个切分点对应的时刻,设定所述时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
6.一种干线网点的货物运输批次规划***,其特征在于,包括:
历史批次规划模块,用于对目标网点在预设历史周期中每个历史目标日处理的每票货按照满足运输时效条件,进行干线批次规划,获得每个历史目标日的干线批次信息;所述干线批次信息包括批次数量和批次发车时间范围;
预测模块,用于根据每个历史目标日的干线批次数量,预测得到目标日的批次数量;
概率曲线绘制模块,用于根据每个历史目标日的干线批次发车时间范围,得到目标日的批次发车时刻概率曲线;
未来批次规划模块,用于结合所述目标日的批次数量和批次发车时刻概率曲线,得到目标日的批次发车时间范围,目标网点运输批次规划完成。
7.根据权利要求6所述干线网点的货物运输批次规划***,其特征在于,其还包括修正模块,用于对所述获得的每个历史目标日的干线批次,按照满足目标网点吞吐量条件进行再次规划,获得修正后的历史目标日的干线批次信息,所述修正模块包括:
计算单元,用于结合历史目标日的干线批次发车时间范围和批次操作时间,计算出每个历史目标日的干线批次对目标网点造成吞吐压力的压力时间段;
吞吐量确定单元,用于将各历史目标日按照第一预设单位时长等分划为多个基础时间段,并根据历史货物重量数据,确定出每个基础时间段的吞吐量;
匹配单元,用于将历史目标日的干线批次的压力时间段匹配进基础时间段;
判断单元,用于经匹配后存在有干线批次的基础时间段,判断各基础时间段内的干线批次的货物重量是否超出其吞吐量,若是,则将超出吞吐量、且批次发车时间范围靠后的干线批次沿后至下一个基础时间段进行判断;
修正单元,用于控制判断单元重复执行判断操作,直至所有历史目标日的干线批次规划完,并修改所有被延后的干线批次的批次发车时间范围,获得修正后的历史目标日的干线批次信息。
8.根据权利要求6所述的干线网点的货物运输批次规划***,其特征在于,所述概率曲线绘制模块包括:
时间切分单元,用于将预设历史周期中每个历史目标日按照第二预设单位时长进行等时长切分;
概率确定单元,用于根据各历史目标日干线批次的批次发车时间范围,确定每个干线批次在各第二预设单位时长的发车概率;设定每个干线批次在各第二预设单位时长的发车概率相同,且概率总和为1;
曲线绘制单元,用于将每个第二预设单位时长的发车概率进行累加求和,并对各求和值按照对应的时间先后顺序依次相连,得到目标日的批次发车时刻概率曲线。
9.根据权利要求8所述的干线网点的货物运输批次规划***,其特征在于,所述概率曲线绘制模块还包括:
拟合单元,用于对所述多个历史目标日的历史批次的有或无状态进行线性拟合,确认每个历史目标日对应的权重系数;
加权单元,用于将所述干线批次在各第二预设单位时长的发车概率分别乘以该干线批次所在历史目标日的权重系数,得到修正后的发车概率。
10.根据权利要求6所述的干线网点的货物运输批次规划***,其特征在于,所述未来批次规划模块包括:
面积切分单元,用于根据所述目标日的批次数量,以按第二预设单位时长等时长切分的24小时为横坐标轴,对所述目标日的批次发车时刻概率曲线与横坐标围成的面积进行等面积切分,记录每一个切分点;
时间范围确定单元,用于确定每一个切分点对应的时刻,设定所述时刻±时间段为目标日的批次发车时间范围,目标网点运输批次规划完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011050290.2A CN112288232B (zh) | 2020-09-29 | 2020-09-29 | 干线网点的货物运输批次规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011050290.2A CN112288232B (zh) | 2020-09-29 | 2020-09-29 | 干线网点的货物运输批次规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288232A true CN112288232A (zh) | 2021-01-29 |
CN112288232B CN112288232B (zh) | 2024-03-29 |
Family
ID=74422462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011050290.2A Active CN112288232B (zh) | 2020-09-29 | 2020-09-29 | 干线网点的货物运输批次规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288232B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240001A (zh) * | 2021-11-09 | 2022-03-25 | 北京京东振世信息技术有限公司 | 物流路由网络确定方法和装置 |
CN116468352A (zh) * | 2023-06-16 | 2023-07-21 | 跨越速运集团有限公司 | 一种物流发车时间计算方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创(北京)技术有限公司 | 巴士运力资源规划方法及*** |
CN108537458A (zh) * | 2018-04-17 | 2018-09-14 | 重庆交通开投科技发展有限公司 | 一种发车策略的显示方法和装置 |
CN109377047A (zh) * | 2018-10-22 | 2019-02-22 | 广州汽车集团乘用车(杭州)有限公司 | 智能化物流监控管理*** |
CN109658037A (zh) * | 2019-01-10 | 2019-04-19 | 跨越速运集团有限公司 | 一种物流路径智能规划方法及*** |
CN111563708A (zh) * | 2020-03-31 | 2020-08-21 | 深圳市跨越新科技有限公司 | 智慧物流货物链路运输方法及*** |
-
2020
- 2020-09-29 CN CN202011050290.2A patent/CN112288232B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创(北京)技术有限公司 | 巴士运力资源规划方法及*** |
CN108537458A (zh) * | 2018-04-17 | 2018-09-14 | 重庆交通开投科技发展有限公司 | 一种发车策略的显示方法和装置 |
CN109377047A (zh) * | 2018-10-22 | 2019-02-22 | 广州汽车集团乘用车(杭州)有限公司 | 智能化物流监控管理*** |
CN109658037A (zh) * | 2019-01-10 | 2019-04-19 | 跨越速运集团有限公司 | 一种物流路径智能规划方法及*** |
CN111563708A (zh) * | 2020-03-31 | 2020-08-21 | 深圳市跨越新科技有限公司 | 智慧物流货物链路运输方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240001A (zh) * | 2021-11-09 | 2022-03-25 | 北京京东振世信息技术有限公司 | 物流路由网络确定方法和装置 |
CN116468352A (zh) * | 2023-06-16 | 2023-07-21 | 跨越速运集团有限公司 | 一种物流发车时间计算方法、装置、设备及存储介质 |
CN116468352B (zh) * | 2023-06-16 | 2023-09-22 | 跨越速运集团有限公司 | 一种物流发车时间计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112288232B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaur et al. | A periodic inventory routing problem at a supermarket chain | |
CN105512747B (zh) | 物流智能优化调度*** | |
US20200364630A1 (en) | System and method for managing transportation vessels | |
CN112288232B (zh) | 干线网点的货物运输批次规划方法及*** | |
US20060212326A1 (en) | Method for predicting call center volumes | |
CN116402309B (zh) | 港口集疏运车辆调度匹配方法及*** | |
CN110705805A (zh) | 货物的装配方法及装置、存储介质、电子装置 | |
CN115936588A (zh) | 一种跨境电商供应链的数据模拟方法 | |
CN102298737A (zh) | 面向客户承诺的订单管理***和订单管理方法 | |
CN116940952A (zh) | 产品的生产排程方法、电子设备和存储介质 | |
CN115965172A (zh) | 一种成品油二次配送车辆的路径优化算法、***、设备 | |
CN116228089A (zh) | 一种基于最短里程的门店配送路径规划方法 | |
CN113935528B (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
Tang et al. | Investigation of berth allocation problem in container ports considering the variety of disruption | |
CN112613701B (zh) | 一种成品卷烟物流调度方法 | |
CN108416482B (zh) | 一种基于区域性多策略的物流配送路径规划方法 | |
CN117709836A (zh) | 一种数字化物流供应链的管理*** | |
JP2004326711A (ja) | 配車計画立案方法および装置 | |
CN114693004B (zh) | 物流优化方法和装置 | |
CN112801310B (zh) | 一种基于c-w节约算法的车辆路径优化方法 | |
CN115099617A (zh) | 烟草工业品物流调度方法 | |
CN113962634A (zh) | 一种成品卷烟运输周计划智能调度方法、装置及电子设备 | |
CN113469610A (zh) | 一种基于骑手平均等餐时间的最短路径优化方法 | |
Barth et al. | Optimization of transfer baggage handling in a major transit airport | |
CN112506966A (zh) | 一种基于参数灵活设置的智能自动选车***及方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 floor 4, building a, Lufthansa aviation Park, hourui community, Hangcheng street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Leap New Technology Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: Shenzhen Leap New Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |